CN114573096A - 一种基于微生物群落的污水处理曝气系统控制方法 - Google Patents
一种基于微生物群落的污水处理曝气系统控制方法 Download PDFInfo
- Publication number
- CN114573096A CN114573096A CN202210298354.3A CN202210298354A CN114573096A CN 114573096 A CN114573096 A CN 114573096A CN 202210298354 A CN202210298354 A CN 202210298354A CN 114573096 A CN114573096 A CN 114573096A
- Authority
- CN
- China
- Prior art keywords
- sludge
- sewage treatment
- microbial community
- dissolved oxygen
- concentration
- 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
- 230000000813 microbial effect Effects 0.000 title claims abstract description 48
- 239000010865 sewage Substances 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005273 aeration Methods 0.000 title claims abstract description 28
- 239000010802 sludge Substances 0.000 claims abstract description 94
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 58
- 239000001301 oxygen Substances 0.000 claims abstract description 58
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000015654 memory Effects 0.000 claims abstract description 9
- 244000005700 microbiome Species 0.000 claims abstract description 9
- 238000000547 structure data Methods 0.000 claims abstract description 4
- 238000005187 foaming Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 12
- 241000894006 Bacteria Species 0.000 claims description 11
- 241000204444 Haliscomenobacter Species 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 5
- 241000134882 Candidatus Microthrix Species 0.000 claims description 3
- 241000408013 Tetrasphaera Species 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012165 high-throughput sequencing Methods 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 108020004465 16S ribosomal RNA Proteins 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004065 wastewater treatment Methods 0.000 abstract 1
- 239000003344 environmental pollutant Substances 0.000 description 5
- 231100000719 pollutant Toxicity 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001580 bacterial effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- C02F3/02—Aerobic processes
- C02F3/12—Activated sludge processes
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F7/00—Aeration of stretches of 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Microbiology (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明公开了一种基于微生物群落的污水处理曝气系统控制方法，属于废水处理领域。首先以污泥浓度、污泥体积指数、溶解氧浓度和活性污泥微生物群落结构数据为基础构建长短期记忆(LSTM)网络模型；再采用污水处理系统正常运行且污泥性能良好情况下获取的污泥浓度、污泥体积指数、溶解氧浓度和活性污泥微生物群落结构数据对模型进行训练，然后，采用训练好的模型计算应用状态下的最优曝气量并进行曝气控制。本发明提出的溶解氧调控方法可以有效降低污水处理系统中导致污泥性能差(污泥膨胀或发泡)的微生物的丰度，从而保障系统高效稳定运行。
Description
技术领域
本发明属于污水处理技术领域，特别是涉及一种基于微生物群落的污水处理曝气系统控制方法。
背景技术
溶解氧浓度是活性污泥法污水生物处理系统运行的关键指标之一，溶解氧浓度过高会导致能耗高且总氮去除效果差；而溶解氧浓度低可能导致有机物和氨氮去除效果差，还可导致丝状菌大量繁殖并出现污泥膨胀现象。另一方面，溶解氧是微生物重要的生存因子之一，溶解氧的变化会导致活性污泥微生物群落结构的改变，进而影响污染物的去除效率，甚至影响系统的稳定运行(如：导致污泥膨胀)，因此对溶解氧浓度进行合理调控是保证活性污泥系统高效、低耗及稳定运行的重要手段。
目前，污水处理厂对污水处理系统中的溶解氧调控一般依据经验进行，通常情况下，大部分污水处理厂将活性污泥系统中的溶解氧维持在2～4mg/L，这是一个较为宽泛的范围，溶解氧在此范围内波动时会导致活性污泥中的微生物群落结构发生变化，污水处理系统长时间运行过程中由于溶解氧波动可能导致微生物群落结构发生严重改变，进而导致污水处理效果变差或系统运行不稳定。
近年来，随着曝气系统和自动化控制技术的发展，污水处理系统中的溶解氧浓度可以实现精准控制，如果仅从降低能耗的角度出发，应该将溶解氧控制在较低水平，但是污水处理系统长期溶解氧过低可能导致污染物去除效果变差，也可能引起微生物群落改变，进而导致系统不稳定。因此，如何在同时保证污染物去除效果和低能耗的前提下，确定最优的溶解氧浓度水平成为一个亟待解决的技术问题。
发明内容
1.要解决的问题
针对由于溶解氧波动导致的污染物去除效果差或污泥沉淀效果差等系统不稳定的问题，本发明从微生物群落角度出发，测定水质、活性污泥及活性污泥中微生物的种群结构等相关信息，并将这些信息用于LSTM网络模型构建。LSTM网络通过遗忘门、记忆门和输出门等结构，可以实现在较长时间内记录数据内容的功能，并且训练相应的学习模型，计算(预测)构建特定微生物群落结构条件下的污水中溶解氧浓度值并根据计算值精准控制溶解氧，充分利用溶解氧这一参数对微生物群落结构实现调控，确保污水处理系统中有益微生物尽量多、无益微生物尽量少，从而保障系统高效稳定运行。
本发明从微生物群落角度提供了一种活性污泥系统溶解氧浓度控制方法，该方法可以避免由于溶解氧随机波动导致的污染物去除效果差和系统不稳定等情况的发生。
2.技术方案
为了解决上述问题，本发明所采用的技术方案如下：
一种基于微生物群落的污水处理曝气系统控制方法，包括以下步骤：
S1、模型构建
(1)测定活性污泥的污泥浓度、污泥体积指数、溶解氧浓度和活性污泥微生物群落结构；
优选地，微生物群落结构通过不同细菌的相对丰度来确定；
(2)以污泥浓度、污泥体积指数、溶解氧浓度和活性污泥微生物群落结构数据为基础构建机器学习矩阵；
优选地，构建机器学习矩阵具体为：
t1～tm为每次记录的时间，vij为第j(j≤m)次记录中的第i(i≤n)种细菌的相对丰度，MLSS1～MLSSm为每次记录对应的活性污泥浓度，SVI1～SVIm为每次记录对应的污泥体积指数，D1～Dm为每次记录对应的溶解氧浓度；
(3)建立污泥浓度、污泥体积指数、微生物群落结构和溶解氧浓度之间的深度学习模型；并基于S1中构建的数据矩阵对模型进行训练；
S2、模型应用
(1)测定当前状态下污泥浓度、污泥体积指数、溶解氧浓度和活性污泥微生物群落结构；优选地，活性污泥微生物群落结构通过不同细菌的相对丰度来确定；
(2)基于S1中构建的模型计算溶解氧浓度值，并通过调节风机风量和阀门开度使溶解氧浓度维持在该值。
优选地，所述步骤S1(3)中的深度学习模型基于长短期记忆(Long Short-TermMemory，LSTM)网络构建。
长短期记忆网络LSTM能够解决循环神经网络RNN(Recurrent Neural Network)无法很好处理远距离依赖的问题。在LSTM中，一般包括四层函数，即LSTM_1遗忘门、LSTM_2&3记忆门和LSTM_4输出门。
在LSTM的遗忘门中，可以根据输入的数据流决定遗忘掉之前的输出内容，从而保留更加重要的长期记忆信息，以达到使得训练过程可以随着输入而不断调整，从而提高模型准确率的效果。以下公式可以描述遗忘门的计算，其中ftt为该层的输出向量：
ft＝σ(Wf*[ht-1，xt]+bf)
其中，ft表示t时刻的遗忘门，Wf表示遗忘门的权重，ht表示t时刻的输出数据，xt表示第t个输入数据，bf表示遗忘门的偏置，ht表示t时刻的输出数据，[]表示两个向量相连。
LSTM的记忆门则用来被控制是否将该数据并入控制单元中，主要分为提取有效信息和为信息做出评级两步。以下公式可以表示这两个步骤在LSTM中的计算：
其中，Ct表示t时刻的单元状态，Ct-1表示t-1时刻的单元状态，it表示t时刻的记忆门，
表示t时刻的单位备选状态。
LSTM输出门是LSTM单元用于计算输出值的神经层，先用sigmoid层来得到一个初始输出，然后用tanh将其缩放至(-1，1)，从而得到输出，可以用以下公式来表达：
it＝σ(Wi*[ht-1，xt]+bi)
ht＝ot*tanh(Ct)
其中，σ表示模型学习率，Wi表示记忆门的权重，bi表示记忆门的偏置，ot表示t时刻的输出门，tanh()表示tanh函数。
优选地，所述步骤S1(2)机器学习矩阵中Microthrix(微丝菌属)、Haliscomenobacter(哈利氏杆菌)和Tetrasphaera三个易导致污泥膨胀的菌属的相对丰度范围分别为0～0.1％，0～0.03％,0～0.5％。
优选地，所述步骤S1(2)中的数据应排除污水处理系统发送故障、出现污泥膨胀、污泥发泡或处理效果未达到设定标准情况下前0～7天采集的数据。
优选地，所述步骤S1(1)和步骤S2(1)中活性污泥微生物群落结构通过不同细菌的相对丰度来确定。
优选地，所述微生物群落结构的测定基于16SrRNA基因高通量测序方法或宏基因组测序方法。
优选地，所述步骤S1(1)和步骤S2(1)中污泥浓度、污泥体积指数和溶解氧浓度的测定及微生物群落结构测定的样品采集需在同一段时间内完成，该时间段应小于3小时。
优选地，所述步骤S1(2)中数据记录条数不少于100条，每次记录的时间间隔为2～72h。
优选地，，所述步骤S1(2)中的每条记录的污泥浓度需为1500-5000mg/L，污泥体积指数需为5～200，优选为5～150，溶解氧浓度需为0.5～4mg/L。
优选地，所述S2中的数据可补充到步骤S1的机器学习矩阵中并重新对模型进行训练，增强模型的适用性。
3、有益效果
本发明提供了一种基于微生物群落的污水处理曝气系统控制方法，具有以下有益效果：
(1)本发明基于污水生物处理系统运行参数和微生物群落结构，采用机器学习方法建立模型并用于确定溶解氧浓度值，模型不依赖其它参数，可以充分反映系统的特征。
(2)采用该方法可以充分利用溶解氧这一参数对微生物群落结构实现调控，确保污水处理系统中无益微生物(如：引起污泥膨胀或发泡的微生物)尽量少，从而保障系统高效稳定运行。
附图说明
图1为本发明基于微生物群落的污水处理曝气系统控制方法的示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者，均为可以通过市售购买获得的常规产品。
如本文所使用，术语“约”用于提供与给定术语、度量或值相关联的灵活性和不精确性。本领域技术人员可以容易地确定具体变量的灵活性程度。
下面结合具体实施例对本发明进一步进行描述。显然所描述的实施案例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
本实施例公开了一种基于微生物群落的污水处理曝气系统控制方法，包括以下步骤：
S101、选定一污水处理系统为实施对象，该系统采用活性污泥法处理市政污水，污水处理量为400L/天。
S102、每隔2h，取反应器中的活性污泥作为样本，测定活性污泥的污泥浓度、污泥体积指数、溶解氧浓度，并且采集活性污泥样品用于细菌群落结构分析。
上述相关测定和污泥采样工作均在2h之内完成。基于16SrRNA基因高通量测序方法测定活性污泥微生物群落结构。
S103、取样过程持续50天，每日获得4～5组数据，获得了包括各种细菌相对丰度、所对应的活性污泥特征、温度以及溶解氧浓度的数据，共获得有效数据240组。
S201、构建机器学习矩阵，其中，t1～t240为每次记录的时间，vij为第j(j≤m)次记录中的第i(i≤n)种细菌的相对丰度，T1～T240为每次记录对应的活性污泥系统中的温度值，MLSS1～MLSS240为每次记录对应的活性污泥浓度，SVI1～SVI240为每次记录对应的污泥体积指数，D1～Dm为每次记录对应的溶解氧浓度。
矩阵中Microthrix(微丝菌属)、Haliscomenobacter(哈利氏杆菌)和Tetrasphaera是三个易导致污泥膨胀的菌属，学习的目的在于控制该三个菌属的丰度处于较低水平，具体地，矩阵中Microthrix(微丝菌属)、Haliscomenobacter(哈利氏杆菌)和Tetrasphaera三个易导致污泥膨胀的菌属的相对丰度范围分别为0～0.1％，0～0.03％,0～0.5％。温度范围为20.3～23.2℃，MLSS范围为3000～3450mg/L,SVI范围为90-105，溶解氧浓度范围为0.8～3.1mg/L。期间一段时间，Haliscomenobacter(哈利氏杆菌)相对丰度最高达到了0.05％，当该菌属相对丰度高于0.03％时，当天数据及之前7天的数据均被排除。
S202、建立污泥浓度、污泥体积指数、微生物群落结构和溶解氧浓度之间的深度学习模型。将前190组数据划分为训练集，后50组数据划分为测试集，将记录时间、各类细菌的相对丰度、活性污泥浓度以及溶解氧浓度等信息进行结构化、归一化处理，构建机器学习矩阵训练，获得用于污水处理曝气智能控制的机器学习模型。
采用训练集数据对LSTM模型进行训练，并将偏置和权重函数的预设值都设为0，学习率设置为0.1。将各类细菌丰度、活性污泥浓度、污泥体积指数和溶解氧浓度等数据作为LSTM的xt，将预测溶解氧浓度作为LSTM的ht，输入到LSTM中。
循环迭代至设定次数或者误差项之和小于设定值时，模型训练完成。
S301、模型训练完成以后，将模型应用于该污水处理过程中。基于S202中构建的模型，根据微生物种群丰度、活性污泥浓度、温度及污泥体积指数等参数信息计算污水系统中所需溶解氧浓度。
S302、将S301中计算所得污水处理系统中的所需溶解氧浓度和传感器所测实际浓度等信息传递给鼓风曝气控制系统控制风机风量和阀门开度，并进一步优化鼓风机转速，将计算结果反馈给控制中心，将溶解氧浓度维持在计算所需溶解氧浓度，从而实现曝气量的智能控制。
S401、在进行曝气量调控的同时，每隔2h测定活性污泥的污泥浓度、污泥体积指数、溶解氧浓度，并且采集活性污泥样品用于细菌群落结构分析。
S402、调控过程持续10天，在此过程中MLSS范围为3200～3350mg/L,SVI范围为95-105，溶解氧浓度范围为1.1～2.8mg/L，污泥性状良好，取得了较好的调控效果。
S403、将S401中所获得的新数据，补充到S201的机器学习矩阵中，并对模型进行训练，从而进一步增强了模型的实用性。
S501、将经过训练以后的机器学习模型应用到污水污水处理系统，重复步骤S301、S302用以进行最优曝气量预测。
本发明将训练后的LSTM网络模型应用到位于污水处理设施的控制系统中，可以根据当前溶解氧浓度、微生物种群丰度、活性污泥浓度、温度以及污泥体积指数等参数计算最优曝气量，然后计算出鼓风机的转速与阀门开度，从而实现污水处理曝气系统的精准控制。
以上内容是对本发明及其实施方式进行了示意性的描述，该描述没有限制性，实施例中所示的也只是本发明的实施方式之一，实际的实施方式并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的实施方式及实施例，均应属于本发明的保护范围。
Claims (10)
1.一种基于微生物群落的污水处理曝气系统控制方法，其特征在于，所述控制方法包括以下步骤：
S1、模型构建
(1)测定活性污泥的污泥浓度、污泥体积指数、溶解氧浓度和活性污泥微生物群落结构；
(2)以污泥浓度、污泥体积指数、溶解氧浓度和活性污泥微生物群落结构数据为基础构建机器学习矩阵；
(3)建立污泥浓度、污泥体积指数、微生物群落结构和溶解氧浓度之间的深度学习模型；并基于S1中构建的数据矩阵对模型进行训练；
S2、模型应用
(1)测定当前状态下污泥浓度、污泥体积指数、溶解氧浓度和活性污泥微生物群落结构；
(2)基于S1中构建的模型计算溶解氧浓度值，使溶解氧浓度维持在该值。
2.根据权利要求1所述的基于微生物群落的污水处理曝气系统控制方法，其特征在于，所述S1(2)中构建机器学习矩阵具体为：t1～tm为每次记录的时间，vij为第j次记录中的第i种细菌的相对丰度，MLSS1～MLSSm为每次记录对应的活性污泥浓度，SVI1～SVIm为每次记录对应的污泥体积指数，D1～Dm为每次记录对应的溶解氧浓度：
其中，j≤m，i≤n。
3.根据权利要求2所述的基于微生物群落的污水处理曝气系统控制方法，其特征在于，所述步骤S1(3)中的深度学习模型基于长短期记忆LSTM网络构建。
4.根据权利要求3所述的基于微生物群落的污水处理曝气系统控制方法，其特征在于，所述步骤S1(2)机器学习矩阵中微丝菌属Microthrix、哈利氏杆菌Haliscomenobacter和Tetrasphaera三个易导致污泥膨胀的菌属的相对丰度范围分别为0～0.1％，0～0.03％,0～0.5％。
5.根据权利要求1～4中任意一项所述的基于微生物群落的污水处理曝气系统控制方法，其特征在于，所述步骤S1(2)中的数据应排除污水处理系统发送故障、出现污泥膨胀、污泥发泡或处理效果未达到设定标准情况下前0～7天采集的数据。
6.根据权利要求1或2所述的基于微生物群落的污水处理曝气系统控制方法，其特征在于，所述步骤S1(1)和步骤S2(1)中活性污泥微生物群落结构通过不同细菌的相对丰度来确定。
7.根据权利要求6所述的基于微生物群落的污水处理曝气系统控制方法，其特征在于，所述步骤S1(1)和步骤S2(1)中微生物群落结构的测定基于16S rRNA基因高通量测序方法或宏基因组测序方法。
8.根据权利要求1或2所述的基于微生物群落的污水处理曝气系统控制方法，其特征在于，所述步骤S1(1)和步骤S2(1)中污泥浓度、污泥体积指数和溶解氧浓度的测定及微生物群落结构测定的样品采集需在同一段时间内完成，该时间段应小于3小时。
9.根据权利要求1或2所述的基于微生物群落的污水处理曝气系统控制方法，其特征在于，所述步骤S1(2)中数据记录条数不少于100条，每次记录的时间间隔为2～72h；
所述步骤S1(2)中的每条记录的污泥浓度需为1500-5000mg/L，污泥体积指数需为5～200，溶解氧浓度需为0.5～4mg/L。
10.根据权利要求1或2所述的基于微生物群落的污水处理曝气系统控制方法，其特征在于，将所述步骤S2中的数据补充到步骤S1的机器学习矩阵中并重新对模型进行训练，增强模型的适用性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210298354.3A CN114573096A (zh) | 2022-03-25 | 2022-03-25 | 一种基于微生物群落的污水处理曝气系统控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210298354.3A CN114573096A (zh) | 2022-03-25 | 2022-03-25 | 一种基于微生物群落的污水处理曝气系统控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114573096A true CN114573096A (zh) | 2022-06-03 |
Family
ID=81776603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210298354.3A Pending CN114573096A (zh) | 2022-03-25 | 2022-03-25 | 一种基于微生物群落的污水处理曝气系统控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114573096A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115259357A (zh) * | 2022-07-25 | 2022-11-01 | 河南大学 | 基于人工智能的微生物降解控制方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1911834A (zh) * | 2006-03-30 | 2007-02-14 | 上海市政工程设计研究院 | 污水处理系统活性污泥膨胀和生物泡沫预警和控制方法 |
| CN102156406A (zh) * | 2011-02-28 | 2011-08-17 | 哈尔滨工业大学 | 基于污水处理厂运行工况诊断的污泥膨胀预防与控制专家系统及方法 |
| CN102411308A (zh) * | 2011-12-24 | 2012-04-11 | 北京工业大学 | 基于递归神经网络模型的溶解氧的自适应控制方法 |
| CN104865979A (zh) * | 2015-03-02 | 2015-08-26 | 华南理工大学 | 一种污水处理过程自适应广义预测控制方法及系统 |
| CN107402586A (zh) * | 2017-08-29 | 2017-11-28 | 北京易沃特科技有限公司 | 基于深度神经网络的溶解氧浓度控制方法及系统 |
| US20200024168A1 (en) * | 2018-07-18 | 2020-01-23 | Beijing University Of Technology | Intelligent identification method of sludge bulking based on type-2 fuzzy neural network |
-
2022
- 2022-03-25 CN CN202210298354.3A patent/CN114573096A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1911834A (zh) * | 2006-03-30 | 2007-02-14 | 上海市政工程设计研究院 | 污水处理系统活性污泥膨胀和生物泡沫预警和控制方法 |
| CN102156406A (zh) * | 2011-02-28 | 2011-08-17 | 哈尔滨工业大学 | 基于污水处理厂运行工况诊断的污泥膨胀预防与控制专家系统及方法 |
| CN102411308A (zh) * | 2011-12-24 | 2012-04-11 | 北京工业大学 | 基于递归神经网络模型的溶解氧的自适应控制方法 |
| CN104865979A (zh) * | 2015-03-02 | 2015-08-26 | 华南理工大学 | 一种污水处理过程自适应广义预测控制方法及系统 |
| CN107402586A (zh) * | 2017-08-29 | 2017-11-28 | 北京易沃特科技有限公司 | 基于深度神经网络的溶解氧浓度控制方法及系统 |
| US20200024168A1 (en) * | 2018-07-18 | 2020-01-23 | Beijing University Of Technology | Intelligent identification method of sludge bulking based on type-2 fuzzy neural network |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115259357A (zh) * | 2022-07-25 | 2022-11-01 | 河南大学 | 基于人工智能的微生物降解控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378533B (zh) | 一种基于大数据分析的智能曝气管理方法 | |
| CN105510546B (zh) | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 | |
| CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
| CN104360035B (zh) | 一种基于自组织粒子群-径向基神经网络的污水总磷tp软测量方法 | |
| CN101630376B (zh) | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 | |
| CN101387632B (zh) | 一种污水处理过程中生化需氧量bod的软测量方法 | |
| US11709463B2 (en) | Control method based on adaptive neural network model for dissolved oxygen of aeration system | |
| Pisa et al. | LSTM-based wastewater treatment plants operation strategies for effluent quality improvement | |
| Jeppsson et al. | Reduced order models for on-line parameter identification of the activated sludge process | |
| CN107402586A (zh) | 基于深度神经网络的溶解氧浓度控制方法及系统 | |
| Li et al. | An effective integrated control with intelligent optimization for wastewater treatment process | |
| CN110320335B (zh) | 一种关于污水处理出水水质指标的多元鲁棒软测量方法 | |
| CN115356930B (zh) | 一种污水处理过程中的多目标优化控制系统及方法 | |
| CN105574326A (zh) | 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 | |
| CN110542748B (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
| CN113189881A (zh) | 一种污水处理多目标优化控制方法及系统 | |
| CN114573096A (zh) | 一种基于微生物群落的污水处理曝气系统控制方法 | |
| CN111125907A (zh) | 一种基于混合智能模型的污水处理氨氮软测量方法 | |
| US20200331783A1 (en) | Decision support system and method for watertreatment | |
| CN103809436A (zh) | 活性污泥法污水处理过程智能建模方法 | |
| Zhao et al. | Seasonal artificial neural network model for water quality prediction via a clustering analysis method in a wastewater treatment plant of China | |
| Huang et al. | A predictive model for determining the nitrite concentration in the effluent of an anammox reactor using ensemble regression tree algorithm | |
| Baeza et al. | In-line fast OUR (oxygen uptake rate) measurements for monitoring and control of WWTP | |
| CN113838542A (zh) | 化学需氧量智能预测方法和系统 | |
| Zhang et al. | Detection of sludge bulking using adaptive fuzzy neural network and mechanism model |
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 |