CN114690700B - 一种基于plc的智能污水处理决策优化方法及系统 - Google Patents

一种基于plc的智能污水处理决策优化方法及系统 Download PDF

Info

Publication number
CN114690700B
CN114690700B CN202210375328.6A CN202210375328A CN114690700B CN 114690700 B CN114690700 B CN 114690700B CN 202210375328 A CN202210375328 A CN 202210375328A CN 114690700 B CN114690700 B CN 114690700B
Authority
CN
China
Prior art keywords
sewage
sewage treatment
plc
evaluation index
representing
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.)
Active
Application number
CN202210375328.6A
Other languages
English (en)
Other versions
CN114690700A (zh
Inventor
周星
冯长江
邢阳
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.)
Automatic Control System Of Zhida Shandong Co ltd
Original Assignee
Automatic Control System Of Zhida Shandong 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 Automatic Control System Of Zhida Shandong Co ltd filed Critical Automatic Control System Of Zhida Shandong Co ltd
Priority to CN202210375328.6A priority Critical patent/CN114690700B/zh
Publication of CN114690700A publication Critical patent/CN114690700A/zh
Application granted granted Critical
Publication of CN114690700B publication Critical patent/CN114690700B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
    • G05B19/058—Safety, monitoring
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/10—Plc systems
    • G05B2219/14—Plc safety
    • G05B2219/14006—Safety, monitoring in general

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Activated Sludge Processes (AREA)
  • Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)

Abstract

本发明涉及污水决策处理的技术领域，公开了一种基于PLC的智能污水处理决策优化方法以及系统，所述方法包括：构建污水质量评价指标体系，获取待处理的污水，从待处理的污水中采集污水质量评价指标数据，并对评价指标数据进行预处理；构建混合污水处理决策优化模型；将预处理后的污水质量评价指标数据输入到混合污水处理决策优化模型中，得到混合污水处理决策的PLC参数配置，对PLC参数配置进行抗干扰处理；将最终得到的PLC参数配置反馈到PLC控制台，PLC控制台依据PLC参数配置进行污水处理参数的修改，并控制污水处理系统执行污水处理。本发明所述方法通过实现污水质量评估，根据质量评估结果得到多步骤的污水处理方案,实现污水处理智能决策优化。

Description

一种基于PLC的智能污水处理决策优化方法及系统
技术领域
本发明涉及污水决策处理的技术领域，尤其涉及一种基于PLC的智能污水处理决策优化方法及系统。
背景技术
随着我国水资源短缺和水污染问题的日益加剧，使得对污水处理厂的优化管理成为势在必行的事情。当前的污水厂虽能保证稳定运行，但在管理与决策方面大多依赖人工经验，无法灵活应对具有极强不确定性的污水处理过程和人工成本的剧增，存在污水处理过程智能化程度低的问题。污水处理系统是一个典型的非线性、多变量、非稳定、时变系统，污水处理设备种类繁多，设备所处环境恶劣，容易出现故障。随着排放标准的逐渐严格，为了满足排放标准，污水处理厂的设计和运行结构越来越复杂，因此依靠传统的经验判断来管理运行污水厂势必存在诸多不足之处，且受个人主观影响较大，不利于城市污水厂处理的可靠性和稳定性。针对该问题，本专利提出一种智能化污水处理决策优化方法。
发明内容
本发明提供一种基于PLC的智能污水处理决策优化方法，目的在于(1)实现污水质量评价指标体系构建；(2)实现污水的处理方法决策以及污水处理方法的实施。
实现上述目的，本发明提供的一种基于PLC的智能污水处理决策优化方法，包括以下步骤：
S1：构建污水质量评价指标体系，获取待处理的污水，利用SCADA系统通过现场检测仪表从待处理的污水中采集污水质量评价指标数据，并对评价指标数据进行预处理，并通过多次采样准确量化指标数据，保证污水质量评价指标数据准确性；
S2：构建混合污水处理决策优化模型，所述污水处理决策优化模型以预处理后的污水指标数据为输入，以PLC设备控制参数为输出，通过二阶梯度优化算法快速训练得到可用的混合污水处理决策优化模型参数；
S3：将预处理后的污水质量评价指标数据输入到混合污水处理决策优化模型中，得到混合污水处理决策的PLC参数配置，对PLC参数配置进行抗干扰处理，减少PLC参数波动，提高PLC配置参数稳定性，得到最终的PLC参数配置；
S4：将最终得到的PLC参数配置反馈到PLC控制台，PLC控制台依据PLC参数配置进行污水处理参数的修改，并控制污水处理系统执行污水处理，实现污水智能决策处理。
作为本发明的进一步改进方法：
所述S1步骤中构建污水质量评价指标体系，包括：
所构建的污水质量评价指标体系为：
{x1,x2,x3,x4,x5,x6,x7,x8}
其中：
x1表示化学需氧量，所述化学需氧量指强化学氧化剂(重铬酸钾)在酸性条件下，将有机物氧化成CO2与H2O所消耗的氧量；
x2表示生化需氧量，所述生化需氧量指水中有机污染物被好氧微生物分解时所需的氧量称为生化需氧量；
x3表示含氨量，所述含氨量指单位水样中包含氨元素的质量；
x4表示含磷量，所述含磷量指单位水样中包含磷元素的质量；
x5表示有机碳含量，所述有机碳含量指单位水样中所有有机污染物质的含碳量；
x6表示含氮量，所述含氮量指单位水样中包含氮元素的质量；
x7表示PH值，表示水样的PH值；
x8表示重金属含量，所述重金属含量指单位水样中包含重金属元素的质量。
所述S1步骤中获取待处理的污水，包括：
所述污水会经过污水排放管道到达污水处理系统的污水存储设备，所述污水处理系统的PLC控制台实时监控污水存储设备中存储的污水容量，若所存储的污水容量达到存储阈值，则将所存储的所有污水排放到污水处理设备中；所述存储阈值为污水存储设备容量的2/3。
所述S1步骤中利用SCADA系统通过现场检测仪表从待处理的污水中采集污水质量评价指标数据，并对评价指标数据进行预处理，包括：
当待处理的所有污水到达污水处理设备时，PLC控制台利用SCADA系统的现场检测仪器检测待处理污水的污水评价指标数据，并对采集到的污水质量评价指标数据进行归一化处理，所述SCADA系统的现场检测仪器部署在污水处理设备底部，所述PLC控制台具有现场检测仪控制开关，当现场检测仪器控制开关的开关点数为0时表示不进行污水评价指标数据检测，当现场检测仪器控制开关的开关点数为1时表示进行污水评价指标数据检测，所述归一化处理公式为：
Figure BDA0003590501370000021
其中：
xij表示采集到指标i的第j个原始数据，i＝1,2,3,4,5,6,7,8；
x′ij表示指标i的第j个归一化数据；
Figure BDA0003590501370000022
表示指标i原始数据的最小值；
Figure BDA0003590501370000023
表示指标i原始数据的最大值。
对归一化后的指标数据进行均值操作获取预处理后的指标数据，所述均值操作公式为：
Figure BDA0003590501370000024
其中：
x′ij表示指标i的第j个归一化数据；
Figure BDA0003590501370000025
表示归一化处理后第i个评价指标的向量数据；
N表示采集到的指标i数据集合中数据元素的个数。在本发明一个具体实施例中，本发明通过多次采样指标数据，取多次采样后的平均指标数据，准确量化指标数据，保证污水质量评价指标数据准确性。
所述S2步骤中构建用于进行污水处理的混合污水处理决策优化模型，包括：
所述基于深度神经网络的污水处理决策优化模型由输入层、输出层和全连接层构成，输入层维度为处理后的评价指标向量，输出层维度为基于组合配置的污水处理决策PLC参数配置，全连接层包含5层，每一层网络节点规模分别为5，10，12，7和5；
基于深度神经网络的污水处理决策优化计算公式为：
y＝[f1(w1p(0)),f2(w2p(1)),f3(w3p(2)),f4(w4p(3)),f5(w5p(4))]
其中：
wk表示第k层全连接层的权重，
Figure BDA0003590501370000026
p(k)表示第k+1层全连接层的输入，同时fk+1(wk+1p(k))为第k+1层全连接层的输出，p(0)表示处理后的评价指标向量；
y表示基于深度神经网络的污水处理决策优化模型输出的PLC参数配置，所述PLC参数包括五个数字量，每个数字量的范围为1-5，每个数字量表示一种污水处理方法，且每个数字量对应一个权重，即数字量fk+1(wk+1p(k))对应的权重为wk+1，数字量所对应的权重越大表示该数字量所对应的污水处理方法在进行污水处理时的顺序越靠前，从而通过构建基于深度神经网络的污水处理决策优化模型，实现对污水处理过程的量化模型表示；在本发明一个具体实施例中，数字量1表示利用粗栅格对污水进行过滤操作，数字量2表示利用细栅格对污水进行过滤操作，所述粗栅格的栅格比细栅格的栅格大小更大，数字量3表示对污水进行加药加氯的混合反应沉淀，数字量4表示利用深床滤池对污水进行深度过滤，数字量5表示不进行污水处理操作。
所述S2步骤中构建混合污水处理决策优化模型的目标函数，包括：
获取用于混合污水处理决策优化模型训练的训练数据集
Figure BDA0003590501370000031
Figure BDA0003590501370000032
其中，
Figure BDA0003590501370000033
表示训练数据集中的一组训练数据，
Figure BDA0003590501370000034
表示该组训练数据的真实PLC参数配置，xn表示该组训练数据的评价指标向量，n表示训练数据集中训练数据的组数；在本发明一个具体实施例中，按照真实PLC参数配置
Figure BDA0003590501370000035
进行PLC控制台的控制决策，可实现评价指标向量xn所对应污水的有效处理；
构建混合污水决策优化模型训练的目标函数：
Figure BDA0003590501370000036
其中：
w表示混合污水决策优化模型中的权重矩阵，w＝(w1,w2,w3,w4,w5)，wu表示混合污水决策优化模型中第u层全连接层的权重；
Figure BDA0003590501370000037
表示第s组训练数据评价指标向量xs所对应的真实PLC参数配置的第u个值；
ys(u)表示第s组训练数据评价指标向量xs所对应的模型输出值中的第u个值；
设定目标函数求解优化的迭代次数为MAX，随机生成一组权重矩阵w0，采用迭代的方式计算得到第h次迭代时目标函数二阶导数的倒数：
Figure BDA0003590501370000038
其中：
h的初始值为0，D0为单位矩阵；
ah＝wh+1-wh，wh表示第h次迭代时目标函数的驻点；
bh＝gh+1-gh；
T表示转置；
I表示单位矩阵；
gh表示第h次迭代时目标函数的导数；
Dh表示第h次迭代时目标函数二阶导数的倒数；
同时采用迭代的方式求解目标函数G(w)的驻点：
wh+1＝wh-Dhgh
其中：
gh表示第h次迭代时目标函数的导数；
Dh表示第h次迭代时目标函数二阶导数的倒数；
h表示迭代次数；
重复上述目标函数驻点的求解流程，直到h＝MAX，对此时求解得到的wMAX中的(w1,w2,w3,w4,w5)进行等比例处理，使得w1:w2:w3:w4:w5保持不变且
Figure BDA0003590501370000039
处理后的(w1,w2,w3,w4,w5)即为目标函数中权重矩阵的值，通过采用二阶梯度优化算法快速训练得到可用的模型参数，提高目标函数优化效率，为污水智能实时处理提供支撑；本方案算法的硬件测试环境为：Inter(R)Core(TM)i7-6700K CPU，软件为Matlab2018b，目标函数优化的测试对比算法包括随机梯度下降算法、粒子群优化算法、Adam算法以及本方案所提出的二阶梯度优化算法，随机梯度下降算法的参数优化时间为20分19秒，占用CPU计算资源为15％，粒子群优化算法的参数优化时间为21分32秒，占用CPU计算资源为28％，Adam算法的参数优化时间为19分51秒，占用CPU计算资源为21％，二阶梯度优化算法的参数优化时间为15分12秒，占用CPU计算资源为18％，相较于传统目标函数优化算法，本方案所述算法可以在占用CPU计算资源较小的情况下，更快计算得到可用的模型参数，为污水智能实时处理提供支撑。
所述S3步骤中将预处理后的污水质量评价指标数据输入到混合污水处理决策优化模型中，得到混合污水处理决策的PLC参数配置，并对得到的PLC参数配置进行抗干扰处理，包括：
将预处理后的污水质量评价指标数据向量
Figure BDA0003590501370000041
输入到混合污水处理决策优化模型中，得到用于污水处理决策的PLC参数配置y′，并对PLC参数配置y′进行抗干扰处理，所述混合污水处理决策优化模型部署在污水处理设备，所述抗干扰处理的计算公式为：
y*＝C-1y′+σ
其中：
C-1表示污水处理系统稳定性矩阵的逆，所述污水处理系统稳定性矩阵包括系统当前处理污水的总量，系统各设备的运行功率，污水存储设备的可用容量，本方案通过模拟不同的系统当前处理污水的总量、系统各设备运行功率以及污水存储设备的可用容量，分别利用PLC参数配置y′以及抗干扰处理后的PLC参数配置对系统进行参数配置，系统根据参数配置结果进行污水处理，当系统各设备运行功率较低时，基于经抗干扰处理的PLC参数配置的系统处理污水的时间为未经抗干扰处理的85％，污水物质残留量为未经抗干扰处理的60％，而当系统当前处理污水总量更多、污水存储设备可用容量更低时，基于经抗干扰处理PLC参数配置的系统处理污水的时间为未经抗干扰处理系统的60％，污水物质残留量为未经抗干扰处理系统的55％，因此，当利用混合污水处理决策优化模型得到系统的PLC配置参数，在系统各设备运行功率不稳定、系统当前处理污水的总量过多以及污水存储设备的可用容量较低时，基于未经抗干扰处理PLC配置参数的污水处理系统的污水处理效率不稳定，且随着系统各设备运行功率降低、系统当前处理污水的总量增加以及污水存储设备的可用容量降低时，基于未经抗干扰处理PLC配置参数的污水处理系统的处理污水时间以及污水处理后的污水物质残留量均会增加，说明对于未经抗干扰处理的PLC参数配置，系统的环境变化会引起PLC参数波动，影响污水处理的效率，因此本方案通过抗干扰处理提高污水处理模型的PLC参数配置稳定性，降低参数波动，提高污水处理的稳定性；
σ表示系统噪声；
y*表示进行抗干扰处理后的PLC参数配置，在本发明一个具体实施例中，对PLC参数配置y*中的数字量进行向上取整处理。
所述S4步骤中将最终得到的PLC参数配置反馈到PLC控制台，PLC控制台控制污水处理系统执行污水处理，包括：
将最终得到的PLC参数配置y*反馈到PLC控制台，PLC控制台依据PLC参数配置y*决定污水处理的方法和流程，控制污水处理系统中的污水处理设备执行污水处理，将污水处理后得到的污泥经由污泥泵池排放到污泥硝化池，污水处理后的净水作为自来水厂的供应水源。
此外，本发明还提供一种污水处理系统，其特征在于，所述系统包括：
PLC控制台，所述PLC控制台具有两种控制模式，包括自动控制模式以及手动控制模式，手动控制模式分为远程手动控制模式以及本地手动控制模式，其中本地手动控制模式的控制优先级最高，自动控制模式的控制优先级最低，在默认情况下，PLC控制台按照自动控制模式自动发出污水处理的信号指令，操作员可随时发起手动控制模式接管PLC控制台；所述PLC控制台可以执行控制污水进入污水处理系统，控制污水的处理方法，控制处理后污水的排放，实现污水处理智能决策优化，提高污水处理的自动化和智能化程度；
污水存储设备，用于存储经过污水排放管道到达污水处理系统的污水，若所存储的污水容量达到存储阈值，则将所存储的所有污水排放到污水处理设备中；
污水处理设备，用于执行PLC控制台所确定的污水处理方法及步骤；
污泥泵池，用于存储污水处理后留下的污泥，并将污泥排放到污泥硝化池。
相对于现有技术，本发明提出一种基于PLC的智能污水处理决策优化方法，该技术具有以下优势：
首先，本方案提出一种多指标的污水质量评价体系，所提出的污水质量评价体系包含了污水的多个评价指标，有利于辅助污水处理系统进行更为准确的污水质量判断，决策得到更为有效的污水处理方法，所构建的污水质量评价指标体系为：
{x1,x2,x3,x4,x5,x6,x7,x8}
其中：x1表示化学需氧量，所述化学需氧量指强化学氧化剂(重铬酸钾)在酸性条件下，将有机物氧化成CO2与H2O所消耗的氧量；x2表示生化需氧量，所述生化需氧量指水中有机污染物被好氧微生物分解时所需的氧量称为生化需氧量；x3表示含氨量，所述含氨量指单位水样中包含氨元素的质量；x4表示含磷量，所述含磷量指单位水样中包含磷元素的质量；x5表示有机碳含量，所述有机碳含量指单位水样中所有有机污染物质的含碳量；x6表示含氮量，所述含氮量指单位水样中包含氮元素的质量；x7表示PH值，表示水样的PH值；x8表示重金属含量，所述重金属含量指单位水样中包含重金属元素的质量。
同时，本方案提出一种基于PLC的污水处理决策方法，利用PLC控制台控制污水进入污水处理系统的污水存储设备，若污水存储设备所存储的污水容量达到存储阈值，则将所存储的所有污水排放到污水处理设备中，在污水处理设备中，依据所构建的污水质量评价体系，利用SCADA系统通过现场检测仪表从待处理的污水中采集污水质量评价指标数据，并对评价指标数据进行预处理，并构建用于进行污水处理的混合污水处理决策优化模型，所述基于深度神经网络的污水处理决策优化模型由输入层、输出层和全连接层构成，输入层维度为处理后的评价指标向量，输出层维度为基于组合配置的污水处理决策PLC参数配置，全连接层包含5层，每一层网络节点规模分别为5，10，12，7和5；基于深度神经网络的污水处理决策优化计算公式为：
y＝[f1(w1p(0)),f2(w2p(1)),f3(w3p(2)),f4(w4p(3)),f5(w5p(4))]
其中：wk表示第k层全连接层的权重，
Figure BDA0003590501370000051
p(k)表示第k+1层全连接层的输入，同时fk+1(wk+1p(k))为第k+1层全连接层的输出，p(0)表示处理后的评价指标向量；y表示基于深度神经网络的污水处理决策优化模型输出的PLC参数配置，所述PLC参数包括五个数字量，每个数字量的范围为1-5，每个数字量表示一种污水处理方法，且每个数字量对应一个权重，即数字量fk+1(wk+1p(k))对应的权重为wk+1，数字量所对应的权重越大表示该数字量所对应的污水处理方法在进行污水处理时的顺序越靠前；其中数字量1表示利用粗栅格对污水进行过滤操作，数字量2表示利用细栅格对污水进行过滤操作，所述粗栅格的栅格比细栅格的栅格大小更大，数字量3表示对污水进行加药加氯的混合反应沉淀，数字量4表示利用深床滤池对污水进行深度过滤，数字量5表示不进行污水处理操作。相较于传统方案，所述基于深度神经网络的污水处理决策优化模型利用不同节点的全连接层提取不同深度的污水特征，从而得到多步骤的污水处理决策方法，并通过构建基于深度神经网络的污水处理决策优化模型，实现对污水处理过程的量化模型表示，而传统方案只能得到一种污水处理方法，同时本方案根据不同污水处理方法的权重，确定不同污水处理方法的步骤顺序，避免了PLC控制台无法进行多种处理步骤自动选取的问题，实现更为科学有效的污水处理。通过将最终得到的PLC参数配置y*反馈到PLC控制台，PLC控制台依据PLC参数配置y*决定污水处理的方法和流程，控制污水处理系统中的污水处理设备执行污水处理，将污水处理后得到的污泥经由污泥泵池排放到污泥硝化池，污水处理后的净水作为自来水厂的供应水源，从而基于PLC实现污水的智能化以及自动化处理。
最后，本方案提出一种混合污水处理决策优化模型的训练流程，获取用于混合污水处理决策优化模型训练的训练数据集
Figure BDA0003590501370000061
其中，
Figure BDA0003590501370000062
表示训练数据集中的一组训练数据，
Figure BDA0003590501370000063
表示该组训练数据的真实PLC参数配置，xn表示该组训练数据的评价指标向量，n表示训练数据集中训练数据的组数；构建混合污水决策优化模型训练的目标函数：
Figure BDA0003590501370000064
其中：w表示混合污水决策优化模型中的权重矩阵，w＝(w1,w2,w3,w4,w5)，wu表示混合污水决策优化模型中第u层全连接层的权重；
Figure BDA0003590501370000065
表示第s组训练数据评价指标向量xs所对应的真实PLC参数配置的第u个值；ys(u)表示第s组训练数据评价指标向量xs所对应的模型输出值中的第u个值；在本方案中，目标函数的值越小，表明训练数据中的真实PLC参数配置与模型输出的PLC参数配置之间的误差越小，模型的准确率越高，因此本方案将模型中不同全连接层的权重值作为未知量，采用迭代的方式使得目标函数收敛，求解得到不同全连接层的权重，所述迭代求解的流程为：设定目标函数求解优化的迭代次数为MAX，随机生成一组权重矩阵w0，采用迭代的方式计算得到第h次迭代时目标函数二阶导数的倒数：
Figure BDA0003590501370000066
其中：h的初始值为0，D0为单位矩阵；ah＝wh+1-wh，wh表示第h次迭代时目标函数的驻点；bh＝gh+1-gh；T表示转置；I表示单位矩阵；同时采用迭代的方式求解目标函数G(w)的驻点：
wh+1＝wh-Dhgh
其中：gh表示第h次迭代时目标函数的导数；Dh表示第h次迭代时目标函数二阶导数的倒数；h表示迭代次数；重复上述目标函数驻点的求解流程，直到h＝MAX，对此时求解得到的wMAX中的(w1,w2,w3,w4,w5)进行等比例处理，使得w1:w2:w3:w4:w5保持不变且
Figure BDA0003590501370000067
处理后的(w1,w2,w3,w4,w5)即为目标函数中权重矩阵的值，并将权重矩阵中的权重值作为不同全连接层的权重参数，通过利用二阶梯度优化算法对目标函数进行优化处理，提高目标函数优化效率，为污水智能实时处理提供支撑。
附图说明
图1为本发明一实施例提供的一种基于PLC的智能污水处理决策优化方法的流程示意图；
图2为本发明一实施例提供的一种污水处理系统的结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
S1：构建污水质量评价指标体系，获取待处理的污水，利用SCADA系统通过现场检测仪表从待处理的污水中采集污水质量评价指标数据，并对评价指标数据进行预处理，并通过多次采样准确量化指标数据，保证污水质量评价指标数据准确性。
所述S1步骤中构建污水质量评价指标体系，包括：
所构建的污水质量评价指标体系为：
{x1,x2,x3,x4,x5,x6,x7,x8}
其中：
x1表示化学需氧量，所述化学需氧量指强化学氧化剂(重铬酸钾)在酸性条件下，将有机物氧化成CO2与H2O所消耗的氧量；
x2表示生化需氧量，所述生化需氧量指水中有机污染物被好氧微生物分解时所需的氧量称为生化需氧量；
x3表示含氨量，所述含氨量指单位水样中包含氨元素的质量；
x4表示含磷量，所述含磷量指单位水样中包含磷元素的质量；
x5表示有机碳含量，所述有机碳含量指单位水样中所有有机污染物质的含碳量；
x6表示含氮量，所述含氮量指单位水样中包含氮元素的质量；
x7表示PH值，表示水样的PH值；
x8表示重金属含量，所述重金属含量指单位水样中包含重金属元素的质量。
所述S1步骤中获取待处理的污水，包括：
所述污水会经过污水排放管道到达污水处理系统的污水存储设备，所述污水处理系统的PLC控制台实时监控污水存储设备中存储的污水容量，若所存储的污水容量达到存储阈值，则将所存储的所有污水排放到污水处理设备中；所述存储阈值为污水存储设备容量的2/3。
所述S1步骤中利用SCADA系统通过现场检测仪表从待处理的污水中采集污水质量评价指标数据，并对评价指标数据进行预处理，包括：
当待处理的所有污水到达污水处理设备时，PLC控制台利用SCADA系统的现场检测仪器检测待处理污水的污水评价指标数据，并对采集到的污水质量评价指标数据进行归一化处理，所述SCADA系统的现场检测仪器部署在污水处理设备底部，所述PLC控制台具有现场检测仪控制开关，当现场检测仪器控制开关的开关点数为0时表示不进行污水评价指标数据检测，当现场检测仪器控制开关的开关点数为1时表示进行污水评价指标数据检测，所述归一化处理公式为：
Figure BDA0003590501370000071
其中：
xij表示采集到指标i的第j个原始数据，i＝1,2,3,4,5,6,7,8；
x′ij表示指标i的第j个归一化数据；
Figure BDA0003590501370000072
表示指标i原始数据的最小值；
Figure BDA0003590501370000073
表示指标i原始数据的最大值。
对归一化后的指标数据进行均值操作获取预处理后的指标数据，所述均值操作公式为：
Figure BDA0003590501370000074
其中：
x′ij表示指标i的第j个归一化数据；
Figure BDA0003590501370000075
表示归一化处理后第i个评价指标的向量数据；
N表示采集到的指标i数据集合中数据元素的个数。
S2：构建混合污水处理决策优化模型，所述污水处理决策优化模型以预处理后的污水指标数据为输入，以PLC设备控制参数为输出，通过二阶梯度优化算法快速训练得到可用的混合污水处理决策优化模型参数。
所述S2步骤中构建用于进行污水处理的混合污水处理决策优化模型，包括：
所述基于深度神经网络的污水处理决策优化模型由输入层、输出层和全连接层构成，输入层维度为处理后的评价指标向量，输出层维度为基于组合配置的污水处理决策PLC参数配置，全连接层包含5层，每一层网络节点规模分别为5，10，12，7和5；
基于深度神经网络的污水处理决策优化计算公式为：
y＝[f1(w1p(0)),f2(w2p(1)),f3(w3p(2)),f4(w4p(3)),f5(w5p(4))]
其中：
wk表示第k层全连接层的权重，
Figure BDA0003590501370000081
p(k)表示第k+1层全连接层的输入，同时fk+1(wk+1p(k))为第k+1层全连接层的输出，p(0)表示处理后的评价指标向量；
y表示基于深度神经网络的污水处理决策优化模型输出的PLC参数配置，所述PLC参数包括五个数字量，每个数字量的范围为1-5，每个数字量表示一种污水处理方法，且每个数字量对应一个权重，即数字量fk+1(wk+1p(k))对应的权重为wk+1，数字量所对应的权重越大表示该数字量所对应的污水处理方法在进行污水处理时的顺序越靠前；在本发明一个具体实施例中，数字量1表示利用粗栅格对污水进行过滤操作，数字量2表示利用细栅格对污水进行过滤操作，所述粗栅格的栅格比细栅格的栅格大小更大，数字量3表示对污水进行加药加氯的混合反应沉淀，数字量4表示利用深床滤池对污水进行深度过滤，数字量5表示不进行污水处理操作。
所述S2步骤中构建混合污水处理决策优化模型的目标函数，包括：
获取用于混合污水处理决策优化模型训练的训练数据集
Figure BDA0003590501370000082
Figure BDA0003590501370000083
其中，
Figure BDA0003590501370000084
表示训练数据集中的一组训练数据，
Figure BDA0003590501370000085
表示该组训练数据的真实PLC参数配置，xn表示该组训练数据的评价指标向量，n表示训练数据集中训练数据的组数；在本发明一个具体实施例中，按照真实PLC参数配置
Figure BDA0003590501370000086
进行PLC控制台的控制决策，可实现评价指标向量xn所对应污水的有效处理；
构建混合污水决策优化模型训练的目标函数：
Figure BDA0003590501370000087
其中：
w表示混合污水决策优化模型中的权重矩阵，w＝(w1,w2,w3,w4,w5)，wu表示混合污水决策优化模型中第u层全连接层的权重；
Figure BDA0003590501370000088
表示第s组训练数据评价指标向量xs所对应的真实PLC参数配置的第u个值；
ys(u)表示第s组训练数据评价指标向量xs所对应的模型输出值中的第u个值；
设定目标函数求解优化的迭代次数为MAX，随机生成一组权重矩阵w0，采用迭代的方式计算得到第h次迭代时目标函数二阶导数的倒数：
Figure BDA0003590501370000089
其中：
h的初始值为0，D0为单位矩阵；
ah＝wh+1-wh，wh表示第h次迭代时目标函数的驻点；
bh＝gh+1-gh；
T表示转置；
I表示单位矩阵；
gh表示第h次迭代时目标函数的导数；
Dh表示第h次迭代时目标函数二阶导数的倒数；
同时采用迭代的方式求解目标函数G(w)的驻点：
wh+1＝wh-Dhgh
其中：
gh表示第h次迭代时目标函数的导数；
Dh表示第h次迭代时目标函数二阶导数的倒数；
h表示迭代次数；
重复上述目标函数驻点的求解流程，直到h＝MAX，对此时求解得到的wMAX中的(w1,w2,w3,w4,w5)进行等比例处理，使得w1:w2:w3:w4:w5保持不变且
Figure BDA0003590501370000091
处理后的(w1,w2,w3,w4,w5)即为目标函数中权重矩阵的值。
S3：将预处理后的污水质量评价指标数据输入到混合污水处理决策优化模型中，得到混合污水处理决策的PLC参数配置，对PLC参数配置进行抗干扰处理，减少PLC参数波动，提高PLC配置参数稳定性，得到最终的PLC参数配置。
所述S3步骤中将预处理后的污水质量评价指标数据输入到混合污水处理决策优化模型中，得到混合污水处理决策的PLC参数配置，并对得到的PLC参数配置进行抗干扰处理，包括：
将预处理后的污水质量评价指标数据向量
Figure BDA0003590501370000092
输入到混合污水处理决策优化模型中，得到用于污水处理决策的PLC参数配置y′，并对PLC参数配置y′进行抗干扰处理，所述混合污水处理决策优化模型部署在污水处理设备，所述抗干扰处理的计算公式为：
y*＝C-1y′+σ
其中：
C-1表示污水处理系统稳定性矩阵的逆，所述污水处理系统稳定性矩阵包括系统当前处理污水的总量，系统各设备的运行功率，污水存储设备的可用容量；
σ表示系统噪声；
y*表示进行抗干扰处理后的PLC参数配置，在本发明一个具体实施例中，对PLC参数配置y*中的数字量进行向上取整处理。
S4：将最终得到的PLC参数配置反馈到PLC控制台，PLC控制台依据PLC参数配置进行污水处理参数的修改，并控制污水处理系统执行污水处理，实现污水智能决策处理。
所述S4步骤中将最终得到的PLC参数配置反馈到PLC控制台，PLC控制台控制污水处理系统执行污水处理，包括：
将最终得到的PLC参数配置y*反馈到PLC控制台，PLC控制台依据PLC参数配置y*决定污水处理的方法和流程，控制污水处理系统中的污水处理设备执行污水处理，将污水处理后得到的污泥经由污泥泵池排放到污泥硝化池，污水处理后的净水作为自来水厂的供应水源。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于PLC的智能污水处理决策优化方法，其特征在于，所述方法包括：
S1：构建污水质量评价指标体系，获取待处理的污水，利用SCADA系统通过现场检测仪表从待处理的污水中采集污水质量评价指标数据，并对评价指标数据进行预处理；
S2：构建混合污水处理决策优化模型，所述污水处理决策优化模型以预处理后的污水指标数据为输入，以PLC设备控制参数为输出，通过二阶梯度优化算法快速训练得到可用的混合污水处理决策优化模型参数，其中所述通过二阶梯度优化算法快速训练得到可用的混合污水处理决策优化模型参数，包括：
设定目标函数求解优化的迭代次数为MAX，随机生成一组权重矩阵w0，采用迭代的方式计算得到第h次迭代时目标函数二阶导数的倒数：
Figure FDA0003975773140000011
其中：
h的初始值为0，D0为单位矩阵；
ah＝wh+1-wh，wh表示第h次迭代时目标函数的驻点；
bh＝gh+1-gh；
T表示转置；
I表示单位矩阵；
gh表示第h次迭代时目标函数的导数；
Dh表示第h次迭代时目标函数二阶导数的倒数；
采用迭代的方式求解目标函数G(w)的驻点：
wh+1＝wh-Dhgh
其中：
gh表示第h次迭代时目标函数的导数；
Dh表示第h次迭代时目标函数二阶导数的倒数；
h表示迭代次数；
重复上述目标函数驻点的求解流程，直到h＝MAX，对此时求解得到的wMAX中的(w1,w2,w3,w4,w5)进行等比例处理，使得w1:w2:w3:w4:w5保持不变且
Figure FDA0003975773140000012
处理后的(w1,w2,w3,w4,w5)即为目标函数中权重矩阵的值；
S3：将预处理后的污水质量评价指标数据输入到混合污水处理决策优化模型中，得到混合污水处理决策的PLC参数配置，对PLC参数配置进行抗干扰处理，得到最终的PLC参数配置；
S4：将最终得到的PLC参数配置反馈到PLC控制台，PLC控制台依据PLC参数配置进行污水处理参数的修改，并控制污水处理系统执行污水处理。
2.如权利要求1所述的一种基于PLC的智能污水处理决策优化方法，其特征在于，所述S1步骤中构建污水质量评价指标体系，包括：
所构建的污水质量评价指标体系为：
{x1,x2,x3,x4,x5,x6,x7,x8}
其中：
x1表示化学需氧量，所述化学需氧量指强化学氧化剂在酸性条件下，将有机物氧化成CO2与H2O所消耗的氧量；
x2表示生化需氧量，所述生化需氧量指水中有机污染物被好氧微生物分解时所需的氧量称为生化需氧量；
x3表示含氨量，所述含氨量指单位水样中包含氨元素的质量；
x4表示含磷量，所述含磷量指单位水样中包含磷元素的质量；
x5表示有机碳含量，所述有机碳含量指单位水样中所有有机污染物质的含碳量；
x6表示含氮量，所述含氮量指单位水样中包含氮元素的质量；
x7表示PH值，表示水样的PH值；
x8表示重金属含量，所述重金属含量指单位水样中包含重金属元素的质量。
3.如权利要求1所述的一种基于PLC的智能污水处理决策优化方法，其特征在于，所述S1步骤中获取待处理的污水，包括：
所述污水会经过污水排放管道到达污水处理系统的污水存储设备，所述污水处理系统的PLC控制台实时监控污水存储设备中存储的污水容量，若所存储的污水容量达到存储阈值，则将所存储的所有污水排放到污水处理设备中；所述存储阈值为污水存储设备容量的2/3。
4.如权利要求2-3任一所述的一种基于PLC的智能污水处理决策优化方法，其特征在于，所述S1步骤中利用SCADA系统通过现场检测仪表从待处理的污水中采集污水质量评价指标数据，并对评价指标数据进行预处理，包括：
当待处理的所有污水到达污水处理设备时，PLC控制台利用SCADA系统的现场检测仪器检测待处理污水的污水评价指标数据，并对采集到的污水质量评价指标数据进行归一化处理，所述SCADA系统的现场检测仪器部署在污水处理设备底部，所述归一化处理公式为：
Figure FDA0003975773140000021
其中：
xij表示采集到指标i的第j个原始数据，i＝1,2,3,4,5,6,7,8；
x′ij表示指标i的第j个归一化数据；
Figure FDA0003975773140000022
表示指标i原始数据的最小值；
Figure FDA0003975773140000023
表示指标i原始数据的最大值；
对归一化后的指标数据进行均值操作获取预处理后的指标数据，所述均值操作公式为：
Figure FDA0003975773140000024
其中：
x′ij表示指标i的第j个归一化数据；
Figure FDA0003975773140000025
表示归一化处理后第i个评价指标的向量数据；
N表示采集到的指标i数据集合中数据元素的个数。
5.如权利要求1所述的一种基于PLC的智能污水处理决策优化方法，其特征在于，所述S2步骤中构建用于进行污水处理的混合污水处理决策优化模型，包括：
基于深度神经网络的污水处理决策优化模型由输入层、输出层和全连接层构成，输入层维度为处理后的评价指标向量，输出层维度为基于组合配置的污水处理决策PLC参数配置，全连接层包含5层，每一层网络节点规模分别为5，10，12，7和5；
基于深度神经网络的污水处理决策优化计算公式为：
y＝[f1(w1p(0)),f2(w2p(1)),f3(w3p(2)),f4(w4p(3)),f5(w5p(4))]
其中：
wk表示第k层全连接层的权重，
Figure FDA0003975773140000031
p(k)表示第k+1层全连接层的输入，同时fk+1(wk+1p(k))为第k+1层全连接层的输出，p(0)表示处理后的评价指标向量；
y表示基于深度神经网络的污水处理决策优化模型输出的PLC参数配置，所述PLC参数包括五个数字量，每个数字量的范围为1-5，每个数字量表示一种污水处理方法，且每个数字量对应一个权重，即数字量fk+1(wk+1p(k))对应的权重为wk+1，数字量所对应的权重越大表示该数字量所对应的污水处理方法在进行污水处理时的顺序越靠前。
6.如权利要求5所述的一种基于PLC的智能污水处理决策优化方法，其特征在于，所述S2步骤中构建混合污水处理决策优化模型的目标函数，包括：
获取用于混合污水处理决策优化模型训练的训练数据集
Figure FDA0003975773140000032
Figure FDA0003975773140000033
其中，
Figure FDA0003975773140000034
表示训练数据集中的一组训练数据，
Figure FDA0003975773140000035
表示该组训练数据的真实PLC参数配置，xn表示该组训练数据的评价指标向量，n表示训练数据集中训练数据的组数；
构建混合污水决策优化模型训练的目标函数：
Figure FDA0003975773140000036
其中：
w表示混合污水决策优化模型中的权重矩阵，w＝(w1,w2,w3,w4,w5)，wu表示混合污水决策优化模型中第u层全连接层的权重；
Figure FDA0003975773140000037
表示第s组训练数据评价指标向量xs所对应的真实PLC参数配置的第u个值；
ys(u)表示第s组训练数据评价指标向量xs所对应的模型输出值中的第u个值。
7.如权利要求5-6任一所述的一种基于PLC的智能污水处理决策优化方法，其特征在于，所述S3步骤中将预处理后的污水质量评价指标数据输入到混合污水处理决策优化模型中，得到混合污水处理决策的PLC参数配置，并对得到的PLC参数配置进行抗干扰处理，包括：
将预处理后的污水质量评价指标数据向量
Figure FDA0003975773140000038
输入到混合污水处理决策优化模型中，得到用于污水处理决策的PLC参数配置y′，并对PLC参数配置y′进行抗干扰处理，所述混合污水处理决策优化模型部署在污水处理设备，所述抗干扰处理的计算公式为：
y*＝C-1y′+σ
其中：
C-1表示污水处理系统稳定性矩阵的逆，所述污水处理系统稳定性矩阵包括系统当前处理污水的总量，系统各设备的运行功率，污水存储设备的可用容量；
σ表示系统噪声；
y*表示进行抗干扰处理后的PLC参数配置。
8.如权利要求1所述的一种基于PLC的智能污水处理决策优化方法，其特征在于，所述S4步骤中将最终得到的PLC参数配置反馈到PLC控制台，PLC控制台控制污水处理系统执行污水处理，包括：
将最终得到的PLC参数配置y*反馈到PLC控制台，PLC控制台依据PLC参数配置y*决定污水处理的方法和流程，控制污水处理系统中的污水处理设备执行污水处理，将污水处理后得到的污泥经由污泥泵池排放到污泥硝化池，污水处理后的净水作为自来水厂的供应水源。
9.一种污水处理系统，其特征在于，所述系统包括：
PLC控制台，所述PLC控制台具有两种控制模式，包括自动控制模式以及手动控制模式，手动控制模式分为远程手动控制模式以及本地手动控制模式，其中本地手动控制模式的控制优先级最高，自动控制模式的控制优先级最低，在默认情况下，PLC控制台按照自动控制模式自动发出污水处理的信号指令，操作员可随时发起手动控制模式接管PLC控制台；所述PLC控制台可以执行控制污水进入污水处理系统，控制污水的处理方法，控制处理后污水的排放；
污水存储设备，用于存储经过污水排放管道到达污水处理系统的污水，若所存储的污水容量达到存储阈值，则将所存储的所有污水排放到污水处理设备中；
污水处理设备，用于执行PLC控制台所确定的污水处理方法及步骤；
污泥泵池，用于存储污水处理后留下的污泥，并将污泥排放到污泥硝化池，以实现如权利要求1所述的一种基于PLC的智能污水处理决策优化方法。
CN202210375328.6A 2022-04-11 2022-04-11 一种基于plc的智能污水处理决策优化方法及系统 Active CN114690700B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210375328.6A CN114690700B (zh) 2022-04-11 2022-04-11 一种基于plc的智能污水处理决策优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210375328.6A CN114690700B (zh) 2022-04-11 2022-04-11 一种基于plc的智能污水处理决策优化方法及系统

Publications (2)

Publication Number Publication Date
CN114690700A CN114690700A (zh) 2022-07-01
CN114690700B true CN114690700B (zh) 2023-02-28

Family

ID=82142708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210375328.6A Active CN114690700B (zh) 2022-04-11 2022-04-11 一种基于plc的智能污水处理决策优化方法及系统

Country Status (1)

Country Link
CN (1) CN114690700B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115920691B (zh) * 2023-02-09 2023-05-16 深圳市万物生生物石油环保科技有限公司 一种用于石油油污的新型污水处理装置及控制方法
CN116203891B (zh) * 2023-04-28 2023-08-04 深圳华龙讯达信息技术股份有限公司 一种基于plc的自动化控制决策优化方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106873379A (zh) * 2017-03-31 2017-06-20 北京工业大学 一种基于迭代adp算法的污水处理最优控制方法
CN106920007A (zh) * 2017-02-27 2017-07-04 北京工业大学 基于二阶自组织模糊神经网络的pm2.5智能预测方法
CN111381502A (zh) * 2020-05-09 2020-07-07 青岛大学 一种基于模仿学习和专家系统的智慧污水管控系统
CN112561028A (zh) * 2019-09-25 2021-03-26 华为技术有限公司 训练神经网络模型的方法、数据处理的方法及装置
CN113837356A (zh) * 2021-08-24 2021-12-24 华南师范大学 基于融合神经网络的污水处理智能预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920007A (zh) * 2017-02-27 2017-07-04 北京工业大学 基于二阶自组织模糊神经网络的pm2.5智能预测方法
CN106873379A (zh) * 2017-03-31 2017-06-20 北京工业大学 一种基于迭代adp算法的污水处理最优控制方法
CN112561028A (zh) * 2019-09-25 2021-03-26 华为技术有限公司 训练神经网络模型的方法、数据处理的方法及装置
CN111381502A (zh) * 2020-05-09 2020-07-07 青岛大学 一种基于模仿学习和专家系统的智慧污水管控系统
CN113837356A (zh) * 2021-08-24 2021-12-24 华南师范大学 基于融合神经网络的污水处理智能预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
关键传动件变工况下的时变信...征及自适应监测诊断方法研究;陈鹏;《中国博士学位论文全文数据库》;20210331(第3期);全文 *

Also Published As

Publication number Publication date
CN114690700A (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN114690700B (zh) 一种基于plc的智能污水处理决策优化方法及系统
Han et al. A soft computing method to predict sludge volume index based on a recurrent self-organizing neural network
CN111354423B (zh) 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法
AU2021101438A4 (en) Adaptive control method and system for aeration process
Güçlü et al. Artificial neural network modelling of a large-scale wastewater treatment plant operation
CN108469507B (zh) 一种基于自组织rbf神经网络的出水bod软测量方法
CN109344971B (zh) 一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法
CN109657790B (zh) 一种基于pso的递归rbf神经网络出水bod预测方法
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
Zhang et al. An integrated prediction model of heavy metal ion concentration for iron electrocoagulation process
CN115793471A (zh) 一种基于污水处理监测的可调式控制方法及系统
CN109473182A (zh) 一种基于深度信念网络的mbr膜透水率智能检测方法
Han et al. An intelligent detecting system for permeability prediction of MBR
CN115527628A (zh) 城市污水化学除磷工艺的在线控制方法及系统
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
Salles et al. Dynamic setpoint optimization using metaheuristic algorithms for wastewater treatment plants
CN105372995A (zh) 污水处理系统测控方法
CN110991616B (zh) 一种基于删减型前馈小世界神经网络出水bod预测方法
CN116681174A (zh) 污水处理生化池曝气量预测方法、系统、设备及介质
Pai et al. Comparisons of grey and neural network prediction of industrial park wastewater effluent using influent quality and online monitoring parameters
Güçlü et al. Amelioration of carbon removal prediction for an activated sludge process using an artificial neural network (ANN)
CN115456243A (zh) 一种水质预测方法、装置、计算机设备及存储介质
Sainz et al. Recurrent neuro-fuzzy modeling of a wastewater treatment plant
Aparna et al. Enhancing Wastewater Treatment Plant Efficiency: Constraint Optimization and Regression Analysis 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
GR01 Patent grant
GR01 Patent grant