CN110642393A - 一种基于神经网络模型的曝气控制系统 - Google Patents
一种基于神经网络模型的曝气控制系统 Download PDFInfo
- Publication number
- CN110642393A CN110642393A CN201910979295.4A CN201910979295A CN110642393A CN 110642393 A CN110642393 A CN 110642393A CN 201910979295 A CN201910979295 A CN 201910979295A CN 110642393 A CN110642393 A CN 110642393A
- Authority
- CN
- China
- Prior art keywords
- data
- sewage
- aeration
- acquisition module
- neural network
- 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.)
- Granted
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F7/00—Aeration of stretches of water
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/006—Regulation methods for biological treatment
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/30—Aerobic and anaerobic processes
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/001—Upstream control, i.e. monitoring for predictive control
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/02—Temperature
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/06—Controlling or monitoring parameters in water treatment pH
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/08—Chemical Oxygen Demand [COD]; Biological Oxygen Demand [BOD]
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/14—NH3-N
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/16—Total nitrogen (tkN-N)
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/22—O2
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/40—Liquid flow rate
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Abstract
本发明涉及污水处理技术领域,具体涉及一种基于神经网络模型的曝气控制系统,包括:用于采集进水口处污水数据的进水口采集单元;污水数据采集单元,用于采集生化反应池的污水数据;中央控制单元包括:系统状态方程计算模块,用于将所述目标污水数据输入到经过预先训练的神经网络模型中,输出得到系统状态方程;控制函数转换模块,用于对所述系统状态方程进行变量转换,以得到以污水组分为变量的控制函数;曝气控制模块,用于根据所述控制函数控制预设的曝气单元执行对应的动作。本发明中的曝气控制系统能够采集生化反应池重要部位的污水数据,利用神经网络模型计算系统状态方程实现系统的最优控制,从而能够兼顾曝气控制的效果和稳定性。
Description
技术领域
本发明涉及污水处理技术领域,具体涉及一种基于神经网络模型的曝气控制系统。
背景技术
自动污水处理乃至智能污水处理是当前国内外主要的污水处理方式。国内外大部分的污水处理厂使用AAO工艺进行污水处理,AAO工艺处理污水的步骤如下:由进水口输入污水,然后由生化反应池对污水进行处理,最后由出水口排出污水;进水口采集单元(安装于进水口处采集数据的仪表)和出水口仪表组(安装于出水口处采集数据的仪表)为国家规定安装的仪。其中,生化反应池的流程如下:污水首先从进水口输入,通过粗格栅的过滤,随后通过细格栅过滤,接着在爆气沉砂池沉淀,随后在生化反应池,即在厌氧池、缺氧池和好氧池进行一系列的生化化学反应,经过好氧池之后的污水一部分通过污水回流回到厌氧池重复前述过程,另一部分进入二沉池澄清,通过二沉池处理的污水通过紫外线消毒等工艺到达排放标准。
污水处理过程中,曝气控制是节能减排的关键步骤。当前的智能曝气控制方式主要是使用基于ASM系列模型为基础的模型预测控制方法,其采集进水口的污水数据,并由ASM系列模型根据进水口的污水数据计算得到控制函数,根据最优控制函数控制曝气单元执行动作(曝气控制)。其中,基于ASM模型组分为变量的控制函数对曝气单元进行动作控制的最优控制性能指标函数可表示为J(x,u),式中x代表基于ASM2d模型组分格式的污水组分向量,u代表五个控制变量(DOC1、DOC2和DOC3(DOC1、DOC2、DOC3分别代表三个曝气阀)的开度,以及内回流比和污泥回流比)组成的向量。
上述现有方案中,通常使用ASM系列模型作为系统状态方程建立控制模型并使用电耗的指标极小化,来计算系统的控制函数生成对应的控制策略,对曝气单元进行动作控制。但使用ASM系列模型时还存在以下问题:ASM系列模型反应过程中非线性微分方程规模巨大,且具有大量的模型参数难以准确的估计,导致模型精度较差,使得计算得到的系统状态方程不准确,最终导致控制的效果不好;此外,现有方案中,仅在进水口和出水口处设置仪表(数据采集单元),而未在生化反应池中采集相应数据,使得进水口和出水口处的仪表出现故障和或数据错误时,ASM系列模型计算得到错误的系统状态方程,这使得在曝气控制时出现误判,从而导致曝气控制的稳定性低。
发明内容
针对上述现有技术的不足,本发明所要解决的技术问题是:如何采集重要部位的污水数据,并提供一种能够利用神经网络模型计算系统状态方程的曝气控制系统,以能够兼顾曝气控制的效果和稳定性。
为了解决上述技术问题,本发明采用了如下的技术方案:
一种基于神经网络模型的曝气控制系统,包括:
污水数据采集单元,用于采集生化反应池的污水数据;所述数据采集单元包括第一采集模块、第二采集模块、第三采集模块、第四采集模块、第五采集模块和第六采集模块;所述第一采集模块用于采集厌氧池进水口处的污水数据;所述第二采集模块用于采集缺氧池出水口处的污水数据;所述第三采集模块、第四采集模块和第五采集模块分别用于采集好氧池前段、中段和后段处的污水数据;所述第六采集模块用于采集二沉池进水口处的污水数据;
中央控制单元,与进水口采集单元和数据采集单元的输出端连接,用于获得所述进水口处的污水数据和生化反应池的污水数据作为目标污水数据;
所述中央控制单元还包括:
系统状态方程计算模块,用于将所述目标污水数据输入到经过预先训练的神经网络模型中,输出得到系统状态方程;
控制函数转换模块,用于对所述系统状态方程进行变量转换,以得到以污水组分为变量的控制函数;
曝气控制模块,用于根据所述控制函数生成对应的控制策略,并通过所述控制策略控制预设的曝气单元执行对应的动作。
本方案中,首先在生化反应池的重要部位增加了数据采集模块,从而能够采集生化反应池重要部位的污水数据,然后将污水数据输入到神经网络模型中,输出系统状态方程,随后对系统状态方程进行变量转换得到控制函数,以适配原本ASM模型的控制逻辑,最终根据转换得到的ASM2d模型的组分为变量的控制函数来控制曝气单元动作。
本方案中,通过在生化反应池的重要部位增加仪器,增加了在线获得的污水数据,从而能够降低错误数据和仪表故障等导致的误判,能够提升曝气控制的稳定性;而仪表按照位置方案,能够为神经网络的学习提供更优的数据,更好的满足数据在质方面的要求,且冗余数据能有效避免常见的仪器等导致的故障,有效减少智能系统的误报率;然后通过神经网络模型计算系统状态方程,替代了原本的ASM系列模型,解决了ASM系列模型计算精度低的问题(神经网络模型与ASM系列模型相比计算精度高),提升了曝气控制的效果;此外,本方案中,曝气单元的控制逻辑仍沿用了ASM系列模型原有的控制函数,这种神经网络结合基于ASM2d的模型预测控制框架,既发挥了神经网络的精度优势,又能发挥ASM2d模型的可解释性优势。因此,本方案中的曝气控制系统能够利用神经网络模型计算系统状态方程,且能够采集生化反应池重要部位的污水数据,从而能够兼顾曝气控制的效果和稳定性。
优选的,对曝气单元进行动作控制的最优控制性能指标函数表示为J(x,u);其中,J(x,u)表示控制策略函数,x代表基于ASM2d模型组分格式的污水组分向量;u代表曝气阀DOC1、曝气阀DOC2和曝气阀DOC3的开度、以及内回流比和污泥回流比这五个控制变量组成的向量;min J(x,u)表示求取性能指标函数J(x,u)的极小化最优解。
这样,本方案中,曝气单元的控制逻辑仍沿用了ASM系列模型原有的控制函数,神经网络模型和ASM系列模型结合的方式,既能够利用神经网络模型保证计算精度,还能兼顾ASM系列模型使用能耗低的优点。
优选的,训练所述神经网络模型时:以进水口处的污水数据作为自变量,且以生化反应池的污水数据作为观测量。
神经网络模型对于数据的数量和质量都有很高的要求。本方案中,在生化反应池的关键部位安装数据采集模块,以增加在线污水数据,利用这些冗余数据(在线污水数据)为神经网络模型提供训练基础,使得训练得到的神经网络模型更精确,从而能够更好地辅助完成曝气控制,也能够提升曝气控制的效果和稳定性。
优选的,所述曝气单元包括分别位于好氧池前段、中段和后段的三个曝气阀。
这样,在好氧池前中后段的曝气控制形成了分段控制,这种分段控制的方法能根据好氧池不同分段的有机物浓度实现更有效的曝气控制实现节能减排,也能辅助提升曝气控制的效果。
优选的,所述第一采集模块包括氧化还原电位测定仪,以用于采集厌氧池进水口处污水的氧化还原电位数据。
这样,通过采集厌氧池进水口处污水的氧化还原电位数据,既能用于训练神经网络模型,能够得到更精确地神经网络模型,从而提升曝气控制的效果;还能增加在线污水数据,从而能够降低错位数据和仪表故障等导致的误判,提升曝气控制的稳定。
优选的,所述第二采集模块包括硝氮仪和氧化还原电位测定仪,以用于分别采集缺氧池出水口处污水的硝氮浓度数据和氧化还原电位数据。
这样,通过采集缺氧池出水口处污水的硝氮浓度数据和氧化还原电位数据,既能用于训练神经网络模型,能够得到更精确地神经网络模型,从而提升曝气控制的效果;还能增加在线污水数据,从而能够降低错位数据和仪表故障等导致的误判,提升曝气控制的稳定。
优选的,所述第三采集模块包括溶解氧仪,以用于采集好氧池前段处污水的溶解氧浓度数据。
这样,通过采集好氧池前段处污水的溶解氧浓度数据,既能用于训练神经网络模型,能够得到更精确地神经网络模型,从而提升曝气控制的效果;还能增加在线污水数据,从而能够降低错位数据和仪表故障等导致的误判,提升曝气控制的稳定。
优选的,所述第四采集模块包括溶解氧仪,以用于采集好氧池中段处污水的溶解氧浓度数据。
这样,通过采集好氧池中段处污水的溶解氧浓度数据,既能用于训练神经网络模型,能够得到更精确地神经网络模型,从而提升曝气控制的效果;还能增加在线污水数据,从而能够降低错位数据和仪表故障等导致的误判,提升曝气控制的稳定。
优选的,所述第五采集模块包括溶解氧仪、氨氮仪表、化学耗氧量仪和污泥浓度计,以用于分别采集好氧池后段处污水的溶解氧浓度数据、氨氮浓度数据、COD数据和污泥浓度数据。
这样,通过采集好氧池后段处污水的溶解氧浓度数据、氨氮浓度数据、COD数据和污泥浓度数据,既能用于训练神经网络模型,能够得到更精确地神经网络模型,从而提升曝气控制的效果;还能增加在线污水数据,从而能够降低错位数据和仪表故障等导致的误判,提升曝气控制的稳定。
优选的,所述第六采集模块包括总磷在线分析仪,以用于采集二沉池进水口处污水的总磷浓度数据。
这样,通过采集二沉池进水口处污水的总磷浓度数据,既能用于训练神经网络模型,能够得到更精确地神经网络模型,从而提升曝气控制的效果;还能增加在线污水数据,从而能够降低错位数据和仪表故障等导致的误判,提升曝气控制的稳定。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为实施例中曝气控制系统的逻辑框图;
图2为实施例中曝气控制系统的结构示意图。
说明书附图中的附图标记包括:生化反应池101、进水口采集单元A、第一采集模块B、第二采集模块C、第三采集模块D、第四采集模块E、第五采集模块F、第六采集模块G、出水口采集单元H。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例:
本实施例中公开了一种基于神经网络模型的曝气控制系统。
如图1和图2所示:一种基于神经网络模型的曝气控制系统,包括:
进水口采集单元A,用于采集进水口处的污水数据。
具体实施过程中,进水口采集单元A包括温度计、酸碱值计、流量计、化学耗氧量仪、悬浮物测定仪、总氮测定仪、总磷在线分析仪和氨氮分析仪,以用于采集进水口处污水的PH值数据、流量数据、COD数据、悬浮物浓度数据、总氮浓度数据、总磷浓度数据和氨氮浓度数据。
出水口采集单元H,用于采集进水口处的污水数据。
具体实施过程中,出水口采集单元H包括温度计、酸碱值计、流量计、化学耗氧量仪、悬浮物测定仪、总氮测定仪、总磷在线分析仪和氨氮分析仪,以用于采集出水口处污水的PH值数据、流量数据、COD数据、悬浮物浓度数据、总氮浓度数据、总磷浓度数据和氨氮浓度数据。
曝气单元,包括分别位于好氧池前段、中段和后段的三个曝气阀。
污水数据采集单元,用于采集生化反应池101的污水数据。
具体实施过程中,数据采集单元包括第一采集模块B、第二采集模块C、第三采集模块D、第四采集模块E、第五采集模块F和第六采集模块G;第一采集模块B用于采集厌氧池进水口处的污水数据;第二采集模块C用于采集缺氧池出水口处的污水数据;第三采集模块D、第四采集模块E、第五采集模块F分别用于采集好氧池前段、中段和后段处的污水数据;第六采集模块G用于采集二沉池进水口处的污水数据。
具体的:
第一采集模块B安装于厌氧池进水口位置,第一采集模块B包括氧化还原电位测定仪,以采集厌氧池进水口处污水的氧化还原电位数据。
第二采集模块C安装于缺氧池出水口位置,第二采集模块C包括硝氮仪和氧化还原电位测定仪,以采集缺氧池出水口处污水的硝氮浓度数据和氧化还原电位数据。
第三采集模块D安装于好氧池前段位置,第三采集模块D包括溶解氧仪,以采集好氧池前段处污水的溶解氧浓度数据。
第四采集模块E安装于好氧池中段位置,第四采集模块E包括溶解氧仪,以采集好氧池中段处污水的溶解氧浓度数据。
第五采集模块F安装于好氧池后段位置,第五采集模块F包括溶解氧仪、氨氮仪表、化学耗氧量仪和污泥浓度计,以采集好氧池后段处污水的溶解氧浓度数据、氨氮浓度数据、COD数据和污泥浓度数据。
第六采集模块G安装于二沉池进水口位置,第六采集模块G包括总磷在线分析仪,以采集二沉池进水口处污水的总磷浓度数据。
中央控制单元,与进水口采集单元A和数据采集单元的输出端连接,用于获得所述进水口处的污水数据和生化反应池101的污水数据作为目标污水数据;本实施例中,中央控制单元与进水口采集单元A、出水口采集单元H、数据采集单元和曝气单元均网络通信。
具体实施过程中,所述中央控制单元还包括:
系统状态方程计算模块,用于将所述目标污水数据输入到经过预先训练的神经网络模型中,输出得到系统状态方程;本实施例中,神经网络模型为径向基人工神经网络(RBF人工神经网络),本实施例中,以进水口处的污水数据作为自变量,且以生化反应池101的污水数据作为观测量进行神经网络模型的训练。
控制函数转换模块,用于对所述系统状态方程进行变量转换,以得到以污水组分为变量的控制函数。
曝气控制模块,用于根据所述控制函数生成对应的控制策略,并通过所述控制策略控制预设的曝气单元执行对应的动作;对于曝气单元的控制,其包括:DOC1、DOC2和DOC3(DOC1、DOC2、DOC3分别代表三个曝气阀)的开度,以及内回流比和污泥回流比;基于ASM2d模型组分为变量的控制函数对曝气单元进行动作控制的性能指标函数可表示为J(x,u),式中x代表基于ASM2d模型组分格式的污水组分向量,u代表五个控制变量(DOC1、DOC2和DOC3(DOC1、DOC2、DOC3分别代表三个曝气阀)的开度,以及内回流比和污泥回流比)组成的向量。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.一种基于神经网络模型的曝气控制系统,包括用于采集进水口处污水数据的进水口采集单元,其特征在于,还包括:
污水数据采集单元,用于采集生化反应池的污水数据;所述数据采集单元包括第一采集模块、第二采集模块、第三采集模块、第四采集模块、第五采集模块和第六采集模块;所述第一采集模块用于采集厌氧池进水口处的污水数据;所述第二采集模块用于采集缺氧池出水口处的污水数据;所述第三采集模块、第四采集模块和第五采集模块分别用于采集好氧池前段、中段和后段处的污水数据;所述第六采集模块用于采集二沉池进水口处的污水数据;
中央控制单元,与进水口采集单元和数据采集单元的输出端连接,用于获得所述进水口处的污水数据和生化反应池的污水数据作为目标污水数据;
所述中央控制单元还包括:
系统状态方程计算模块,用于将所述目标污水数据输入到经过预先训练的神经网络模型中,输出得到系统状态方程;
控制函数转换模块,用于对所述系统状态方程进行变量转换,得到以污水组分为变量的控制函数;
曝气控制模块,用于根据所述控制函数生成对应的控制策略,并通过所述控制策略控制预设的曝气单元执行对应的动作。
2.如权利要求1所述的基于神经网络模型的曝气控制系统,其特征在于:对曝气单元进行动作控制的性能指标函数表示为J(x,u);其中,x代表基于ASM2d模型组分格式的污水组分向量;u代表曝气阀DOC1、曝气阀DOC2和曝气阀DOC3的开度、以及内回流比和污泥回流比这五个控制变量组成的向量;min J(x,u)表示求取性能指标J(x,u)的极小化最优解。
3.如权利要求1所述的基于神经网络模型的曝气控制系统,其特征在于:训练所述神经网络模型时,以进水口处的污水数据作为自变量,且以生化反应池的污水数据作为观测量。
4.如权利要求1所述的基于神经网络模型的曝气控制系统,其特征在于:所述曝气单元包括分别位于好氧池前段、中段和后段的三个曝气阀。
5.如权利要求1所述的基于神经网络模型的曝气控制系统,其特征在于:所述第一采集模块包括氧化还原电位测定仪,以用于采集厌氧池进水口处污水的氧化还原电位数据。
6.如权利要求1所述的基于神经网络模型的曝气控制系统,其特征在于:所述第二采集模块包括硝氮仪和氧化还原电位测定仪,以用于分别采集缺氧池出水口处污水的硝氮浓度数据和氧化还原电位数据。
7.如权利要求1所述的基于神经网络模型的曝气控制系统,其特征在于:所述第三采集模块包括溶解氧仪,以用于采集好氧池前段处污水的溶解氧浓度数据。
8.如权利要求1所述的基于神经网络模型的曝气控制系统,其特征在于:所述第四采集模块包括溶解氧仪,以用于采集好氧池中段处污水的溶解氧浓度数据。
9.如权利要求1所述的基于神经网络模型的曝气控制系统,其特征在于:所述第五采集模块包括溶解氧仪、氨氮仪表、化学耗氧量仪和污泥浓度计,以用于分别采集好氧池后段处污水的溶解氧浓度数据、氨氮浓度数据、COD数据和污泥浓度数据。
10.如权利要求1所述的基于神经网络模型的曝气控制系统,其特征在于:所述第六采集模块包括总磷在线分析仪,以用于采集二沉池进水口处污水的总磷浓度数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910979295.4A CN110642393B (zh) | 2019-10-15 | 2019-10-15 | 一种基于神经网络模型的曝气控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910979295.4A CN110642393B (zh) | 2019-10-15 | 2019-10-15 | 一种基于神经网络模型的曝气控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110642393A true CN110642393A (zh) | 2020-01-03 |
CN110642393B CN110642393B (zh) | 2020-09-29 |
Family
ID=69012890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910979295.4A Expired - Fee Related CN110642393B (zh) | 2019-10-15 | 2019-10-15 | 一种基于神经网络模型的曝气控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110642393B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112047467A (zh) * | 2020-08-07 | 2020-12-08 | 山东思源水业工程有限公司 | 一种智能高效曝气生化系统及自动控制方法 |
CN112624336A (zh) * | 2020-12-02 | 2021-04-09 | 南京绿程源节能环保科技有限公司 | 一种基于气体监测的污水处理智能控制系统与方法 |
CN112939209A (zh) * | 2021-02-03 | 2021-06-11 | 上海市城市建设设计研究总院(集团)有限公司 | 基于人工神经网络的污水处理曝气控制系统及其运行方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106277330A (zh) * | 2016-10-11 | 2017-01-04 | 深圳市中涛环保工程技术有限公司 | 一种基于氮平衡的污水厂智能控制系统及控制方法 |
CN206156853U (zh) * | 2016-10-11 | 2017-05-10 | 深圳市中涛环保工程技术有限公司 | 一种基于氮平衡的污水厂智能控制系统 |
-
2019
- 2019-10-15 CN CN201910979295.4A patent/CN110642393B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106277330A (zh) * | 2016-10-11 | 2017-01-04 | 深圳市中涛环保工程技术有限公司 | 一种基于氮平衡的污水厂智能控制系统及控制方法 |
CN206156853U (zh) * | 2016-10-11 | 2017-05-10 | 深圳市中涛环保工程技术有限公司 | 一种基于氮平衡的污水厂智能控制系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112047467A (zh) * | 2020-08-07 | 2020-12-08 | 山东思源水业工程有限公司 | 一种智能高效曝气生化系统及自动控制方法 |
CN112047467B (zh) * | 2020-08-07 | 2022-06-07 | 山东思源水业工程有限公司 | 一种智能高效曝气生化系统 |
CN112624336A (zh) * | 2020-12-02 | 2021-04-09 | 南京绿程源节能环保科技有限公司 | 一种基于气体监测的污水处理智能控制系统与方法 |
CN112624336B (zh) * | 2020-12-02 | 2022-11-04 | 南京绿程源节能环保科技有限公司 | 一种基于气体监测的污水处理智能控制系统与方法 |
CN112939209A (zh) * | 2021-02-03 | 2021-06-11 | 上海市城市建设设计研究总院(集团)有限公司 | 基于人工神经网络的污水处理曝气控制系统及其运行方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110642393B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110642393B (zh) | 一种基于神经网络模型的曝气控制系统 | |
CN104376380B (zh) | 一种基于递归自组织神经网络的氨氮浓度预测方法 | |
JP5022610B2 (ja) | 下水処理場運転支援装置 | |
CN103197544B (zh) | 基于非线性模型预测的污水处理过程多目标控制方法 | |
CN102464426B (zh) | 一种城市污水厂化学除磷剂智能投加控制方法 | |
CN108088974B (zh) | 一种厌氧同时反硝化产甲烷过程出水硝氮的软测量方法 | |
Rosén et al. | Towards a common benchmark for long-term process control and monitoring performance evaluation | |
CN102854296A (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
CN106802563B (zh) | 一种基于果蝇优化和lssvm的污水过程优化控制方法 | |
CN109473182B (zh) | 一种基于深度信念网络的mbr膜透水率智能检测方法 | |
JP2000218263A (ja) | 水質制御方法及びその装置 | |
CN107247888B (zh) | 基于储备池网络的污水处理出水总磷tp软测量方法 | |
CN104182794A (zh) | 一种基于神经网络的污水处理过程出水总磷tp软测量方法 | |
US20200378943A1 (en) | Systems And Methods For Providing Micro-Utility Water And Energy Services | |
CN103810309B (zh) | 基于约束理论的a2o 城市污水处理工艺的软测量建模方法 | |
CN111125907B (zh) | 一种基于混合智能模型的污水处理氨氮软测量方法 | |
CN203772781U (zh) | 一种基于特征变量的污水总磷测量装置 | |
Galizia et al. | Advanced control system for reverse osmosis optimization in water reuse systems | |
Wu et al. | Coupling process-based modeling with machine learning for long-term simulation of wastewater treatment plant operations | |
CN104914227A (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 | |
CN107665288A (zh) | 一种化学需氧量的水质软测量预测方法 | |
CN113077847A (zh) | 在线模型水质转换方法、系统、电子设备及介质 | |
CN113003758A (zh) | 一种循环冷却水智能数字管理系统与方法 | |
CN107664683A (zh) | 一种总氮的水质软测量预测方法 | |
CN115329661B (zh) | 一种智能投药模型建模、智能投药体系创建、投药方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200929 Termination date: 20211015 |