CN114275912A - 一种基于自适应神经网络模型的曝气系统溶解氧控制方法 - Google Patents

一种基于自适应神经网络模型的曝气系统溶解氧控制方法 Download PDF

Info

Publication number
CN114275912A
CN114275912A CN202111609714.9A CN202111609714A CN114275912A CN 114275912 A CN114275912 A CN 114275912A CN 202111609714 A CN202111609714 A CN 202111609714A CN 114275912 A CN114275912 A CN 114275912A
Authority
CN
China
Prior art keywords
water quality
data
neural network
network model
dissolved oxygen
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
CN202111609714.9A
Other languages
English (en)
Other versions
CN114275912B (zh
Inventor
远野
陈林峰
丁成
王爱杰
高君
黄清乾
张明明
陈顺孟
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.)
Yancheng Institute of Technology
Yancheng Institute of Technology Technology Transfer Center Co Ltd
Original Assignee
Yancheng Institute of Technology
Yancheng Institute of Technology Technology Transfer Center Co Ltd
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 Yancheng Institute of Technology, Yancheng Institute of Technology Technology Transfer Center Co Ltd filed Critical Yancheng Institute of Technology
Priority to CN202111609714.9A priority Critical patent/CN114275912B/zh
Publication of CN114275912A publication Critical patent/CN114275912A/zh
Application granted granted Critical
Publication of CN114275912B publication Critical patent/CN114275912B/zh
Priority to US17/975,198 priority patent/US11709463B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G01N33/1806—Biological oxygen demand [BOD] or chemical oxygen demand [COD]
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/04—Physical realisation
    • G06N7/046—Implementation by means of a neural network
    • 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)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Medicinal Chemistry (AREA)
  • Mathematical Optimization (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Emergency Medicine (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biochemistry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Food Science & Technology (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Activated Sludge Processes (AREA)

Abstract

本发明提出了一种基于自适应神经网络模型的曝气系统溶解氧控制方法。所述曝气系统溶解氧控制方法包括：获得污水处理厂的相关水质监测数据，并对相关水质监测数据进行数据预处理；利用主成分分析的方法针对预处理后的相关水质监测数据与曝气系统的溶解氧浓度值进行主成分分析，确定对主成分贡献率最高的水质参数；将主成分分析方法确定的对于主成分贡献率最高的水质参数作为所述自适应神经网络模型的输入，通过自适应神经网络模型通过自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值；将自适应神经网络模型得到的溶解氧预测值通过模糊算法进行优化，得到最优调控值，利用最优调控值对自适应神经网络模型的模糊控制系统进行在线调控。

Description

一种基于自适应神经网络模型的曝气系统溶解氧控制方法
技术领域
本发明提出了一种基于自适应神经网络模型的曝气系统溶解氧控制方法，属于系统控制技术领域。
背景技术
随着日趋严重的水污染问题以及国家对环境保护行业的重视，污水处理已经成为市政建设的重要组成部分。长期以来，我国城市生活污水的二级生物处理多采用活性污泥法，它是当前世界各国应用最广的一种二级生物处理流程，具有处理能力高，出水水质好等优点。活性污泥法处理污水是通过鼓风机向污水中曝气，利用污水中好氧微生物的新陈代谢作用，分解、吸收或吸附污水中的污染物最终实现水质净化的过程，具有处理成本低、效率高以及二次污染小等优点，是目前主流的污水处理方式。
活性污泥法处理污水伴随着一系列复杂的生物化学反应，曝气池是一个非常重要的环节。曝气系统通过调整污水的溶氧量，使微生物在适宜的溶解氧条件下维持自身生长繁殖的需要，去除水中的污染物，使出水水质达到排放标准。溶解氧含量是污水处理过程中一个非常重要的指标参数，过高和过低都会导致污泥生存环境的恶化。然而曝气系统是强耦合、非线性、大滞后的复杂反应过程，处理过程中很多参数很难或者无法直接测量，导致控制系统精度不高，造成了曝气量冗余和溶解氧波动大的问题，影响了出水水质，同时还浪费了大量的能耗。曝气系统的电耗占污水处理厂总电耗的60％以上。本发明结合自适应神经网络模型对污水处理系统中曝气池溶解氧进行预测，可提高测量的精度，为污水处理厂提高出水水质，降低耗能系统。
发明内容
本发明提供了一种基于自适应神经网络模型的曝气系统溶解氧控制方法利用污水处理系统所提供的曝气池相关的水质参数数据,建立一种溶解氧浓度预测模型，并进行在线调控方法，以提高污水处理厂出水水质，降低耗能系统，用以解决现有控制方法污水处理水质质量低，能耗高的问题，所采取的技术方案如下：
本发明利用污水处理系统所提供的曝气池相关的水质参数数据，对该数据进行数据预处理后输入自适应神经网络模型进行学习，并得出预测结果，再将所得到的预测值利用模糊算法进行优化计算，并进行在线调控。
具体的，一种基于自适应神经网络模型的曝气系统溶解氧控制方法，所述曝气系统溶解氧控制方法包括：
步骤1、实时对污水处理厂的水质数据进行监测和采集，获得相关水质监测数据，并对所述相关水质监测数据进行数据预处理；
步骤2、利用主成分分析的方法针对预处理后的所述相关水质监测数据与所述曝气系统的溶解氧浓度值进行主成分分析，确定所述相关水质监测数据中对于主成分贡献率最高的水质参数；
步骤3、将主成分分析方法确定的对于主成分贡献率最高的水质参数作为所述自适应神经网络模型的输入，通过自适应神经网络模型通过自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值；
步骤4、将自适应神经网络模型得到的溶解氧预测值通过模糊算法进行优化，得到最优调控值，利用所述最优调控值对所述自适应神经网络模型的模糊控制系统进行在线调控。
进一步地，步骤1中所述相关水质监测数据包括进水化学需氧量(COD)、进水流量(Q)以及曝气反应池内温度(T)、pH值、污泥指数(SVI)、30min沉降比(SV30)、污泥浓度(MLSS)、固体悬浮物(SS)和溶解氧(DO)长期监测数据。
进一步地，所述数据预处理包括数据降噪、剔除异常数据值和数据填补。
进一步地，利用如下公式对预处理后的所述相关水质监测数据进行主成分分析：
Figure BDA0003433732530000021
Figure BDA0003433732530000022
Figure BDA0003433732530000023
其中，Xmⅹn为模型的样本矩阵，m为样本个数，n为变量个数；rij表示Xi和Xj的相关度系数；Xi和Xj分别表示样本矩阵中的二维向量；var表示方差；cov表示协方差；y1表示x1,x2，…,xt满足式子的所有线性组合中方差最大的指标因子；yt表示第t主成分；C11、C12、……C1t分别表示y1各指标xt的相关系数；Ct1、Ct2、……Ctt分别表示yt各指标xt的相关系数；x1、x2、……xt表示样本中的各成分。
进一步地，步骤2中的所述相关水质监测数据中对于主成分贡献率最高的水质参数的确定标准如下：
选择累计贡献率大于或等于85％的主成分，作为对于主成分贡献率最高的水质参数，并且作为所述自适应神经网络模型的输入进行溶解氧浓度预测。
进一步地，步骤3中的通过自适应神经网络模型通过自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值，包括：
步骤301、对输入特征进行模糊化处理，确定所述自适应神经网络模型中的每个神经元节点的隶属度函数值；
步骤302、计算所述自适应神经网络模型的每个节点的输出值；
步骤303、对每条规则的权重进行归一化处理；
步骤304、计算每条规则相对应的规则输出；
步骤305、去模糊化得到确切的额输出。
进一步地，步骤3中的通过自适应神经网络模型通过自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值的详细过程如下：
步骤301、将输入的x、y变量进行模糊化处理，利用隶属度函数对每个神经元i进行模糊化操作，得到一个[0,1]的隶属度，所述隶属度如下：
Figure BDA0003433732530000031
Figure BDA0003433732530000032
其中：x和y为神经元节点的输入，O1,i是模糊集A的隶属度，A∈(A1,A2,B1,B2)，从而A的隶属度函数为μA(x)；
步骤302、将步骤301获得的隶属度进行模糊集的运算，将所述自适应神经网络模型的节点的输出为每个神经元的隶属度相乘所得到的值：
O2,i＝μA(x)μB(y),i＝1,2
其中，每个节点的输出O2,i均对应规则所表现出的激励强度；
步骤303、将步骤302获得每条规则的权重进行归一化处理：
Figure BDA0003433732530000033
其中，O3,i表示归一化处理后的数据；ωi为第二层所得到的激励强度也成为规则权重；
步骤304、针对每条规则计算规则的结果，该所述自适应神经网络模型的层中，每个神经元节点都自带节点隶属度函数从而计算出每条规则相对应的规则输出：
Figure BDA0003433732530000034
其中，O4,i表示规则输出；
Figure BDA0003433732530000035
为从第三层传来的相对应规则权重所占总权重的比例；{pi，qi，ri}为本层节点的参数集，本层的参数也被称为结论参数；
步骤305、针对步骤304获得的规则输出进行去模糊化得到确切的输出值，通过计算所有规则传来的信号总和作为节点输出也是整个系统的总输出：
Figure BDA0003433732530000041
其中，O5,i表示为整个系统的总输出值，也即为所述自适应神经网络模型的预测值。
进一步地，步骤4中的利用所述最优调控值对所述自适应神经网络模型的模糊控制系统进行在线调控，包括：利用模糊PID控制器对所述自适应神经网络模型的模糊控制系统进行在线调控；所述模糊PID控制器包括PID控制器和模糊化模块；所述模糊化模块通过在运行中不断监测所述自适应神经网络模型的分析误差e和误差变化率ec与PID三个参数之间的模糊关系，依据模糊控制规则对所述PID控制器的三个参数进行在线调整。
进一步地，所述曝气系统溶解氧控制方法对应的控制系统包括：
数据处理模块，用于实时对污水处理厂的水质数据进行监测和采集，获得相关水质监测数据，并对所述相关水质监测数据进行数据预处理；
数据分析模块，用于利用主成分分析的方法针对预处理后的所述相关水质监测数据与所述曝气系统的溶解氧浓度值进行主成分分析，确定所述相关水质监测数据中对于主成分贡献率最高的水质参数；
神经网络模型预测模块，用于将主成分分析方法确定的对于主成分贡献率最高的水质参数作为所述自适应神经网络模型的输入，通过自适应神经网络模型通过自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值；
智能调控模块，用于将自适应神经网络模型得到的溶解氧预测值通过模糊算法进行优化，得到最优调控值，利用所述最优调控值对所述自适应神经网络模型的模糊控制系统进行在线调控。
进一步地，步骤1中所述的实时对污水处理厂的水质数据进行监测和采集，获得相关水质监测数据，包括：
设置预设分组时间段，所述预设分组时间段的时间范围为30s-60s；
在所述预设分组时间段内采集水质数据，并在预设分组时间段结束时，确定预设分组时间段内所采集的当前组水质数据中，每种水质参数的采集数据的个数；其中，所述水质数据中所包含的水质参数种类包括：进水化学需氧量、进水流量、曝气反应池内温度、pH值、污泥指数、30min沉降比、污泥浓度、固体悬浮物和溶解氧监测数据；
根据每种水质参数的采集数据的个数对所述预设分组时间段的时间长短进行调整，直至调整至规定数据个数标准，并将满足规定数据个数标准情况下对应的调整后的预设分组时间段确定为标准分组时间段；其中，所述规定数据个数标准为当前组水质数据中，至少有一种水质参数的采集数据的个数为一个数据，并且，其他种类的水质参数在当前组水质数据中的采集数据的个数最多不超过三个；其中，对所述预设分组时间段的时间长短进行调整时，单次的时间调整幅度通过如下公式获取：
ΔTz＝INT(0.08·T0)
Figure BDA0003433732530000051
其中，ΔTz表示需要延长所述预设分组时间段的情况下，单次的时间调整幅度；ΔTj表示需要缩短所述预设分组时间段的情况下，单次的时间调整幅度；INT()表示向下取整函数；T0表示预设分组时间段；k表示当前所述预设分组时间段内所采集的水质数据中，采集数据个数超过3个的水质参数的种类个数；Ti表示当前所述预设分组时间段内所采集的水质数据中，第i个采集数据个数超过3个的水质参数的数据采集时间间隔；T1表示k个采集数据个数超过3个的水质参数中，采集数据个数最多的水质参数对应的数据采集时间间隔；
在每个所述标准分组时间段内实时采集水质数据，每个标准分组时间段作为一个数据采集周期，其对应一组水质数据；每采集到一组水质数据后，针对每组水质数据中每种包含多个采集数据个数的水质参数进行平均数处理，获取所述包含多个采集数据个数的水质参数对应的唯一水质参数，保证每组水质数据中，每中水质参数只包含一个数据数据；
将处理后的每种水质参数只包含一个参数数据的一组水质数据作为当前一个数据采集周期所获取的相关水质监测数据。
本发明有益效果：
本发明提出的一种基于自适应神经网络模型的曝气系统溶解氧控制方法通过对污水处理曝气反应池溶解氧的影响因素分析，建立自适应神经网络模型，可有效进行溶解氧浓度值的预测，并利用模糊控制系统对输出值进行优化调控，能够有效提高污水处理厂的污水处理过程中的溶解氧预测精准性，进而有效提高曝气池控制系统的自适应调控精度，进而最大程度上提高污水处理厂出水水质，在此同时，通过本发明提出的基于自适应神经网络模型的曝气系统溶解氧控制方法能够在有效提高出水水质的前提下，进一步最大程度降低系统能耗，实现能源节约。
附图说明
图1为本发明的流程图；
图2为本发明的自适应神经网络结构示意图；
图3为本发明模糊控制系统的示意图；
图4为本发明实施示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明利用污水处理系统所提供的曝气池相关的水质参数数据，对该数据进行数据预处理后输入自适应神经网络模型进行学习，并得出预测结果，再将所得到的预测值利用模糊算法进行优化计算，并进行在线调控。
一种基于自适应神经网络模型的曝气系统溶解氧控制方法，如图1所示，所述曝气系统溶解氧控制方法包括：
步骤1、实时对污水处理厂的水质数据进行监测和采集，获得相关水质监测数据，并对所述相关水质监测数据进行数据预处理；步骤1中所述相关水质监测数据包括进水化学需氧量(COD)、进水流量(Q)以及曝气反应池内温度(T)、pH值、污泥指数(SVI)、30min沉降比(SV30)、污泥浓度(MLSS)、固体悬浮物(SS)和溶解氧(DO)长期监测数据。所述数据预处理包括数据降噪、剔除异常数据值和数据填补。
步骤2、利用主成分分析的方法针对预处理后的所述相关水质监测数据与所述曝气系统的溶解氧浓度值进行主成分分析，确定所述相关水质监测数据中对于主成分贡献率最高的水质参数；具体的，利用如下公式对预处理后的所述相关水质监测数据进行主成分分析：
Figure BDA0003433732530000061
Figure BDA0003433732530000062
Figure BDA0003433732530000063
其中，Xmⅹn为模型的样本矩阵，m为样本个数，n为变量个数；rij表示Xi和Xj的相关度系数；Xi和Xj分别表示样本矩阵中的二维向量；var表示方差；cov表示协方差；y1表示x1,x2，…,xt满足式子的所有线性组合中方差最大的指标因子；yt表示第t主成分；C11、C12、……C1t分别表示y1各指标xt的相关系数；Ct1、Ct2、……Ctt分别表示yt各指标xt的相关系数；x1、x2、……xt表示样本中的各成分。
并且，所述相关水质监测数据中对于主成分贡献率最高的水质参数的确定标准为：选择累计贡献率大于或等于85％的主成分，作为对于主成分贡献率最高的水质参数，并且作为所述自适应神经网络模型的输入进行溶解氧浓度预测。
步骤3、将主成分分析方法确定的对于主成分贡献率最高的水质参数作为所述自适应神经网络模型的输入，通过自适应神经网络模型通过自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值；
步骤4、将自适应神经网络模型得到的溶解氧预测值通过模糊算法进行优化，得到最优调控值，利用所述最优调控值对所述自适应神经网络模型的模糊控制系统进行在线调控。具体为，利用模糊PID控制器对所述自适应神经网络模型的模糊控制系统进行在线调控；所述模糊PID控制器包括PID控制器和模糊化模块；所述模糊化模块通过在运行中不断监测所述自适应神经网络模型的分析误差e和误差变化率ec与PID三个参数之间的模糊关系，依据模糊控制规则对所述PID控制器的三个参数进行在线调整。
具体的，步骤3中的通过自适应神经网络模型通过自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值，包括：
步骤301、对输入特征进行模糊化处理，确定所述自适应神经网络模型中的每个神经元节点的隶属度函数值；
步骤302、计算所述自适应神经网络模型的每个节点的输出值；
步骤303、对每条规则的权重进行归一化处理；
步骤304、计算每条规则相对应的规则输出；
步骤305、去模糊化得到确切的额输出。
其中，上述步骤301至步骤305的详细执行过程如下：
步骤301、将输入的x、y变量进行模糊化处理，利用隶属度函数对每个神经元i进行模糊化操作，得到一个[0,1]的隶属度，所述隶属度如下：
Figure BDA0003433732530000071
Figure BDA0003433732530000072
其中：x和y为神经元节点的输入，O1,i是模糊集A的隶属度，A∈(A1，A2，B1，B2)，从而A的隶属度函数为μA(x)；
步骤302、将步骤301获得的隶属度进行模糊集的运算，将所述自适应神经网络模型的节点的输出为每个神经元的隶属度相乘所得到的值：
O2,i＝μA(x)μB(y),i＝1,2
其中，每个节点的输出O2,i均对应规则所表现出的激励强度；
步骤303、将步骤302获得每条规则的权重进行归一化处理：
Figure BDA0003433732530000073
其中，O3,i表示归一化处理后的数据；ωi为第二层所得到的激励强度也成为规则权重；
步骤304、针对每条规则计算规则的结果，该所述自适应神经网络模型的层中，每个神经元节点都自带节点隶属度函数从而计算出每条规则相对应的规则输出：
Figure BDA0003433732530000081
其中，O4,i表示规则输出；
Figure BDA0003433732530000082
为从第三层传来的相对应规则权重所占总权重的比例；{pi，qi，ri}为本层节点的参数集，本层的参数也被称为结论参数；
步骤305、针对步骤304获得的规则输出进行去模糊化得到确切的输出值，通过计算所有规则传来的信号总和作为节点输出也是整个系统的总输出：
Figure BDA0003433732530000083
其中，O5,i表示为整个系统的总输出值，也即为所述自适应神经网络模型的预测值。
上述技术方案的效果为：本实施例提出的一种基于自适应神经网络模型的曝气系统溶解氧控制方法通过对污水处理曝气反应池溶解氧的影响因素分析，建立自适应神经网络模型，可有效进行溶解氧浓度值的预测，并利用模糊控制系统对输出值进行优化调控，提高污水处理厂出水水质，降低系统能耗。
本发明的一个实施例，所述曝气系统溶解氧控制方法对应的控制系统包括：
数据处理模块，用于实时对污水处理厂的水质数据进行监测和采集，获得相关水质监测数据，并对所述相关水质监测数据进行数据预处理；
数据分析模块，用于利用主成分分析的方法针对预处理后的所述相关水质监测数据与所述曝气系统的溶解氧浓度值进行主成分分析，确定所述相关水质监测数据中对于主成分贡献率最高的水质参数；
神经网络模型预测模块，用于将主成分分析方法确定的对于主成分贡献率最高的水质参数作为所述自适应神经网络模型的输入，通过自适应神经网络模型通过自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值；
智能调控模块，用于将自适应神经网络模型得到的溶解氧预测值通过模糊算法进行优化，得到最优调控值，利用所述最优调控值对所述自适应神经网络模型的模糊控制系统进行在线调控。
上述技术方案的工作原理为：所述控制系统，首先，利用数据处理模块实时对污水处理厂的水质数据进行监测和采集，获得相关水质监测数据，并对所述相关水质监测数据进行数据预处理；然后，通过数据分析模块利用主成分分析的方法针对预处理后的所述相关水质监测数据与所述曝气系统的溶解氧浓度值进行主成分分析，确定所述相关水质监测数据中对于主成分贡献率最高的水质参数；之后，利用神经网络模型预测模块将主成分分析方法确定的对于主成分贡献率最高的水质参数作为所述自适应神经网络模型的输入，通过自适应神经网络模型通过自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值；最后，通过智能调控模块将自适应神经网络模型得到的溶解氧预测值通过模糊算法进行优化，得到最优调控值，利用所述最优调控值对所述自适应神经网络模型的模糊控制系统进行在线调控。
上述技术方案的效果为：本实施例提出的所述曝气系统溶解氧控制方法对应的控制系统用于执行所述一种基于自适应神经网络模型的曝气系统溶解氧控制方法，通过对污水处理曝气反应池溶解氧的影响因素分析，建立自适应神经网络模型，可有效进行溶解氧浓度值的预测，并利用模糊控制系统对输出值进行优化调控，提高污水处理厂出水水质，降低系统能耗。
本发明的一个实施例，步骤1中所述的实时对污水处理厂的水质数据进行监测和采集，获得相关水质监测数据，包括：
第一步、设置预设分组时间段，所述预设分组时间段的时间范围为30s-60s；
第二步、在所述预设分组时间段内采集水质数据，并在预设分组时间段结束时，确定预设分组时间段内所采集的当前组水质数据中，每种水质参数的采集数据的个数；其中，所述水质数据中所包含的水质参数种类包括：进水化学需氧量、进水流量、曝气反应池内温度、pH值、污泥指数、30min沉降比、污泥浓度、固体悬浮物和溶解氧监测数据；
第三步、根据每种水质参数的采集数据的个数对所述预设分组时间段的时间长短进行调整，直至调整至规定数据个数标准，并将满足规定数据个数标准情况下对应的调整后的预设分组时间段确定为标准分组时间段；其中，所述规定数据个数标准为当前组水质数据中，至少有一种水质参数的采集数据的个数为一个数据，并且，其他种类的水质参数在当前组水质数据中的采集数据的个数最多不超过三个；其中，对所述预设分组时间段的时间长短进行调整时，单次的时间调整幅度通过如下公式获取：
ΔTz＝INT(0.08·T0)
Figure BDA0003433732530000091
其中，ΔTz表示需要延长所述预设分组时间段的情况下，单次的时间调整幅度；ΔTj表示需要缩短所述预设分组时间段的情况下，单次的时间调整幅度；INT()表示向下取整函数；T0表示预设分组时间段；n表示当前所述预设分组时间段内所采集的水质数据中，采集数据个数超过3个的水质参数的种类个数；Ti表示当前所述预设分组时间段内所采集的水质数据中，第i个采集数据个数超过3个的水质参数的数据采集时间间隔；T1表示n个采集数据个数超过3个的水质参数中，采集数据个数最多的水质参数对应的数据采集时间间隔；
第四步、在每个所述标准分组时间段内实时采集水质数据，每个标准分组时间段作为一个数据采集周期，其对应一组水质数据；每采集到一组水质数据后，针对每组水质数据中每种包含多个采集数据个数的水质参数进行平均数处理，获取所述包含多个采集数据个数的水质参数对应的唯一水质参数，保证每组水质数据中，每中水质参数只包含一个数据数据；
第五步、将处理后的每种水质参数只包含一个参数数据的一组水质数据作为当前一个数据采集周期所获取的相关水质监测数据。
上述技术方案的工作原理：首先，设置预设分组时间段，所述预设分组时间段的时间范围为30s-60s；然后，在所述预设分组时间段内采集水质数据，并在预设分组时间段结束时，确定预设分组时间段内所采集的当前组水质数据中，每种水质参数的采集数据的个数；其中，所述水质数据中所包含的水质参数种类包括：进水化学需氧量、进水流量、曝气反应池内温度、pH值、污泥指数、30min沉降比、污泥浓度、固体悬浮物和溶解氧监测数据；之后，根据每种水质参数的采集数据的个数对所述预设分组时间段的时间长短进行调整，直至调整至规定数据个数标准，并将满足规定数据个数标准情况下对应的调整后的预设分组时间段确定为标准分组时间段；其中，所述规定数据个数标准为当前组水质数据中，至少有一种水质参数的采集数据的个数为一个数据，并且，其他种类的水质参数在当前组水质数据中的采集数据的个数最多不超过三个；其中，对所述预设分组时间段的时间长短进行调整时，单次的时间调整幅度通过如下公式获取：
ΔTz＝INT(0.08·T0)
Figure BDA0003433732530000101
其中，ΔTz表示需要延长所述预设分组时间段的情况下，单次的时间调整幅度；ΔTj表示需要缩短所述预设分组时间段的情况下，单次的时间调整幅度；INT()表示向下取整函数；T0表示预设分组时间段；k表示当前所述预设分组时间段内所采集的水质数据中，采集数据个数超过3个的水质参数的种类个数；Ti表示当前所述预设分组时间段内所采集的水质数据中，第i个采集数据个数超过3个的水质参数的数据采集时间间隔；T1表示k个采集数据个数超过3个的水质参数中，采集数据个数最多的水质参数对应的数据采集时间间隔；随后，在每个所述标准分组时间段内实时采集水质数据，每个标准分组时间段作为一个数据采集周期，其对应一组水质数据；每采集到一组水质数据后，针对每组水质数据中每种包含多个采集数据个数的水质参数进行平均数处理，获取所述包含多个采集数据个数的水质参数对应的唯一水质参数，保证每组水质数据中，每中水质参数只包含一个数据数据；最后，将处理后的每种水质参数只包含一个参数数据的一组水质数据作为当前一个数据采集周期所获取的相关水质监测数据。
上述技术方案的效果为：由于每个水质参数采集装置的采集频率和周期不一致，因此，需要对原始采集数据进行统一规划和处理，防止在主成分分析过程中，因不同采集频率的采集数据不同前后顺序输入导致无法判断数据采集批次，进而导致主成分分析准确率降低的问题发生。通过上述方式能够对不同水质参数采集频率所采集的水质数据进行统一化处理，能够有效提高后续主成分分析的准确性，同时，通过上述方式和公式对预设分组时间段的调整，能够在保证水质参数采集准确率的情况下，能够以最快速度获取准确的标准分组时间段，有效提高标准分组时间段的获取速度，同时，通过上述预设分组时间段的调整公式结合规定数据个数标准的方式，能够在每种水质参数的采集频率和周期不同的情况下，在一组水质数据中最大限度保留有效的参数数据，进一步提高后续主成分分析的准确性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于自适应神经网络模型的曝气系统溶解氧控制方法，其特征在于，所述曝气系统溶解氧控制方法包括：
步骤1、实时对污水处理厂的水质数据进行监测和采集，获得相关水质监测数据，并对所述相关水质监测数据进行数据预处理；
步骤2、利用主成分分析的方法针对预处理后的所述相关水质监测数据与所述曝气系统的溶解氧浓度值进行主成分分析，确定所述相关水质监测数据中对于主成分贡献率最高的水质参数；
步骤3、将主成分分析方法确定的对于主成分贡献率最高的水质参数作为所述自适应神经网络模型的输入，通过自适应神经网络模型通过自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值；
步骤4、将自适应神经网络模型得到的溶解氧预测值通过模糊算法进行优化，得到最优调控值，利用所述最优调控值对所述自适应神经网络模型的模糊控制系统进行在线调控。
2.根据权利要求1所述曝气系统溶解氧控制方法，其特征在于，步骤1中所述相关水质监测数据包括进水化学需氧量、进水流量、曝气反应池内温度、pH值、污泥指数、30min沉降比、污泥浓度、固体悬浮物和溶解氧监测数据。
3.根据权利要求1所述曝气系统溶解氧控制方法，其特征在于，步骤1中的所述数据预处理包括数据降噪、剔除异常数据值和数据填补。
4.根据权利要求1所述曝气系统溶解氧控制方法，其特征在于，利用如下公式对预处理后的所述相关水质监测数据进行主成分分析：
Figure FDA0003433732520000011
Figure FDA0003433732520000012
Figure FDA0003433732520000013
其中，Xmⅹn为模型的样本矩阵，m为样本个数，n为变量个数；rij表示Xi和Xj的相关度系数；Xi和Xj分别表示样本矩阵中的二维向量；var表示方差；cov表示协方差；y1表示x1,x2，…,xt满足式子的所有线性组合中方差最大的指标因子；yt表示第t主成分；C11、C12、……C1t分别表示y1各指标xt的相关系数；Ct1、Ct2、……Ctt分别表示yt各指标xt的相关系数；x1、x2、……xt表示样本中的各成分。
5.根据权利要求1所述曝气系统溶解氧控制方法，其特征在于，步骤2中的所述相关水质监测数据中对于主成分贡献率最高的水质参数的确定标准如下：
选择累计贡献率大于或等于85％的主成分，作为对于主成分贡献率最高的水质参数，并且作为所述自适应神经网络模型的输入进行溶解氧浓度预测。
6.根据权利要求1所述曝气系统溶解氧控制方法，其特征在于，步骤3中的通过自适应神经网络模型通过自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值，包括：
步骤301、对输入特征进行模糊化处理，确定所述自适应神经网络模型中的每个神经元节点的隶属度函数值；
步骤302、计算所述自适应神经网络模型的每个节点的输出值；
步骤303、对每条规则的权重进行归一化处理；
步骤304、计算每条规则相对应的规则输出；
步骤305、去模糊化得到确切的额输出。
7.根据权利要求6所述曝气系统溶解氧控制方法，其特征在于，步骤3中的通过自适应神经网络模型通过自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值的详细过程如下：
步骤301、将输入的x、y变量进行模糊化处理，利用隶属度函数对每个神经元i进行模糊化操作，得到一个[0,1]的隶属度，所述隶属度如下：
Figure FDA0003433732520000021
Figure FDA0003433732520000022
其中：x和y为神经元节点的输入，O1,i是模糊集A的隶属度，A∈(A1，A2，B1，B2)，从而A的隶属度函数为μA(x)；
步骤302、将步骤301获得的隶属度进行模糊集的运算，将所述自适应神经网络模型的节点的输出为每个神经元的隶属度相乘所得到的值：
O2,i＝μA(x)μB(y),i＝1,2
其中，每个节点的输出O2,i均对应规则所表现出的激励强度；
步骤303、将步骤302获得每条规则的权重进行归一化处理：
Figure FDA0003433732520000023
其中，O3,i表示归一化处理后的数据；ωi为第二层所得到的激励强度也成为规则权重；
步骤304、针对每条规则计算规则的结果，该所述自适应神经网络模型的层中，每个神经元节点都自带节点隶属度函数从而计算出每条规则相对应的规则输出：
Figure FDA0003433732520000031
其中，O4,i表示规则输出；
Figure FDA0003433732520000032
为从第三层传来的相对应规则权重所占总权重的比例；{pi，qi，ri}为本层节点的参数集，本层的参数也被称为结论参数；
步骤305、针对步骤304获得的规则输出进行去模糊化得到确切的输出值，通过计算所有规则传来的信号总和作为节点输出也是整个系统的总输出：
Figure FDA0003433732520000033
其中，O5,i表示为整个系统的总输出值，也即为所述自适应神经网络模型的预测值。
8.根据权利要求1所述曝气系统溶解氧控制方法，其特征在于，步骤4中的利用所述最优调控值对所述自适应神经网络模型的模糊控制系统进行在线调控，包括：利用模糊PID控制器对所述自适应神经网络模型的模糊控制系统进行在线调控；所述模糊PID控制器包括PID控制器和模糊化模块；所述模糊化模块通过在运行中不断监测所述自适应神经网络模型的分析误差e和误差变化率ec与PID三个参数之间的模糊关系，依据模糊控制规则对所述PID控制器的三个参数进行在线调整。
9.根据权利要求1所述曝气系统溶解氧控制方法，其特征在于，所述曝气系统溶解氧控制方法对应的控制系统包括：
数据处理模块，用于实时对污水处理厂的水质数据进行监测和采集，获得相关水质监测数据，并对所述相关水质监测数据进行数据预处理；
数据分析模块，用于利用主成分分析的方法针对预处理后的所述相关水质监测数据与所述曝气系统的溶解氧浓度值进行主成分分析，确定所述相关水质监测数据中对于主成分贡献率最高的水质参数；
神经网络模型预测模块，用于将主成分分析方法确定的对于主成分贡献率最高的水质参数作为所述自适应神经网络模型的输入，通过自适应神经网络模型通过自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值；
智能调控模块，用于将自适应神经网络模型得到的溶解氧预测值通过模糊算法进行优化，得到最优调控值，利用所述最优调控值对所述自适应神经网络模型的模糊控制系统进行在线调控。
10.根据权利要求1所述曝气系统溶解氧控制方法，其特征在于，步骤1中所述的实时对污水处理厂的水质数据进行监测和采集，获得相关水质监测数据，包括：
设置预设分组时间段，所述预设分组时间段的时间范围为30s-60s；
在所述预设分组时间段内采集水质数据，并在预设分组时间段结束时，确定预设分组时间段内所采集的当前组水质数据中，每种水质参数的采集数据的个数；其中，所述水质数据中所包含的水质参数种类包括：进水化学需氧量、进水流量、曝气反应池内温度、pH值、污泥指数、30min沉降比、污泥浓度、固体悬浮物和溶解氧监测数据；
根据每种水质参数的采集数据的个数对所述预设分组时间段的时间长短进行调整，直至调整至规定数据个数标准，并将满足规定数据个数标准情况下对应的调整后的预设分组时间段确定为标准分组时间段；其中，所述规定数据个数标准为当前组水质数据中，至少有一种水质参数的采集数据的个数为一个数据，并且，其他种类的水质参数在当前组水质数据中的采集数据的个数最多不超过三个；
在每个所述标准分组时间段内实时采集水质数据，每个标准分组时间段作为一个数据采集周期，其对应一组水质数据；每采集到一组水质数据后，针对每组水质数据中每种包含多个采集数据个数的水质参数进行平均数处理，获取所述包含多个采集数据个数的水质参数对应的唯一水质参数，保证每组水质数据中，每中水质参数只包含一个数据数据；
将处理后的每种水质参数只包含一个参数数据的一组水质数据作为当前一个数据采集周期所获取的相关水质监测数据。
CN202111609714.9A 2021-12-25 2021-12-25 一种基于自适应神经网络模型的曝气系统溶解氧控制方法 Active CN114275912B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111609714.9A CN114275912B (zh) 2021-12-25 2021-12-25 一种基于自适应神经网络模型的曝气系统溶解氧控制方法
US17/975,198 US11709463B2 (en) 2021-12-25 2022-10-27 Control method based on adaptive neural network model for dissolved oxygen of aeration system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111609714.9A CN114275912B (zh) 2021-12-25 2021-12-25 一种基于自适应神经网络模型的曝气系统溶解氧控制方法

Publications (2)

Publication Number Publication Date
CN114275912A true CN114275912A (zh) 2022-04-05
CN114275912B CN114275912B (zh) 2022-10-21

Family

ID=80875866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111609714.9A Active CN114275912B (zh) 2021-12-25 2021-12-25 一种基于自适应神经网络模型的曝气系统溶解氧控制方法

Country Status (2)

Country Link
US (1) US11709463B2 (zh)
CN (1) CN114275912B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114839343A (zh) * 2022-07-04 2022-08-02 成都博瑞科传科技有限公司 一种便携式水质监测巡检仪装置及使用方法
CN116165974A (zh) * 2022-12-14 2023-05-26 上海市政工程设计研究总院（集团）有限公司 污水处理工艺的曝气控制方法、系统、终端及介质
CN116484584A (zh) * 2023-03-24 2023-07-25 青岛思普润水处理股份有限公司 一种两级污水处理系统的智能控制方法
CN117164103A (zh) * 2023-07-03 2023-12-05 广西智碧达智慧环境科技有限公司 生活污水处理系统的智能控制方法、终端及系统
CN117699999A (zh) * 2024-02-06 2024-03-15 深圳市深水龙岗水务集团有限公司 一种用于供水厂处理工艺的溶氧曝气监控系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122134A (zh) * 2011-02-14 2011-07-13 华南理工大学 基于模糊神经网络的溶解氧控制的废水处理方法及系统
CN108536106A (zh) * 2018-04-25 2018-09-14 重庆工商大学 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法
CN110059824A (zh) * 2019-05-22 2019-07-26 杭州电子科技大学 一种基于主成分分析的神经网络预测方法
CN110378533A (zh) * 2019-07-22 2019-10-25 中展环能(北京)技术有限公司 一种基于大数据分析的智能曝气管理方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5852817A (en) * 1991-08-14 1998-12-22 Kabushiki Kaisha Toshiba Intelligent control apparatus
CN109467283B (zh) * 2018-12-25 2020-09-08 湖南智水环境工程有限公司 适用于多户生活污水处理的污水处理设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122134A (zh) * 2011-02-14 2011-07-13 华南理工大学 基于模糊神经网络的溶解氧控制的废水处理方法及系统
CN108536106A (zh) * 2018-04-25 2018-09-14 重庆工商大学 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法
CN110059824A (zh) * 2019-05-22 2019-07-26 杭州电子科技大学 一种基于主成分分析的神经网络预测方法
CN110378533A (zh) * 2019-07-22 2019-10-25 中展环能(北京)技术有限公司 一种基于大数据分析的智能曝气管理方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
司马海峰等: "《遥感图像分类中的智能计算方法》", 31 January 2018, 吉林大学出版社 *
李少博等: "关于水产养殖水溶解氧的预测仿真研究", 《计算机仿真》 *
程凤伟等: "《人工智能实现技术及发展研究》", 31 March 2019, 中国原子能出版社 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114839343A (zh) * 2022-07-04 2022-08-02 成都博瑞科传科技有限公司 一种便携式水质监测巡检仪装置及使用方法
CN114839343B (zh) * 2022-07-04 2022-09-27 成都博瑞科传科技有限公司 一种便携式水质监测巡检仪装置及使用方法
CN116165974A (zh) * 2022-12-14 2023-05-26 上海市政工程设计研究总院（集团）有限公司 污水处理工艺的曝气控制方法、系统、终端及介质
CN116484584A (zh) * 2023-03-24 2023-07-25 青岛思普润水处理股份有限公司 一种两级污水处理系统的智能控制方法
CN116484584B (zh) * 2023-03-24 2024-03-29 青岛思普润水处理股份有限公司 一种两级污水处理系统的智能控制方法
CN117164103A (zh) * 2023-07-03 2023-12-05 广西智碧达智慧环境科技有限公司 生活污水处理系统的智能控制方法、终端及系统
CN117699999A (zh) * 2024-02-06 2024-03-15 深圳市深水龙岗水务集团有限公司 一种用于供水厂处理工艺的溶氧曝气监控系统
CN117699999B (zh) * 2024-02-06 2024-04-26 深圳市深水龙岗水务集团有限公司 一种用于供水厂处理工艺的溶氧曝气监控系统

Also Published As

Publication number Publication date
US20230047297A1 (en) 2023-02-16
CN114275912B (zh) 2022-10-21
US11709463B2 (en) 2023-07-25

Similar Documents

Publication Publication Date Title
CN114275912B (zh) 一种基于自适应神经网络模型的曝气系统溶解氧控制方法
CN110378533B (zh) 一种基于大数据分析的智能曝气管理方法
Han et al. Prediction of activated sludge bulking based on a self-organizing RBF neural network
CN102122134A (zh) 基于模糊神经网络的溶解氧控制的废水处理方法及系统
CN108536106B (zh) 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法
CN108562709A (zh) 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
AU2021100130A4 (en) Intelligent control method and system for sewage treatment aeration based on deep learning
CN112989704B (zh) 一种基于de算法的irfm-cmnn出水bod浓度预测方法
CN108088974A (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
CN103809436A (zh) 活性污泥法污水处理过程智能建模方法
WO2019084675A1 (en) Decision support system and method for water treatment
CN115793471A (zh) 一种基于污水处理监测的可调式控制方法及系统
Baeza et al. In-line fast OUR (oxygen uptake rate) measurements for monitoring and control of WWTP
Dey et al. Fractional-order models identification and control within a supervisory control framework for efficient nutrients removal in biological wastewater treatment plants
CN117776336A (zh) 水预处理方法及厌氧氨氧化水处理工艺
CN113627506A (zh) 一种基于信息融合-区间二型模糊神经网络的出水总磷智能检测方法
CN115356930B (zh) 一种污水处理过程中的多目标优化控制系统及方法
CN117389142A (zh) 污水处理厂生化反应池预测推演与安全实时控制方法
CN114149076B (zh) 一种厌氧氨氧化污水处理系统的智能调试系统
Jeppsson A simplified control-oriented model of the activated sludge process
CN114671523B (zh) 一种基于预测控制的污水处理节能方法
JP7494669B2 (ja) 排水処理シミュレータのパラメータ値予測方法及び装置並びに下水処理プラントの制御方法及び装置
CN117215225A (zh) 一种废水生化处理系统的软测量及自适应优化控制系统
Szeląg et al. Effect of physicochemical wastewater parameters and abiotic factor on activated sludge sedimentation capacity
CN116842993A (zh) 一种基于多属性二型模糊神经网络的总氮去除量检测方法

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