CN111650834B - 基于极限学习机的污水处理过程预测控制方法 - Google Patents
基于极限学习机的污水处理过程预测控制方法 Download PDFInfo
- Publication number
- CN111650834B CN111650834B CN202010546838.6A CN202010546838A CN111650834B CN 111650834 B CN111650834 B CN 111650834B CN 202010546838 A CN202010546838 A CN 202010546838A CN 111650834 B CN111650834 B CN 111650834B
- Authority
- CN
- China
- Prior art keywords
- control
- model
- output
- prediction
- time
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
针对现有污水处理控制技术中所存在的不足,发明一种基于极限学习机(ELM)的预测控制方法,本发明提出的方法通过采集污水过程数据,利用极限学习机建立包含污水过程溶解氧和硝态氮系统模型,准确描述系统实时状态,采用预测控制算法进行滚动优化,将控制目标及各种约束体现在优化性能指标中,并根据实时数据在线更新模型。实现了污水处理过程的流程优化控制,能根据控制情况及时调整控制量,保证控制过程的稳定,而且能够根据过程的变化情况进行自适应优化控制,使污水处理过程能耗降低。利用极限学习机作为预测控制的预测模型,不仅提高了系统的泛化性,避免了局部最优解,还提高了模型预测的速度,在获得相对高的精度时计算时间更短。
Description
技术领域
本发明属于污水处理领域,更具体地说,涉及一种污水处理优化控制方法及系统。
背景技术
污水排放中含有大量的有机物、氮、磷等物质,是当今水体污染的主要原因,逐渐严格的污水排放标准对污水处理的控制要求也日益提高,但是污水处理过程是一个工艺复杂,具有强耦合、不确定、非线性和大滞后等特点的复杂系统,经过多年的建设,我国污水处理行业取得了一定的成绩,但落后的生产技术和粗放的管理使得大部分污水厂处理成本高、效率低。最突出的表现在相对较小的污水处理厂,因为仪表的准确性不好,设备运行调整迟缓导致出水水质会有些差异,可靠性和抗干扰能力不是很高。因此,如何保证污水处理厂出水水质合格,并在此前提下尽可能的降低能耗物耗并改善生产管理方式是现阶段需要迫切解决的问题。
由于污水处理高度非线性、不确定性等特点,并且外界流入组分波动影响很大,采用常规控制比较困难,要使得控制达到出水排放标准,并且降低污水处理的操作费用,应用先进的智能控制技术是一种很有前景的方法,也得到了许多学者的研究,模型预测控制对模型精度的要求不高,同时却具有较高的控制性能, 模型预测控制的优点决定了该方法能够有效地用于复杂工业过程的控制,并且已在石油、化工、冶金、机械等工业部门的过程控制系统中得到了成功的应用,预测控制之所以能在实际工程中得到成功的应用,其成功之处在于突破了传统的控制模式,传统的模型预测控制的算法形式都始终包括了预测模型、参考轨迹、在线校正、目标函数或性能指标以及在线滚动优化等五个方面,随着预测控制的发展,神经网络的函数逼近能力、自学习能力、复杂分类功能、联想记忆功能、快速优化计算能力,以及其高度并行分布信息存贮方式带来的强鲁棒性和容错性,神经网络逐渐应用于模型预测控制。
发明内容
技术问题:在污水处理过程中,由于污水处理高度非线性、不确定性等特点,并且外界流入组分波动影响很大,传统的PID和神经网络很难起到良好的控制作用,大量的计算导致运行速度过慢,容易陷入局部最优解。
技术方案:为了解决上述问题,将极限学习机(ELM)应用到污水处理中去,结合预测控制使得污水中重要参数控制达到要求。对于污水处理过程来说,由于入水情况无规律可循、生化处理过程难以描述,是一个典型的非线性系统。通过采集污水过程数据,利用极限学习机建立包含污水过程溶解氧和硝态氮系统模型,准确描述系统实时状态,采用预测控制算法进行滚动优化,将控制目标及各种约束体现在优化性能指标中,并根据实时数据在线更新模型。本发明是基于极限学习机的基础上,使用预测控制对重要参数进行控制,由传统预测模型得知,其作用是为整个预测系统提供模型预测值,污水处理过程规律难以把握,但需要控制的参数的过去控制量以及预测值,和此刻预测值存在一定的关系。
本发明提出的一种基于ELM的预测控制算法,其结构图如图1所示,主要包括极限学习机回归模型和预测控制算法两个部分。
采用极限学习机建立污水处理过程模型,采用两个控制量内回流量Qa、氧传递系数kLa,5,缺氧池入水组分Za和好氧池入水组分Zo作为输入变量,出水硝态氮浓度SNO,2和溶解氧SO,5作为模型输出,由输入输出构建训练样本集。
1.极限学习机回归模型部分主要实现步骤如下:
Step1:采集输入变量和输出变量的实时数据,将这些数据进行归一化处理。
Step2:确定网络的基本结构和参数,确定隐含层神经元个数,初始化隐层节点个数,然后不断增加隐层节点个数,但隐层节个数小于训练数据个数,训练和测试在不同隐层节点下的ELM网络,输出训练和测试误差,训练误差和测试误差相加,误差之和为最小值时的L值即为该网络的隐含层神经元个数。
Step3:确定激励函数G,激励函数可选取sin、sigmoid、hardlim函数,并随机生成输入权值ω和偏置b,输入权值ω和偏置b的范围都为[-1,1],计算隐层输出矩阵H0
其中X1~XN0为网络输入训练数据
Qa为内回流量,kLa,5为氧传递系数,Za为缺氧池入水组分,Zo为好氧池入水组分,N0为初始训练数据个数,L为隐含层神经元个数。
Step4:计算出输出权值β。
β=P0H0 TT0
其中P0=(H0 TH0)-1,T0为网络初始输出训练矩阵,即期望输出值。
其中SNO,2为硝态氮浓度,SO,5为溶解氧浓度。
Step5:利用上述确定好的极限学习机回归网络实时预测模型的预测输出值ym(k+j)。
2.预测控制算法部分:
将系统前一时刻的实时输出与此时的模型预测输出存在偏差在线校正:
yp(k+j)=ym(k+j)+h[y(k+j-1)-ym(k+j-1)] (1)
式(1)中h为修正系数。设系统第k步yr(k+j)和在线校正输出yp(k+j/k) 的偏差为:
e(k+j)=yr(k+j)-yp(k+j/k) (2)
j=1,2,...,M为预测步长,优化控制器的任务是使用优化算法获得如式(3) 所示的目标函数的最小值:
并且需要满足系统的控制约束和输出约束:
式(3)中,Δu(k+j-1)为j步后的控制增量,np为最大预测长度;nu为控制长度;λ为控制加权系数;yr(k+j)为经过柔化的参考曲线:
式(5)中,E为单位矩阵,Tr为参考轨迹时间常数;TS为采样时间;yd为设定值向量,yd,NO为硝态氮SNO,2的给定,yd,O为溶解氧SO,5的给定,α为滤波常数矩阵。j=1,2,…,np。
对应式(3)最小值的未来控制量为:
u(k+j)=(u1(k+j),u2(k+j),…,ul(k+j))T (6)
式(6)中,j=1,2,...,nu,l为控制量的维数。
优化控制方法包括以下步骤:
Step1:采集污水过程实时数据,通过标准的ELM算法离线获得包含污水过程溶解氧和硝态氮系统模型,并在过程控制器中编程实现。
Step2:采集过程实时数据,根据上一时刻的硝态氮浓度SNO,2(k-1)、上一时刻的溶解氧浓度SO,5(k-1)采集值与模型预测值计算误差进行反馈校正得到校正后的的输出yp(k)。
Step3:根据上一时刻的硝态氮浓度SNO,2(k-1)、上一时刻的溶解氧浓度 SO,5(k-1)和给定yd计算k时刻的参考值yr(k),计算公式如式(5)所示。
Step4:利用公式(3)输出控制量最优解,令k=k+1,进入下一采样时刻。如果更新间隔时间到,将最新采集的数据加入到训练集中,将相同时间长度的最老数据从训练集删除,新采集的数据通过ELM训练算法更新模型。
有益效果:本发明的以ELM为预测模型的预测控制方法结合ELM和传统预测控制的优点,提高了算法的学习速率、控制器的反应速度,该方法具有良好的鲁棒性,避免出现局部最优解的情况。
附图说明
图1为极限学习机预测模型结构图。
图2为基于极限学习机的预测控制结构框图。
具体实施方式:
本发明提出的一种基于ELM的预测控制算法,主要包括极限学习机回归处理和预测控制算法两个部分。
采用极限学习机建立污水处理过程模型,采用两个控制量内回流量Qa、氧传递系数kLa,5,缺氧池入水组分Za和好氧池入水组分Zo作为输入变量,出水硝态氮浓度SNO,2和溶解氧SO,5以模型输出,由输入输出构建训练样本集。
1.极限学习机回归模型部分主要实现步骤如下:
Step1:采集输入变量和输出变量的实时数据,将这些数据进行归一化处理。
Step2:确定网络的基本结构和参数,确定隐含层神经元个数,初始化隐层节点个数,然后不断增加隐层节点个数,但隐层节个数一般小于训练数据个数,训练和测试在不同隐层节点下的ELM网络,输出训练和测试误差,训练误差和测试误差相加,误差之和为最小值时的L值即为该网络的隐含层神经元个数。
Step3:确定激励函数G,激励函数可选取sin、sig、hardlmi函数,并随机生成输入权值ω和偏置b,输入权值ω和偏置b的范围都为[-1,1],计算隐层输出矩阵H0
其中X1~XN0为网络输入训练数据
Qa为内回流量,kLa,5为氧传递系数,Za为缺氧池入水组分,Zo为好氧池入水组分,N0为初始训练数据个数,L为隐含层神经元个数。
Step4:计算出输出权值β。
β=P0H0 TT0
其中P0=(H0 TH0)-1,T0为网络初始输出训练矩阵,即期望输出值。
其中SNO,2为硝态氮浓度,SO,5为溶解氧浓度。
Step5:利用上述确定好的极限学习机回归网络实时预测模型的预测输出值ym(k+j)。
2.预测控制算法部分:
将系统前一时刻的实时输出与此时的模型预测输出存在偏差在线校正:
yp(k+j)=ym(k+j)+h[y(k+j-1)-ym(k+j-1)] (1)
式(1)中h为修正系数。设系统第k步yr(k+j)和在线校正输出yp(k+j/k) 的偏差为:
e(k+j)=yr(k+j)-yp(k+j/k) (2)
J=1,2,...,M为预测步长,优化控制器的任务是使用优化算法获得如式(3) 所示的目标函数的最小值:
并且需要满足系统的控制约束和输出约束:
式(3)中,Δu(k+j-1)为j步后的控制增量,np为最大预测长度;nu为控制长度;λ为控制加权系数;yr(k+j)为经过柔化的参考曲线:
式(5)中,E为单位矩阵,Tr为参考轨迹时间常数;TS为采样时间;yd为设定值向量,yd,NO为硝态氮SNO,2的给定,yd,O为溶解氧SO,5的给定,α为滤波常数矩阵。j=1,2,…,np。
对应式(3)最小值的未来控制量为:
u(k+j)=(u1(k+j),u2(k+j),…,ul(k+j))T (6)
式(6)中,j=1,2,...,nu,l为控制量的维数。
优化控制方法包括以下步骤:
Step1:采集污水过程实时数据,通过标准的ELM算法离线获得包含污水过程溶解氧和硝态氮系统模型,并在过程控制器中编程实现。
Step2:采集过程实时数据,根据上一时刻的硝态氮浓度SNO,2(k-1)、上一时刻的溶解氧浓度SO,5(k-1)采集值与模型预测值计算误差进行反馈校正得到校正后的输出yp(k)。
Step3:根据上一时刻的硝态氮浓度SNO,2(k-1)、上一时刻的溶解氧浓度 SO,5(k-1)和给定yd计算k时刻的参考值yr(k),计算公式如式(5)所示。
Step4:利用公式(3)输出控制量最优解,令k=k+1,进入下一采样时刻。如果更新间隔时间到,将最新采集的数据加入到训练集中,将相同时间长度的最老数据从训练集删除,新采集的数据通过ELM训练算法更新模型。
上述具体实现只是本发明的较佳实现而已,当然,本发明还可有其他多种实施例,在不背离本发明精神及其本质的情况下,熟悉本领域的技术人员当可根据本发明作为各种相应的改变和变形,但这些相应的改变和变形都应属于本发明的权利要求的保护范围。
Claims (1)
1.一种基于极限学习机的污水处理过程预测控制方法,其特征在于包括两个部分,一部分为极限学习机回归算法建立污水处理过程模型,另一部分是基于极限学习机的模型预测控制及更新算法,极限学习机回归算法建立污水处理过程模型如下:
采用两个控制量内回流量Qa、氧传递系数kLa,5,缺氧池入水组分Za和好氧池入水组分Zo作为输入变量,出水硝态氮浓度SNO,2和溶解氧SO,5作为模型输出,由输入输出构建训练样本集;
Step1:采集污水过程输入变量和输出变量的实时数据,将这些数据进行归一化处理;
Step2:确定网络的基本结构和参数,确定隐含层神经元个数,初始化隐层节点个数,然后不断增加隐层节点个数,但隐层节个数小于训练数据个数,训练和测试在不同隐层节点下的ELM网络,输出训练和测试误差,训练误差和测试误差相加,误差之和为最小值时的隐含节点个数L值即确定为该网络的隐含层神经元个数;
Step3:确定激励函数G,激励函数选取sin、sig或hardlmi函数,并随机生成输入权值ω和偏置b,输入权值ω和偏置b的范围都为[-1,1],计算隐层输出矩阵H0
其中X1~XN0为网络输入训练数据
N0为初始训练数据个数,L为隐含层神经元个数;
Step4:计算出输出权值β;
β=P0H0 TT0
其中P0=(H0 TH0)-1,T0为网络初始输出训练矩阵,即期望输出值;
其中SNO,2为硝态氮浓度,SO,5为溶解氧浓度;
Step5:利用上述确定好的极限学习机回归网络实时预测模型的预测输出值ym(k+j);
基于极限学习机的模型预测控制及更新算法:
将系统前一时刻的实时输出与此时的模型预测输出存在偏差在线校正:
yp(k+j/k)=ym(k+j)+h[y(k+j-1)-ym(k+j-1)] (1)
式(1)中h为修正系数;设系统第k步yr(k+j)和在线校正输出yp(k+j/k)的偏差为:
e(k+j)=yr(k+j)-yp(k+j/k) (2)
j=1,2,...,M为预测步长,优化控制器的任务是使用优化算法获得如式(3)所示的目标函数的最小值:
并且需要满足系统的控制约束和输出约束:
式(3)中,Δu(k+j-1)为j步后的控制增量,np为最大预测长度;nu为控制长度;min、max分别表示相应变量最小值和最大值;λ为控制加权系数;yr(k+j)为经过柔化的参考曲线:
式(5)中,E为单位矩阵,Tr为参考轨迹时间常数;TS为采样时间;yd为设定值向量,SNO,2(k-1)、SO,5(k-1),为硝态氮、溶解氧在k-1时刻的采样值,yd,NO为硝态氮SNO,2的给定,yd,O为溶解氧SO,5的给定,α为滤波常数矩阵;j=1,2,…,np;
对应式(3)最小值的未来控制量为:
u(k+j)=(u1(k+j),u2(k+j),···,ul(k+j))T (6)
式(6)中,j=1,2,...,nu,l为控制量的维数;
优化控制方法包括以下步骤:
Step1:采集污水过程实时数据,通过标准的ELM算法离线获得包含污水过程溶解氧和硝态氮系统模型,并在过程控制器中编程实现;
Step2:采集过程实时数据,根据上一时刻的硝态氮浓度SNO,2(k-1)、上一时刻的溶解氧浓度SO,5(k-1)采样值与模型预测值计算误差进行反馈校正得到校正后的输出yp(k);
Step3:根据上一时刻的硝态氮浓度SNO,2(k-1)、上一时刻的溶解氧浓度SO,5(k-1)和给定yd计算k时刻的参考值yr(k),计算公式如式(5)所示;
Step4:利用公式(3)输出控制量最优解,令k=k+1,进入下一采样时刻;如果更新间隔时间到,将最新采集的污水过程数据加入到训练集中,将相同时间长度的最老数据从训练集删除,新采集的数据通过ELM训练算法更新污水过程预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010546838.6A CN111650834B (zh) | 2020-06-16 | 2020-06-16 | 基于极限学习机的污水处理过程预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010546838.6A CN111650834B (zh) | 2020-06-16 | 2020-06-16 | 基于极限学习机的污水处理过程预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111650834A CN111650834A (zh) | 2020-09-11 |
CN111650834B true CN111650834B (zh) | 2022-08-30 |
Family
ID=72349871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010546838.6A Active CN111650834B (zh) | 2020-06-16 | 2020-06-16 | 基于极限学习机的污水处理过程预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111650834B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308169B (zh) * | 2020-11-10 | 2022-05-03 | 浙江大学 | 一种基于改进在线序列极限学习机的出水水质预测方法 |
CN112183676A (zh) * | 2020-11-10 | 2021-01-05 | 浙江大学 | 一种基于混合降维与核函数极限学习机的水质软测量方法 |
CN112551691A (zh) * | 2020-11-10 | 2021-03-26 | 浙江大学 | 一种基于多激励函数极限学习机的自适应污水处理控制方法 |
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 |
CN116560417B (zh) * | 2023-07-05 | 2023-10-24 | 苏州宇薄新能源科技有限公司 | 用于气液分离的全自动排液控制方法及系统 |
CN117964023A (zh) * | 2024-04-01 | 2024-05-03 | 山东中研环保设备有限公司 | 一种基于人工智能算法控制的污水处理控制系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728431A (zh) * | 2014-01-09 | 2014-04-16 | 重庆科技学院 | 基于极限学习机的工业污水cod在线软测量方法 |
CN104317195A (zh) * | 2014-09-28 | 2015-01-28 | 重庆邮电大学 | 一种基于改进极限学习机的非线性逆模型控制方法 |
CN106802563A (zh) * | 2016-10-13 | 2017-06-06 | 湖南工业大学 | 一种基于果蝇优化和lssvm的污水过程优化控制方法 |
CN108562709A (zh) * | 2018-04-25 | 2018-09-21 | 重庆工商大学 | 一种基于卷积自编码器极限学习机的污水处理系统水质监测预警方法 |
-
2020
- 2020-06-16 CN CN202010546838.6A patent/CN111650834B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728431A (zh) * | 2014-01-09 | 2014-04-16 | 重庆科技学院 | 基于极限学习机的工业污水cod在线软测量方法 |
CN104317195A (zh) * | 2014-09-28 | 2015-01-28 | 重庆邮电大学 | 一种基于改进极限学习机的非线性逆模型控制方法 |
CN106802563A (zh) * | 2016-10-13 | 2017-06-06 | 湖南工业大学 | 一种基于果蝇优化和lssvm的污水过程优化控制方法 |
CN108562709A (zh) * | 2018-04-25 | 2018-09-21 | 重庆工商大学 | 一种基于卷积自编码器极限学习机的污水处理系统水质监测预警方法 |
Non-Patent Citations (2)
Title |
---|
基于BSM1的硝态氮浓度辨识建模;俞方罡 等;《设计应用》;20200228;第49-54页 * |
基于智能优化极限学习机的城市污水处理厂水质预测与分析;余婷梃;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20200115(第1期);B027-1282 * |
Also Published As
Publication number | Publication date |
---|---|
CN111650834A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111650834B (zh) | 基于极限学习机的污水处理过程预测控制方法 | |
CN110320806B (zh) | 基于集成即时学习的污水处理过程自适应预测控制方法 | |
CN106802563B (zh) | 一种基于果蝇优化和lssvm的污水过程优化控制方法 | |
CN101825870B (zh) | 一种控制水处理絮凝剂投放量的方法及系统 | |
Pisa et al. | LSTM-based wastewater treatment plants operation strategies for effluent quality improvement | |
Qiao et al. | Neural network on‐line modeling and controlling method for multi‐variable control of wastewater treatment processes | |
Qiao et al. | Adaptive optimal control for a wastewater treatment plant based on a data-driven method | |
CN110981021B (zh) | 一种基于模糊bp神经网络的废水高级氧化处理智能加药系统及方法 | |
Han et al. | Fuzzy neural network-based model predictive control for dissolved oxygen concentration of WWTPs | |
Zhou et al. | Multiobjective operation optimization of wastewater treatment process based on reinforcement self-learning and knowledge guidance | |
Qiao et al. | Online-growing neural network control for dissolved oxygen concentration | |
Han et al. | Design of syncretic fuzzy-neural control for WWTP | |
CN113589687A (zh) | 一种城市污水处理过程多时间尺度模型预测控制方法 | |
CN116880201A (zh) | 基于模糊神经网络的水网渠道状态控制系统 | |
Liu et al. | Design of broad learning-based self-healing predictive control for sludge bulking in wastewater treatment process | |
CN116679026A (zh) | 自适应无偏有限脉冲响应滤波的污水溶解氧浓度估计方法 | |
CN115356930B (zh) | 一种污水处理过程中的多目标优化控制系统及方法 | |
Qiao et al. | Recurrent neural network-based control for wastewater treatment process | |
CN115097886A (zh) | 污水处理中溶解氧浓度的控制方法及系统、设备及介质 | |
Qiao et al. | Action-Dependent Heuristic Dynamic Programming With Experience Replay for Wastewater Treatment Processes | |
CN113065242A (zh) | 一种基于kplsr模型的污水处理出水总氮浓度软测量方法 | |
Meng et al. | A Self-Organizing Modular Neural Network for Nonlinear System Modeling | |
Ling et al. | A soft sensor based on influent mode discrimination neural network for a wastewater treatment process | |
Liu et al. | A PSO-RBF neural network for BOD multi-step prediction in wastewater treatment process | |
Aparna et al. | Enhancing Wastewater Treatment Plant Efficiency: Constraint Optimization and Regression Analysis Approach |
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 |