CN117251718A - 基于人工智能的智能曝气管理系统 - Google Patents
基于人工智能的智能曝气管理系统 Download PDFInfo
- Publication number
- CN117251718A CN117251718A CN202311544476.7A CN202311544476A CN117251718A CN 117251718 A CN117251718 A CN 117251718A CN 202311544476 A CN202311544476 A CN 202311544476A CN 117251718 A CN117251718 A CN 117251718A
- Authority
- CN
- China
- Prior art keywords
- training
- time sequence
- independent variable
- aeration
- variable
- 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
- 238000005273 aeration Methods 0.000 title claims abstract description 168
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 43
- 230000001419 dependent effect Effects 0.000 claims abstract description 131
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 114
- 239000013598 vector Substances 0.000 claims abstract description 99
- 230000004927 fusion Effects 0.000 claims abstract description 73
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 59
- 239000001301 oxygen Substances 0.000 claims abstract description 59
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 230000002452 interceptive effect Effects 0.000 claims abstract description 41
- 230000009467 reduction Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 115
- 230000003993 interaction Effects 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 230000009133 cooperative interaction Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 238000012482 interaction analysis Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000012098 association analyses Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 239000010865 sewage Substances 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 11
- 238000010219 correlation analysis Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 38
- 238000000034 method Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000010802 sludge Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004065 wastewater treatment Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006065 biodegradation reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- C02F3/02—Aerobic 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Organic Chemistry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Microbiology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的智能曝气管理系统，涉及智能曝气管理领域，其首先将多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质按照时间维度和样本维度排列为因变量时序关联矩阵，接着，将多个预定时间点的曝气管道阀门开启度按照时间维度排列为自变量时序输入向量，然后，对所述因变量时序关联矩阵和所述自变量时序输入向量进行变量协同交互关联分析以得到自变量‑因变量通道维度交互融合特征，最后，基于所述自变量‑因变量通道维度交互融合特征，确定当前时间点的曝气管道阀门开启度应减小、应增大或应保持。这样，可以根据实时的水质和处理需求进行灵活调节，提高污水处理效果。
Description
技术领域
本申请涉及智能曝气管理领域，且更为具体地，涉及一种基于人工智能的智能曝气管理系统。
背景技术
曝气是污水处理过程中的重要环节，其通过向曝气池中通入空气，提高污水中的溶解氧含量，促进有机物的生物降解，同时也为好氧微生物的生长提供氧气。曝气的效率和效果受到多种因素的影响，如进水水质、进水量、进水时间、曝气池的设计、曝气设备的性能、曝气参数的调节等。传统的曝气管理系统通常采用固定的曝气模式，即按照预设的时间或溶解氧值来控制曝气管道阀门，这种方式无法根据实时的水质和处理需求进行灵活调节，即不能适应污水处理过程中的动态变化，导致曝气效率低下，能耗高，运行成本高，出水水质不稳定。
因此，期望一种基于人工智能的智能曝气管理系统。
发明内容
有鉴于此，本申请提出了一种基于人工智能的智能曝气管理系统，其可以提高污水处理的效率和能源利用率，降低运营成本，并且能够根据实时的水质和处理需求进行灵活调节，提高污水处理效果。
根据本申请的一方面，提供了一种基于人工智能的智能曝气管理系统，其包括：
曝气数据采集模块，用于获取预定时间段内多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质；
曝气管道阀门开度数据采集模块，用于获取所述多个预定时间点的曝气管道阀门开启度；
因变量数据时序排列模块，用于将所述多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质按照时间维度和样本维度排列为因变量时序关联矩阵；
自变量数据时序排列模块，用于将所述多个预定时间点的曝气管道阀门开启度按照时间维度排列为自变量时序输入向量；
变量协同交互分析模块，用于对所述因变量时序关联矩阵和所述自变量时序输入向量进行变量协同交互关联分析以得到自变量-因变量通道维度交互融合特征；以及
曝气管道阀门控制模块，用于基于所述自变量-因变量通道维度交互融合特征，确定当前时间点的曝气管道阀门开启度应减小、应增大或应保持。
根据本申请的实施例，其首先将多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质按照时间维度和样本维度排列为因变量时序关联矩阵，接着，将多个预定时间点的曝气管道阀门开启度按照时间维度排列为自变量时序输入向量，然后，对所述因变量时序关联矩阵和所述自变量时序输入向量进行变量协同交互关联分析以得到自变量-因变量通道维度交互融合特征，最后，基于所述自变量-因变量通道维度交互融合特征，确定当前时间点的曝气管道阀门开启度应减小、应增大或应保持。
本发明的有益效果：
本申请通过实时监测采集进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质数据，以及，曝气管道阀门开启度，并在后端引入数据处理和分析算法来进行这些数据参数的时序协同分析，以此来实时自动控制曝气管道阀门的开启度，以达到提高曝气效率和效果，降低能耗和运行成本，保证出水水质稳定的目的。这样，可以根据实时的水质和处理需求进行灵活调节，提高污水处理效果。
根据下面参考附图对示例性实施例的详细说明，本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面，并且用于解释本申请的原理。
图1示出根据本申请的实施例的基于人工智能的智能曝气管理系统的框图。
图2示出根据本申请的实施例的基于人工智能的智能曝气管理系统中所述因变量数据时序排列模块的框图。
图3示出根据本申请的实施例的基于人工智能的智能曝气管理系统中所述变量协同交互分析模块的框图。
图4示出根据本申请的实施例的基于人工智能的智能曝气管理系统中所述自变量时序特征提取子单元的框图。
图5示出根据本申请的实施例的基于人工智能的智能曝气管理方法的流程图。
图6示出根据本申请的实施例的基于人工智能的智能曝气管理方法的架构示意图。
图7示出根据本申请的实施例的基于人工智能的智能曝气管理系统的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。
针对上述技术问题，本申请的技术构思为通过实时监测采集进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质数据，以及，曝气管道阀门开启度，并在后端引入数据处理和分析算法来进行这些数据参数的时序协同分析，以此来实时自动控制曝气管道阀门的开启度，以达到提高曝气效率和效果，降低能耗和运行成本，保证出水水质稳定的目的。这样，能够提高污水处理的效率和能源利用率，降低运营成本，并且能够根据实时的水质和处理需求进行灵活调节，提高污水处理效果。
图1示出根据本申请的实施例的基于人工智能的智能曝气管理系统的框图示意图。如图1所示，根据本申请实施例的基于人工智能的智能曝气管理系统100，包括：曝气数据采集模块110，用于获取预定时间段内多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质；曝气管道阀门开度数据采集模块120，用于获取所述多个预定时间点的曝气管道阀门开启度；因变量数据时序排列模块130，用于将所述多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质按照时间维度和样本维度排列为因变量时序关联矩阵；自变量数据时序排列模块140，用于将所述多个预定时间点的曝气管道阀门开启度按照时间维度排列为自变量时序输入向量；变量协同交互分析模块150，用于对所述因变量时序关联矩阵和所述自变量时序输入向量进行变量协同交互关联分析以得到自变量-因变量通道维度交互融合特征；以及，曝气管道阀门控制模块160，用于基于所述自变量-因变量通道维度交互融合特征，确定当前时间点的曝气管道阀门开启度应减小、应增大或应保持。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质，并获取所述多个预定时间点的曝气管道阀门开启度。接着，考虑到在智能曝气管理系统中，需要考虑不同时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧化还原点位和出水水质等参数之间的时序关联关系，以及它们与曝气管道阀门开启度之间的关系，而这些参数在时间维度上又都具有着时序的动态变化规律。因此，在本申请的技术方案中，需要将所述多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质按照时间维度和样本维度排列为因变量时序关联矩阵，以便于捕捉这些参数在时间上的变化趋势和相互之间的动态关系。
相应地，如图2所示，所述因变量数据时序排列模块130，包括：行向量排列子单元131，用于将所述多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质按照时间维度排列为因变量输入行向量；以及，二维矩阵化子单元132，用于将所述因变量输入行向量按照所述样本维度进行二维排列以得到所述因变量时序关联矩阵。
接着，考虑到所述曝气管道阀门开启度在时间维度上也具有着时序的动态变化规律，也就是说，所述多个预定时间点的曝气管道阀门开启度之间具有着时序的关联关系。因此，在本申请的技术方案中，还需要将所述多个预定时间点的曝气管道阀门开启度按照时间维度排列为自变量时序输入向量，以此来整合所述曝气管道阀门开启度在时序上的分布信息。
应可以理解，在智能曝气管理系统中，所述因变量时序关联矩阵包含了进水量、进水时间、进水水质、曝气池溶解氧、氧化还原点位和出水水质参数的时间序列数据，而所述自变量时序输入向量则是曝气管道阀门开启度的时间序列数据。为了能够进行两者的特征分析和交互融合，以及为后续的分类器建模提供更有表达力的输入，在本申请的技术方案中，进一步将所述因变量时序关联矩阵和所述自变量时序输入向量通过包含卷积神经网络模型和一维卷积层的MetaNet模块以得到自变量-因变量通道维度交互融合特征向量。
具体地，在所述MetaNet模块中，通过使用所述卷积神经网络模型来对所述因变量时序关联矩阵进行特征挖掘，以提取出所述因变量时序关联矩阵中各个数据参数的时序协同关联特征分布信息，从而得到因变量时序关联特征图；并且，通过所述一维卷积层对所述自变量时序输入向量进行特征挖掘，以提取出所述曝气管道阀门开启度的时序动态特征信息，从而得到自变量时序特征向量。然后，再通过所述MetaNet模块将所述因变量时序关联矩阵和所述自变量时序输入向量进行交互融合，使得两者之间的信息能够相互影响和融合。特别地，所述MetaNet模块是以所述自变量时序特征向量对所述因变量时序关联特征图进行沿通道维度加权融合以得到所述自变量-因变量通道维度交互融合特征图。这样，能够实现自变量数据和因变量数据之间在通道维度的交互融合，为后续的分类器建模提供更好的输入数据。
相应地，所述变量协同交互分析模块150，用于：将所述因变量时序关联矩阵和所述自变量时序输入向量通过包含卷积神经网络模型和一维卷积层的MetaNet模块以得到自变量-因变量通道维度交互融合特征向量作为所述自变量-因变量通道维度交互融合特征。
值得一提的是，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，一维卷积层是卷积神经网络的一种特殊类型，用于处理序列数据。在变量协同交互分析模块150中，通过包含卷积神经网络模型和一维卷积层的MetaNet模块，将因变量时序关联矩阵和自变量时序输入向量进行处理，得到自变量-因变量通道维度交互融合特征向量。具体来说，卷积神经网络模型是一种由多个卷积层和池化层组成的神经网络结构。它通过卷积操作来提取输入数据的局部特征，并通过池化操作来减少特征的维度。卷积层使用卷积核对输入数据进行卷积运算，从而捕捉数据的空间相关性。一维卷积层是卷积神经网络中的一种特殊层，用于处理序列数据，例如时间序列或文本数据。与二维卷积层不同，一维卷积层的卷积核只在一个维度上移动，以提取序列数据中的局部模式和特征。MetaNet模块结合了卷积神经网络模型和一维卷积层，通过对因变量时序关联矩阵和自变量时序输入向量进行卷积操作和特征提取，得到自变量-因变量通道维度交互融合特征向量。这个特征向量包含了自变量和因变量之间的交互信息，可以用于后续的曝气管道阀门控制决策。
具体地，如图3所示，所述变量协同交互分析模块150，包括：因变量时序特征提取子单元151，用于将所述因变量时序关联矩阵通过所述MetaNet模块的卷积神经网络模型以得到因变量时序关联特征图；自变量时序特征提取子单元152，用于将所述自变量时序输入向量通过所述MetaNet模块的一维卷积层以得到自变量时序特征向量；特征融合编码子单元153，用于以所述自变量时序特征向量对所述因变量时序关联特征图进行沿通道维度加权融合以得到自变量-因变量通道维度交互融合特征图；以及，降维子单元154，用于将所述自变量-因变量通道维度交互融合特征图沿通道维度的各个特征矩阵进行全局均值池化以得到所述自变量-因变量通道维度交互融合特征向量。
应可以理解，因变量时序特征提取子单元151通过MetaNet模块的卷积神经网络模型对因变量时序关联矩阵进行处理，提取因变量的时序关联特征图，卷积神经网络模型可以捕捉因变量时序数据中的局部模式和特征，从而提取出有用的时序关联特征。自变量时序特征提取子单元152通过MetaNet模块的一维卷积层对自变量时序输入向量进行处理，得到自变量的时序特征向量，一维卷积层可以提取自变量时序数据中的局部模式和特征，用于表示自变量的时序变化。特征融合编码子单元153将自变量时序特征向量与因变量时序关联特征图进行沿通道维度的加权融合，得到自变量-因变量通道维度交互融合特征图，通过加权融合，可以将自变量和因变量的特征进行交互编码，捕捉它们之间的通道维度交互信息。降维子单元154对自变量-因变量通道维度交互融合特征图沿通道维度的各个特征矩阵进行全局均值池化操作，得到自变量-因变量通道维度交互融合特征向量，全局均值池化可以将特征图的维度降低，提取出特征图的全局特征，用于表示自变量和因变量之间的交互融合特征。这些子单元的组合和功能使得变量协同交互分析模块能够从因变量和自变量的时序数据中提取相关特征，并将它们进行交互编码和融合，得到自变量-因变量通道维度交互融合特征，为后续的曝气管道阀门控制提供了基础。
其中，如图4所示，所述自变量时序特征提取子单元152，包括：自变量时序特征线性修正二级子单元1521，用于将所述自变量时序输入向量通过所述MetaNet模块的第一一维卷积层后再通过ReLU函数进行线性修正以得到线性修正后自变量时序向量；以及，自变量时序特征激活二级子单元1522，用于将所述线性修正后自变量时序向量通过所述MetaNet模块的第二一维卷积层后再通过Sigmoid函数进行处理以得到所述自变量时序特征向量。
继而，再将所述自变量-因变量通道维度交互融合特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的曝气管道阀门开启度应减小、应增大或应保持。具体地，所述分类器的标签为当前时间点的曝气管道阀门开启度应减小、应增大或应保持，因此，在得到所述分类结果后，可以基于所述分类结果来实时自动控制曝气管道阀门的开启度，以达到提高曝气效率和效果，降低能耗和运行成本，保证出水水质稳定的目的。
相应地，所述曝气管道阀门控制模块160，用于：将所述自变量-因变量通道维度交互融合特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的曝气管道阀门开启度应减小、应增大或应保持。
更具体地，所述曝气管道阀门控制模块160，进一步用于：使用所述分类器的全连接层对所述自变量-因变量通道维度交互融合特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
进一步地，在本申请的技术方案中，所述的基于人工智能的智能曝气管理系统，其还包括用于对所述包含卷积神经网络模型和一维卷积层的MetaNet模块和所述分类器进行训练的训练模块。应可以理解，训练模块在基于人工智能的智能曝气管理系统中起到了关键的作用。它用于对包含卷积神经网络模型和一维卷积层的MetaNet模块以及分类器进行训练，以使其能够学习和理解曝气管理系统的数据特征和模式，从而能够进行准确的预测和决策。具体来说，训练模块的作用包括：1.模型参数学习：训练模块通过使用已有的曝气数据和相应的标签数据，对卷积神经网络模型、一维卷积层和分类器的参数进行学习和优化。通过反向传播算法和梯度下降等优化方法，训练模块能够调整模型的权重和偏置，使其能够更好地拟合曝气数据的特征。2.特征提取和编码学习：训练模块通过对因变量时序关联矩阵和自变量时序输入向量的训练样本进行处理，使MetaNet模块能够学习提取因变量和自变量的时序特征，并进行交互编码和融合。这样，模型能够在训练过程中学习到对曝气数据特征的有效表示和编码方式。3.分类器训练：训练模块通过使用标签数据，对分类器进行训练，使其能够根据自变量-因变量通道维度交互融合特征进行分类和决策。分类器的训练过程可以使其具备对曝气管道阀门开度进行准确预测和控制的能力。通过训练模块的训练过程，智能曝气管理系统能够通过学习历史数据和与之相关的标签数据，建立起对曝气数据特征的理解和模型，并能够进行准确的预测和决策，从而实现对曝气管道阀门的智能控制和优化。
其中，在一个示例中，所述训练模块，包括：训练数据采集子单元，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练进水量、训练进水时间、训练进水水质、训练曝气池溶解氧、训练氧气还原点位、训练出水水质，所述多个预定时间点的曝气管道阀门训练开启度，以及，当前时间点的所述曝气管道阀门开启度应减小、应增大或应保持的真实值；训练因变量数据时序排列子单元，用于将所述多个预定时间点的训练进水量、训练进水时间、训练进水水质、训练曝气池溶解氧、训练氧气还原点位和训练出水水质按照时间维度和样本维度排列为训练因变量时序关联矩阵；训练自变量数据时序排列子单元，用于将所述多个预定时间点的曝气管道阀门训练开启度按照时间维度排列为训练自变量时序输入向量；训练变量协同交互分析子单元，用于将所述训练因变量时序关联矩阵和所述训练自变量时序输入向量通过包含卷积神经网络模型和一维卷积层的MetaNet模块以得到训练自变量-因变量通道维度交互融合特征向量；训练优化子单元，用于对所述训练自变量-因变量通道维度交互融合特征向量进行逐位置优化以得到优化训练自变量-因变量通道维度交互融合特征向量；分类损失子单元，用于将所述优化训练自变量-因变量通道维度交互融合特征向量通过分类器以得到分类损失函数值；以及，损失训练子单元，用于基于所述分类损失函数值对所述包含卷积神经网络模型和一维卷积层的MetaNet模块和所述分类器进行训练。
特别地，在本申请的技术方案中，将所述训练因变量时序关联矩阵和所述训练自变量时序输入向量通过包含卷积神经网络模型和一维卷积层的MetaNet模块时，首先基于卷积神经网络模型提取所述训练因变量时序关联矩阵所表达的因变量参数的时序-样本交叉维度局部关联特征，并以所述训练自变量时序输入向量通过一维卷积层得到的曝气管道阀门开启度的时序局部关联特征来对所述卷积神经网络模型得到的训练因变量时序关联特征图的通道维度进行约束，使得所述训练自变量-因变量通道维度交互融合特征向量整体上遵循时序-样本交叉维度的跨参数样本域局部关联特征分布。
也就是，由于所述训练自变量-因变量通道维度交互融合特征向量在整体上具有交叉维度的跨样本域局部关联特征分布性质，这就使得在将所述训练自变量-因变量通道维度交互融合特征向量通过分类器进行分类回归时，需要提升分类回归的效率。因此，本申请的申请人在所述训练自变量-因变量通道维度交互融合特征向量通过分类器进行分类回归时，对所述训练自变量-因变量通道维度交互融合特征向量进行逐位置优化。
相应地，在一个示例中，所述训练优化子单元，进一步用于：以如下优化公式对所述训练自变量-因变量通道维度交互融合特征向量进行逐位置优化以得到所述优化训练自变量-因变量通道维度交互融合特征向量；其中，所述优化公式为：
；
其中，是所述训练自变量-因变量通道维度交互融合特征向量的第/>个位置的特征值，/>是所述训练自变量-因变量通道维度交互融合特征向量的所有特征值的全局均值，且/>是所述训练自变量-因变量通道维度交互融合特征向量的最大特征值，/>表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，是所述优化训练自变量-因变量通道维度交互融合特征向量的第/>个位置的特征值。
也就是，通过全局分布参数的正则化仿函数的概念，上述优化基于所述训练自变量-因变量通道维度交互融合特征向量的全局分布的参数向量式表征，来以回归概率的正则式表达模拟代价函数，从而对所述训练自变量-因变量通道维度交互融合特征向量在高维特征空间内的特征流形表征对于类回归概率下的基于分类器的权重矩阵的逐点回归特性进行建模，以捕获待分类的训练自变量-因变量通道维度交互融合特征向量经由分类器模型的参数空间在高维特征流形的场景几何形状下的参数平滑式优化轨迹，提高所述训练自变量-因变量通道维度交互融合特征向量在所述分类器的分类概率回归下的训练效率。这样，能够实时自动地控制曝气管道阀门的开启度，以达到提高曝气效率和效果，降低能耗和运行成本，保证出水水质稳定的目的，通过这样的方式，能够提高污水处理的效率和能源利用率，降低运营成本，并且能够根据实时的水质和处理需求进行灵活调节，提高污水处理效果。
进一步地，所述分类损失子单元，用于：使用所述分类器以如下训练分类公式对所述优化训练自变量-因变量通道维度交互融合特征向量进行处理以得到训练分类结果；其中，所述训练分类公式为：，其中，/>到/>为权重矩阵，到/>为偏置向量，/>为所述优化训练自变量-因变量通道维度交互融合特征向量；以及，计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
综上，基于本申请实施例的基于人工智能的智能曝气管理系统100被阐明，其可以根据实时的水质和处理需求进行灵活调节，提高污水处理效果。
如上所述，根据本申请实施例的所述基于人工智能的智能曝气管理系统100可以实现在各种终端设备中，例如具有基于人工智能的智能曝气管理算法的服务器等。在一个示例中，基于人工智能的智能曝气管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于人工智能的智能曝气管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于人工智能的智能曝气管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于人工智能的智能曝气管理系统100与该终端设备也可以是分立的设备，并且该基于人工智能的智能曝气管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图5示出根据本申请的实施例的基于人工智能的智能曝气管理方法的流程图。图6示出根据本申请的实施例的基于人工智能的智能曝气管理方法的系统架构的示意图。如图5和图6所示，根据本申请实施例的基于人工智能的智能曝气管理方法，其包括：S110，获取预定时间段内多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质；S120，获取所述多个预定时间点的曝气管道阀门开启度；S130，将所述多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质按照时间维度和样本维度排列为因变量时序关联矩阵；S140，将所述多个预定时间点的曝气管道阀门开启度按照时间维度排列为自变量时序输入向量；S150，对所述因变量时序关联矩阵和所述自变量时序输入向量进行变量协同交互关联分析以得到自变量-因变量通道维度交互融合特征；以及，S160，基于所述自变量-因变量通道维度交互融合特征，确定当前时间点的曝气管道阀门开启度应减小、应增大或应保持。
在一种可能的实现方式中，将所述多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质按照时间维度和样本维度排列为因变量时序关联矩阵，包括：将所述多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质按照时间维度排列为因变量输入行向量；以及，将所述因变量输入行向量按照所述样本维度进行二维排列以得到所述因变量时序关联矩阵。
这里，本领域技术人员可以理解，上述基于人工智能的智能曝气管理方法中的各个步骤的具体操作已经在上面参考图1到图4的基于人工智能的智能曝气管理系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图7示出根据本申请的实施例的基于人工智能的智能曝气管理系统的应用场景图。如图7所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质（例如，图7中所示意的D1），以及，所述多个预定时间点的曝气管道阀门开启度（例如，图7中所示意的D2），然后，将所述多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位、出水水质和所述多个预定时间点的曝气管道阀门开启度输入至部署有基于人工智能的智能曝气管理算法的服务器（例如，图7中所示意的S）中，其中，所述服务器能够使用所述基于人工智能的智能曝气管理算法对所述多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位、出水水质和所述多个预定时间点的曝气管道阀门开启度进行处理以得到用于表示当前时间点的曝气管道阀门开启度应减小、应增大或应保持的分类结果。
应可以理解，曝气是指将空气或氧气通过曝气设备注入到水体中的过程。在水处理和废水处理过程中，曝气是一种常见的操作，用于增加水体中的氧气含量、促进溶解氧的传递和提高水体中的氧化还原能力。曝气通常通过曝气设备（如曝气系统、曝气管道、曝气头等）将空气或氧气引入水体中。气体进入水体后，会形成气泡并在水中上升，这个过程称为气泡曝气。气泡的上升过程中，气泡与水体接触面积增大，气体与水体之间发生物理和化学反应，从而实现氧气的传递和溶解。曝气在污水处理中，曝气用于废水处理过程中的活性污泥法，通过曝气设备向曝气池或曝气槽中注入氧气，促进污水中的有机物的降解和污泥的活化。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种基于人工智能的智能曝气管理系统，其特征在于，包括：
曝气数据采集模块，用于获取预定时间段内多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质；
曝气管道阀门开度数据采集模块，用于获取所述多个预定时间点的曝气管道阀门开启度；
因变量数据时序排列模块，用于将所述多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质按照时间维度和样本维度排列为因变量时序关联矩阵；
自变量数据时序排列模块，用于将所述多个预定时间点的曝气管道阀门开启度按照时间维度排列为自变量时序输入向量；
变量协同交互分析模块，用于对所述因变量时序关联矩阵和所述自变量时序输入向量进行变量协同交互关联分析以得到自变量-因变量通道维度交互融合特征；
曝气管道阀门控制模块，用于基于所述自变量-因变量通道维度交互融合特征，确定当前时间点的曝气管道阀门开启度应减小、应增大或应保持。
2.根据权利要求1所述的基于人工智能的智能曝气管理系统，其特征在于，所述因变量数据时序排列模块，包括：
行向量排列子单元，用于将所述多个预定时间点的进水量、进水时间、进水水质、曝气池溶解氧、氧气还原点位和出水水质按照时间维度排列为因变量输入行向量；
二维矩阵化子单元，用于将所述因变量输入行向量按照所述样本维度进行二维排列以得到所述因变量时序关联矩阵。
3.根据权利要求2所述的基于人工智能的智能曝气管理系统，其特征在于，所述变量协同交互分析模块，用于：
将所述因变量时序关联矩阵和所述自变量时序输入向量通过包含卷积神经网络模型和一维卷积层的MetaNet模块以得到自变量-因变量通道维度交互融合特征向量，作为所述自变量-因变量通道维度交互融合特征。
4.根据权利要求3所述的基于人工智能的智能曝气管理系统，其特征在于，所述变量协同交互分析模块，包括：
因变量时序特征提取子单元，用于将所述因变量时序关联矩阵通过所述MetaNet模块的卷积神经网络模型以得到因变量时序关联特征图；
自变量时序特征提取子单元，用于将所述自变量时序输入向量通过所述MetaNet模块的一维卷积层以得到自变量时序特征向量；
特征融合编码子单元，用于以所述自变量时序特征向量对所述因变量时序关联特征图进行沿通道维度加权融合以得到自变量-因变量通道维度交互融合特征图；
降维子单元，用于将所述自变量-因变量通道维度交互融合特征图沿通道维度的各个特征矩阵进行全局均值池化以得到所述自变量-因变量通道维度交互融合特征向量。
5.根据权利要求4所述的基于人工智能的智能曝气管理系统，其特征在于，所述自变量时序特征提取子单元，包括：
自变量时序特征线性修正二级子单元，用于将所述自变量时序输入向量通过所述MetaNet模块的第一一维卷积层后再通过ReLU函数进行线性修正以得到线性修正后自变量时序向量；
自变量时序特征激活二级子单元，用于将所述线性修正后自变量时序向量通过所述MetaNet模块的第二一维卷积层后再通过Sigmoid函数进行处理以得到所述自变量时序特征向量。
6.根据权利要求5所述的基于人工智能的智能曝气管理系统，其特征在于，所述曝气管道阀门控制模块，用于：
将所述自变量-因变量通道维度交互融合特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的曝气管道阀门开启度应减小、应增大或应保持。
7.根据权利要求6所述的基于人工智能的智能曝气管理系统，其特征在于，还包括用于对所述包含卷积神经网络模型和一维卷积层的MetaNet模块和所述分类器进行训练的训练模块。
8.根据权利要求7所述的基于人工智能的智能曝气管理系统，其特征在于，所述训练模块，包括：
训练数据采集子单元，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练进水量、训练进水时间、训练进水水质、训练曝气池溶解氧、训练氧气还原点位、训练出水水质，所述多个预定时间点的曝气管道阀门训练开启度，以及，当前时间点的所述曝气管道阀门开启度应减小、应增大或应保持的真实值；
训练因变量数据时序排列子单元，用于将所述多个预定时间点的训练进水量、训练进水时间、训练进水水质、训练曝气池溶解氧、训练氧气还原点位和训练出水水质按照时间维度和样本维度排列为训练因变量时序关联矩阵；
训练自变量数据时序排列子单元，用于将所述多个预定时间点的曝气管道阀门训练开启度按照时间维度排列为训练自变量时序输入向量；
训练变量协同交互分析子单元，用于将所述训练因变量时序关联矩阵和所述训练自变量时序输入向量通过包含卷积神经网络模型和一维卷积层的MetaNet模块以得到训练自变量-因变量通道维度交互融合特征向量；
训练优化子单元，用于对所述训练自变量-因变量通道维度交互融合特征向量进行逐位置优化以得到优化训练自变量-因变量通道维度交互融合特征向量；
分类损失子单元，用于将所述优化训练自变量-因变量通道维度交互融合特征向量通过分类器以得到分类损失函数值；
损失训练子单元，用于基于所述分类损失函数值对所述包含卷积神经网络模型和一维卷积层的MetaNet模块和所述分类器进行训练。
9.根据权利要求8所述的基于人工智能的智能曝气管理系统，其特征在于，所述分类损失子单元，用于：
使用所述分类器以如下训练分类公式对所述优化训练自变量-因变量通道维度交互融合特征向量进行处理以得到训练分类结果；其中，所述训练分类公式为：
；
其中，到/>为权重矩阵，/>到/>为偏置向量，/>为所述优化训练自变量-因变量通道维度交互融合特征向量；
计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311544476.7A CN117251718B (zh) | 2023-11-20 | 2023-11-20 | 基于人工智能的智能曝气管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311544476.7A CN117251718B (zh) | 2023-11-20 | 2023-11-20 | 基于人工智能的智能曝气管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117251718A true CN117251718A (zh) | 2023-12-19 |
| CN117251718B CN117251718B (zh) | 2024-02-13 |
Family
ID=89126908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311544476.7A Active CN117251718B (zh) | 2023-11-20 | 2023-11-20 | 基于人工智能的智能曝气管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117251718B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117682682A (zh) * | 2024-01-31 | 2024-03-12 | 河北保蓝环保科技有限公司 | 污水处理曝气过程的优化控制系统及方法 |
| CN118084222A (zh) * | 2024-04-19 | 2024-05-28 | 山东未来环保科技有限公司 | 用于污水处理的智能曝气方法及设备 |
| CN118131834A (zh) * | 2024-03-12 | 2024-06-04 | 水利部牧区水利科学研究所 | 一种沙地微储水保湿装置及方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160076110A (ko) * | 2014-12-22 | 2016-06-30 | 청우에이스(주) | 수질 정화를 위한 가변제어 폭기장치 |
| CN115099684A (zh) * | 2022-07-18 | 2022-09-23 | 江西中科冠物联网科技有限公司 | 企业安全生产管理系统及其管理方法 |
| CN115992908A (zh) * | 2023-03-16 | 2023-04-21 | 杭州鄂达精密机电科技有限公司 | 智能流体控制阀及其检测方法 |
| CN116186612A (zh) * | 2023-04-28 | 2023-05-30 | 福建省杭氟电子材料有限公司 | 六氟化硫回收利用管理系统 |
| CN116184972A (zh) * | 2023-04-28 | 2023-05-30 | 福建德尔科技股份有限公司 | 空气分离装置的控制系统及其方法 |
| CN116625438A (zh) * | 2023-07-25 | 2023-08-22 | 克拉玛依市燃气有限责任公司 | 燃气管网安全在线监测系统及其方法 |
| CN116736703A (zh) * | 2023-05-24 | 2023-09-12 | 湖南省三联环保科技有限公司 | 污水处理的智能监测系统及其方法 |
| CN116907282A (zh) * | 2023-09-14 | 2023-10-20 | 杭州牧星科技有限公司 | 基于人工智能算法的无人靶机超低空飞行控制方法 |
| CN116956156A (zh) * | 2023-07-25 | 2023-10-27 | 重庆享控智能科技有限公司 | 一种基于人工智能的污水处理智能曝气方法及系统 |
| CN117034123A (zh) * | 2023-08-28 | 2023-11-10 | 定州市云领域体育用品有限公司 | 健身器材的故障监控系统及其方法 |
| CN117072740A (zh) * | 2023-09-12 | 2023-11-17 | 滨特尔集团有限公司 | 气动调节阀的自动控制系统及其方法 |
-
2023
- 2023-11-20 CN CN202311544476.7A patent/CN117251718B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160076110A (ko) * | 2014-12-22 | 2016-06-30 | 청우에이스(주) | 수질 정화를 위한 가변제어 폭기장치 |
| CN115099684A (zh) * | 2022-07-18 | 2022-09-23 | 江西中科冠物联网科技有限公司 | 企业安全生产管理系统及其管理方法 |
| CN115992908A (zh) * | 2023-03-16 | 2023-04-21 | 杭州鄂达精密机电科技有限公司 | 智能流体控制阀及其检测方法 |
| CN116186612A (zh) * | 2023-04-28 | 2023-05-30 | 福建省杭氟电子材料有限公司 | 六氟化硫回收利用管理系统 |
| CN116184972A (zh) * | 2023-04-28 | 2023-05-30 | 福建德尔科技股份有限公司 | 空气分离装置的控制系统及其方法 |
| CN116736703A (zh) * | 2023-05-24 | 2023-09-12 | 湖南省三联环保科技有限公司 | 污水处理的智能监测系统及其方法 |
| CN116625438A (zh) * | 2023-07-25 | 2023-08-22 | 克拉玛依市燃气有限责任公司 | 燃气管网安全在线监测系统及其方法 |
| CN116956156A (zh) * | 2023-07-25 | 2023-10-27 | 重庆享控智能科技有限公司 | 一种基于人工智能的污水处理智能曝气方法及系统 |
| CN117034123A (zh) * | 2023-08-28 | 2023-11-10 | 定州市云领域体育用品有限公司 | 健身器材的故障监控系统及其方法 |
| CN117072740A (zh) * | 2023-09-12 | 2023-11-17 | 滨特尔集团有限公司 | 气动调节阀的自动控制系统及其方法 |
| CN116907282A (zh) * | 2023-09-14 | 2023-10-20 | 杭州牧星科技有限公司 | 基于人工智能算法的无人靶机超低空飞行控制方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117682682A (zh) * | 2024-01-31 | 2024-03-12 | 河北保蓝环保科技有限公司 | 污水处理曝气过程的优化控制系统及方法 |
| CN117682682B (zh) * | 2024-01-31 | 2024-06-07 | 河北保蓝环保科技有限公司 | 污水处理曝气过程的优化控制系统及方法 |
| CN118131834A (zh) * | 2024-03-12 | 2024-06-04 | 水利部牧区水利科学研究所 | 一种沙地微储水保湿装置及方法 |
| CN118084222A (zh) * | 2024-04-19 | 2024-05-28 | 山东未来环保科技有限公司 | 用于污水处理的智能曝气方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117251718B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117251718B (zh) | 基于人工智能的智能曝气管理系统 | |
| CN111626063B (zh) | 一种基于投影梯度下降和标签平滑的文本意图识别方法及系统 | |
| CN110515411B (zh) | 一种水处理加药量控制方法及系统 | |
| CN112887239B (zh) | 基于深度混合神经网络的快速准确水声信号调制方式识别方法 | |
| CN116135797B (zh) | 污水处理智能控制系统 | |
| CN117682682B (zh) | 污水处理曝气过程的优化控制系统及方法 | |
| CN112272074B (zh) | 一种基于神经网络的信息传输速率控制方法及系统 | |
| CN116612435B (zh) | 一种玉米高产栽培方法 | |
| CN113448245A (zh) | 一种基于深度学习的污水处理过程溶解氧控制方法及系统 | |
| CN117006654A (zh) | 基于边缘计算的空调负荷控制系统及其方法 | |
| CN116621409A (zh) | 畜禽粪污资源化处理设备及方法 | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| Yang et al. | Teacher–Student Uncertainty Autoencoder for the Process-Relevant and Quality-Relevant Fault Detection in the Industrial Process | |
| CN117247132B (zh) | 一种基于aao工艺的智能精准曝气方法 | |
| CN117055451B (zh) | 污水处理智能监控系统及其方法 | |
| CN114494783A (zh) | 一种基于动态图神经网络的预训练方法 | |
| CN108345942A (zh) | 一种基于嵌入编码学习的机器学习识别方法 | |
| CN109862625B (zh) | 一种基于深度学习的短波测向灵活组网方法 | |
| CN117252285A (zh) | 基于并行cnn-gru网络的多指标污水水质预测方法 | |
| CN105334730A (zh) | 加热炉氧含量的iga优化t-s模糊arx建模方法 | |
| Li et al. | Long short-term memory network-based wastewater quality prediction model with sparrow search algorithm | |
| CN108345943A (zh) | 一种基于嵌入编码与对比学习的机器学习识别方法 | |
| KR20230086851A (ko) | 유입 하수 변동에 따른 하수처리시설의 지속가능한 운전을 위한 하이브리드 머신러닝 기반 다목적 제어시스템 및 제어방법 | |
| Yin et al. | Prediction model of dissolved oxygen in marine pasture based on hybrid gray wolf algorithm optimized support vector regression | |
| CN114527716B (zh) | 一种基于注意力机制和行为克隆模型的污水处理预测控制方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Intelligent aeration management system based on artificial intelligence Granted publication date: 20240213 Pledgee: Bank of Jilin Co.,Ltd. Changchun New District Sub branch Pledgor: JILIN PROVINCE EXTENSION OF ENVIRONMENTAL PROTECTION EQUIPMENT ENGINEERING CO.,LTD. Registration number: Y2024220000044 |