CN113860496A - 一种基于bp神经网络的aao外加碳源智慧投加系统及方法 - Google Patents

一种基于bp神经网络的aao外加碳源智慧投加系统及方法 Download PDF

Info

Publication number
CN113860496A
CN113860496A CN202111187692.1A CN202111187692A CN113860496A CN 113860496 A CN113860496 A CN 113860496A CN 202111187692 A CN202111187692 A CN 202111187692A CN 113860496 A CN113860496 A CN 113860496A
Authority
CN
China
Prior art keywords
carbon source
monitor
intelligent control
control cabinet
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
Application number
CN202111187692.1A
Other languages
English (en)
Other versions
CN113860496B (zh
Inventor
刘汝鹏
朱炜臣
王国秀
孙翠珍
金岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Jianzhu University
Original Assignee
Shandong Jianzhu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Jianzhu University filed Critical Shandong Jianzhu University
Priority to CN202111187692.1A priority Critical patent/CN113860496B/zh
Publication of CN113860496A publication Critical patent/CN113860496A/zh
Application granted granted Critical
Publication of CN113860496B publication Critical patent/CN113860496B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • C02F3/302—Nitrification and denitrification treatment
    • 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
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • 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
    • C02F2209/15—N03-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
    • C02F2209/42—Liquid level
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2305/00—Use of specific compounds during water treatment
    • C02F2305/06—Nutrients for stimulating the growth of microorganisms
    • 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

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Water Supply & Treatment (AREA)
  • Hydrology & Water Resources (AREA)
  • Microbiology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)

Abstract

本发明公开了一种基于BP神经网络的AAO外加碳源智慧投加系统，涉及污水处理领域，包括AAO工艺装置，还包括PLC智能控制柜，所述PLC智能控制柜连接碳源投加装置，所述碳源投加装置与缺氧池连接，所述厌氧池前端连接厌氧池进水参数监测仪，所述缺氧池上连接缺氧池水体参数监测仪，所述好氧池后端连接好氧池出水参数监测仪，连接所述厌氧池和缺氧池的管道上设置与好氧池末端连接的内循环管道，所述内循环管道上设置内循环监测仪，所述PLC智能控制柜内承载BP神经网络模型。对比现有技术，本发明的有益效果在于：实现快速、精准的碳源投加，避免造成容易造成TN超标，节约成本。

Description

一种基于BP神经网络的AAO外加碳源智慧投加系统及方法
技术领域
本发明涉及污水处理技术领域，具体为一种基于BP神经网络的AAO外加碳源智慧投加系统及方法。
背景技术
随着我国城市化进程加快以及城市生活水平显著提高，来自食品加工、农业化肥、生活垃圾等高氨氮废水不断增加，致使城市生活污水具有低C/N比的特征，若不加治理排入河流湖泊，会导致水体富营养化，影响生态环境。污水生物脱氮包括氨化、硝化、反硝化三个阶段，氨化阶段，有机氮化合物在氨化菌的作用下分解转化为氨态氮；硝化阶段，氨态氮在自养型硝化菌的作用下分解氧化为硝酸氮；反硝化阶段，硝酸氮在异养型反硝化菌的作用下还原为氮气，反硝化菌是异养型菌在还原硝酸氮的过程中需要有机物作为碳源提供能量。我国大部分城镇污水处理厂采用AAO工艺实现脱氮，对于目前污水低C/N比的状况，绝大部分污水厂采用外加碳源的方法来提高反硝化效果。目前城镇污水处理厂外加碳源的量都是通过单一的计算公式给定，计算出的碳源投加量难以反映污水处理工艺中外加碳源量、进水条件、反硝化池状态和出水总氮之间存在的复杂非线性关系，且往往有滞后性，容易造成TN超标，增加成本等问题。
发明内容
为解决现有技术中的不足，本发明提供一种基于BP神经网络的AAO外加碳源智慧投加系统及方法，实现快速、精准的碳源投加，避免造成容易造成TN超标，节约成本。
本发明为实现上述目的，通过以下技术方案实现：一种基于BP神经网络的AAO外加碳源智慧投加系统，包括AAO工艺装置，所述AAO工艺装置包括通过管道依次连接的厌氧池、缺氧池和好氧池，还包括PLC智能控制柜，所述PLC智能控制柜连接碳源投加装置，所述碳源投加装置与缺氧池连接，所述厌氧池前端连接厌氧池进水参数监测仪，所述缺氧池上连接缺氧池水体参数监测仪，所述好氧池后端连接好氧池出水参数监测仪，连接所述厌氧池和缺氧池的管道上设置与好氧池末端连接的内循环管道，所述内循环管道上设置内循环监测仪，所述厌氧池进水参数监测仪、缺氧池水体参数监测仪、好氧池出水参数监测仪和内循环监测仪均连接PLC智能控制柜，所述PLC智能控制柜内承载BP神经网络模型。
所述碳源投加装置包括碳源储存罐，所述碳源储存罐连接软管泵，所述软管泵连接与PLC智能控制柜连接的软管泵智能控制阀，所述软管泵智能控制阀与碳源储存罐连接。
所述碳源储存罐上设置高液位监测器和低液位监测器，所述碳源储存罐上设置与高液位监测器和低液位监测器连接的报警装置。
一种基于BP神经网络的AAO外加碳源智慧投加方法，包括以下步骤：
S1、将污水通入AAO工艺装置；
S2、厌氧池进水参数监测仪监测的厌氧池前进水的BOD5、氨氮、总氮实时数据，缺氧池水体参数监测仪监测的缺氧池内硝酸氮、温度、溶解氧、PH、碳源有机物实时数据，好氧池出水参数监测仪监测的好氧池后出水的BOD5、氨氮、总氮实时数据，内循环监测仪监测的内循环硝化液回流量实时数据接入PLC智能控制柜；
S3、PLC智能控制柜调动BP神经网络模型搭建，运算得到外加碳源精准投加量；
S4、外加碳源精准投加量通过PLC智能控制柜发出指令输出到软管泵智能控制阀，软管泵智能控制阀根据PLC智能控制柜指令控制软管泵运行或者暂停，精准控制外加碳源投加量；
S5、当碳源储存罐的碳源量下降到低液位监测器时，报警装置报警，PLC智能控制柜接受报警装置报警输出给用户，向碳源储存罐里补加碳源，补加过程中，达到高液位监测器时，报警装置报警，PLC智能控制柜接受报警装置报警输出给用户，停止向碳源储存罐里补加碳源；
S3中BP神经网络模型搭建包括以下步骤：
S3-1、选取厌氧池进水参数监测仪监测的厌氧池前进水的BOD5、氨氮、总氮实时数据，缺氧池水体参数监测仪监测的缺氧池内硝酸氮、温度、溶解氧、PH、碳源有机物实时数据，好氧池出水参数监测仪监测的好氧池后出水的BOD5、氨氮、总氮实时数据，内循环监测仪监测的内循环硝化液回流量实时数据为输入参数，外加碳源投加量为输出参数；
S3-2、选取至少100组输入输出参数数据，其中一半数据用于模型训练，另外一半数据用于模型验证；
S3-3、进行数据预处理；
S3-4、BP神经网络模型采用3层BP神经网络，其中输入层神经元数为12个，隐含层神经元数为15个，隐含层神经元数为1个；
S3-5、输入层、隐含层、隐含层之间通过节点连接，由激活函数完成输入到输出的非线性映射，激活函数选取S型函数，将100组训练参数数据输入构建好的模型，训练优化模型；
S3-6、模型验证，将100组证数据输入训练好的网络模型，比较外加碳源量的网络预测结果与实际投加量的误差，误差小于3％，模型构建成功；
其中，S3-3中利用归一法将数据控制在[0,1]的区间内，归一法公式：
Figure BDA0003299947380000041
其中
Figure BDA0003299947380000042
表示归一化后的数据，xi表示输入输出数据的实际值，xmax表示实际输入输出数据变化范围内的max值,xmin表示相应的min值。
对比现有技术，本发明的有益效果在于：
系统通过厌氧池进水参数监测仪、缺氧池水体参数监测仪、好氧池出水参数监测仪监测、内循环监测仪反映污水处理工艺中外加碳源量、进水条件、反硝化池状态和出水总氮之间存在的复杂非线性关系，通过BP神经网络系统模型运算可得到外加碳源精准投加量，实现快速、精准的碳源投加，避免造成容易造成TN超标，节约成本。
附图说明
附图1是基于BP神经网络的AAO碳源智慧投加系统的系统图；
附图2是碳源投加装置图；
附图3是BP神经网络模型示意图。
附图中所示标号：
1、PLC智能控制柜；2、碳源储存罐；3、高液位监测器；4、报警装置；5、低液位监测器；6、软管泵；7、软管泵智能控制阀；8、缺氧池水体参数监测仪；9、内循环管道；10、内循环监测仪；11、厌氧池进水参数监测仪；12、好氧池出水参数监测仪；13、厌氧池；14、缺氧池；15、好氧池。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。
一种基于BP神经网络的AAO外加碳源智慧投加系统，包括AAO工艺装置，所述AAO工艺装置包括通过管道依次连接的厌氧池13、缺氧池14和好氧池15，还包括PLC智能控制柜1，所述PLC智能控制柜1连接碳源投加装置，所述碳源投加装置与缺氧池14连接，所述厌氧池13前端连接厌氧池进水参数监测仪11，厌氧池进水参数监测仪11用于监测厌氧池前进水的BOD5、氨氮、总氮实时数据，厌氧池前进水BOD5、氨氮、总氮对C/N比有直接影响，必须监测BOD5、氨氮、总氮实时数据，所述缺氧池14上连接缺氧池水体参数监测仪8，缺氧池水体参数监测仪8用于监测缺氧池内硝酸氮、亚硝酸氮、温度、溶解氧、PH、碳源有机物实时数据，缺氧池进行反硝化反应在反硝化菌的作用下将硝酸氮和亚硝酸氮还原成N2，温度、溶解氧、PH、碳源有机物都将影响反硝化菌的生长，必须监测硝酸氮、亚硝酸氮、温度、溶解氧、PH、碳源有机物实时数据，所述好氧池15后端连接好氧池出水参数监测仪12，好氧池出水参数监测仪12用于监测好氧池后出水的BOD5、氨氮、总氮实时数据，好氧池后出水的BOD5、氨氮、总氮直接反应通过外加碳源后AAO工艺对于氮的去除率，同时反应是否存在碳源过量导致BOD5超标情况，必须监测BOD5、氨氮、总氮实时数据，连接所述厌氧池13和缺氧池14的管道上设置与好氧池15末端连接的内循环管道9，所述内循环管道9上设置内循环监测仪10，内循环监测仪10用于检测内循环硝化液回流量，内循环的回流向缺氧池提供硝态氮，直接影响缺氧池反硝化反应，必须监测内循环，所述厌氧池进水参数监测仪11、缺氧池水体参数监测仪8、好氧池出水参数监测仪12和内循环监测仪10均连接PLC智能控制柜1，所述PLC智能控制柜1内承载BP神经网络模型。
进一步的，所述碳源投加装置包括碳源储存罐2，所述碳源储存罐2连接软管泵6，软管泵6用于向缺氧池14中心投加来自碳源储存罐2的碳源，软管泵6的泵体部件不与药剂接触，投加精准，故障率低，所述软管泵6连接与PLC智能控制柜1连接的软管泵智能控制阀7，软管泵智能控制阀7用于控制软管泵6运行或者暂停，精准控制外加碳源投加量，所述软管泵智能控制阀7与碳源储存罐2连接，碳源储存罐2容积按15天最大投加量设计，无需每天从场外运输碳源，节省成本。
进一步的，所述碳源储存罐2上设置高液位监测器3和低液位监测器5，用于监测碳源储存罐2的储存量，所述碳源储存罐2上设置与高液位监测器3和低液位监测器5连接的报警装置4，当高于高液位监测器3时报警装置4报警提醒停止补加碳源，低于低液位监测器5时报警装置4报警提醒补加碳源。
实施例一：
一种基于BP神经网络的AAO外加碳源智慧投加方法，包括以下步骤：
S1、将污水通入AAO工艺装置；
S2、厌氧池进水参数监测仪11监测的厌氧池13前进水的BOD5、氨氮、总氮实时数据，缺氧池水体参数监测仪8监测的缺氧池14内硝酸氮、温度、溶解氧、PH、碳源有机物实时数据，好氧池出水参数监测仪12监测的好氧池15后出水的BOD5、氨氮、总氮实时数据，内循环监测仪10器监测的内循环硝化液回流量实时数据接入PLC智能控制柜1；
S3、PLC智能控制柜1调动BP神经网络模型搭建，运算得到外加碳源精准投加量；
S4、外加碳源精准投加量通过PLC智能控制柜1发出指令输出到软管泵智能控制阀7，软管泵智能控制阀7根据PLC智能控制柜1指令控制软管泵6运行或者暂停，精准控制外加碳源投加量；
S5、当碳源储存罐2的碳源量下降到低液位监测器5时，报警装置4报警，PLC智能控制柜1接受报警装置4报警输出给用户，向碳源储存罐2里补加碳源，补加过程中，达到高液位监测器3时，报警装置4报警，PLC智能控制柜1接受报警装置4报警输出给用户，停止向碳源储存罐2里补加碳源；
S3中BP神经网络模型搭建包括以下步骤：
S3-1、选取厌氧池进水参数监测仪11监测的厌氧池13前进水的BOD5、氨氮、总氮实时数据，缺氧池水体参数监测仪8监测的缺氧池14内硝酸氮、温度、溶解氧、PH、碳源有机物实时数据，好氧池出水参数监测仪12监测的好氧池15后出水的BOD5、氨氮、总氮实时数据，内循环监测仪10器监测的内循环硝化液回流量实时数据为输入参数，外加碳源投加量为输出参数；
S3-2、选取200组输入输出参数数据，其中100组数据用于模型训练，另外100组用于模型验证；
S3-3、进行数据预处理；
S3-4、BP神经网络模型采用3层BP神经网络，其中输入层神经元数为12个，隐含层神经元数为15个，隐含层神经元数为1个；
S3-5、输入层、隐含层、隐含层之间通过节点连接，由激活函数完成输入到输出的非线性映射，激活函数选取S型函数，将100组训练参数数据输入构建好的模型，训练优化模型；
S3-6、模型验证，将100组证数据输入训练好的网络模型，比较外加碳源量的网络预测结果与实际投加量的误差，误差小于3％，模型构建成功；
其中，S3中利用归一法将数据控制在[0,1]的区间内，归一法公式：
Figure BDA0003299947380000071
其中
Figure BDA0003299947380000072
表示归一化后的数据，xi表示输入输出数据的实际值，xmax表示实际输入输出数据变化范围内的max值,xmin表示相应的min值
本发明的工作原理为：
污水先后通过AAO工艺的厌氧池13、缺氧池14、好氧池15，将厌氧池进水参数监测仪11监测的厌氧池13前进水的BOD5、氨氮、总氮实时数据；缺氧池水体参数监测仪8监测的缺氧池内硝酸氮、温度、溶解氧、PH、碳源有机物实时数据；好氧池出水参数监测仪监测的好氧池后出水的BOD5、氨氮、总氮实时数据；内循环监测仪10监测内的循环硝化液回流量实时数据接入PLC智能控制柜1，PLC智能控制柜1调动BP神经网络运算可得到外加碳源精准投加量，外加碳源精准投加量通过PLC智能控制柜1发出指令输出到软管泵智能控制阀7，软管泵智能控制阀7根据PLC智能控制柜1指令控制软管泵6运行或者暂停，精准控制外加碳源投加量。随着碳源的不断投加消耗，碳源储存罐2的碳源量会逐渐下降，当其下降到低液位监测器5时报警装置4报警，PLC智能控制柜1接受报警装置4报警输出给用户，向碳源储存罐2里补加碳源，补加过程中，达到高液位监测器3时报警装置4报警，PLC智能控制柜1接受报警装置4报警输出给用户，停止向碳源储存罐2里补加碳源。
系统通过厌氧池进水参数监测仪11、缺氧池水体参数监测仪8、好氧池出水参数监测仪监测12、内循环监测仪10反映污水处理工艺中外加碳源量、进水条件、反硝化池状态和出水总氮之间存在的复杂非线性关系，通过BP神经网络系统模型运算可得到外加碳源精准投加量，实现快速、精准的碳源投加，避免造成容易造成TN超标，节约成本。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能。

Claims (6)

1.一种基于BP神经网络的AAO外加碳源智慧投加系统，包括AAO工艺装置，所述AAO工艺装置包括通过管道依次连接的厌氧池(13)、缺氧池(14)和好氧池(15)，其特征在于：还包括PLC智能控制柜(1)，所述PLC智能控制柜(1)连接碳源投加装置，所述碳源投加装置与缺氧池(14)连接，所述厌氧池(13)前端连接厌氧池进水参数监测仪(11)，所述缺氧池(14)上连接缺氧池水体参数监测仪(8)，所述好氧池(15)后端连接好氧池出水参数监测仪(12)，连接所述厌氧池(13)和缺氧池(14)的管道上设置与好氧池(15)末端连接的内循环管道(9)，所述内循环管道(9)上设置内循环监测仪(10)，所述厌氧池进水参数监测仪(11)、缺氧池水体参数监测仪(8)、好氧池出水参数监测仪(12)和内循环监测仪(10)均连接PLC智能控制柜(1)，所述PLC智能控制柜(1)内承载BP神经网络模型。
2.根据权利要求1所述的一种基于BP神经网络的AAO外加碳源智慧投加系统，其特征在于：所述碳源投加装置包括碳源储存罐(2)，所述碳源储存罐(2)连接软管泵(6)，所述软管泵(6)连接与PLC智能控制柜(1)连接的软管泵智能控制阀(7)，所述软管泵智能控制阀(7)与碳源储存罐(2)连接。
3.根据权利要求2所述的一种基于BP神经网络的AAO外加碳源智慧投加系统，其特征在于：所述碳源储存罐(2)上设置高液位监测器(3)和低液位监测器(5)，所述碳源储存罐(2)上设置与高液位监测器(3)和低液位监测器(5)连接的报警装置(4)。
4.一种基于BP神经网络的AAO外加碳源智慧投加方法，其特征在于，包括以下步骤：
S1、将污水通入AAO工艺装置；
S2、厌氧池进水参数监测仪(11)监测的厌氧池(13)前进水的BOD5、氨氮、总氮实时数据，缺氧池水体参数监测仪(8)监测的缺氧池(14)内硝酸氮、温度、溶解氧、PH、碳源有机物实时数据，好氧池出水参数监测仪(12)监测的好氧池(15)后出水的BOD5、氨氮、总氮实时数据，内循环监测仪(10)器监测的内循环硝化液回流量实时数据接入PLC智能控制柜(1)；
S3、PLC智能控制柜(1)调动BP神经网络模型搭建，运算得到外加碳源精准投加量；
S4、外加碳源精准投加量通过PLC智能控制柜(1)发出指令输出到软管泵智能控制阀(7)，软管泵智能控制阀(7)根据PLC智能控制柜(1)指令控制软管泵(6)运行或者暂停，精准控制外加碳源投加量；
S5、当碳源储存罐(2)的碳源量下降到低液位监测器(5)时，报警装置(4)报警，PLC智能控制柜(1)接受报警装置(4)报警输出给用户，向碳源储存罐(2)里补加碳源，补加过程中，达到高液位监测器(3)时，报警装置(4)报警，PLC智能控制柜(1)接受报警装置(4)报警输出给用户，停止向碳源储存罐(2)里补加碳源。
5.根据权利要求4所述的一种基于BP神经网络的AAO外加碳源智慧投加方法，其特征在于，S3中BP神经网络模型搭建包括以下步骤：
S3-1、选取厌氧池进水参数监测仪(11)监测的厌氧池(13)前进水的BOD5、氨氮、总氮实时数据，缺氧池水体参数监测仪(8)监测的缺氧池(14)内硝酸氮、温度、溶解氧、PH、碳源有机物实时数据，好氧池出水参数监测仪(12)监测的好氧池(15)后出水的BOD5、氨氮、总氮实时数据，内循环监测仪(10)器监测的内循环硝化液回流量实时数据为输入参数，外加碳源投加量为输出参数；
S3-2、选取至少100组200组输入输出参数数据，其中一半数据用于模型训练，另外一半数据用于模型验证；
S3-3、进行数据预处理；
S3-4、BP神经网络模型采用3层BP神经网络，其中输入层神经元数为12个，隐含层神经元数为15个，隐含层神经元数为1个；
S3-5、输入层、隐含层、隐含层之间通过节点连接，由激活函数完成输入到输出的非线性映射，激活函数选取S型函数，将100组训练参数数据输入构建好的模型，训练优化模型；
S3-6、模型验证，将100组证数据输入训练好的网络模型，比较外加碳源量的网络预测结果与实际投加量的误差，误差小于3％，模型构建成功。
6.根据权利要求5所述的一种基于BP神经网络的AAO外加碳源智慧投加方法，其特征在于，S3-3中利用归一法将数据控制在[0,1]的区间内，归一法公式：
Figure FDA0003299947370000031
其中
Figure FDA0003299947370000032
表示归一化后的数据，xi表示输入输出数据的实际值，xmax表示实际输入输出数据变化范围内的max值,xmin表示相应的min值。
CN202111187692.1A 2021-10-12 2021-10-12 一种基于bp神经网络的aao外加碳源智慧投加系统及方法 Active CN113860496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111187692.1A CN113860496B (zh) 2021-10-12 2021-10-12 一种基于bp神经网络的aao外加碳源智慧投加系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111187692.1A CN113860496B (zh) 2021-10-12 2021-10-12 一种基于bp神经网络的aao外加碳源智慧投加系统及方法

Publications (2)

Publication Number Publication Date
CN113860496A true CN113860496A (zh) 2021-12-31
CN113860496B CN113860496B (zh) 2023-07-25

Family

ID=78999175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111187692.1A Active CN113860496B (zh) 2021-10-12 2021-10-12 一种基于bp神经网络的aao外加碳源智慧投加系统及方法

Country Status (1)

Country Link
CN (1) CN113860496B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114920358A (zh) * 2022-05-07 2022-08-19 北京航天威科环保科技有限公司 污水厂rbs智能控制方法
CN115304208A (zh) * 2022-06-15 2022-11-08 中煤科工集团杭州研究院有限公司 一种乳化炸药生产废水处理方法
CN115353200A (zh) * 2022-07-12 2022-11-18 苏州水星环保工业系统有限公司 污水厂出水tn智能控制系统和方法
CN116395831A (zh) * 2023-06-07 2023-07-07 烟台市弗兰德电子科技有限公司 一种污水处理工艺的碳源投加智能控制系统和方法
CN117865419A (zh) * 2024-03-11 2024-04-12 湖南孚瑞锑格机械设备有限公司 用于餐厨余沼液的高效脱氮的生物处理方法

Citations (5)

* Cited by examiner, † Cited by third party
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
CN104710010A (zh) * 2015-04-01 2015-06-17 武汉理工大学 一种aao氧化沟实时调控系统及其污水处理方法
CN109704463A (zh) * 2019-02-26 2019-05-03 沧州市供水排水集团有限公司 一种aao工艺污水处理厂碳源优化投加系统
CN109879410A (zh) * 2019-03-27 2019-06-14 上海西派埃智能化系统有限公司 一种污水处理曝气控制系统
CN112250161A (zh) * 2020-08-29 2021-01-22 盐城工学院 一种用于偶氮废水处理的微生物电解电池的自适应电位控制器及其控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
CN104710010A (zh) * 2015-04-01 2015-06-17 武汉理工大学 一种aao氧化沟实时调控系统及其污水处理方法
CN109704463A (zh) * 2019-02-26 2019-05-03 沧州市供水排水集团有限公司 一种aao工艺污水处理厂碳源优化投加系统
CN109879410A (zh) * 2019-03-27 2019-06-14 上海西派埃智能化系统有限公司 一种污水处理曝气控制系统
CN112250161A (zh) * 2020-08-29 2021-01-22 盐城工学院 一种用于偶氮废水处理的微生物电解电池的自适应电位控制器及其控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙金华: "《南方地区小城镇水污染控制研究与实践》", 30 September 2011, 河海大学出版社, pages: 56 - 58 *
江显群: "《农业灌溉用水监控技术及实践》", 30 November 2019, 海洋出版社, pages: 196 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114920358A (zh) * 2022-05-07 2022-08-19 北京航天威科环保科技有限公司 污水厂rbs智能控制方法
CN115304208A (zh) * 2022-06-15 2022-11-08 中煤科工集团杭州研究院有限公司 一种乳化炸药生产废水处理方法
CN115304208B (zh) * 2022-06-15 2023-09-08 中煤科工集团杭州研究院有限公司 一种乳化炸药生产废水处理方法
CN115353200A (zh) * 2022-07-12 2022-11-18 苏州水星环保工业系统有限公司 污水厂出水tn智能控制系统和方法
CN116395831A (zh) * 2023-06-07 2023-07-07 烟台市弗兰德电子科技有限公司 一种污水处理工艺的碳源投加智能控制系统和方法
CN116395831B (zh) * 2023-06-07 2023-08-29 烟台市弗兰德电子科技有限公司 一种污水处理工艺的碳源投加智能控制系统和方法
CN117865419A (zh) * 2024-03-11 2024-04-12 湖南孚瑞锑格机械设备有限公司 用于餐厨余沼液的高效脱氮的生物处理方法

Also Published As

Publication number Publication date
CN113860496B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN113860496B (zh) 一种基于bp神经网络的aao外加碳源智慧投加系统及方法
CN110790381B (zh) 一种基于aao污水处理工艺的全流程智能控制系统
CN106277330A (zh) 一种基于氮平衡的污水厂智能控制系统及控制方法
CN100486913C (zh) 前置反硝化污水处理方法及其自动控制装置与方法
CN109110922B (zh) 一种反硝化深床滤池双碳源投加方法及系统
CN101570382A (zh) 改良分段进水深度脱氮除磷的装置和方法
CN109809560B (zh) 一种多点进水多级a/o工艺的碳源精确投加控制装置及方法
CN110002591B (zh) 一种缺氧/好氧交替条件下实现城市生活污水短程硝化耦合反硝化除磷的装置与方法
CN105439285A (zh) 一种污水处理的调控方法
CN112875859A (zh) 基于aoa工艺的污水脱氮除磷控制系统
CN212450841U (zh) 一种处理低c/n城市污水连续流的强化脱氮系统
CN2883356Y (zh) 连续流生物脱氮工艺硝化过程在线控制装置
CN105906032A (zh) 污水处理厂拟人化经验管理控制系统及方法
CN110255820B (zh) 一种采用推流式缺氧池的低碳源污水生物脱氮系统及方法
CN2883357Y (zh) A/o工艺反硝化过程污水处理控制装置
CN111661925A (zh) 一种处理低c/n城市污水连续流的强化脱氮系统及方法
CN102503062B (zh) 双污泥反硝化除磷工艺运行的在线优化调控方法及其装置
CN113562834A (zh) 回流污泥复苏与减量系统及方法
CN209815777U (zh) 一种多点进水多级a/o工艺的碳源精确投加控制装置
CN115536130B (zh) 碳源投加方法、智能碳源投加系统及污水处理系统
CN113955853B (zh) 短程硝化厌氧氨氧化+内源短程反硝化厌氧氨氧化处理生活污水的装置和方法
CN114538538A (zh) 一种用于污水厂的总氮控制系统及方法
CN114853172A (zh) 一种低碳氮比生活污水的连续流低碳脱氮工艺
CN111217449B (zh) 基于精准控制氧气输入的污水处理装置及方法
Cohen et al. Application of computational intelligence for on-line control of a sequencing batch reactor (SBR) at Morrinsville sewage treatment plant

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