CN110320335B - 一种关于污水处理出水水质指标的多元鲁棒软测量方法 - Google Patents
一种关于污水处理出水水质指标的多元鲁棒软测量方法 Download PDFInfo
- Publication number
- CN110320335B CN110320335B CN201910652898.3A CN201910652898A CN110320335B CN 110320335 B CN110320335 B CN 110320335B CN 201910652898 A CN201910652898 A CN 201910652898A CN 110320335 B CN110320335 B CN 110320335B
- Authority
- CN
- China
- Prior art keywords
- output
- sewage treatment
- weight
- parameters
- sewage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1806—Water biological or chemical oxygen demand (BOD or COD)
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明提供一种关于污水处理出水水质指标的多元鲁棒软测量方法,涉及污水处理自动化控制技术领域。该方法基于工业现场常规的检测设备实时测量得到的参数作为模型的输入数据;建立一个可同时对衡量污水处理出水质量的主要参数进行多元动态预测的随机权神经网络模型,同时实现了BOD含量、COD含量和TSS含量污水质量参数的鲁棒软测量,综合描述污水水质参数,避免离线化验的滞后性和人工操作带来的不确定性。本发明同时利用稀疏偏最小二乘和Schweppe型广义M估计,消除多重共线性对建模的影响,降低了数据中离群点和杠杆点对建模的不良影响,同时还达到了变量选择的目的,更加准确的给出指定动态时间区间的多元污水处理出水水质参数的估计值。
Description
技术领域
本发明涉及污水处理自动化控制技术领域,尤其涉及一种关于污水处理出水水质指标的多元鲁棒软测量方法。
背景技术
近年来,工业社会以及日常生活对淡水资源的需求量日益增大,对水环境的破坏也愈加严重。如何高效地处理排放污水,实现淡水资源持续利用和良性循环,是当今世界现代化发展中永恒不变的课题。污水处理是一个将日常生产生活中产生的污水,进行一系列的处理,从而达到排放指标的极为复杂的非线性动态过程,涉及到环境和资源的可持续发展。
活性污泥法是污水处理过程中应用最为广泛的方法,整个污水处理过程涉及物理、化学和生物等多个反应和过程,具有高度非线性、时变性、大滞后以及欠调节等特点。处理过程的目标是在保证过程平稳运行的前提下,抑制各种扰动,尽可能地降低成本,使出水水质稳定合格。出水水质指标是用来衡量污水处理过程好坏的重要指标,常见的出水水质指标包括生物需氧量BOD(mg/l)、化学需氧量COD(mg/l)和出水的总悬浮物TSS(mg/l)等。然而,这些出水指标不可在线测量或测量滞后较大,使得出水水质难以直接检测,尤其是当遇到不可抗拒因素显著变化时,仅仅依靠基于人工经验的过程控制以及基于特定条件过程模型的运行控制方法难以满足严格的水质指标与高运行性能要求。为了对污水处理过程更好地优化控制达到最终的目的,对生物反应器和二次沉淀池的内部运行状态实时全面准确地监测,必须要对出水水质指标进行实时的软测量。由于污水处理过程的复杂动态特性,高维数据间存在多重共线性,同时包含大量的离群点数据信息给软测量带来困难。为了解决这些问题,就需要对生物反应器和二次沉淀池进行参数检测分析建立数据驱动的多元出水水质指标鲁棒软测量模型。
专利公开号“CN102313796B”公开了一种污水出水生物需氧量(BOD)软测量方法,针对生物需氧量不易在线测得的问题,应用一种动态结构自组织神经网络建立软测量模型。根据隐含层神经元的输出对整个网络输出的贡献大小,动态地增长-删减神经元,并能自动地调整节点的增长-修剪训练步数,实现了神经网络网络结构的动态变化,对出水生物需氧量进行预测。
专利公开号“CN101334395B”提供了一种化学需氧量(COD)的软测量方法,针对COD在线测量困难的问题,根据污水处理过程非线性的特点,提出一种运用快速EFAST方法修剪冗余神经元,简化神经网络结构,并对COD进行软测量的方法。根据软测量结果,及时调整无数处理曝气池生化反应的物料搭配,以便对COD进行更好的清除,避免了研发传感器的复杂工程。
上述专利报道的方法以及其他相关文献相关类似方法只是针对单一的污水出水水质参数(如BOD含量、COD含量等)进行预报和软测量,未能对表征污水水质的主要参数,即BOD含量、COD含量和TSS含量同时进行多元预报,因而不能全面反映污水水质水平,实用性较差。而且,污水数据是高维数据并且数据中存在着多重共线性,针对存在异常的数据进行软测量需要进行处理;另外,在实际污水处理过程中,环境恶劣,检测仪表等装置的故障以及其他异常干扰的影响,测量数据中包含离群点。这些方法主要考虑了理想状况下的污水水质参数软测量,鲁棒性较差,当建模数据含有离群点时,这些方法不能抑制离群点干扰而对污水质量参数进行较为准确地预测。综上所述,目前国内外还没有专门针对污水处理过程污水质量参数(BOD含量、COD含量和TSS含量)进行多元鲁棒软测量的方法。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种关于污水处理出水水质指标的多元鲁棒软测量方法,实现对污水处理过程污水质量参数进行多元鲁棒软测量。
为解决上述技术问题,本发明所采取的技术方案是:一种关于污水处理出水水质指标的多元鲁棒软测量方法,包括以下步骤:
步骤1、采集当前时刻污水处理设备总的进水流量、进水氨氮,无氧生化池中的活性异养菌生物量、硝氮、碱度及有氧生化池中的活性异养菌生物量、活性自养菌生物量、氨氮、碱度和溶解氧;
步骤2、将采集的数据进行归一化处理;
步骤3、利用以多元随机权神经网络构建的污水处理出水水质鲁棒软测量模型,具体方法为:
步骤3-1、污水处理出水水质鲁棒软测量模型结构及输入确定:利用稀疏偏最小二乘回归和Schweppe型广义M估计的多元随机权神经网络作为污水处理出水水质鲁棒软测量模型结构,选取与污水水质参数相关的进水水质参数和每个生化池的状态参数作为模型的输入;
所述与污水水质参数相关的进水水质参数为污水处理设备总的进水流量、进水氨氮;所述与污水水质参数相关的每个生化池的状态参数为无氧生化池中的活性异养菌生物量、硝氮、碱度及有氧生化池中的活性异养菌生物量、活性自养菌生物量、氨氮、碱度和溶解氧;
步骤3-2、训练污水处理出水水质参数鲁棒软测量模型;
步骤3-2-1、确定模型训练需要的相关参数:激活函数类型g,隐含层节点数目L,最大迭代次数F,稀疏偏最小二乘主元个数B及输出权值的收敛条件E;
步骤3-2-2、选取历史某一时间段内与污水水质参数相关的进水水质参数和每个生化池的状态参数以及污水出水水质参数数据作为鲁棒训练数据集,并将训练数据集中所有变量数据进行归一化处理,如下公式所示:
Z={(xi,yi)|i=1,…N};
其中,N为所选取的历史时段样本个数,xi=[xi1,xi2,…,xin]T∈R”为模型输入数据,n为模型输入参数个数,yi=[yi1,yi2,…,yim]T∈Rm为模型输出的污水出水水质参数数据,m为模型输出参数个数;
在一定范围内随机产生输入层与隐层之间的输入权值aj及阈值bj,j=1,…,L,L为隐含层节点的个数;计算隐含层输出矩阵H、初始输出权重β、模型的初始估计值和初始残差r:
其中,||·||是欧几里德范数,median||T||是计算{t1,…tn}的中位数,medL1(T)是从{t1,…tn}计算的L1-median,或其他计算矩阵空间中心的运算,h表示第h个输出变量,c=1.345是Huber权函数的调谐常数;
步骤3-2-5、计算训练样本综合权重由稀疏偏最小二乘回归求得输出权值矩阵及隐含层输出矩阵的得分向量Th,计算标准化残差;若输出权值满足收敛条件或超过最大迭代次数,则停止训练,得到最终的污水处理出水水质鲁棒软测量模型;否则,重复执行步骤3-2-3至3-2-4;
步骤4、将进行归一化处理的污水参数输入训练好的污水处理出水水质鲁棒软测量模型进行出水水质鲁棒软测量,得到出水水质指标BOD含量的估计值、COD含量的估计值和TSS含量估计值。
采用上述技术方案所产生的有益效果在于:本发明提供的一种关于污水处理出水水质指标的多元鲁棒软测量方法,本发明将基于工业现场常规的检测设备实时测量得到的污水参数作为模型的输入数据,考虑到高维数据间的多重共线性并提高模型的鲁棒性,构造动态模型,同时实现了BOD含量、COD含量和TSS含量污水质量参数的鲁棒软测量,综合描述污水水质参数,避免离线化验的滞后性和人工操作带来的不确定性。本发明考虑到在实际污水处理过程中,考虑到污水处理过程的复杂性,建立一个可同时对衡量污水处理出水质量的主要参数进行多元动态预测的随机权神经网络模型。受检测仪表和变送器等装置的故障的影响,采集的数据中会存在大量的离群点和杠杆点,因此利用Schweppe型广义M估计,不仅考虑了离群点和杠杆点之间的相互影响,还可以同时解决数据中存在的离群点和杠杆点对建模的不良影响,从而增强了软测量模型的鲁棒性。污水处理的数据是高维数据,且数据之间存在多重共线性,通过在隐层空间(隐含层输出)与建模输出之间运用稀疏偏最小二乘(SPLS)回归分别求出隐层空间和输出的得分矩阵,然后利用Schweppe型广义M估计解决离群点和杠杆点对建模的影响,消除隐层空间的多重共线性问题,同时利用模型稀疏性的优点,提高软测量模型的预测精度。本发明利用实际的污水处理厂数据,现有常规测量设备采集的处理过程数据作为建模需要的数据,降低了数据中离群点对建模的不良影响,消除多重共线性对建模的影响,更加准确的给出指定动态时间区间的多元污水处理出水水质参数的估计值,更有利于操作者通过检测污水处理过程,对异常工况做出准确判断,并及时准确的采取措施,为工业生产过程的优化操作和稳定顺行运行提供参考,使污水厂获得最大的效益。
附图说明
图1为本发明实施例提供的污水处理过程的测量仪表配置图;
图2是本发明实施例提供的一种关于污水处理出水水质指标的多元鲁棒软测量方法的流程图;
图3是本发明实施例提供的污水处理出水质量鲁棒软测量建模效果图,其中,(a)为BOD含量的预测值与实际值对比曲线,(b)为COD含量的预测值与实际值对比曲线,(c)为TSS含量的预测值与实际值对比曲线。
图中:1-用于测量进水流量的电磁流量计;2、9、14、19-均为用于测量氨氮含量的污水氨氮检测仪;3、6-均为用于测量硝氮含量的硝氮分析仪;4、7、10、15、20-均为用于测量碱度的工业PH计;5、8、11、16、21-均为用于测量异养菌数量的菌落计数仪;12、17、22-均为用于测量测量自养菌数量的菌落计数仪;13、18、23-均为用于测量溶解氧含量的溶解氧测定仪。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例以如图1所示的某污水处理厂为例,使用本发明的一种关于污水处理出水水质指标的多元鲁棒软测量方法对该污水处理厂处理的出水水质指标进行软测量。该污水处理厂安装了如下的常规测量系统,包括:用于测量进水流量的电磁流量计、用于测量氨氮含量的污水氨氮检测仪、用于测量硝氮含量的硝氮分析仪、用于测量碱度的工业PH计、测量自氧菌和异养菌数量的菌落计数仪以及用于测量溶解氧含量的溶解氧测定仪。
污水处理过程的所采用的仪器仪表如图1所示,电磁流量计和污水氨氮检测仪安装在初级池,硝氮分析仪、工业PH计和菌落计数仪安装在生化池1和2,污水氨氮检测仪、工业PH计、菌落计数仪和溶解氧测定仪安装在生化池3、4和5,各个检测仪器可以通过通讯总线连接计算机系统,实时采集仪表的检测数据。
一种关于污水处理出水水质指标的多元鲁棒软测量方法,如图2所示,包括以下步骤:
步骤1、采集当前时刻污水处理设备总的进水流量、进水氨氮,无氧生化池中的活性异养菌生物量、硝氮、碱度及有氧生化池中的活性异养菌生物量、活性自养菌生物量、氨氮、碱度和溶解氧;
本实施例中,采集当前时刻的污水处理设备总进水流量Q0_0(m3),进水氨氮SNH_0(M(N)/L3),无氧生化池1和2中的活性异养菌生物量XBH_1、XBH_2(M(COD)/L3),硝氮SNO_1、SNO_2(M(N)/L3),碱度SALK_1、SALK_2(mol)以及有氧生化池3、4、5中的活性异养菌生物量XBH_3、XBH_4、XBH_5(M(COD)/L3),活性自养菌生物量XBA_3、XBA_4、XBA_5(M(COD)/L3),氨氮SNH_3、SNH_4、SNH_5(M(N)/L3),碱度SALK_3、SALK_4、SALK_4(mol),溶解氧SO_3、SO_4、SO_5(M(COD)/L3)。
步骤2、将采集的数据进行归一化处理;
步骤3、利用以多元随机权神经网络构建的污水处理出水水质鲁棒软测量模型,具体方法为:
步骤3-1、污水处理出水水质鲁棒软测量模型结构及输入确定:选择多元随机权神经网络作为污水处理出水水质鲁棒软测量模型结构,选取与污水水质参数相关的进水水质参数和每个生化池的状态参数作为模型的输入;
所述与污水水质参数相关的进水水质参数为污水处理设备总的进水流量、进水氨氮;所述与污水水质参数相关的每个生化池的状态参数为无氧生化池中的活性异养菌生物量、硝氮、碱度及有氧生化池中的活性异养菌生物量、活性自养菌生物量、氨氮、碱度和溶解氧;
本实施例中,污水处理出水水质鲁棒软测量模型的输入,包括:
进水流量Q0_0(m3)
进水氨氮SNH_0(M(N)/L3)
无氧生化池1、2中:
活性异养菌生物量XBH_1(M(COD)/L3)、XBH_2(M(COD)/L3)
硝氮SNO_1(M(N)/L3)、SNO_2(M(N)/L3)
碱度SALK_1(mol)、SALK_2(mol)
有氧生化池3、4、5中:
活性异养菌生物量XBH_3(M(COD)/L3)、XBH_4(M(COD)/L3)、XBH_5(M(COD)/L3)
活性自养菌生物量XBA_3(M(COD)/L3)、XBA_4(M(COD)/L3)、XBA_5(M(COD)/L3)
氨氮SNH_3(M(N)/L3)、SNH_4(M(N)/L3)、SNH_5(M(N)/L3)
碱度SALK_3(mol)、SALK_4(mol)、SALK_5(mol)
溶解氧SO_3(M(-COD)/L3)、SO_4(M(-COD)/L3)、SO_5(M(-COD)/L3)
污水处理出水质量鲁棒软测量模型的输出即需要估计的当前时刻的污水质量参数,包括:
步骤3-2、训练污水处理出水水质参数鲁棒软测量模型;
步骤3-2-1、确定模型训练需要的相关参数:激活函数类型g,隐含层节点数目L,最大迭代次数F,稀疏偏最小二乘主元个数B及输出权值的收敛条件E;
本实施例中,激活函数类型g为Sigmoid函数,隐含层节点数目L=30,最大迭代次数F=50,稀疏偏最小二乘(SPLS)主元个数B=10,输出权值的收敛条件E=10-5。
步骤3-2-2、选取历史某一时间段内与污水水质参数相关的进水水质参数和每个生化池的状态参数以及污水出水水质参数数据作为鲁棒训练数据集,并将训练数据集中所有变量数据进行归一化处理,如下公式所示:
Z={(xi,yi)|i=1,…N};
其中,N为所选取的历史时段样本个数,xi=[xi1,xi2,…,xin]T∈Rn为模型输入数据,n为模型输入参数个数,yi=[yi1,yi2,…,yim]T∈Rm为模型输出的污水出水水质参数数据,m为模型输出参数个数;
在一定范围内随机产生输入层与隐层之间的输入权值aj及阈值bj,j=1,…,L,L为隐含层节点的个数;计算隐含层输出矩阵H、初始输出权重β、模型的初始估计值和初始残差r:
其中,||·||是欧几里德范数,median||T||是计算{t1,…tn}的中位数,medL1(T)是从{t1,…tn}计算的L1-median,或其他计算矩阵空间中心的运算,h表示第h个输出变量,c=1.345是Huber权函数的调谐常数;
步骤3-2-5、计算训练样本综合权重由稀疏偏最小二乘回归求得输出权值矩阵及隐含层输出矩阵的得分向量Th,计算标准化残差;若输出权值满足收敛条件或超过最大迭代次数,则停止训练,得到最终的污水处理出水水质鲁棒软测量模型;否则,重复执行步骤3-2-3至3-2-4;
步骤4、将进行归一化处理的污水参数输入训练好的污水处理出水水质鲁棒软测量模型进行出水水质鲁棒软测量,得到出水水质指标BOD含量的估计值、COD含量的估计值和TSS含量估计值。
本发明方法可以采用C#高级语言对该测量方法通过软件系统进行实现。该软件系统可实现数据显示、查询、软测量结果显示以及查询等功能,可以方便地让操作人员获得其所需要软测量、历史趋势、数据分析等信息。另外,计算机系统上装有OPC通讯软件负责与下位机以及数据采集装置进行数据双向通讯。
本实施例中,进行了污水处理出水质量参数软测量系统一段时间的污水质量指标的预报效果,如图3所示,其中所用数据均为实际的污水处理过程中采集的数据。本实施例中,训练数据为600组历史样本,通过测试集进行模型评估。从图3可以看出本发明各个污水质量指标预报值与其实际值曲线基本拟合,预报误差最小,准确度高。因此,本发明方法是一种训练速度快、模型结构简单、解决离群点和杠杆点对建模的干扰,极大增强模型鲁棒性,预测精度高的污水处理过程出水质量参数鲁棒软测量方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (2)
1.一种关于污水处理出水水质指标的多元鲁棒软测量方法,其特征在于:包括以下步骤:
步骤1、采集当前时刻污水处理设备总的进水流量、进水氨氮,无氧生化池中的活性异养菌生物量、硝氮、碱度及有氧生化池中的活性异养菌生物量、活性自养菌生物量、氨氮、碱度和溶解氧;
步骤2、将采集的数据进行归一化处理;
步骤3、利用以多元随机权神经网络构建的污水处理出水水质鲁棒软测量模型,具体方法为:
步骤3-1、污水处理出水水质鲁棒软测量模型结构及输入确定:利用稀疏偏最小二乘回归和Schweppe型广义M估计的多元随机权神经网络作为污水处理出水水质鲁棒软测量模型结构,选取与污水水质参数相关的进水水质参数和每个生化池的状态参数作为模型的输入;
步骤3-2、训练污水处理出水水质参数鲁棒软测量模型;
步骤3-2-1、确定模型训练需要的相关参数:激活函数类型g,隐含层节点数目L,最大迭代次数F,稀疏偏最小二乘主元个数B及输出权值的收敛条件E;
步骤3-2-2、选取历史某一时间段内与污水水质参数相关的进水水质参数和每个生化池的状态参数以及污水出水水质参数数据作为鲁棒训练数据集,并将训练数据集中所有变量数据进行归一化处理,如下公式所示:
Z={(xi,yi)|i=1,…N};
其中,N为所选取的历史时段样本个数,xi=[xi1,xi2,…,xin]T∈Rn为模型输入数据,n为模型输入参数个数,yi=[yi1,yi2,…,yim]T∈Rm为模型输出的污水出水水质参数数据,m为模型输出参数个数;
在一定范围内随机产生输入层与隐层之间的输入权值aj及阈值bj,j=1,…,L,L为隐含层节点的个数;计算隐含层输出矩阵H、初始输出权重β、模型的初始估计值和初始残差r:
步骤3-2-5、计算训练样本综合权重由稀疏偏最小二乘回归求得输出权值矩阵及隐含层输出矩阵的得分向量Th,计算标准化残差;若输出权值满足收敛条件或超过最大迭代次数,则停止训练,得到最终的污水处理出水水质鲁棒软测量模型;否则,重复执行步骤3-2-3至3-2-4;
步骤4、将进行归一化处理的污水参数输入训练好的污水处理出水水质鲁棒软测量模型进行出水水质鲁棒软测量,得到出水水质指标BOD含量的估计值、COD含量的估计值和TSS含量估计值;
所述步骤3-2-3的具体方法为:
其中,||·||是欧几里德范数,median||T||是计算{t1,…tn}的中位数,medL1(T)是从{t1,…tn}计算的L1-median,或其他计算矩阵空间中心的运算,h表示第h个输出变量,c=1.345是Huber权函数的调谐常数;
所述步骤3-2-4的具体方法为:
所述步骤3-2-5的具体方法为:
2.根据权利要求1所述的一种关于污水处理出水水质指标的多元鲁棒软测量方法,其特征在于:步骤3-1所述与污水水质参数相关的进水水质参数为污水处理设备总的进水流量、进水氨氮;所述与污水水质参数相关的每个生化池的状态参数为无氧生化池中的活性异养菌生物量、硝氮、碱度及有氧生化池中的活性异养菌生物量、活性自养菌生物量、氨氮、碱度和溶解氧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910652898.3A CN110320335B (zh) | 2019-07-19 | 2019-07-19 | 一种关于污水处理出水水质指标的多元鲁棒软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910652898.3A CN110320335B (zh) | 2019-07-19 | 2019-07-19 | 一种关于污水处理出水水质指标的多元鲁棒软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110320335A CN110320335A (zh) | 2019-10-11 |
CN110320335B true CN110320335B (zh) | 2021-11-23 |
Family
ID=68123905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910652898.3A Active CN110320335B (zh) | 2019-07-19 | 2019-07-19 | 一种关于污水处理出水水质指标的多元鲁棒软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110320335B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112114103B (zh) * | 2020-08-18 | 2021-07-20 | 华南理工大学 | 基于鲁棒自适应典型相关分析的污水厂污泥膨胀检测方法 |
CN112485394A (zh) * | 2020-11-10 | 2021-03-12 | 浙江大学 | 一种基于稀疏自编码和极限学习机的水质软测量方法 |
CN112380779B (zh) * | 2020-11-27 | 2023-11-24 | 东北大学 | 一种烧结终点的鲁棒软测量方法及系统 |
CN113568311B (zh) * | 2021-08-06 | 2023-05-26 | 东北大学 | 基于知识信息的污水处理智能优化控制方法 |
CN115859770B (zh) * | 2022-10-25 | 2023-08-04 | 浙江问源环保科技股份有限公司 | 基于ga和ffnn的生活污水粪大肠菌群在线监测系统和装置 |
CN117171685B (zh) * | 2023-09-01 | 2024-02-09 | 武汉中核仪表有限公司 | 一种浊度测量系统运行监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001252691A (ja) * | 2000-03-10 | 2001-09-18 | Toshiba Corp | 下水処理場の水質制御装置 |
US7219087B2 (en) * | 2003-07-25 | 2007-05-15 | Yamaha Hatsudoki Kabushiki Kaisha | Soft computing optimizer of intelligent control system structures |
CN101625353A (zh) * | 2009-03-06 | 2010-01-13 | 北京工商大学 | 污水处理出水水质软测量方法及在线智能检测仪表 |
CN201392338Y (zh) * | 2009-03-06 | 2010-01-27 | 北京工商大学 | 污水处理出水水质软测量在线智能检测仪表 |
CN102313796A (zh) * | 2011-05-27 | 2012-01-11 | 北京工业大学 | 一种污水处理生化需氧量软测量方法 |
CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
CN203048728U (zh) * | 2012-11-15 | 2013-07-10 | 东莞市胜蓝达环保设备技术有限公司 | 一种农村污水处理系统 |
CN107299170A (zh) * | 2017-08-10 | 2017-10-27 | 东北大学 | 一种高炉铁水质量鲁棒软测量方法 |
-
2019
- 2019-07-19 CN CN201910652898.3A patent/CN110320335B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001252691A (ja) * | 2000-03-10 | 2001-09-18 | Toshiba Corp | 下水処理場の水質制御装置 |
US7219087B2 (en) * | 2003-07-25 | 2007-05-15 | Yamaha Hatsudoki Kabushiki Kaisha | Soft computing optimizer of intelligent control system structures |
CN101625353A (zh) * | 2009-03-06 | 2010-01-13 | 北京工商大学 | 污水处理出水水质软测量方法及在线智能检测仪表 |
CN201392338Y (zh) * | 2009-03-06 | 2010-01-27 | 北京工商大学 | 污水处理出水水质软测量在线智能检测仪表 |
CN102313796A (zh) * | 2011-05-27 | 2012-01-11 | 北京工业大学 | 一种污水处理生化需氧量软测量方法 |
CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
CN203048728U (zh) * | 2012-11-15 | 2013-07-10 | 东莞市胜蓝达环保设备技术有限公司 | 一种农村污水处理系统 |
CN107299170A (zh) * | 2017-08-10 | 2017-10-27 | 东北大学 | 一种高炉铁水质量鲁棒软测量方法 |
Non-Patent Citations (1)
Title |
---|
基于类脑模块化神经网络的污水处理过程关键出水参数软测量;蒙西 等;《自动化学报》;20190531;第45卷(第5期);第906-919页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110320335A (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110320335B (zh) | 一种关于污水处理出水水质指标的多元鲁棒软测量方法 | |
Newhart et al. | Data-driven performance analyses of wastewater treatment plants: A review | |
US10570024B2 (en) | Method for effluent total nitrogen-based on a recurrent self-organizing RBF neural network | |
US11346831B2 (en) | Intelligent detection method for biochemical oxygen demand based on a self-organizing recurrent RBF neural network | |
CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
Han et al. | Hierarchical neural network modeling approach to predict sludge volume index of wastewater treatment process | |
CN109508811A (zh) | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 | |
CN109492265B (zh) | 基于动态非线性pls软测量方法的废水出水指标预测方法 | |
CN102854296A (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
CN103728431A (zh) | 基于极限学习机的工业污水cod在线软测量方法 | |
CN112884056A (zh) | 基于优化的lstm神经网络的污水水质预测方法 | |
CN103235096A (zh) | 污水水质检测方法与装置 | |
Han et al. | Prediction of sludge bulking using the knowledge-leverage-based fuzzy neural network | |
CN202075272U (zh) | 一种应用于污水处理的软测量系统 | |
CN101775434A (zh) | 基于bp神经网络的饮用水管网细菌总数快速预测方法 | |
CN108595892A (zh) | 基于时间差分模型的软测量建模方法 | |
CN104914227B (zh) | 基于多高斯核自优化相关向量机的污水水质软测量方法 | |
Han et al. | A sludge volume index (SVI) model based on the multivariate local quadratic polynomial regression method | |
CN115561416A (zh) | 污水处理厂进水水质实时检测方法和装置 | |
CN108549740A (zh) | 一种基于混合智能算法的厌氧系统出水氨氮软测量方法 | |
CN106706491B (zh) | 膜生物反应器-mbr出水透水率的智能检测方法 | |
Sappl et al. | Machine learning for quantile regression of biogas production rates in anaerobic digesters | |
Yasmin et al. | Improved support vector machine using optimization techniques for an aerobic granular sludge | |
CN110542748B (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |