CN112130450A - 城市污水处理自动控制虚拟仿真实验教学系统 - Google Patents
城市污水处理自动控制虚拟仿真实验教学系统 Download PDFInfo
- Publication number
- CN112130450A CN112130450A CN202010918198.7A CN202010918198A CN112130450A CN 112130450 A CN112130450 A CN 112130450A CN 202010918198 A CN202010918198 A CN 202010918198A CN 112130450 A CN112130450 A CN 112130450A
- Authority
- CN
- China
- Prior art keywords
- layer
- dissolved oxygen
- sewage treatment
- output
- control
- 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.)
- Pending
Links
- 239000010865 sewage Substances 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000002474 experimental method Methods 0.000 claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 46
- 229910052760 oxygen Inorganic materials 0.000 claims description 46
- 239000001301 oxygen Substances 0.000 claims description 46
- 210000002569 neuron Anatomy 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 14
- 238000005273 aeration Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000004907 flux Effects 0.000 claims description 9
- 230000001276 controlling effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 210000004205 output neuron Anatomy 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000004062 sedimentation Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005842 biochemical reaction Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000005094 computer simulation Methods 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000012938 design process Methods 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
城市污水处理自动控制虚拟仿真实验教学系统属于水处理领域,又属于实验教学领域。该系统以计算机仿真技术、多媒体技术和网络技术为依托,形成一套完备的虚拟仿真实验教学系统。以线下线上相结合的教学方案,实现了理论与实践教学的深度融合,使学生可以在高度仿真下进行自动控制系统设计。设计了污水处理自动控制系统虚拟仿真实验方法,通过建立模型、设计控制器、调整控制器参数和分析控制系统性能,实现了全流程的控制器设计教学,结合数据驱动的模糊神经网络来自适应地调节控制器参数,解决了传统参数调节方法实时性差,人为调节不可靠的特点,提高了实验效率。
Description
技术领域
本发明涉及一种教学系统,特别涉及一种城市污水处理自动控制虚拟仿真实验教学系统。
背景技术
为了让学生更好地理解城市污水处理过程溶解氧控制原理和技术,做实验是必不可少的教学环节。然而,由于城市污水处理控制系统面广量大,不但构成复杂,而且功能多样,学生看不到具体的设计过程;又由于控制系统的实现往往需要团队协作,操作耗时,学生做不到在真实场景中设计控制系统。在传统的城市污水处理溶解氧控制的实验教学方法下,学生学不到全面具体的知识与技能。
本发明涉及了一种城市污水处理自动控制虚拟仿真实验教学系统的设计与开发,该系统以计算机仿真技术、多媒体技术和网络技术为依托,采用面向对象的软件架构开发,集大型实物虚拟仿真、交互设计、自动计算、图形实时绘制、虚拟实验结果自动生成和教学评价管理于一体,以线下线上相结合的教学方案,实现了理论与实践的深度融合,解决了学生看不到,做不到,学不到的问题。在计算机仿真环境下,根据实际情况全流程地设计污水处理自动控制系统虚拟仿真实验方法,利用数据驱动来调节控制系统的参数,解决了传统参数调节方法实时性差,人为调节不可靠的特点,提高了实验效率。
发明内容
本发明获得一种城市污水处理自动控制虚拟仿真实验教学系统;设计了用于实验教学的污虚拟仿真实验方法全流程地模拟了控制系统的实际设计过程;将虚拟仿真实验方法进行模块化封装,搭建数据层,支撑层,服务层,仿真层和应用层,保证系统的高效运行;该系统集大型实物虚拟仿真、交互设计、自动计算、图形实时绘制、虚拟实验结果自动生成和教学评价管理于一体,是具有良好创新型、交互性、自动化和扩展性的虚拟实验教学平台。
本发明采用了如下的技术方案:
一种城市污水处理自动控制虚拟仿真实验教学系统,包括数据层,支撑层,服务层,仿真层和应用层;其特征在于:
(1)数据层包含注册用户的用户数据、实验结果数据和用户教学评价数据,以及实验所需的多种控制器的实验库和元件库,利用数据库软件进行相关数据的存储;
(2)支撑层涉及网络安全的网闸、防火墙的网络设置,客户端下载、注册登陆身份认证与访问,相关数据的后台查看、增删、读取转换设置的管理,计算调取、后台运算器调用接口、参数传输的管理;
(3)服务层负责区域或线上的服务端管理,包括实验报告、实验效果、实验资源和接口;
(4)仿真层负责对初沉池、厌氧池、缺氧池、曝气池、二沉池、鼓风机的虚拟仿真,以及相关控制器计算的数据仿真;
(5)应用层是整体系统软件,其功能包括用户注册登陆、教学知识查看,虚拟仿真实验、仿真效果查看。
应用所述的城市污水处理自动控制虚拟仿真实验教学系统的方法,其特征在于,包含以下步骤:
①建立城市污水处理过程溶解氧控制模型:分析城市污水处理系统特点和过程机理,提取与溶解氧浓度密切相关的物理、化学、生化反应过程,根据反应过程分析物料平衡方程和水体动力学方程,提炼与溶解氧控制密切相关的水质变量和相关装置和设备;根据模型分析结果建立溶解氧控制模型,控制模型输入是鼓风机的空气通量u,输出是曝气池溶解氧浓度SO,曝气池溶解氧浓度SO与鼓风机的空气通量u之间的关系为
其中,t表示时间,Q为进水流量,V为反应池的容积,τ=0.5为关联系数;将数学模型进行拉氏变换,获得曝气池溶解氧浓度SO与鼓风机的空气通量u之间的关系为:
s2SO(s)=-(Q/V)sSO(s)-SO(s)+τU(s) (2)
其中,s为复频率,SO(s)为溶解氧浓度SO(t)的复频域值,U(s)为控制量u(t)的复频域值,对公式(2)进行变换得到传递函数
②设计城市污水处理过程溶解氧控制器:采用比例积分微分控制方法,输入偏差e(t)与控制量u(t)之间的关系为
其中KP为比例系数,KP=5,KI为积分系数,KI=5,KD为微分系数,KD=1;公式(4)的拉氏变换为
其中,E(s)为输入偏差e(t)的复频域值,变换公式(5)得到比例积分微分控制的传递函数为
公式(4)还表示为:
其中,TI=KP/KI为积分时间常数,TD=KD/Kp为微分时间常数;
③调整控制器参数:采用数据驱动的模糊神经网络来调节控制器参数,模糊神经网络包括输入层,规则层,一般化层和输出层,输入为e(t)和de(t)/dt,输出为KP,KI和KD,确定网络的四层结构为2-K-K-3的连接方式,K=10,即输入层神经元为2个,RBF层和一般化层的神经元为10个,输出神经元为3个,输入层到RBF层和RBF层到一般化层的连接权值为1,一般化层到输出层的连接权值在[0-1]范围内进行随机赋值;神经网络的输出如下:
其中,xp(t)为第p个神经网络输入,P为输入层神经元个数,P=2,cpk(t)为第k个RBF神经元的第p个中心,σpk(t)为第k个RBF神经元的第p个宽度;定义模糊神经网络的性能指标函数J(t)
其中,λ(t)为学习率λ(t)=0.1;判断E(t)的大小,如果J(t)≥0.01则重复公式(10)-(13)更新参数,如果J(t)<0.01或迭代次数超过300次则转到公式(8)进行下一个样本的学习;当所有样本训练完成时,输入当前时刻的e(t)和de(t)/dt,得到需要更新的参数KP,KI和KD;
④分析控制系统性能:绘制整定后比例积分微分控制系统单位阶跃响应曲线,分析调节时间,超调量和稳态误差三项指标;具体为
调节时间是指控制系统受到扰动作用后,被控变量从原稳定状态回复到新的平衡状态所经历的最短时间,又称为过渡时间;溶解氧控制系统的调节时间应低于10min,以保证系统的响应速率,其计算公式为
其中,ζ为系统的阻尼比,ωn为系统的无阻尼振荡频率;
超调量是指在阶跃输入作用下,被调量的瞬时最大偏差值与稳态值之比;溶解氧控制系统的超调量应小于0.25,以节约系统的能耗,其计算公式为
其中,Xmax为瞬时最大偏差值,X(∞)为稳态值;
稳态误差是指系统从一个稳态过渡到新的稳态,或系统受扰动作用又重新平衡后,系统出现的偏差;稳态误差应小于0.1,以保证溶解氧浓度被控制在期望范围内,其计算公式为
其中,Xd(t)为系统输出的期望值,X(t)为系统输出的实际值;
判断控制系统的各项性能指标是否满足ts≤10,Mp≤0.25,ess≤0.1,如果不达标则返回③对整定的比例积分微分控制系统的参数继续作调整,直到满足上述条件;满足条件后,控制器被用作污水处理系统的溶解氧控制,并可以满足控制速度(在十分钟内达到溶解氧期望值),控制稳定性(溶解氧波动不超过期望值的25%)和控制精度(控制精度大于90%)的要求。
本发明的创新性体现在
(1)本发明针对的城市污水处理过程是一个面广量大,构成复杂和功能多样的过程,其控制系统的设计操作耗时,需要团队协作,在现有的城市污水处理实验教学中,学生看不到其具体的设计过程,难以在真实场景中做到控制系统的设计,无法学到相应的知识与技能;本发明通过虚拟仿真客户端为学生提供了一个三维的、高仿真度的、高交互操作的、全程参与式的、可提供实时信息反馈与操作指导的城市污水处理自动控制虚拟仿真实验教学系统,实现了城市污水处理自动控制系统设计的虚拟仿真操作。
(2)本发明设计了城市污水处理自动控制虚拟仿真实验教学方法,实验教学方法根据污水处理实际运行情况,全流程地模拟了控制系统的实际设计过程,结合数据驱动的模糊神经网络来自适应地调节控制器参数,实现了污水处理过程的自动控制,解决了传统参数调节方法实时性差,人为调节不可靠的特点,提高了实验效率。
附图说明
下面结合附图对本发明作进一步说明。
图1城市污水处理过程溶解氧控制实验教学系统的结构示意图。
图2实验教学方法的结构示意图的结构示意图。
具体实施方式
本发明获得一种城市污水处理自动控制虚拟仿真实验教学系统;设计了用于实验教学的污虚拟仿真实验方法全流程地模拟了控制系统的实际设计过程;将虚拟仿真实验方法进行模块化封装,搭建数据层,支撑层,服务层,仿真层和应用层,保证系统的高效运行;该系统集大型实物虚拟仿真、交互设计、自动计算、图形实时绘制、虚拟实验结果自动生成和教学评价管理于一体,是具有良好创新型、交互性、自动化和扩展性的虚拟实验教学平台。
本发明采用了如下的技术方案:
一种城市污水处理自动控制虚拟仿真实验教学系统,包括数据层,支撑层,服务层,仿真层和应用层;其特征在于:
(1)数据层包含注册用户的用户数据、实验结果数据和用户教学评价数据,以及实验所需的多种控制器的实验库和元件库,利用数据库软件进行相关数据的存储;
(2)支撑层涉及网络安全的网闸、防火墙的网络设置,客户端下载、注册登陆身份认证与访问,相关数据的后台查看、增删、读取转换设置的管理,计算调取、后台运算器调用接口、参数传输的管理;
(3)服务层负责区域或线上的服务端管理,包括实验报告、实验效果、实验资源和接口;
(4)仿真层负责对初沉池、厌氧池、缺氧池、曝气池、二沉池、鼓风机的虚拟仿真,以及相关控制器计算的数据仿真;
(5)应用层是整体系统软件,其功能包括用户注册登陆、教学知识查看,虚拟仿真实验、仿真效果查看。
应用所述的城市污水处理自动控制虚拟仿真实验教学系统的方法,其特征在于,包含以下步骤:
①建立城市污水处理过程溶解氧控制模型:分析城市污水处理系统特点和过程机理,提取与溶解氧浓度密切相关的物理、化学、生化反应过程,根据反应过程分析物料平衡方程和水体动力学方程,提炼与溶解氧控制密切相关的水质变量和相关装置和设备;根据模型分析结果建立溶解氧控制模型,控制模型输入是鼓风机的空气通量u,输出是曝气池溶解氧浓度SO,曝气池溶解氧浓度SO与鼓风机的空气通量u之间的关系为
其中,t表示时间,Q为进水流量,V为反应池的容积,τ=0.5为关联系数;将数学模型进行拉氏变换,获得曝气池溶解氧浓度SO与鼓风机的空气通量u之间的关系为:
s2SO(s)=-(Q/V)sSO(s)-SO(s)+τU(s) (2)
其中,s为复频率,SO(s)为溶解氧浓度SO(t)的复频域值,U(s)为控制量u(t)的复频域值,对公式(2)进行变换得到传递函数
②设计城市污水处理过程溶解氧控制器:采用比例积分微分控制方法,输入偏差e(t)与控制量u(t)之间的关系为
其中KP为比例系数,KP=5,KI为积分系数,KI=5,KD为微分系数,KD=1;公式(4)的拉氏变换为
其中,E(s)为输入偏差e(t)的复频域值,变换公式(5)得到比例积分微分控制的传递函数为
公式(4)还表示为:
其中,TI=KP/KI为积分时间常数,TD=KD/Kp为微分时间常数;
③调整控制器参数:采用数据驱动的模糊神经网络来调节控制器参数,模糊神经网络包括输入层,规则层,一般化层和输出层,输入为e(t)和de(t)/dt,输出为KP,KI和KD,确定网络的四层结构为2-K-K-3的连接方式,K=10,即输入层神经元为2个,RBF层和一般化层的神经元为10个,输出神经元为3个,输入层到RBF层和RBF层到一般化层的连接权值为1,一般化层到输出层的连接权值在[0-1]范围内进行随机赋值;神经网络的输出如下:
其中,xp(t)为第p个神经网络输入,P为输入层神经元个数,P=2,cpk(t)为第k个RBF神经元的第p个中心,σpk(t)为第k个RBF神经元的第p个宽度;定义模糊神经网络的性能指标函数J(t)
其中,λ(t)为学习率λ(t)=0.1;判断E(t)的大小,如果J(t)≥0.01则重复公式(10)-(13)更新参数,如果J(t)<0.01或迭代次数超过300次则转到公式(8)进行下一个样本的学习;当所有样本训练完成时,输入当前时刻的e(t)和de(t)/dt,得到需要更新的参数KP,KI和KD;
④分析控制系统性能:绘制整定后比例积分微分控制系统单位阶跃响应曲线,分析调节时间,超调量和稳态误差三项指标;具体为
调节时间是指控制系统受到扰动作用后,被控变量从原稳定状态回复到新的平衡状态所经历的最短时间,又称为过渡时间;溶解氧控制系统的调节时间应低于10min,以保证系统的响应速率,其计算公式为
其中,ζ为系统的阻尼比,ωn为系统的无阻尼振荡频率;
超调量是指在阶跃输入作用下,被调量的瞬时最大偏差值与稳态值之比;溶解氧控制系统的超调量应小于0.25,以节约系统的能耗,其计算公式为
其中,Xmax为瞬时最大偏差值,X(∞)为稳态值;
稳态误差是指系统从一个稳态过渡到新的稳态,或系统受扰动作用又重新平衡后,系统出现的偏差;稳态误差应小于0.1,以保证溶解氧浓度被控制在期望范围内,其计算公式为
其中,Xd(t)为系统输出的期望值,X(t)为系统输出的实际值;
判断控制系统的各项性能指标是否满足ts≤10,Mp≤0.25,ess≤0.1,如果不达标则返回③对整定的比例积分微分控制系统的参数继续作调整,直到满足上述条件;满足条件后,控制器被用作污水处理系统的溶解氧控制,并可以满足控制速度(在十分钟内达到溶解氧期望值),控制稳定性(溶解氧波动不超过期望值的25%)和控制精度(控制精度大于90%)的要求。
Claims (2)
1.一种城市污水处理自动控制虚拟仿真实验教学系统,包括数据层,支撑层,服务层,仿真层和应用层;其特征在于:
(1)数据层包含注册用户的用户数据、实验结果数据和用户教学评价数据,以及实验所需的多种控制器的实验库和元件库,利用数据库软件进行相关数据的存储;
(2)支撑层涉及网络安全的网闸、防火墙的网络设置,客户端下载、注册登陆身份认证与访问,相关数据的后台查看、增删、读取转换设置的管理,计算调取、后台运算器调用接口、参数传输的管理;
(3)服务层负责区域或线上的服务端管理,包括实验报告、实验效果、实验资源和接口;
(4)仿真层负责对初沉池、厌氧池、缺氧池、曝气池、二沉池、鼓风机的虚拟仿真,以及相关控制器计算的数据仿真;
(5)应用层是整体系统软件,其功能包括用户注册登陆、教学知识查看,虚拟仿真实验、仿真效果查看。
2.应用如权利要求1所述的城市污水处理自动控制虚拟仿真实验教学系统的方法,其特征在于,包含以下步骤:
①建立城市污水处理过程溶解氧控制模型:分析城市污水处理系统特点和过程机理,提取与溶解氧浓度密切相关的物理、化学、生化反应过程,根据反应过程分析物料平衡方程和水体动力学方程,提炼与溶解氧控制密切相关的水质变量和相关装置和设备;根据模型分析结果建立溶解氧控制模型,控制模型输入是鼓风机的空气通量u,输出是曝气池溶解氧浓度SO,曝气池溶解氧浓度SO与鼓风机的空气通量u之间的关系为
其中,t表示时间,Q为进水流量,V为反应池的容积,τ=0.5为关联系数;将数学模型进行拉氏变换,获得曝气池溶解氧浓度SO与鼓风机的空气通量u之间的关系为:
s2SO(s)=-(Q/V)sSO(s)-SO(s)+τU(s) (2)
其中,s为复频率,SO(s)为溶解氧浓度SO(t)的复频域值,U(s)为控制量u(t)的复频域值,对公式(2)进行变换得到传递函数
②设计城市污水处理过程溶解氧控制器:采用比例积分微分控制方法,输入偏差e(t)与控制量u(t)之间的关系为
其中KP为比例系数,KP=5,KI为积分系数,KI=5,KD为微分系数,KD=1;公式(4)的拉氏变换为
其中,E(s)为输入偏差e(t)的复频域值,变换公式(5)得到比例积分微分控制的传递函数为
公式(4)还表示为:
其中,TI=KP/KI为积分时间常数,TD=KD/Kp为微分时间常数;
③调整控制器参数:采用数据驱动的模糊神经网络来调节控制器参数,模糊神经网络包括输入层,规则层,一般化层和输出层,输入为e(t)和de(t)/dt,输出为KP,KI和KD,确定网络的四层结构为2-K-K-3的连接方式,K=10,即输入层神经元为2个,RBF层和一般化层的神经元为10个,输出神经元为3个,输入层到RBF层和RBF层到一般化层的连接权值为1,一般化层到输出层的连接权值在[0-1]范围内进行随机赋值;神经网络的输出如下:
其中,xp(t)为第p个神经网络输入,P为输入层神经元个数,P=2,cpk(t)为第k个RBF神经元的第p个中心,σpk(t)为第k个RBF神经元的第p个宽度;定义模糊神经网络的性能指标函数J(t)
其中,λ(t)为学习率λ(t)=0.1;判断E(t)的大小,如果J(t)≥0.01则重复公式(10)-(13)更新参数,如果J(t)<0.01或迭代次数超过300次则转到公式(8)进行下一个样本的学习;当所有样本训练完成时,输入当前时刻的e(t)和de(t)/dt,得到需要更新的参数KP,KI和KD;
④分析控制系统性能:绘制整定后比例积分微分控制系统单位阶跃响应曲线,分析调节时间,超调量和稳态误差三项指标;具体为
调节时间是指控制系统受到扰动作用后,被控变量从原稳定状态回复到新的平衡状态所经历的最短时间,又称为过渡时间;溶解氧控制系统的调节时间应低于10min,以保证系统的响应速率,其计算公式为
其中,ζ为系统的阻尼比,ωn为系统的无阻尼振荡频率;
超调量是指在阶跃输入作用下,被调量的瞬时最大偏差值与稳态值之比;溶解氧控制系统的超调量应小于0.25,以节约系统的能耗,其计算公式为
其中,Xmax为瞬时最大偏差值,X(∞)为稳态值;
稳态误差是指系统从一个稳态过渡到新的稳态,或系统受扰动作用又重新平衡后,系统出现的偏差;稳态误差应小于0.1,以保证溶解氧浓度被控制在期望范围内,其计算公式为
其中,Xd(t)为系统输出的期望值,X(t)为系统输出的实际值;
判断控制系统的各项性能指标是否满足ts≤10,Mp≤0.25,ess≤0.1,如果不达标则返回③对整定的比例积分微分控制系统的参数继续作调整,直到满足上述条件;满足条件后,控制器被用作污水处理系统的溶解氧的控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010918198.7A CN112130450A (zh) | 2020-09-03 | 2020-09-03 | 城市污水处理自动控制虚拟仿真实验教学系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010918198.7A CN112130450A (zh) | 2020-09-03 | 2020-09-03 | 城市污水处理自动控制虚拟仿真实验教学系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112130450A true CN112130450A (zh) | 2020-12-25 |
Family
ID=73847307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010918198.7A Pending CN112130450A (zh) | 2020-09-03 | 2020-09-03 | 城市污水处理自动控制虚拟仿真实验教学系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112130450A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140052422A1 (en) * | 2011-02-14 | 2014-02-20 | Jinquan Wan | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network |
CN106920007A (zh) * | 2017-02-27 | 2017-07-04 | 北京工业大学 | 基于二阶自组织模糊神经网络的pm2.5智能预测方法 |
CN109087277A (zh) * | 2018-06-11 | 2018-12-25 | 北京工业大学 | 一种基于图像特征和集成神经网络的空气细颗粒物pm2.5测量方法 |
CN109613825A (zh) * | 2018-12-13 | 2019-04-12 | 北京北排科技有限公司 | 基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法 |
CN111477048A (zh) * | 2020-05-16 | 2020-07-31 | 安徽商贸职业技术学院 | 一种在线实验教学平台及教学方法 |
CN111484124A (zh) * | 2019-01-27 | 2020-08-04 | 凯秘克(上海)环保科技有限公司 | 一种污水处理智能控制与生化工艺集约方法及系统 |
CN111580381A (zh) * | 2020-03-20 | 2020-08-25 | 北京工业大学 | 一种动态事件驱动控制策略的溶解氧控制方法 |
-
2020
- 2020-09-03 CN CN202010918198.7A patent/CN112130450A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140052422A1 (en) * | 2011-02-14 | 2014-02-20 | Jinquan Wan | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network |
CN106920007A (zh) * | 2017-02-27 | 2017-07-04 | 北京工业大学 | 基于二阶自组织模糊神经网络的pm2.5智能预测方法 |
CN109087277A (zh) * | 2018-06-11 | 2018-12-25 | 北京工业大学 | 一种基于图像特征和集成神经网络的空气细颗粒物pm2.5测量方法 |
CN109613825A (zh) * | 2018-12-13 | 2019-04-12 | 北京北排科技有限公司 | 基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法 |
CN111484124A (zh) * | 2019-01-27 | 2020-08-04 | 凯秘克(上海)环保科技有限公司 | 一种污水处理智能控制与生化工艺集约方法及系统 |
CN111580381A (zh) * | 2020-03-20 | 2020-08-25 | 北京工业大学 | 一种动态事件驱动控制策略的溶解氧控制方法 |
CN111477048A (zh) * | 2020-05-16 | 2020-07-31 | 安徽商贸职业技术学院 | 一种在线实验教学平台及教学方法 |
Non-Patent Citations (1)
Title |
---|
刘超彬 等: "污水处理过程中溶解氧的模糊神经网络控制", 山东大学学报(工学版), vol. 35, no. 3 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | The intelligent critic framework for advanced optimal control | |
Liu | Intelligent control design and Matlab simulation | |
CN108284442B (zh) | 一种基于模糊神经网络的机械臂柔性关节控制方法 | |
Alvarado et al. | A comparative analysis of distributed MPC techniques applied to the HD-MPC four-tank benchmark | |
CN107862970B (zh) | 一种用于翻转课堂的教学质量评价模型 | |
CN106227042A (zh) | 基于模糊神经网络的溶解氧控制方法 | |
Duro et al. | An integrated virtual and remote control lab: The three-tank system as a case study | |
Muhammad Asraf et al. | Computer assisted e-laboratory using LabVIEW and internet-of-things platform as teaching aids in the industrial instrumentation course | |
Krishnapura et al. | A neural adaptive controller | |
CN109227550A (zh) | 一种基于rbf神经网络的机械臂控制方法 | |
Ponce et al. | Teaching fuzzy controllers through a V-model based methodology | |
King et al. | Koopman-based differentiable predictive control for the dynamics-aware economic dispatch problem | |
Zhao et al. | Review of Neural Network Algorithm and its Application in Temperature Control of Distillation Tower | |
Byeon et al. | Skill-level-based hybrid shared control for human-automation systems | |
CN112130450A (zh) | 城市污水处理自动控制虚拟仿真实验教学系统 | |
Guan et al. | Robust adaptive recurrent cerebellar model neural network for non-linear system based on GPSO | |
Aguilera-Alvarez et al. | Development of a didactic educational tool for learning fuzzy control systems | |
Foslien et al. | Fuzzy controller synthesis with neural network process models | |
Sendoya-Losada et al. | Implementation of a neural control system based on PI control for a non-linear process | |
Sun | Construction of integrated cloud computing platform for Japanese autonomous learning and examination | |
Bamimore et al. | DESIGN, FABRICATION AND INTERFACING OF A CASCADED THREE-TANK SYSTEM WITH MICRO-CONTROLLER BOARD FOR RESEARCH AND EDUCATION IN PROCESS CONTROL | |
AlDhaifallah et al. | A predictive neural network-based cascade control for PH reactors | |
Liang | Combination Prediction Model of English Teaching Population Based on GA Optimized RBF Neural Network | |
Yang et al. | [Retracted] The Construction of Virtual Experiment Platform Based on the Fuzzy System | |
Wang | Simulation and implementation of abstract logical inference control thinking |
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 |