CN112784476A - 不同工艺类型农污处理设施出水氨氮软测量方法及装置 - Google Patents
不同工艺类型农污处理设施出水氨氮软测量方法及装置 Download PDFInfo
- Publication number
- CN112784476A CN112784476A CN202011614207.XA CN202011614207A CN112784476A CN 112784476 A CN112784476 A CN 112784476A CN 202011614207 A CN202011614207 A CN 202011614207A CN 112784476 A CN112784476 A CN 112784476A
- Authority
- CN
- China
- Prior art keywords
- effluent
- sewage treatment
- ammonia nitrogen
- rural domestic
- domestic 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2101/00—Nature of the contaminant
- C02F2101/10—Inorganic compounds
- C02F2101/16—Nitrogen compounds, e.g. ammonia
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Microbiology (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
Abstract
本发明公开了一种不同工艺类型农污处理设施出水氨氮软测量方法及装置,属于水质监测,人工智能等领域。该预测装置先在不同工艺类型的农村生活污水处理终端安装出水ph,进水电导,出水电导,厌氧池ORP,好氧池DO等电极采集终端运行状态参数,随后利用在线数据平台内嵌的人工神经网络预测终端出水氨氮浓度。相关结果表明,该装置与方法对于终端出水氨氮浓度具有良好的拟合效果和推广价值。
Description
技术领域
本发明属于水质监测领域,具体涉及一种不同工艺类型农污处理设施出水氨氮软测量方法及装置。
背景技术
氨氮是我国农村生活污水处理终端出水水质的主要监测指标之一。当前对于氨氮的检测方法主要为运维人员手工采样,实验室化学法检测。该方法虽然测量精度高,但由于我国农村生活污水处理终端普遍点位分散且数量众多,部分地级市内已包含数万个农村生活污水处理终端,相关政府机构每年都需投入大量的人力物力用于运维工作。同时,该方法还存在另一大明显弊端,即为运管管理的滞后性。从采样到发现出水情况异常再到运维人员到现场调试往往需要几周的时间。在这段时间内,污水处理终端常常处于非正常状态运行,这将导致:一方面,由于出水情况未达排放标准,对受纳水体水质造成破坏;另一方面,长期的非正常情况运行,会加剧污水处理设施的损耗程度,给运维工作造成极大困扰。
近年来,已有研究表明人工神经网络模型对于市政等污水处理设施出水水质的预测效果。但该类型研究绝大部分仍已单个设施为研究对象,不同研究确立的模型对于研究对象外的不同工艺,不同处理设施预测性能存疑。而在我国农村生活污水处理终端普遍存在工艺繁杂(涵盖诸如A2O,A2O+人工湿地,A2O+滤池等主流工艺),数量众多特点,基于此,提出一种适用于不同工艺类型和不同农村生活污水处理终端的出水氨氮浓度预测装置破解目前设施运维的难题具有重要意义。
BP人工神经网络(BP-ANN)是一种按照误差逆向传播算法训练的多层前馈神经网络,是应用最广泛的神经网络。在申请号为CN201910227225.3的发明专利中,申请人已经公开了一种农村生活污水A2O处理终端出水总氮浓度软测量方法及装置。在申请号为CN201910226953.2的发明专利中,申请人已经公开了一种农村生活污水A2O处理终端出水COD浓度软测量方法及装置。这两种方法均利用进水和出水中的指标对出水中的COD或者总氮浓度进行预测,但是将该思路应用于出水中氨氮的测定时,其效果并不理想,其主要原因是污水中氨氮的转化更为复杂,进水指标和出水指标构成的输入指标体系不足以解释最终出水中的氨氮。但是在一个工艺中,与氨氮指标相关的工艺参数众多,水质(如污水类型等)、工艺流程、微生物种类、工艺参数等等均可以直接影响氨氮的生成和转化。因此其指标的排列组合的数量将及其庞大,并不能通过有限次试验进行组合选择。由此可见,如何对此类方法和设备进行改进,使得其能够通过监测容易检测的指标,实现农污设施氨氮处理效果的实时预测,是目前亟待解决的技术问题。
发明内容
本发明在对数百个农村生活污水处理终端的实地调研基础上,要解决的技术问题是针对上述的现状而提出的不同工艺类型农污处理设施出水氨氮软测量方法及装置。
本发明解决上述技术问题所采用的技术方案如下:
第一方面,本发明提供了一种不同工艺类型农污处理设施出水氨氮软测量方法,所述农污设施为运行A2O工艺或含有A2O的组合工艺的农村生活污水处理设施,其,步骤如下:
S1:利用安装于待预测农村生活污水处理设施进水端的电导电极、A2O工艺厌氧池中的ORP、A2O工艺好氧池中的溶解氧电极以及出水端的pH电极和电导电极,实时获取该农村生活污水处理设施中进水电导、A2O工艺厌氧池ORP、A2O工艺好氧池DO、出水pH和出水电导五个运行状态参数的瞬时值,并上传至在线数据平台;
S2:在线数据平台接收现场状态监测设备传输的五个运行状态参数的瞬时值后,以五个运行状态参数作为输入层指标,以出水氨氮浓度作为输出层指标,利用经过训练的BP神经网络模型对农村生活污水处理设施的出水氨氮浓度进行预测。
作为优选,所述的BP神经网络模型包括输入层、隐藏层和输出层,输入层有5个输入神经元,分别对应五个运行状态参数,隐藏层有16个隐藏神经元,输出层有1个输出神经元,对应预测的出水氨氮浓度。
作为优选,所述的五个运行状态参数经由电极测量后,经过模数转换获得数字信号,再通过通信网络实时传输至在线数据平台。
作为优选,所述的通信网络为无线通信网络。
作为优选,所述的在线数据平台为云平台或者监控端服务器。
作为优选,所述在线数据平台内内置的BP神经网络模型在训练时,采用不同农村生活污水处理设施的运行数据作为样本集进行训练,且每个农村生活污水处理设施也均运行A2O工艺或含有A2O的组合工艺,所述运行数据包含不同时刻的所述五个运行状态参数和出水氨氮浓度。
作为优选,所述农村生活污水处理设施为A2O处理设施、A2O与人工湿地串联的处理设施或A2O与滤池串联的处理设施。
作为优选,所述电极需安装定期冲洗装置或人工定期冲洗,以维持上述电极探头清洁,同时需定期校正电极,维持上述电极读数准确。
第二方面,本发明提供了一种不同工艺类型农污处理设施出水氨氮软测量装置,所述农污设施为运行A2O工艺或含有A2O的组合工艺的农村生活污水处理设施,其包括:
现场状态监测设备,包括安装于待预测农村生活污水处理设施进水端的电导电极、A2O工艺厌氧池中的ORP、A2O工艺好氧池中的溶解氧电极以及出水端的pH电极和电导电极,用于实时获取该农村生活污水处理设施中进水电导、A2O工艺厌氧池ORP、A2O工艺好氧池DO、出水pH和出水电导五个运行状态参数的瞬时值;
信号传输系统,用于将现场状态监测设备获取到的五个运行状态参数数据实时发送至在线数据平台;
在线数据平台,平台中内嵌有经过训练的BP神经网络模型,用于以信号传输系统发送的五个运行状态参数作为输入层指标,输出农村生活污水处理设施的出水氨氮浓度的预测值。
作为优选,所述在线数据平台内嵌的BP神经网络模型需定期进行预测准确性验证,若准确性不满足要求则需重新训练并导入满足准确性要求的模型参数。
相对于现有技术而言,本发明采用pH电极、电导电极、溶解氧电极和ORP电极对工艺参数进行监测,通过物联网技术和人工智能技术,实现了农村生活污水处理设施中氨氮浓度的准确预测,大大降低了传统氨氮浓度检测所需的时间,提高了工艺运维的反应速度。本发明的神经网络输入数据采用的均是高度商业化的成品电极的检测数据,避免了现场采样导致的检测实时性和准确性差的问题。
附图说明
图1为不同工艺类型农污处理设施出水氨氮软测量方法及装置
图2为人工神经网络模型基础结构
图3为本装置在A2O工艺类型中的安装情况
图4为本装置在A2O+滤池工艺类型中的安装情况
图5为本装置在A2O+人工湿地工艺类型中的安装情况
图6为本装置对于不同工艺类型和不同农村生活污水处理终端的出水氨氮浓度预测效果
图中附图标记:电导电极1,ORP电极2,溶解氧电极3,pH电极4,电导电极5,电控箱6,空气开关7,表头显示区域8,表头按键区域9,485和4G传输模块10,稳压器11,数据接收模块12,在线数据平台13,出水氨氮预测值14,输入层神经元15,隐藏层神经元16,输出层神经元17,进水池18,格栅池19,调节池20,厌氧池21,兼氧池22,好氧池23,滤池24,出水池25,机房26,人工湿地27。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下,均可进行相应组合。
本发明构建了一种不同工艺类型农污处理设施出水氨氮软测量装置,其中农污设施为运行A2O工艺或含有A2O的组合工艺的农村生活污水处理设施,该软测量装置包括以下组成:
现场状态监测设备,包括安装于待预测农村生活污水处理设施进水端的电导电极、A2O工艺厌氧池中的ORP、A2O工艺好氧池中的溶解氧电极以及出水端的pH电极和电导电极,用于实时获取该农村生活污水处理设施中进水电导、A2O工艺厌氧池ORP、A2O工艺好氧池DO、出水pH和出水电导五个运行状态参数的瞬时值。
信号传输系统,用于将现场状态监测设备获取到的五个运行状态参数数据实时发送至在线数据平台。
在线数据平台,平台中内嵌有经过训练的BP神经网络模型,用于以信号传输系统发送的五个运行状态参数作为输入层指标,输出农村生活污水处理设施的出水氨氮浓度的预测值。
上述现场状态监测设备中五个运行状态参数经由电极测量后,经过模数转换获得数字信号,再通过通信网络实时传输至在线数据平台。通信网络优选采用无线通信网络。在线数据平台为云平台或者监控端服务器,根据实际需求而定。
本发明的核心在于BP神经网络模型,其输入的指标体系为进水电导、A2O工艺厌氧池ORP、A2O工艺好氧池DO、出水pH和出水电导五个运行状态参数的瞬时值,而输出为农村生活污水处理设施的出水氨氮浓度。相对于申请号为CN201910227225.3、CN201910226953.2的在先申请,本发明中摒弃了无法通过电极实时测量的指标,而是采用了均可通过高度商业化的成品电极检测的五个指标,其中特别的是加入了氧化还原电位(ORP)和溶解氧(DO),这是基于申请人对A2O工艺的大量研究而优化的指标体系。污水水体中的总氮主要以氨氮,亚硝氮,硝氮等形式存在,而氨氮与亚硝氮的主要降解菌氨氧化细菌与亚硝酸氧化菌均为好氧菌,其活性与好氧池内DO紧密相关,而硝氮的主要降解菌为反硝化细菌,其活性与厌氧池内ORP条件紧密相关。因此添加A2O工艺厌氧池ORP、A2O工艺好氧池DO来反应对氮素进行直接转化的AO除氮过程信息,同时配合进水电导、出水pH和出水电导来反应进水和出水信息,最终形成上述五个运行状态参数作为人工神经网络的输入,实现出水氨氮的准确预测。
本发明优化后的指标体系与神经网络模型不仅适用于预测以A2O为处理工艺的农村生活污水处理设施出水氨氮浓度,同时还对A2O+人工湿地,A2O+滤池处理工艺的农村生活污水处理设施出水氨氮浓度也有良好的预测效果。
本发明在30个农村生活污水处理终端(涵盖24个A2O,5个A2O+人工湿地,1个A2O+滤池)内安装上述测量装置。本装置涵盖现场状态监测设备以及在线数据平台13。其中,现场状态监测设备通过调节池20内的电导电极1,厌氧池21内的ORP电极2,好氧池23内的DO电极3,出水池25内的电导电极5与pH电极4实时收集终端运行状态参数。电控箱6内的表头显示区域8与按键区域9负责显示上述运行状态参数。485模块和4G传输模块10负责将上述运行状态参数传输至在线数据平台13。考虑到农村地区电压不稳,易损伤仪器,本设备同时配备有稳压器11及空气开关7。在线数据平台13配备数据接收模块12接收来自现场状态监测设备的数据。在线数据平台13内嵌有已经过仿真及验证过的人工神经网络模型,可实现对终端出水氨氮浓度14的预测。本装置在A2O工艺类型、A2O+滤池工艺类型、A2O+人工湿地工艺类型中的安装情况分别参见图3、图4和图5所示。其中图示的三种污水处理系统都是A2O处理设施为基础的,A2O处理设施由进水池18、格栅池19、调节池20、厌氧池21、兼氧池22、好氧池23和出水池25连接而成。由于此处设置了调节池20,其中的水质更能代表A2O处理设施的进水水质,因此电导电极1安装于调节池20中,ORP电极2安装于厌氧池21中,溶解氧电极3安装于好氧池23中,pH电极4、电导电极5均安装于出水池25中,现场状态监测设备中除了电极之外的设备安装于机房26中。图4和图5中的A2O处理设施后可以组合滤池24和人工湿地27。当然,在其他实施例中,若不设置调节池,也可以将进水的电导电极1安装于进水池18中。
在上述在线数据平台中,其核心模块可以概况为:
数据获取模块,用于获取现场状态监测设备传输的待预测农村生活污水处理设施的五个运行状态参数。
BP神经网络模块,其内置经过训练的BP神经网络模型,用于以前述五个运行状态参数作为输入层指标,对农村生活污水处理设施的出水氨氮浓度进行预测;
数据存储模块,用于存储数据获取模块和BP神经网络模块产生的数据,并对外提供数据查询和调用接口。
其中BP神经网络模块是整个在线数据平台的核心,其中的BP神经网络模型需要在嵌入平台之前进行训练,模型在训练时,最好采用不同农村生活污水处理设施的运行数据作为样本集进行训练,以扩大样本涵盖的普适性。且作为样本的每个农村生活污水处理设施也均运行A2O工艺或含有A2O的组合工艺,运行数据包含不同时刻的前述五个运行状态参数和出水氨氮浓度。本实施例中训练的具体做法如下:
通过现场状态监测设备定期记录30个终端运行状态参数瞬时值并利用水杨酸法得到出水氨氮浓度实测值,累计收集得到99组数据(每组数据6个,涵盖五个运行状态参数与出水氨氮浓度实测值),选取62组数据建立仿真数据库,选取37组数据建立验证数据库。参见图2所示,人工神经网络模型以BP神经网络核心建立而成,整个模型涵盖输入层,隐藏层和输出层三层,其中,输入层有五个输入神经元15(对应五个运行状态参数),隐藏层有16个隐藏神经元16,输出层有1个输出神经元17(终端出水氨氮浓度预测值14)。以62组仿真数据库为基础,对BP神经网络进行训练以优化模型参数。模型确立后,将上述37组验证数据库内数据代入人工神经网络模型,得到终端出水氨氮浓度预测值14,比对实测值与预测值的误差,验证模型可靠性。
人工神经网络模型经仿真与验证后,其结果如下:
仿真阶段R2为0.84,均方根误差为4.16mg/L;验证阶段R2为0.71,均方根误差为10.76mg/L;总体R2为0.76,均方根误差为7.36mg/L。从NH3-N实测预测对比图可以看出,出水NH3-N预测浓度与实测值的变化趋势一致。
人工神经网络模型经仿真与验证后,即可用于进行氨氮浓度预测。预测过程中,BP神经网络内部的计算过程属于现有技术。为了便于理解,下面简述其计算过程如下:
(1)参数均一化
上述EF_pH,IN_Conductivity,EF_Conductivity,Anaerobic_ORP以及Aerobic_DO分别代表出水pH,进水电导率,出水电导率,厌氧池ORP,好氧池DO五个参数,带有下标i的参数代表第i个终端归一化后的数值,带有下标ir的参数代表第i个终端测量值,带有下标min的参数代表该参数在数据库内的最小值,带有下标max的参数代表该参数在数据库内的最大值。
(2)人工神经网络运算
人工神经网络模型含有输入层,隐藏层,输出层三层结构。输入层神经元15为上述五个运行状态参数。输入层神经元15至隐藏层神经元16运算过程如下:
本方案的人工神经网络模型共涵盖16个隐藏层神经元16。上述w,j代表五个运行状态参数从输入层传至隐藏层的权重,Pj代表隐藏层神经元16连接阈值,F(x)为传递函数。
隐藏层神经元16至输出层神经元17运算过程如下。
上述vj表示第j个隐藏层神经元16传递至输出层神经元17时所被赋予的权重,Q为输出层神经元17连接阈值,F(x)为传递函数。
本实施方案中,水质指标单位分别为:氨氮浓度为mg/L,电导单位为us/cm,DO单位为mg/L,ORP单位为mV,pH无量纲。
图6为本实施例的仿真数据库和验证数据库在该BP神经网络模型中的出水氨氮浓度预测效果,结果表明本发明对于预测不同类型和不同农村生活污水处理终端出水氨氮浓度具有较高的可行性。
因此,在实际使用时,可以针对某一待预测的农污设施,安装上述现场状态监测设备,并将现场状态监测设备通过信号传输系统与在先数据平台建立通信连接。不同工艺类型农污处理设施出水氨氮软测量方法如下:
S1:利用安装于待预测农村生活污水处理设施进水端的电导电极、A2O工艺厌氧池中的ORP、A2O工艺好氧池中的溶解氧电极以及出水端的pH电极和电导电极,实时获取该农村生活污水处理设施中进水电导、A2O工艺厌氧池ORP、A2O工艺好氧池DO、出水pH和出水电导五个运行状态参数的瞬时值,并上传至在线数据平台;
S2:在线数据平台接收现场状态监测设备传输的五个运行状态参数的瞬时值后,以五个运行状态参数作为输入层指标,以出水氨氮浓度作为输出层指标,利用经过训练的BP神经网络模型对农村生活污水处理设施的出水氨氮浓度进行预测。
需要注意的是,考虑到农村生活污水中富含大量有机组分,易附着生物膜,从而影响电极读数,因此本装置人工定期冲洗以维持上述电极探头清洁。为维持上述电极读数精准,本装置应同时定期校正电极。本方案在实施过程中,每半月定期人工清洗电极,每两月定期校正电极,其中,DO电极3采用空气标定法,ORP电极2、电导电极1和5、pH电极4采用标准液校正。电极的清洗与校正需考虑实际情况,有机组分含量较高,天气温度较高易生长生物膜的区域,建议安装安装冲洗装置定期重启。
另外,在使用过程中,在线数据平台内嵌的人工神经网络模型可后期替换,平台内置的人工神经网络模型也需要进行定期校正。即人工神经网络模型经过仿真与验证后,需定期通过上述验证方法确定本装置在使用过程中的可靠性,若准确性降低则需要重新进行训练。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (10)
1.一种不同工艺类型农污处理设施出水氨氮软测量方法,所述农污设施为运行A2O工艺或含有A2O的组合工艺的农村生活污水处理设施,其特征在于,步骤如下:
S1:利用安装于待预测农村生活污水处理设施进水端的电导电极、A2O工艺厌氧池中的ORP、A2O工艺好氧池中的溶解氧电极以及出水端的pH电极和电导电极,实时获取该农村生活污水处理设施中进水电导、A2O工艺厌氧池ORP、A2O工艺好氧池DO、出水pH和出水电导五个运行状态参数的瞬时值,并上传至在线数据平台;
S2:在线数据平台接收现场状态监测设备传输的五个运行状态参数的瞬时值后,以五个运行状态参数作为输入层指标,以出水氨氮浓度作为输出层指标,利用经过训练的BP神经网络模型对农村生活污水处理设施的出水氨氮浓度进行预测。
2.如权利要求1所述的不同工艺类型农污处理设施出水氨氮软测量方法,其特征在于,所述的BP神经网络模型包括输入层、隐藏层和输出层,输入层有5个输入神经元,分别对应五个运行状态参数,隐藏层有16个隐藏神经元,输出层有1个输出神经元,对应预测的出水氨氮浓度。
3.如权利要求1所述的不同工艺类型农污处理设施出水氨氮软测量方法,其特征在于,所述的五个运行状态参数经由电极测量后,经过模数转换获得数字信号,再通过通信网络实时传输至在线数据平台。
4.如权利要求3所述的不同工艺类型农污处理设施出水氨氮软测量方法,其特征在于,所述的通信网络为无线通信网络。
5.如权利要求1所述的不同工艺类型农污处理设施出水氨氮软测量方法,其特征在于,所述的在线数据平台为云平台或者监控端服务器。
6.如权利要求1所述的不同工艺类型农污处理设施出水氨氮软测量方法,其特征在于,所述在线数据平台内内置的BP神经网络模型在训练时,采用不同农村生活污水处理设施的运行数据作为样本集进行训练,且每个农村生活污水处理设施也均运行A2O工艺或含有A2O的组合工艺,所述运行数据包含不同时刻的所述五个运行状态参数和出水氨氮浓度。
7.如权利要求1所述的不同工艺类型农污处理设施出水氨氮软测量方法,其特征在于,所述农村生活污水处理设施为A2O处理设施、A2O与人工湿地串联的处理设施或A2O与滤池串联的处理设施。
8.如权利要求1所述的不同工艺类型农污处理设施出水氨氮软测量方法,其特征在于,所述电极需安装定期冲洗装置或人工定期冲洗,以维持上述电极探头清洁,同时需定期校正电极,维持上述电极读数准确。
9.一种不同工艺类型农污处理设施出水氨氮软测量装置,所述农污设施为运行A2O工艺或含有A2O的组合工艺的农村生活污水处理设施,其特征在于,包括:
现场状态监测设备,包括安装于待预测农村生活污水处理设施进水端的电导电极、A2O工艺厌氧池中的ORP、A2O工艺好氧池中的溶解氧电极以及出水端的pH电极和电导电极,用于实时获取该农村生活污水处理设施中进水电导、A2O工艺厌氧池ORP、A2O工艺好氧池DO、出水pH和出水电导五个运行状态参数的瞬时值;
信号传输系统,用于将现场状态监测设备获取到的五个运行状态参数数据实时发送至在线数据平台;
在线数据平台,平台中内嵌有经过训练的BP神经网络模型,用于以信号传输系统发送的五个运行状态参数作为输入层指标,输出农村生活污水处理设施的出水氨氮浓度的预测值。
10.如权利要求9所述的不同工艺类型农污处理设施出水氨氮软测量装置,其特征在于,所述在线数据平台内嵌的BP神经网络模型需定期进行预测准确性验证,若准确性不满足要求则需重新训练并导入满足准确性要求的模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011614207.XA CN112784476B (zh) | 2020-12-30 | 2020-12-30 | 不同工艺类型农污处理设施出水氨氮软测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011614207.XA CN112784476B (zh) | 2020-12-30 | 2020-12-30 | 不同工艺类型农污处理设施出水氨氮软测量方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784476A true CN112784476A (zh) | 2021-05-11 |
CN112784476B CN112784476B (zh) | 2022-07-19 |
Family
ID=75754021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011614207.XA Active CN112784476B (zh) | 2020-12-30 | 2020-12-30 | 不同工艺类型农污处理设施出水氨氮软测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784476B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113233715A (zh) * | 2021-06-07 | 2021-08-10 | 王德仓 | 一种基于神经网络控制的城市污水处理设备 |
CN113248025A (zh) * | 2021-05-31 | 2021-08-13 | 大唐融合通信股份有限公司 | 一种农村生活污水处理的控制方法、云端服务器及系统 |
CN114003977A (zh) * | 2021-10-29 | 2022-02-01 | 河北工业大学 | 一种人工湿地-微生物燃料电池系统电极构型优化方法 |
CN116050475A (zh) * | 2022-12-30 | 2023-05-02 | 中国环境科学研究院 | 关键污染物浓度预测模型的训练方法、装置和计算机设备 |
CN116969616A (zh) * | 2023-08-04 | 2023-10-31 | 中国长江三峡集团有限公司 | 基于软测量的一体化污水处理设施控制方法、装置及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235096A (zh) * | 2013-04-16 | 2013-08-07 | 广州铁路职业技术学院 | 污水水质检测方法与装置 |
CN104965971A (zh) * | 2015-05-24 | 2015-10-07 | 北京工业大学 | 一种基于模糊神经网络的氨氮浓度软测量方法 |
CN105574326A (zh) * | 2015-12-12 | 2016-05-11 | 北京工业大学 | 一种基于自组织模糊神经网络的出水氨氮浓度软测量方法 |
US20160132617A1 (en) * | 2014-11-11 | 2016-05-12 | Spectrasensors, Inc. | Target Analyte Detection and Quantification in Sample Gases With Complex Background Compositions |
CN107664682A (zh) * | 2016-07-30 | 2018-02-06 | 复凌科技(上海)有限公司 | 一种氨氮的水质软测量预测方法 |
US20180164272A1 (en) * | 2014-11-02 | 2018-06-14 | Beijing University Of Technology | Measuring Phosphorus in Wastewater Using a Self-Organizing RBF Neural Network |
CN108549740A (zh) * | 2018-03-06 | 2018-09-18 | 华南理工大学 | 一种基于混合智能算法的厌氧系统出水氨氮软测量方法 |
CN109709057A (zh) * | 2018-12-29 | 2019-05-03 | 四川碧朗科技有限公司 | 水质指标预测模型构建方法及水质指标监测方法 |
CN110222916A (zh) * | 2019-03-25 | 2019-09-10 | 浙江大学 | 农村生活污水a2o处理终端出水总氮浓度软测量方法及装置 |
-
2020
- 2020-12-30 CN CN202011614207.XA patent/CN112784476B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235096A (zh) * | 2013-04-16 | 2013-08-07 | 广州铁路职业技术学院 | 污水水质检测方法与装置 |
US20180164272A1 (en) * | 2014-11-02 | 2018-06-14 | Beijing University Of Technology | Measuring Phosphorus in Wastewater Using a Self-Organizing RBF Neural Network |
US20160132617A1 (en) * | 2014-11-11 | 2016-05-12 | Spectrasensors, Inc. | Target Analyte Detection and Quantification in Sample Gases With Complex Background Compositions |
CN104965971A (zh) * | 2015-05-24 | 2015-10-07 | 北京工业大学 | 一种基于模糊神经网络的氨氮浓度软测量方法 |
CN105574326A (zh) * | 2015-12-12 | 2016-05-11 | 北京工业大学 | 一种基于自组织模糊神经网络的出水氨氮浓度软测量方法 |
CN107664682A (zh) * | 2016-07-30 | 2018-02-06 | 复凌科技(上海)有限公司 | 一种氨氮的水质软测量预测方法 |
CN108549740A (zh) * | 2018-03-06 | 2018-09-18 | 华南理工大学 | 一种基于混合智能算法的厌氧系统出水氨氮软测量方法 |
CN109709057A (zh) * | 2018-12-29 | 2019-05-03 | 四川碧朗科技有限公司 | 水质指标预测模型构建方法及水质指标监测方法 |
CN110222916A (zh) * | 2019-03-25 | 2019-09-10 | 浙江大学 | 农村生活污水a2o处理终端出水总氮浓度软测量方法及装置 |
Non-Patent Citations (1)
Title |
---|
沈琴琴等: "厌氧-潜流型人工湿地处理农村生活污水工程实例效果分析", 《浙江农业科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113248025A (zh) * | 2021-05-31 | 2021-08-13 | 大唐融合通信股份有限公司 | 一种农村生活污水处理的控制方法、云端服务器及系统 |
CN113233715A (zh) * | 2021-06-07 | 2021-08-10 | 王德仓 | 一种基于神经网络控制的城市污水处理设备 |
CN114003977A (zh) * | 2021-10-29 | 2022-02-01 | 河北工业大学 | 一种人工湿地-微生物燃料电池系统电极构型优化方法 |
CN114003977B (zh) * | 2021-10-29 | 2024-05-03 | 河北工业大学 | 一种人工湿地-微生物燃料电池系统电极构型优化方法 |
CN116050475A (zh) * | 2022-12-30 | 2023-05-02 | 中国环境科学研究院 | 关键污染物浓度预测模型的训练方法、装置和计算机设备 |
CN116969616A (zh) * | 2023-08-04 | 2023-10-31 | 中国长江三峡集团有限公司 | 基于软测量的一体化污水处理设施控制方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112784476B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784476B (zh) | 不同工艺类型农污处理设施出水氨氮软测量方法及装置 | |
CN112786119B (zh) | 多工艺类型农污设施tn处理效果预测方法、装置、介质 | |
CN111553468B (zh) | 一种准确预测污水处理厂出水水质的方法 | |
CN112782232B (zh) | 基于人工神经网络的农污设施出水总磷软测量方法及装置 | |
CN109828089B (zh) | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 | |
CN111579618B (zh) | 基于微生物燃料电池的生化需氧量在线自动检测系统及方法 | |
CN109975366B (zh) | 农村生活污水a2o处理终端出水cod浓度软测量方法及装置 | |
CN106651032B (zh) | Sbr法氨氧化过程神经网络智能控制的方法 | |
CN103843184A (zh) | 生物需氧量传感器 | |
CN115470702B (zh) | 一种基于机器学习的污水处理水质预测方法及系统 | |
CN112989704B (zh) | 一种基于de算法的irfm-cmnn出水bod浓度预测方法 | |
KR102311657B1 (ko) | 하폐수 처리 스마트 관리 시스템 | |
CN112707508B (zh) | 基于bp-ann的农污设施cod处理效果预测方法、装置、平台 | |
CN110222916B (zh) | 农村生活污水a2o处理终端出水总氮浓度软测量方法及装置 | |
CN113111576B (zh) | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 | |
CN106769748B (zh) | 膜生物反应器-mbr出水透水率的智能检测系统 | |
CN114149076B (zh) | 一种厌氧氨氧化污水处理系统的智能调试系统 | |
CN113222324B (zh) | 一种基于pls-pso-rbf神经网络模型的污水质量监测方法 | |
CN113851184B (zh) | 一种基于人工智能的粪大肠杆菌群数的预测方法及装置 | |
CN115372447A (zh) | 一种监测水质的快速方法 | |
CN115859770B (zh) | 基于ga和ffnn的生活污水粪大肠菌群在线监测系统和装置 | |
CN113838542A (zh) | 化学需氧量智能预测方法和系统 | |
CN116395831B (zh) | 一种污水处理工艺的碳源投加智能控制系统和方法 | |
CN117236893B (zh) | 一种基于农业物联网平台大数据应用于生产管控的系统 | |
CN115340969B (zh) | 一种bod微生物电化学传感器的菌群驯化方法和应用 |
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 |