CN116029589A - 基于两段式rbf的农村生活污水动植物油在线监测方法 - Google Patents
基于两段式rbf的农村生活污水动植物油在线监测方法 Download PDFInfo
- Publication number
- CN116029589A CN116029589A CN202211607695.0A CN202211607695A CN116029589A CN 116029589 A CN116029589 A CN 116029589A CN 202211607695 A CN202211607695 A CN 202211607695A CN 116029589 A CN116029589 A CN 116029589A
- Authority
- CN
- China
- Prior art keywords
- animal
- vegetable oil
- water inlet
- concentration
- output
- 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
Links
Images
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于两段式RBF的农村生活污水动植物油在线监测方法,属于农村生活污水处理领域。本发明基于径向基函数神经网络回归分析开发了一种程序简单、检测结果可靠的含油农村生活污水动植物油浓度在线监测方法。该方法通过对常规水质监测系统累积的历史水质数据、实时监测数据和动植物油浓度季节性变化时序特征的两段式学习和数据挖掘,实现了进/出水动植物油浓度的快速测定和在线监测,可满足农村生活污水动植物油浓度的常态化监测需求。
Description
技术领域
本发明属于农村生活污水处理领域,具体涉及一种基于两段式RBF的农村经营户污水动植物油在线监测方法。
背景技术
动植物油是农村生活污水中的常见污染物之一,主要来源于农户家庭的日常烹饪饮食,少量产生自含油脂的化妆品。在已实施污水收集和集中处理的农村地区,其主要通过厨房和卫生间的下水管道进入接户井,并入管网,进入处理终端并发生排放。另一方面,随着乡村旅游的兴起和发展,农家乐、民宿等形式的农村旅游产品逐渐被人们喜爱和追捧。该些类型的旅游产品集住宿和餐饮于一体,形成“农村经营户污水”。该部分农污水的排放没有经过特殊的处理和形成专门的通道,仍通过现有的农村污水管道进行排放。《农村生活污水处理设施污水排入标准》(DB33/T1196-2020)规定了餐饮类农村经营户污水排水户污水中动植物油浓度不高于50mg/L。《农村生活污水集中处理设施水污染物排放标准》(DB33/973-2021)规定了新(改、扩)建处理设施中,排入含油污水处理设施的动植物油最高允许排放浓度的一级和二级标准分别为3mg/L和5mg/L。尽管当前提供餐饮服务的农户基本都安装有隔油池,但实际隔油池清掏和维护情况难以监管,导致农村经营户集中区域的污水处理终端易发生进/出水动植物油超标及油脂堵塞管道、格栅的情况,加重运维压力,并给COD、氮、磷等常规污染物的有效去除带来隐患。
依据国标法,即红外分光光度法(水质石油类和动植物油类的测定HJ 637-2018),检测水中的动植物油浓度需要通过萃取分别测定油类和石油类的含量后取两者之差,对于无法在24h内检测的样品,要求0~4℃冷藏保存,不仅难以实现原位的在线测定,检测周期过长,且用作萃取剂的四氯乙烯为列入有毒有害水污染物名录的2A类致癌物。可见,按照国标法离线测定难以满足当前农村经营户餐饮类污水动植物油浓度的监测要求。
为此,人们进行了各种改进和尝试。例如,在专利申请号为202011607540.8、专利名称为“高浓度废水中石油类和动植物油类的测定重量法”的中国发明专利申请文献中公开一种高浓度废水中石油类和动植物油类的测定重量法,使用重量法为基础,通过称重直接得出数据,具有较高的准确度;该方法比国标法更为便捷,但其适用对象为含油量约100mg/L的高浓度废水,适用范围较窄。又如,在专利申请号为201310119496.X、专利名称为“一种不使用氟氯化碳类试剂快速测定水中油类的红外光度法”的中国发明专利申请文献中公开了一种快速测定水中油类的红外光度法,该方法规避了检测过程中氟氯化碳类试剂的使用,可用于污染事故应急监测中的即时测定,但该方法的测定、计算原理同国标法,测定周期长且仍需人工采样和离线测样,不能满足在线监测的要求。再如,在专利申请号为202110248244.1、专利名称为“一种全自动便携式紫外测油装置及测油方法”的中国发明专利申请文献中公开了一种能对水样进行自动前处理、自动转移测量的便携式测油装置,通过自动化方法代替了现有的手工操作,具有一定的便捷性。然而该装置及方法只可用于水样中石油类浓度的检测,无法应用于污水处理领域动植物浓度的监测。
鉴于目前针对含油农村生活污水中的低浓度动植物油尚无简便快捷的测定手段,现行的国标法并不适用于动植物油浓度的在线监测,本发明提出基于两段式RBF的农村经营户污水动植物油在线监测方法,可对农村经营户污水动植物油进行快速测定,降低人工检测成本。
发明内容
本发明针对现有技术中存在的上述技术问题,提供一种基于两段式RBF的农村生活污水动植物油在线监测方法,通过机器学习算法对常规污水监测系统累积的历史水质数据、实时监测数据和反映动植物油浓度季节性变化规律的时序信息进行学习和挖掘,无需人工采样、转运、检测,可实现基于终端进水指标的进水动植物油浓度预测,及基于终端进出水指标的出水动植物油浓度预测,为农村生活污水动植物油浓度的常态化在线监测提供了一种可行方案。
为达到上述目的,本发明采用了下列技术方案:
基于两段式RBF的农村生活污水动植物油在线监测方法,包括对含油农村生活污水处理终端前端进水的动植物油浓度在线监测和后端出水的动植物油浓度在线监测,具体包括以下步骤:
S1:数据集创建及数据预处理
S1-1:针对含油农村生活污水处理终端的进水动植物油浓度和出水动植物油浓度,创建数据集A和数据集B,分别用于训练前端RBF网络和后端RBF网络;各数据集中辅助变量特征取自污水处理终端在线监测设备所采集的实时数据和历史数据,其中动植物油浓度通过国标法测定;
S1-2:对进水数据集进行正态分布检验,通过箱型图法识别异常数据并剔除,调用MATLAB软件的mapminmax函数对所述特征数据集中的输入/输出参数矩阵进行归一化处理,公式为:
式中,y为归一化后的输入/输出矩阵;ymax为归一化区间的上界,此处取1;ymin为归一化区间的下界,此处取-1;x为输入/输出矩阵;xmax为输入/输出矩阵各列的最大值;xmin为输入/输出矩阵各列的最小值;输入参数矩阵和输出参数矩阵在归一化处理后的取值范围为[-1,1];
S2:前端RBF网络模型构建
S2-1:按一定比例将数据集A分集为训练、验证、预测三个子集,定义输入、输出参数矩阵,初始化径向基函数中心、宽度,及隐藏层到输出层的权值;RBF网络的激活函数表示为:
式中,||xp-ci||为欧式范数;ci为高斯函数的中心;σ为高斯函数的方差;
RBF网络的输出表示为:
式中,为第p个输入样本;p=1,2,…,P,P为训练样本总数;ci为网络隐层节点的中心;wij为隐层到输出层的连接权值;i=1,2,…,h,h为隐层节点数;yj为与输入样本对应的网络的第j个输出节点的实际输出;
对于样本的期望输出值d,基函数的方差表示为:
S2-2:RBF网络训练,定义迭代终止精度,计算输出的均方根误差的值,判别损失是否在设定的精度范围内,若是,则停止训练,若否,则进行下一操作;训练算法基于K-均值聚类方法求取基函数中心c,进而求解方差σi和隐层与输出层之间的权值w;
S2-3:使用梯度下降法迭代计算,利用学习过程自适应调节权重、中心和宽度,参数的赋值更新过程表示为:
式中,wij(t)为第i个输入神经元与第j个隐层节点之间在第t次迭代计算时的调节权重;cij(t)为第j个隐层节点对于第i个输入神经元在第t次迭代计算时的中心分量;dij(t)为中心cij(t)对应的宽度;η为学习率;α为设定的迭代系数;E为损失函数,此处为均方差;
S2-4:返回步骤S2-2;
S3:进水动植物油浓度预测
利用训练好的前端RBF网络模型,输入污水处理终端在线监测设备实时采集的同一维数的进水水质特征序列,得到预测模型输出的进水动植物油浓度,并对模型预测值进行如下反归一化处理:
式中,X为反归一化后的输入/输出矩阵;Xmax为归一化区间上界;Xmin为归一化区间下界;Y为输入/输出矩阵;Ymax为输入/输出矩阵各列的最大值;Ymin为输入/输出矩阵各列的最小值;
S4:后端RBF网络模型构建及出水动植物油浓度预测
以数据集B和前端RBF网络输出的进水动植物油浓度预测值作为特征数据集,重复步骤S2-S3,进行后端RBF网络回归分析模型的构建、训练、预测。
进一步地,步骤S2-2中,求解方差σi和隐层与输出层之间的权值w的流程为:
①随机选取个训练样本作为聚类中心ci(i=1,2,…,h);
②将输入的训练子集按最近邻规则分组,以xp与中心ci之间的欧式距离将xp分配到输入样本的各个聚类集合θp(p=1,2,…,P)中;
③重新调整聚类中心,计算各个聚类集合θp中训练样本的均值,若新的聚类中心不再变化,则所得ci为RBF网络最终的基函数中心,否则返回②,进行下一轮的中心求解;
④由下式求解方差σi:
式中,cmax为所选取中心之间的最大距离;
⑤通过最小二乘法直接计算隐层与输出层之间的权值:
进一步地,步骤S1中,对于水力停留时间为T的处理终端,数据集A的特征变量包括t时刻的进水COD、进水NH3-N、进水TP、进水SS、进水pH、进水浊度共6项输入参数与进水动植物油浓度1项输出参数;数据集B的特征变量包括(t-T)时刻的进水水温、进水流量、进水动植物油浓度预测值,以及t时刻的出水COD、出水氨氮、出水TP、出水SS、出水pH、出水浊度共9项输入参数与出水动植物油浓度1项输出参数,其中进水水温和进水流量为影响隔油设备除油率的时序数据,用于表征管网污水中动植物油性状的季节性变化特征。
进一步地,所述的前端进水的动植物油浓度在线监测和后端出水的动植物油浓度在线监测均通过污水处理终端监测系统实现,污水处理终端监测系统中的污水处理终端在线监测设备实时采集t时刻的进水水质数据并输入至训练好的前端RBF网络计算程序,程序实时输出t时刻进水动植物油浓度预测值;污水处理终端监测系统中的污水处理终端在线监测设备实时采集t时刻的出水水质数据,与(t-T)时刻的进水水温、进水流量、进水动植物油浓度预测值合并输入至训练好的后端RBF网络计算程序,程序实时输出t时刻出水动植物油浓度预测值。
与现有技术相比,本发明的优点至少体现在:
1、在无需额外采样、转运、萃取、化验的条件下,实现了农村生活污水处理终端进水和出水动植物油浓度的在线监测,可与COD、NH3-N等常规水质指标的在线监测设备同步输出预测结果,动态响应迅速;
2、通过前端和后端两段式单输出RBF网络的耦合,规避了多维数数据集的冗余特征,强化了模型对进/出水特征变量的学习,提高了在线监测的精准度;
3、本发明的在线监测方法关联了含油污水中动植物油性状的季节性变化特征,可通用于不同地区和气温条件下配备常规水质指标在线监测设备的处理终端,切换应用场景时可通过一定次数的离线采样和化学分析进行模型校准。
附图说明
图1为本发明的数据架构示意图;
图2为本发明所述方法的流程图;
图3为本发明实施例的前端RBF网络训练过程的回归分析结果图;
图4为本发明实施例的后端RBF网络训练过程的回归分析结果图;
图5为本发明实施例的在线监测值与实测值的相对误差图;
图6为本发明实施例的在线监测值与实测值的相对误差图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细的说明。
如图1、图2所示,本发明提供的基于两段式RBF的农村生活污水动植物油在线监测方法,其技术方案及实现步骤如下:
S1:数据集创建及数据预处理
S1-1:针对含油农村生活污水处理终端的进水和出水动植物油浓度,创建数据集A和数据集B,分别用于训练前端RBF网络和后端RBF网络。
数据集A的特征变量包括t时刻的进水COD、进水NH3-N、进水TP、进水SS、进水pH、进水浊度等6项常规水质指标,以及进水动植物油浓度测定值。数据集B的特征变量包括(t-T)时刻的进水水温、进水流量、进水动植物油浓度预测值,t时刻的出水COD、出水氨氮、出水TP、出水SS、出水pH、出水浊度等9项常规水质指标,以及相应的出水动植物油浓度测定值,其中T为处理设施的水力停留时间。
各数据集中辅助变量特征取自污水处理终端在线监测设备所采集的实时、历史数据,动植物油浓度通过红外分光光度法(水质石油类和动植物油类的测定HJ 637-2018)线下化验分析测定。本实施例用于在线监测模型开发的数据集A与数据集B各为190组,每组数据均为包含所有的特征变量的矩阵,各数据集的部分特征变量监测、测定值如表1、表2所示。
S1-2:对上述进水输入输出数据集进行正态分布检验,通过箱型图法识别异常数据并剔除,调用MATLAB软件的mapminmax函数对所述特征数据库中的输入/输出参数矩阵进行归一化处理,归一化公式为:
式中,y为归一化后的输入/输出矩阵;ymax为归一化区间的上界,此处取1;ymin为归一化区间的下界,此处取-1;x为输入/输出矩阵;xmax为输入/输出矩阵各列的最大值;xmin为输入/输出矩阵各列的最小值。输入参数矩阵和输出参数矩阵在归一化处理后的取值范围为[-1,1]。
S2:前端RBF网络模型构建
S2-1:按80%、10%、10%的比例将190组进水数据集分集为训练、验证、预测三个子集,定义输入、输出参数矩阵,初始化径向基函数中心、宽度,及隐藏层到输出层的权值。根据RBF函数中心选取方法的不同,可选择自组织选取法、随机选取中心法、正交最小二乘法、有监督选取中心法等学习方法。本实施例采用自组织选取中心的RBF神经网络学习法,包括求解隐层基函数中心和方差的自组织学习阶段和求解隐层到输出层之间权值的有导师学习阶段,该过程采用高斯函数作为径向基函数,RBF网络的激活函数表示为:
式中,||xp-ci||为欧式范数;ci为高斯函数的中心;σ为高斯函数的方差。
由图1所示的前端RBF网络的结构可得网络的输出为:
式中,为第p个输入样本;p=1,2,…,P,P为训练样本总数,本实施例取152;ci为网络隐层节点的中心;wij为隐层到输出层的连接权值;i=1,2,…,h,h为隐层节点数;yj为与输入样本对应的网络的第j个输出节点的实际输出,本实施例中j为1。
对于样本的期望输出值d,基函数的方差表示为:
S2-2:RBF网络训练,定义迭代终止精度,计算输出的均方根误差的值,判别损失是否在设定的精度范围内,若是,则停止训练,若否,则进行下一操作。训练算法基于K-均值聚类方法求取基函数中心c,进而求解方差σi和隐层与输出层之间的权值w,其流程可描述为:
①随机选取个训练样本作为聚类中心ci(i=1,2,…,h);
②将输入的训练子集按最近邻规则分组,以xp与中心ci之间的欧式距离将xp分配到输入样本的各个聚类集合θp(p=1,2,…,P)中;
③重新调整聚类中心,计算各个聚类集合θp中训练样本的均值,若新的聚类中心不再变化,则所得ci为RBF网络最终的基函数中心,否则返回②,进行下一轮的中心求解。
④由下式求解方差σi:
式中,cmax为所选取中心之间的最大距离。
⑤通过最小二乘法直接计算隐层与输出层之间的权值:
S2-3:使用梯度下降法迭代计算,利用学习过程自适应调节权重,中心和宽度,参数的赋值更新过程表示为:
式中,wij(t)为第i个输入神经元与第j个隐层节点之间在第t次迭代计算时的调节权重;cij(t)为第j个隐层节点对于第i个输入神经元在第t次迭代计算时的中心分量;dij(t)为中心cij(t)对应的宽度;η为学习率;α为设定的迭代系数;E为损失函数,此处为均方差。
S2-4:返回操作S2-2。
S3:进水动植物油浓度预测
利用训练好的前端RBF网络模型,输入污水处理终端在线监测设备实时采集的同一维数的进水水质特征序列,得到预测模型输出的进水动植物油浓度,并对模型预测值进行如下反归一化处理:
式中,X为反归一化后的输入/输出矩阵;Xmax为归一化区间上界;Xmin为归一化区间下界;Y为输入/输出矩阵;Ymax为输入/输出矩阵各列的最大值;Ymin为输入/输出矩阵各列的最小值。
S4:后端RBF网络模型构建及出水动植物油浓度预测
后端RBF网络回归分析模型的构建、训练、预测的步骤与步骤S2-S3类似,区别在于后端RBF网络训练所用的特征数据集为数据集B,且前端RBF网络输出的进水动植物油浓度预测值作为后端RBF网络的辅助变量之一,用于出水动植物油浓度的预测。
相比于数据集A,数据集B在常规水质指标的基础上关联了含油污水中动植物油性状的季节性变化特征,其维数更大。当前农村生活污水(含农村经营户的餐饮类污水)的处理以生物法为主,污水中动植物油的去除主要依靠农户端的隔油池和终端前置的预处理隔油设施,管网格栅在拦渣的过程中也会截留一部分粘附于栅渣表面的油脂,加之污水处理终端的活性污泥、生物膜等对动植物油的去除效果并不显著,基于以上原因,表征隔油池和预处理隔油设施除油效率的关键指标需归入数据集B。
一般情况下,管网排出污水所含的动植物油在常规温度下呈油水混合的乳化状态,在低温的冬季则易凝固为块状油脂。依据调研和现场调试结果,本发明将预处理隔油设施处监测得到的进水水温和流量作为隔油效果的季节性变化特征归入数据集B。
本实施例的前端和后端RBF网络训练过程的回归分析结果分别如图3和图4所示,由图可知两个RBF网络训练的相关系数R均在0.97-0.99之间。表3列出了共计60个样本的进/出水动植物油浓度在线监测结果与实测值,图5、图6分别为进水和出水动植物油浓度在线监测的相对误差。结合上述测试结果可知,本发明实现了农村生活污水动植物油浓度在线监测,监测值与国标法测定值的相对误差为10%左右。
表1.某农村经营户集中区域排入污水集中处理终端的部分进水水质数据
表2.某农村经营户集中区域污水处理终端的部分出水水质数据
表3.进/出水动植物油浓度在线监测结果与实测值
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (4)
1.基于两段式RBF的农村生活污水动植物油在线监测方法,其特征在于,包括对含油农村生活污水处理终端前端进水的动植物油浓度在线监测和后端出水的动植物油浓度在线监测,包括以下步骤:
S1:数据集创建及数据预处理
S1-1:针对含油农村生活污水处理终端的进水动植物油浓度和出水动植物油浓度,创建数据集A和数据集B,分别用于训练前端RBF网络和后端RBF网络;各数据集中辅助变量特征取自污水处理终端在线监测设备所采集的实时数据和历史数据;
S1-2:对进水数据集进行正态分布检验,通过箱型图法识别异常数据并剔除,调用MATLAB软件的mapminmax函数对所述特征数据集中的输入/输出参数矩阵进行归一化处理,公式为:
式中,y为归一化后的输入/输出矩阵;ymax为归一化区间的上界,此处取1;ymin为归一化区间的下界,此处取-1;x为输入/输出矩阵;xmax为输入/输出矩阵各列的最大值;xmin为输入/输出矩阵各列的最小值;输入参数矩阵和输出参数矩阵在归一化处理后的取值范围为[-1,1];
S2:前端RBF网络模型构建
S2-1:按一定比例将数据集A分集为训练、验证、预测三个子集,定义输入、输出参数矩阵,初始化径向基函数中心、宽度,及隐藏层到输出层的权值;RBF网络的激活函数表示为:
式中,||xp-ci||为欧式范数;ci为高斯函数的中心;σ为高斯函数的方差;
RBF网络的输出表示为:
式中,为第p个输入样本;p=1,2,…,P,P为训练样本总数;ci为网络隐层节点的中心;wij为隐层到输出层的连接权值;i=1,2,…,h,h为隐层节点数;yj为与输入样本对应的网络的第j个输出节点的实际输出;
对于样本的期望输出值d,基函数的方差表示为:
S2-2:RBF网络训练,定义迭代终止精度,计算输出的均方根误差的值,判别损失是否在设定的精度范围内,若是,则停止训练,若否,则进行下一操作;训练算法基于K-均值聚类方法求取基函数中心c,进而求解方差σi和隐层与输出层之间的权值w;
S2-3:使用梯度下降法迭代计算,利用学习过程自适应调节权重、中心和宽度,参数的赋值更新过程表示为:
式中,wij(t)为第i个输入神经元与第j个隐层节点之间在第t次迭代计算时的调节权重;cij(t)为第j个隐层节点对于第i个输入神经元在第t次迭代计算时的中心分量;dij(t)为中心cij(t)对应的宽度;η为学习率;α为设定的迭代系数;E为损失函数,此处为均方差;
S2-4:返回步骤S2-2;
S3:进水动植物油浓度预测
利用训练好的前端RBF网络模型,输入污水处理终端在线监测设备实时采集的同一维数的进水水质特征序列,得到预测模型输出的进水动植物油浓度,并对模型预测值进行如下反归一化处理:
式中,X为反归一化后的输入/输出矩阵;Xmax为归一化区间上界;Xmin为归一化区间下界;Y为输入/输出矩阵;Ymax为输入/输出矩阵各列的最大值;Ymin为输入/输出矩阵各列的最小值;
S4:后端RBF网络模型构建及出水动植物油浓度预测
以数据集B和前端RBF网络输出的进水动植物油浓度预测值作为特征数据集,重复步骤S2-S3,进行后端RBF网络回归分析模型的构建、训练、预测。
2.根据权利要求1所述的基于两段式RBF的农村生活污水动植物油在线监测方法,其特征在于,步骤S2-2中,求解方差σi和隐层与输出层之间的权值w的流程为:
①随机选取个训练样本作为聚类中心ci(i=1,2,…,h);
②将输入的训练子集按最近邻规则分组,以xp与中心ci之间的欧式距离将xp分配到输入样本的各个聚类集合θp(p=1,2,…,P)中;
③重新调整聚类中心,计算各个聚类集合θp中训练样本的均值,若新的聚类中心不再变化,则所得ci为RBF网络最终的基函数中心,否则返回②,进行下一轮的中心求解;
④由下式求解方差σi:
式中,cmax为所选取中心之间的最大距离;
⑤通过最小二乘法直接计算隐层与输出层之间的权值:
3.根据权利要求1所述的基于两段式RBF的农村生活污水动植物油在线监测方法,其特征在于,步骤S1中,对于水力停留时间为T的处理终端,数据集A的特征变量包括t时刻的进水COD、进水NH3-N、进水TP、进水SS、进水pH、进水浊度共6项输入参数与进水动植物油浓度1项输出参数;数据集B的特征变量包括(t-T)时刻的进水水温、进水流量、进水动植物油浓度预测值,以及t时刻的出水COD、出水氨氮、出水TP、出水SS、出水pH、出水浊度共9项输入参数与出水动植物油浓度1项输出参数,其中进水水温和进水流量为影响隔油设备除油率的时序数据,用于表征管网污水中动植物油性状的季节性变化特征。
4.根据权利要求1所述的基于两段式RBF的农村生活污水动植物油在线监测方法,其特征在于,所述的前端进水的动植物油浓度在线监测和后端出水的动植物油浓度在线监测均通过污水处理终端监测系统实现,污水处理终端监测系统中的污水处理终端在线监测设备实时采集t时刻的进水水质数据并输入至训练好的前端RBF网络计算程序,程序实时输出t时刻进水动植物油浓度预测值;污水处理终端监测系统中的污水处理终端在线监测设备实时采集t时刻的出水水质数据,与(t-T)时刻的进水水温、进水流量、进水动植物油浓度预测值合并输入至训练好的后端RBF网络计算程序,程序实时输出t时刻出水动植物油浓度预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211607695.0A CN116029589B (zh) | 2022-12-14 | 2022-12-14 | 基于两段式rbf的农村生活污水动植物油在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211607695.0A CN116029589B (zh) | 2022-12-14 | 2022-12-14 | 基于两段式rbf的农村生活污水动植物油在线监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116029589A true CN116029589A (zh) | 2023-04-28 |
CN116029589B CN116029589B (zh) | 2023-08-22 |
Family
ID=86069767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211607695.0A Active CN116029589B (zh) | 2022-12-14 | 2022-12-14 | 基于两段式rbf的农村生活污水动植物油在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116029589B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160140437A1 (en) * | 2014-11-17 | 2016-05-19 | Beijing University Of Technology | Method to predict the effluent ammonia-nitrogen concentration based on a recurrent self-organizing neural network |
CN106682316A (zh) * | 2016-12-29 | 2017-05-17 | 北京工业大学 | 一种基于尖峰径向基神经网络的出水总磷实时监测系统 |
US20180029900A1 (en) * | 2016-07-28 | 2018-02-01 | Beijing University Of Technology | A Method for Effluent Total Nitrogen-based on a Recurrent Self-organizing RBF Neural Network |
CN109975366A (zh) * | 2019-03-25 | 2019-07-05 | 浙江大学 | 农村生活污水a2o处理终端出水cod浓度软测量方法及装置 |
WO2020244014A1 (zh) * | 2019-06-06 | 2020-12-10 | 浙江清华长三角研究院 | 一种基于支持向量机的农村生活污水处理设施出水达标情况的预测方法 |
CN112446168A (zh) * | 2020-10-28 | 2021-03-05 | 北京工业大学 | 一种基于mic及rbfnn的出水bod浓度软测量方法 |
CN114047719A (zh) * | 2021-11-02 | 2022-02-15 | 江西零真生态环境集团有限公司 | 一种农村生活污水处理设施远程监测评估系统与运行方法 |
CN114462208A (zh) * | 2022-01-10 | 2022-05-10 | 北京工业大学 | 一种基于自组织rbfnn的出水bod在线软测量方法 |
CN114879485A (zh) * | 2022-05-25 | 2022-08-09 | 江苏科技大学 | 一种基于rbf神经网络的无人机喷涂质量监控系统及其方法 |
-
2022
- 2022-12-14 CN CN202211607695.0A patent/CN116029589B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160140437A1 (en) * | 2014-11-17 | 2016-05-19 | Beijing University Of Technology | Method to predict the effluent ammonia-nitrogen concentration based on a recurrent self-organizing neural network |
US20180029900A1 (en) * | 2016-07-28 | 2018-02-01 | Beijing University Of Technology | A Method for Effluent Total Nitrogen-based on a Recurrent Self-organizing RBF Neural Network |
CN106682316A (zh) * | 2016-12-29 | 2017-05-17 | 北京工业大学 | 一种基于尖峰径向基神经网络的出水总磷实时监测系统 |
CN109975366A (zh) * | 2019-03-25 | 2019-07-05 | 浙江大学 | 农村生活污水a2o处理终端出水cod浓度软测量方法及装置 |
WO2020244014A1 (zh) * | 2019-06-06 | 2020-12-10 | 浙江清华长三角研究院 | 一种基于支持向量机的农村生活污水处理设施出水达标情况的预测方法 |
CN112446168A (zh) * | 2020-10-28 | 2021-03-05 | 北京工业大学 | 一种基于mic及rbfnn的出水bod浓度软测量方法 |
CN114047719A (zh) * | 2021-11-02 | 2022-02-15 | 江西零真生态环境集团有限公司 | 一种农村生活污水处理设施远程监测评估系统与运行方法 |
CN114462208A (zh) * | 2022-01-10 | 2022-05-10 | 北京工业大学 | 一种基于自组织rbfnn的出水bod在线软测量方法 |
CN114879485A (zh) * | 2022-05-25 | 2022-08-09 | 江苏科技大学 | 一种基于rbf神经网络的无人机喷涂质量监控系统及其方法 |
Non-Patent Citations (2)
Title |
---|
MATTHEW E. VERBYLA等: "Managing Microbial Risks from Indirect Wastewater Reuse for Irrigation in Urbanizing Watersheds", 《ENVIRON. SCI. TECHNOL.》, no. 50, pages 6803 - 6813 * |
游晓霞, 党志胜: "基于RBF的船用污水处理装置运行状态在线监测研究", 《自动化与仪器仪表》, no. 3, pages 15 - 19 * |
Also Published As
Publication number | Publication date |
---|---|
CN116029589B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001610B (zh) | 农业面源污染的处理方法及装置 | |
Bagheri et al. | Modeling and optimization of activated sludge bulking for a real wastewater treatment plant using hybrid artificial neural networks-genetic algorithm approach | |
Brion et al. | A neural network approach to identifying non-point sources of microbial contamination | |
CN110675036B (zh) | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 | |
CN107025338A (zh) | 一种基于递归rbf神经网络的污泥膨胀故障辨识方法 | |
CN106600509B (zh) | 一种基于基础数据分析判断企业兑水排污行为的方法 | |
CN108375534A (zh) | Mbr膜污染智能预警方法 | |
CN109344971A (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 | |
CN112198144B (zh) | 一种快速污水溯源的方法及系统 | |
CN112101402A (zh) | 一种基于知识模糊学习的膜污染预警方法 | |
CN106971241B (zh) | 基于模糊神经网络预测污水水质数据的方法 | |
Boyacioglu et al. | Application of factor analysis in the assessment of surface water quality in Buyuk Menderes River Basin | |
CN106096730A (zh) | 一种基于递归rbf神经网络的mbr膜透水率的智能检测方法 | |
CN115078667A (zh) | 一种基于物联网技术的工业污水排放处理在线监测分析预警系统 | |
CN116340723A (zh) | 基于大数据的乡村水污染快速溯源方法及系统 | |
CN113267462A (zh) | 一种应用紫外光谱对水体有机污染特征进行表征的方法 | |
CN101786675A (zh) | 一种多参数废水源头分离装置及方法 | |
CN116029589B (zh) | 基于两段式rbf的农村生活污水动植物油在线监测方法 | |
CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
WO2014157750A1 (ko) | 하수처리장 유출수질의 상태에 대한 원인인자 제공장치 및 방법 | |
CN114049134A (zh) | 一种污染源在线监测数据造假识别方法 | |
CN107665288A (zh) | 一种化学需氧量的水质软测量预测方法 | |
CN201330211Y (zh) | 污水处理厂运行参数自寻优模拟系统 | |
CN113393081A (zh) | 一种适用于再生水补给河流的健康评价方法 | |
CN115343439B (zh) | 一种城市内河流域水质监测方法 |
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 |