CN114386579A - 一种基于多任务学习的污水处理水质监测自动控制方法 - Google Patents
一种基于多任务学习的污水处理水质监测自动控制方法 Download PDFInfo
- Publication number
- CN114386579A CN114386579A CN202210037960.XA CN202210037960A CN114386579A CN 114386579 A CN114386579 A CN 114386579A CN 202210037960 A CN202210037960 A CN 202210037960A CN 114386579 A CN114386579 A CN 114386579A
- Authority
- CN
- China
- Prior art keywords
- water quality
- sewage treatment
- automatic control
- layer
- time sequence
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F9/00—Multistage treatment of water, waste water or sewage
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F2001/007—Processes including a sedimentation step
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Hydrology & Water Resources (AREA)
- Water Supply & Treatment (AREA)
- Environmental & Geological Engineering (AREA)
- Organic Chemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Activated Sludge Processes (AREA)
Abstract
本申请公开了一种基于多任务学习的污水处理水质监测自动控制方法,包括以下步骤:构建有监督学习训练集;构建基于CNN‑BiLSTM网络的多任务水质监测自动控制模型:利用所述有监督学习训练集对所述多任务水质监测自动控制模型进行训练;对t时刻污水处理系统各项参数进行标准化预处理,构建时序数据It;将其输入训练好的多任务水质监测自动控制模型进行输出预测,获取t时刻污水处理系统的加药量和曝气量,以精确协同控制。本申请建立了CNN‑BiLSTM网络的多任务水质监测自动控制模型,耦合多元控制变量,进而协同精准预测污水处理系统的加药量和曝气量,以经济有效的方式实现了低能耗、低污染、低成本,具备可操作的良好应用前景。
Description
技术领域
本申请属于资源环境领域,具体涉及一种基于多任务学习的污水处理水质监测自动控制方法。
背景技术
随着人工智能的日益应用,深度学习技术在计算机视觉、语音识别、机器翻译、语音合成、声纹识别、自然语言处理等领域得到广泛应用,且都表现出不错的应用效果。由于深度学习模型具有良好的泛化性和鲁棒性,深度学习技术也被引入生活、工业污水处理水质监测领域。
例如,污水处理水质监测目前广泛使用基于深度学习的药剂添加或者曝气控制方法,与传统的采用手动PID控制或人工经验控制的方法相比,这种基于深度学习的方法减少了人为判断,节省了加药量或者曝气量。
但在实际生产环境中,这种单一模型针对单一任务进行建模的方式仍然需要耗费大量的算力对相似的任务进行重复建模,而且水质监测的单一控制变量预测方法难以反映多元控制变量间的耦合特性。
发明内容
针对现有技术任务单一、重复建模、算力浪费的问题,本申请提供一种基于多任务学习的污水处理水质监测自动控制方法,能够实现精准的多元控制变量的协同预测,提高了工作效率。
为解决上述技术问题,本申请提出如下技术方案:
一种基于多任务学习的污水处理水质监测自动控制方法,包括以下步骤:
构建包含以下特征维度的序列长度为N的时序数据,标记为I;所述特征维度包括污水处理系统进水口的水质参数,出水口的水质参数,各反应池内的各气体产物浓度参数、水质参数和活性污泥泥质参数,污水处理系统运行参数,以及鼓风机运行参数;所述反应池包括厌氧池、缺氧池、好氧池、沉淀池;
构建包含以下特征维度的序列长度为N的时序数据,标记为O;所述特征维度包括污水处理系统的加药量和曝气量;
对采集的时序数据I与时序数据O进行异常剔除、降噪、平滑及标准化处理,构建有监督学习训练集;
构建基于CNN-BiLSTM网络的多任务水质监测自动控制模型:先基于CNN网络抽取重要的时序数据特征,然后输入BiLSTM网络抽取复杂的不规则时序数据特征进行建模;
利用所述有监督学习训练集对所述多任务水质监测自动控制模型进行训练;
对t时刻污水处理系统进水口的水质参数,出水口的水质参数,各反应池内的各气体产物浓度参数、水质参数和活性污泥泥质参数,系统运行参数,以及鼓风机运行参数进行标准化预处理,构建序列长度为1的时序数据,标记为It;
将t时刻的时序数据It输入训练好的多任务水质监测自动控制模型进行输出预测,获取t时刻污水处理系统的加药量和曝气量,标记为Ot;
根据Ot对污水处理系统进行加药与曝气。
有益效果:本申请克服了水质监测的单一控制变量预测方法难以反映多元控制变量间的耦合特性的不足,建立了基于CNN-BiLSTM网络的多任务水质监测自动控制模型,耦合多元控制变量,进而协同精准预测污水处理系统的加药量和曝气量,避免了对相似任务进行重复建模、重复预测,节省算力的同时,进一步提升了水质监测自动控制预测精度和系统运行效率,以经济有效的方式实现了低能耗、低污染、低成本,具备可操作的良好应用前景。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本申请主题的一部分。
附图说明
附图不意在按比例绘制,除非特别说明。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。
图1为本申请提供的LSTM神经网络结构图;
图2为本申请提供的BiLSTM神经网络结构图;
图3为本申请提供的基于CNN-BiLSTM网络的神经网络模型结构图;
图4为本申请提供的一种基于多任务学习的污水处理水质监测自动控制方法的流程图;
图5为本申请提供的一种基于多任务学习的污水处理水质监测自动控制方法的原理图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将对本申请实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于所描述的本申请的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。除非另作定义,此处使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。
本申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,除非上下文清楚地指明其它情况,否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件,并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。“上”“下”“左”“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
本申请提供一种基于多任务学习的污水处理水质监测自动控制方法,考虑多元控制变量间的耦合特性,利用基于CNN-BiLSTM的多任务深度神经网络模型对污水处理系统的加药量和曝气量进行控制,以实现多元控制变量的协同精准预测。
步骤S1,构建包含以下特征维度的序列长度为N的时序数据,标记为I;时序数据I的滑动步长取值范围为1,2,3,特征维度包括污水处理系统进水口的水质参数,出水口的水质参数,各反应池(包括厌氧池、缺氧池、好氧池、沉淀池等)内的各气体产物浓度参数、水质参数和活性污泥泥质参数,污水处理系统运行参数,以及鼓风机运行参数等;
所述水质参数包括流量、温度、浊度、色度、液位、pH、悬浮固体、化学需氧量、溶解氧、总氮、氨氮、总磷、电导率、总溶解固体中的至少一种;所述气体产物包括CH4、H2、CO2、CO、NH3、N2、N2O中的至少一种;活性污泥泥质参数包括MLSS;污水处理系统运行参数包括进水C/N比、HRT、SRT、污泥回流比、混合液回流比中的至少一种;鼓风机运行参数包括转速参数。
在本实施例中,所述水质参数包括流量、温度、浊度、色度、液位、pH、悬浮固体、化学需氧量、溶解氧、总氮、氨氮、总磷、电导率和总溶解固体;所述气体产物包括CH4、H2、CO2、CO、NH3、N2和N2O;活性污泥泥质参数包括MLSS;污水处理系统运行参数包括进水C/N比、HRT、SRT、污泥回流比和混合液回流比;鼓风机运行参数包括转速参数。
步骤S2,构建包含以下特征维度的序列长度为N的时序数据,标记为O,特征维度包括污水处理系统的加药量与曝气量;
步骤S3,对上述从污水处理系统中采集的时序数据I与时序数据O进行异常剔除、降噪、平滑及标准化处理,构建有监督学习训练集;对于异常数据,选择直接丢弃;对于正常数据,先取其前后各n个数据的期望值进行代替,再将所有维度的数值限制在0~1之间;n为正整数。
步骤S4,构建基于CNN-BiLSTM网络的多任务水质监测自动控制模型,首先基于CNN网络抽取重要的时序数据特征,进而输入到BiLSTM网络中进一步抽取复杂的不规则时序特征进行建模;
多任务水质监测自动控制模型(深度神经网络模型)的结构包括两层卷积神经网络层、一层双向长短时记忆网络层(BiLSTM层)和一层全连接层(FC层);深度神经网络模型的卷积神经网络使用2维卷积抽取重要的时序数据特征,包括时序信息和维度信息;深度神经网络模型的双向长短时记忆网络负责进一步抽取复杂的不规则特征;第一层卷积神经网络层输入通道数为1,输出通道数为16,卷积核大小为3×3,步长为1;第二层卷积神经网络层输入通道数为16,输出通道数为1,卷积核大小为3×3,步长为1;在每个卷积神经网络层之后使用Batch Normalization方法(BN层)防止模型过拟合,之后引入ReLU激活函数(ReLU层)进一步缓解过拟合问题的发生,且可以加速模型训练,节约运算成本;第一个卷积神经网络层的输出依次经过BN层和ReLU层处理之后,将得到的特征作为第二个卷积神经网络层的输入,第二个卷积神经网络层的输出依次经过BN层和ReLU层处理之后,将得到的特征作为双向长短时记忆网络层的输入,将双向长短时记忆网络层的输出作为全连接层的输入,全连接层最后输出加药量和曝气量;基于CNN-BiLSTM的多任务学习的Loss(损失)是将加药量预测任务的Loss与曝气量预测任务的Loss做加权相加,即Loss=C*Loss(加药量)+(1-C)*Loss(曝气量),这里C为超参数,与单任务分别预测加药量或者曝气量相比,我们的多任务学习方案对加药量与曝气量的协同预测,使得预测结果更加准确,从而可进一步提高污水处理的效率。
步骤S5,利用上述有监督学习训练集对基于CNN-BiLSTM网络的多任务水质监测自动控制模型进行训练;深度神经网络模型的训练目标包括两个不同的子任务。所述子任务指的是加药量与曝气量预测这两个子任务,可以多个(两个或两个以上)子任务,本实施例仅考虑污水处理中典型的两个子任务,即加药量与曝气量预测。
步骤S6,对t时刻污水处理系统进水口的水质参数,出水口的水质参数,各反应池内的各气体产物浓度参数、水质参数和活性污泥泥质参数,系统运行参数,以及鼓风机运行参数进行标准化预处理,构建序列长度为1的时序数据,标记为It;
步骤S7,将t时刻的时序数据It输入训练好的多任务水质监测自动控制模型进行输出预测,获取t时刻污水处理系统的加药量和曝气量,标记为Ot;
步骤S8,根据t时刻的模型预测输出Ot对污水处理系统进行加药与曝气的协同精准控制,以达到提升水质监测自动控制预测精度和系统运行效率的目的。
根据本申请提供的具体实施例,本申请公开了以下技术效果:
本申请提供的多任务水质监测自动控制模型与单一模型对单一任务进行建模的深度学习方式相比,不仅节省了算力,而且克服了水质监测的单一控制变量预测方法难以反映多元控制变量间的耦合特性的不足,可协同精准预测污水处理系统的加药量和曝气量,进一步提升了水质监测自动控制预测精度和系统运行效率,以经济有效的方式实现了低能耗、低污染、低成本,具备可操作的良好应用前景。
虽然本申请已以较佳实施例揭露如上,然其并非用以限定本申请。本申请所属技术领域中具有通常知识者,在不脱离本申请的精神和范围内,当可作各种的更动与润饰。因此,本申请的保护范围当视权利要求书所界定者为准。
Claims (7)
1.一种基于多任务学习的污水处理水质监测自动控制方法,其特征在于,包括以下步骤:
构建包含以下特征维度的序列长度为N的时序数据,标记为I;所述特征维度包括污水处理系统进水口的水质参数,出水口的水质参数,各反应池内的各气体产物浓度参数、水质参数和活性污泥泥质参数,污水处理系统运行参数,以及鼓风机运行参数;所述反应池包括厌氧池、缺氧池、好氧池、沉淀池;
构建包含以下特征维度的序列长度为N的时序数据,标记为O;所述特征维度包括污水处理系统的加药量和曝气量;
对采集的时序数据I与时序数据O进行异常剔除、降噪、平滑及标准化处理,构建有监督学习训练集;
构建基于CNN-BiLSTM网络的多任务水质监测自动控制模型:先基于CNN网络抽取重要的时序数据特征,然后输入BiLSTM网络抽取复杂的不规则时序数据特征进行建模;
利用所述有监督学习训练集对所述多任务水质监测自动控制模型进行训练;
对t时刻污水处理系统进水口的水质参数,出水口的水质参数,各反应池内的各气体产物浓度参数、水质参数和活性污泥泥质参数,系统运行参数,以及鼓风机运行参数进行标准化预处理,构建序列长度为1的时序数据,标记为It;
将t时刻的时序数据It输入训练好的多任务水质监测自动控制模型进行输出预测,获取t时刻污水处理系统的加药量和曝气量,标记为Ot;
根据Ot对污水处理系统进行加药与曝气。
2.根据权利要求1所述的基于多任务学习的污水处理水质监测自动控制方法,其特征在于,所述序列长度为N的时序数据的滑动步长取值为1、2或3。
3.根据权利要求1所述的基于多任务学习的污水处理水质监测自动控制方法,其特征在于,所述水质参数包括流量、温度、浊度、色度、液位、pH、悬浮固体、化学需氧量、溶解氧、总氮、氨氮、总磷、电导率和总溶解固体;所述气体产物包括CH4、H2、CO2、CO、NH3、N2和N2O;活性污泥泥质参数包括MLSS;污水处理系统运行参数包括进水C/N比、HRT、SRT、污泥回流比和混合液回流比;鼓风机运行参数包括转速参数。
4.根据权利要求1所述的基于多任务学习的污水处理水质监测自动控制方法,其特征在于,所述异常剔除、降噪、平滑及标准化处理包括:对于异常数据,直接丢弃;对于正常数据,先取其前后各n个数据的期望值进行代替,再将所有维度的数值限制在0~1之间。
5.根据权利要求1所述的基于多任务学习的污水处理水质监测自动控制方法,其特征在于,所述多任务水质监测自动控制模型包括两层卷积神经网络层、一层双向长短时记忆网络层和一层全连接层;
卷积神经网络用于抽取重要的时序数据特征,包括时序信息和维度信息;双向长短时记忆网络用于抽取复杂的不规则特征;
第一层卷积神经网络层输入通道数为1,输出通道数为16,卷积核大小为3×3,步长为1;
第二层卷积神经网络层输入通道数为16,输出通道数为1,卷积核大小为3×3,步长为1。
6.根据权利要求5所述的基于多任务学习的污水处理水质监测自动控制方法,其特征在于,构建多任务水质监测自动控制模型,包括:第一层卷积神经网络层的输出依次经过BN层和ReLU层处理,将得到的特征作为第二层卷积神经网络层的输入,第二层卷积神经网络层的输出依次经过BN层和ReLU层处理,将得到的特征作为双向长短时记忆网络层的输入,将双向长短时记忆网络层的输出作为全连接层的输入,全连接层最后输出加药量和曝气量。
7.根据权利要求1所述的基于多任务学习的污水处理水质监测自动控制方法,其特征在于,所述多任务水质监测自动控制模型的训练目标包括两个不同的子任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210037960.XA CN114386579A (zh) | 2022-01-13 | 2022-01-13 | 一种基于多任务学习的污水处理水质监测自动控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210037960.XA CN114386579A (zh) | 2022-01-13 | 2022-01-13 | 一种基于多任务学习的污水处理水质监测自动控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114386579A true CN114386579A (zh) | 2022-04-22 |
Family
ID=81200900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210037960.XA Withdrawn CN114386579A (zh) | 2022-01-13 | 2022-01-13 | 一种基于多任务学习的污水处理水质监测自动控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114386579A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115445785A (zh) * | 2022-09-05 | 2022-12-09 | 中南大学 | 一种基于记忆网络和预测控制器的锌快粗加药量调整方法 |
CN115562041A (zh) * | 2022-11-03 | 2023-01-03 | 北京工业大学 | 一种基于多任务动态转换策略的污水处理过程优化控制方法 |
CN115981153A (zh) * | 2022-12-30 | 2023-04-18 | 浙江问源环保科技股份有限公司 | 基于深度学习的a2o工艺间歇性低碳曝气方法及控制系统 |
CN117388457A (zh) * | 2023-10-16 | 2024-01-12 | 中山大学 | 一种耦合水力停留时间提高污水厂出水预测精度的方法 |
CN118014006A (zh) * | 2024-04-10 | 2024-05-10 | 日照城投环境科技集团有限公司 | 一种污水处理厂多任务业务流程预测方法及系统 |
-
2022
- 2022-01-13 CN CN202210037960.XA patent/CN114386579A/zh not_active Withdrawn
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115445785A (zh) * | 2022-09-05 | 2022-12-09 | 中南大学 | 一种基于记忆网络和预测控制器的锌快粗加药量调整方法 |
CN115562041A (zh) * | 2022-11-03 | 2023-01-03 | 北京工业大学 | 一种基于多任务动态转换策略的污水处理过程优化控制方法 |
CN115981153A (zh) * | 2022-12-30 | 2023-04-18 | 浙江问源环保科技股份有限公司 | 基于深度学习的a2o工艺间歇性低碳曝气方法及控制系统 |
CN115981153B (zh) * | 2022-12-30 | 2023-08-04 | 浙江问源环保科技股份有限公司 | 基于深度学习的a2o工艺间歇性低碳曝气方法及控制系统 |
CN117388457A (zh) * | 2023-10-16 | 2024-01-12 | 中山大学 | 一种耦合水力停留时间提高污水厂出水预测精度的方法 |
CN117388457B (zh) * | 2023-10-16 | 2024-05-31 | 中山大学 | 一种耦合水力停留时间提高污水厂出水预测精度的方法 |
CN118014006A (zh) * | 2024-04-10 | 2024-05-10 | 日照城投环境科技集团有限公司 | 一种污水处理厂多任务业务流程预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114386579A (zh) | 一种基于多任务学习的污水处理水质监测自动控制方法 | |
Oliveira-Esquerre et al. | Simulation of an industrial wastewater treatment plant using artificial neural networks and principal components analysis | |
US6808630B2 (en) | System and method for AI controlling waste-water treatment by neural network and back-propagation algorithm | |
Han et al. | Cooperative fuzzy-neural control for wastewater treatment process | |
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 | |
Xu et al. | Data-driven prediction of neutralizer pH and valve position towards precise control of chemical dosage in a wastewater treatment plant | |
Do et al. | A design of higher-level control based genetic algorithms for wastewater treatment plants | |
CN113325702B (zh) | 一种曝气控制方法及装置 | |
Piotrowski et al. | Mixed integer nonlinear optimization of biological processes in wastewater sequencing batch reactor | |
CN108536106A (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 | |
Han et al. | An intelligent detecting system for permeability prediction of MBR | |
Saravana Kumar et al. | A supervisory fuzzy logic control scheme to improve effluent quality of a wastewater treatment plant | |
Yazdani et al. | Evaluating the performance of a sequencing batch reactor for sanitary wastewater treatment using artificial neural network | |
Santín et al. | Nitrous oxide reduction in wastewater treatment plants by the regulation of the internal recirculation flow rate with a fuzzy controller | |
Huang et al. | Improving nitrogen removal using a fuzzy neural network-based control system in the anoxic/oxic process | |
Zou et al. | Physics-informed neural network-based serial hybrid model capturing the hidden kinetics for sulfur-driven autotrophic denitrification process | |
Perendeci et al. | Effects of phase vector and history extension on prediction power of adaptive-network based fuzzy inference system (ANFIS) model for a real scale anaerobic wastewater treatment plant operating under unsteady state | |
Parsa et al. | Dynamic Modelling, Process Control, and Monitoring of Selected Biological and Advanced Oxidation Processes for Wastewater Treatment: A Review of Recent Developments | |
Fox et al. | Application of neural networks and regression modelling to enable environmental regulatory compliance and energy optimisation in a sequencing batch reactor | |
Chen et al. | RETRACTED: Improving the efficiencies of simultaneous organic substance and nitrogen removal in a multi-stage loop membrane bioreactor-based PWWTP using an on-line Knowledge-Based Expert System | |
Yelagandula et al. | Control of a waste water treatment plant using fuzzy logic controller | |
KR20230086851A (ko) | 유입 하수 변동에 따른 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어시스템 및 제어방법 | |
Han et al. | Efficient economic model predictive control of water treatment process with learning-based Koopman operator | |
Sunarsih et al. | Process improvement on domestic wastewater treatment stabilization ponds by using mathematical optimization approach | |
Luca et al. | Fuzzy-optimal control strategies for a wastewater 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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220422 |