CN1465534A - 采用神经回路网和向后传播算法的废水处理人工智能控制系统和方法 - Google Patents

Abstract

本发明涉及一种人工智能控制系统，该人工智能控制系统基于流入水的性质和反应槽内的状态，与目标处理水质的溶解氧，以及微生物的滞留时间等的可变因数进行自动控制，从韩国方面来说，本发明涉及下述人工智能控制系统，该人工智能控制系统采用下述的学习方法和进行控制的算法，无论工法之间的差别和废水处理场的容量和流量(flow)的变化等情况，均可借助采用若干修正和新的数据的再学习和调制，适合用于大部分的废水处理场，通过新的数据的累积，进行更新，进行调制以便获得更高的效率，该学习方法指通过下述方法，收集已有的专家的的知识，制作适合的知识库，采用该知识库，让人工智能(神经控制器)学习，设定与温度的变化和浓度的变化等相对应的溶解氧的浓度，计算适合的SRT，对剩余的污泥等进行控制。

Description

采用神经回路网和向后传播算法的 废水处理人工智能控制系统和方法

发明领域

本发明涉及对基于流入水的性质和反应槽内的状态以及目标处理水质的溶解氧和微生物的滞留时间等的可变因数进行自动控制的人工智能控制系统。

已有技术

更具体地说，从韩国的特性方面来说，本发明涉及下述人工智能控制系统，该系统采用下述的学习方法和进行控制的算法，无论工法之间的差别和废水处理场的容量和流量(flow)的变化等情况，均可借助采用若干修正和新的数据的再学习和调制，适合用于大部分的废水处理场，通过新的数据的累积，进行更新，进行调制以便获得更高的效率，该学习方法指通过下述方法，收集已有的专家的的知识[包括比如，作为流入特性的，BOD，温度，流量，作为反应槽的特性的，溶解氧，活性微生物浓度(在下面将其称为MLSS)，作为设计因数的SRT，作为处理水特性的总氮浓度(在下面将其称为T-N)，以及BOD]，制作适合的知识库，采用该知识库，让人工智能(神经控制器)学习，设定与温度的变化和浓度的变化等相对应的溶解氧的浓度，计算适合的SRT，对剩余的污泥等进行控制，该下述方法指通过对作为通过汇合式废水管渠，流入废水处理场的动态的设计因数的生物学的氧要求量(在下面将其称为“BOD”)，流入流量和水温进行自动测定而获得的数据，适合采用作为考虑了适合于初始设计时的固定因数的各反应槽和沉淀槽的容积的滞留时间，求出控制因数的好氧槽1层和好氧槽2层的溶解氧量(在下面将其称为“溶解氧量”)和微生物滞留时间(在下面将其称为“SRT”)的目标值(set point：在下面将其称为“SP”)，另外，通过目标值，自动地对供给空气控制用的阀(在下面将其称为“C/V”)和污泥抽吸泵进行控制。

一般的废水处理场的过去的自动控制系统主要采用下述PID和ON/OFF控制系统，该系统根据考虑了季节的温度差，流入水的BOD浓度，流量等的操作者的经验，设定SP，该系统基于该SP。在这里，实际的情况是，操作者综合地判断一天的数据，在数天一次地改变SP的同时，对溶解氧量和SRT进行控制。

作为一个实例，在采用最常用的可编程逻辑控制器(下面称为“PLC”)的自动控制系统的场合：

传送BOD，流入流量和水温的流入水的特性和控制用的好氧槽第1层的溶解氧，好氧槽第2层的溶解氧，曝气槽MLSS，污泥浓度，抽出流量，或流出水BOD的，从测定仪得到的数据；

接着，通过设置于具有小容量的运行速度的PLC的内部的CPU，对从PLC的输入输出卡(在下面分别将其称为“A/D卡”，“D/A卡”)获得的数据进行运算处理和比例积分微分处理(在下面将其称为“PID”)和ON/OFF控制，并且通过接口，借助通信信号，采用RS-232C，将从PLC输入输出的数据传送给计算机。

然后，实际的情况是，在计算机中，仅仅实现下述功能，即，将仅仅由PLC输入输出的数据，换算显示为肉眼可确认的物理量的数据，对其进行存储和管理。

通过上述的方法，进行自动控制的系统是简单的，但是，不仅难于进行基于流动的流入水的性质的连续的SP的溶解氧和SRT的控制，而且难于综合地适应采用对应于操作者的直觉的时刻，每天，季节的变化，对SP进行控制。另外，实际的情况是，不可能通过使废水的处理效率增加的方法，连续地进行控制，在操作者的出差时，变换时，不仅照原样保持已有的处理效率，而且具有增加效率是相当困难的问题。

为了消除前述那样的已有技术的问题，本发明可通过使对应于季节变化的运转因数依赖于经验的情况，导出采用已有数据的相关关系，进行用于增加通过基于该关系的，溶解氧，SRT控制的处理效率的控制和对应于不同季节的运转控制。另外，使因运转管理的非效率性，人工费用，电力费用等的运转费用增加的因素减小。

发明内容

用于实现上述目的的本发明涉及一种废水处理的控制方法，其特征在于该方法包括下述步骤：以复合方式测定流入上述废水处理场的流入水特性，反应槽状态特性，流出水效率特性的动态的目前值；通过计算机，收集上述已测定的动态的目前值的数据，以物理量数据对其进行运算处理；通过上述计算机中的程序，对上述已测定的特性的目前值进行比较，求出好氧槽1层的溶解氧量和好氧槽2层的溶解氧量以及微生物滞留时间(SRT)的适合的目标值(SP)；将已求出的适合的目标值(SP)，与目前的好氧槽1层和好氧槽2层的溶解氧量和微生物滞留时间(SRT)的目前值进行比较，将其运算处理为模拟和数字控制输出值；通过已获得的上述控制输出值，对好氧槽1层和好氧槽2层的空气调节阀和污泥抽吸泵进行控制；上述程序通过采用后向传播的神经回路网控制程序，求出上述适合目标值。

另外，本发明涉及一种废水处理控制系统，其特征在于该系统包括以复合方式测定流入上述废水处理场的流入水特性，反应槽状态特性，流出水效率特性的动态的目前值的机构；计算机机构，在该计算机机构中，通过计算机，收集上述已测定的动态的目前值的数据，按照物理量数据对其进行运算处理，通过程序，对上述已测定的特性的目前值进行比较，求出好氧槽1层的溶解氧量和好氧槽2层的溶解氧量以及微生物滞留时间(SRT)的适合的目标值(SP)，将上述已求出的适合的目标值(SP)，与目前的好氧槽1层和好氧槽2层的溶解氧量和微生物滞留时间(SRT)的目前值进行比较，将其运算处理为模拟和数字控制输出值；控制机构，该控制机构通过已获得的上述控制输出值，对好氧槽1层和好氧层2层的空气调节阀和污泥抽吸泵进行控制；上述程序通过采用后向传播的神经回路网控制程序，求出上述适合目标值。

附图说明

图1表示本发明的控制系统的整体组成。

图2是数据的顺序图。

图3表示实现用于本发明的程序的主要功能的顺序图。

图4表示在这里所采用的整体的学习和适用过程。

图5表示本发明的后向传播的体系。

图6以形成方框的方式表示这样的本申请发明的控制功能的运行。

图7表示用于获得控制因数的程序语言而表述的软件的实例。

图8通过实例表示该输入学习数据。

图9表示输入到本发明的系统中的流入温度信号曲线图。

图10为输入到本发明的系统的流入流量信号曲线图。

图11为输入到本发明的系统中的流入BOD信号曲线图。

图12为表示下述场合，在该场合，输入到本发明的系统中的容积负荷信号曲线图。

图13为从本系统输出的溶解氧1的输出信号曲线图。

图14为从该本系统输出的溶解氧2的输出信号曲线图。

图15为从本系统输出的SRT输出信号曲线图。

图16为整体输入/输出到本系统中的输出信号曲线图。

具体实施方式

下面根据附图，对本申请的方案进行具体描述。

图1表示本发明的控制系统的整体组成。象从该组成知道的那样，BOD，流入流量和水温的流入水的特性和SP控制用的好氧槽1层的溶解氧，好氧槽第2层的溶解氧，曝气槽MLSS，污泥浓度，抽出流量，或流出水BOD那样的从测定仪10，11，12获得的数据作为模拟信号被传送给PLC14的A/D转换器101。

图2是数据的顺序图。该数据通过图2所示的顺序图，形成系统阶段。如果程序开始，进行初始化处理(201)，则收集已有的数据(202)，经过数据过滤(203)的阶段，输入已测定的流入水的特性，反应槽的状态，流出水的特性(205)，经过目前状态的掌握阶段(204)。将该掌握的当前值与输入值(206)一起，进行控制输出运算(207，210，211)，将其分别作为模拟和数字信号进行控制，将其输出(209，212)，同时将该信号存储于PLC14的存储器中(218)。然后，在效率判断(214)中适合的场合，经过移动平均处理的步骤，以物理量对其进行换算处理(217)，然后，对其进行带日期的存储(221)和初始值存储处理(219)，另外，通过图1所示的RS232C通信机构106，按照互联网传送控制协议/互联网协议(在下面将其称为“TCP/IP”)，进行双向通信，将其显示于计算机画面中(220)。

图3表示实现用于本发明的程序的主要功能的顺序图。在上述程序开始，进行初始化处理(301)后，基于已收集的数据(303)以及经换算处理的流入水的特性(304)的物理量数据经过以复合方式进行比较运算处理的步骤(305)。通过上述复合比较运算处理步骤，可在与温度与流入水的特性，流量等无关的情况下，进行一定浓度以上的脱氮，脱磷处理，对水处理步骤进行人工智能化处理，自动化处理，形成高效稳定的水处理系统，确保通过数据库的形成和人工智能控制(神经网络)进行自动化处理所必需的测定仪的恒定性，安全性，自动控制系统的稳定性等，另外，求出与四季的温度，流入水的浓度无关，可提高处理效率的好氧槽1层和好氧槽2层的溶解氧，以及SRT的最适合的SP(306，307)。

在这里求出的好氧槽1层和好氧槽2层的溶解氧和SRT的适合的SP分别通过复合比较运算处理(308，309)，分别进行模拟输出运算(311)和数字输出运算(312)处理，以便进行相应的模拟控制输出(310)与数字控制输出(313)，另外，各控制输出存储于存储器(314)中，其用于互联网传送(315)和初始值的存储(316)，画面上的显示(317)的带日期的单独的文本的存储(318)，或数据库的登记(319)等的方面。

图4表示在这里所采用的整体的学习和适用过程。

人工智能控制对反应槽的溶解氧，MLSS，处理水的总氮浓废，BOD这样的专家的知识数据进行收集和获取处理(401)，对该数据进行分析，制作数据规则(402)。

让神经回路网络学习该数据规则(403)，但是，在这里，神经回路网络采用后向传播(Back-Propagation)，以及象数学公式1中那样的，LevenbergMarquardt方法和牛顿(Newton)方法，以及可实现最急剧下降法的学习适合算法，在实际的运行后，对运行效率进行计算，通过获取具有较高效率的新的数据(405)，在到达所需的效率之前，进行短期的调制(407)。通过这样的再学习的过程，形成新的数据库(406)。

数学公式

W_i+1＝W_i-(H+λI)^-1F(W_i)

(I表示单位矩阵(Identity Matrix)。λ＝0：牛顿(Newton)方法，λ→∞：形成最急剧下降法，λ动态地受到调节。)

上述后向传播算法中，作为输入学习数据的实例，采用流入水的性质(流量，温度，BOD浓度)，反应槽内的状态(容积负荷量，SRT，溶解氧，MLSS，氨性氮浓度(下面称为“NH₄-N”)，氮酸性氮浓度(下面称为“NO₃-N”)，磷酸盐-磷浓度(PO₄-P)，处理水质(BOD，T-N)，形成该输入数据与一对一对应的所需数据为好氧槽1，2层中的溶解氧与SRT。

图8通过实例表示该输入学习数据。如图8所示，通过实例表示的输入学习数据可这样输入，温度在零上5度～零上38度，BOD在0～180mg/l的范围内，NH₄在0～150mg/ll的范围内，容积负荷量在整个范围内，与此相对的输出可这样输出，好氧槽1层的DO在2.35～4.3mg/l的范围内，好氧槽2层的DO2在1.4～3.3mg/l的范围内，SRT在7.55～21.0的范围内。

上述提示的学习数据按照下述倾向进行控制，该倾向指如果使流入NH₄浓度增加，则使MLSS增加，使有机物与微生物的比例(Food to microbes：在下面称为“F/M”)减少的倾向，或如果使流入NH₄浓度减少，则使MLSS减少，使F/M增加的倾向，另外按照下述倾向进行控制，该倾向指使MLSS减少，该MLSS用于在流入水浓度(BOD)增加时，如果MLSS也增加，保持F/M，反之，如果MLSS减少，在保持F/M的同时，使剩余污泥抽出量减少的控制倾向，或按照下述倾向进行控制，该倾向指如果流入水浓度(BOD)增加，使空气供给量增加，如果流入水浓度(BOD)减少，则在使空气供给量减少的同时，使剩余污泥抽出量增加，使MLSS减少的倾向。

图5表示本发明的后向传播的体系。

在本发明中，后向传播采用MLP(Multi-Layer Perceptron)模式。在MLP模式中，层由从环境输入的输入层(Input Layer)(503)，向环境输出的输出层(Output Layer)(505)，以及不与环境直接相互作用，位于输入层和输出层之间的隐藏层(Hidden Layer)(504)构成。学习从输入层开始，经过隐藏层，进行到输出层。牛顿(Newton)对所接收的输入项目的值进行合计，在该合计值较高的场合，将输入项目转到隐藏层内的下一中心点(node)。在到达该输入项目时，产生加权值的分配，或加权值的强化和弱化，此过程连续地进行，直至模式到达预测结果的最终外部层(输出层)。产生对在这里较高的值的图案，给予一定比重，忽视较低值的图案的活性作用。

按照本发明，由于对于输出层505，必须预测各种目标值，将其输出，故仅仅将线性(linear sum)和用作活性函数。对于隐藏层504，采用非线性(Nonlinear)活性函数，按照加权值(Weight)人工智能控制(神经网络)，对从学习过程获得的信息进行累加，将其存储，但是，该加权值用于获得适合SRT与溶解氧的值。

在图5所示的本发明的隐藏层504中，隐藏层504的数量由专家的经验知识确定，按照本申请的发明，隐藏层504的数量可确定在15～40个之间，这样的隐藏层504与输入层503和输出层505的资料输入和输出，以及加权值由数学公式2～数学公式4确定。

数学公式2 $\▿F\left(W_i\right)=\frac{\∂F}{\∂w_i}$

(通过全部误差的总和的F相对加权值的变化率进行计算的公式，梯度i表示第i加权值(Weight))

数学公式3 $F=\underset{k=0}{\overset{N}{\mathrm{\Σ}}}{e}_k^2$ ：SSE(最小平方和的误差)

(误差e指目标值与神经回路网络的输出之间的差值，k表示第k取样)

数学公式4

H＝²F(W)

(计算相对Hessian矩阵，F的加权值的2阶导函数的公式)

此后，将从上述的阶段获得的相应的适合的SP，与好氧槽1层的溶解氧PV，好氧槽2层的溶解氧PV进行比较，对其进行模拟控制输出(下面称为“MV”)的运算处理，获得控制因数。另外，对污泥抽出流量PV与累积流量进行比较，对其进行数字MV运算处理，获得数字控制因数。图7表示作为用于获得该控制因数的程序语言而表述的软件的实例。

另外，本发明容易将从上述阶段获得的一系列的数据存储于一个文件中，对其进行调用，管理。

在上述阶段后，通过已获得的相应的控制因数，连续地对MV进行计算，通过D/A卡104，将其按照模拟信号和数字信号传送。

通过各C/V和污泥抽出泵的倒相器15，对所传送的信号进行PC主板的直接控制。

此外，在上述阶段后，可对反应槽状态的SP与PV进行比较，采用PC的多重处理功能，对经过上述控制过程的废水处理场的效率进行比较分析，将其记录于文件中。

还有，也可进行下述一系列的步骤，其形成远程人工智能系统，即，可通过一定的控制因数的调准过程，通过处理效率提高更高的方法，进行连续控制，按照实际时间，从运距离对现场的资料进行监视，对其进行控制。

图6以形成方框的方式表示这样的本申请发明的控制功能的运行。象该图所示的那样，象流量，流入BOD，流入NH₃，温度那样的，通过传感器检测的，或已测定的数据601通过数据接收板602收集，已收集的数据传递给具有人工智能神经网络控制器的PC那样的计算机机构604，但是，该计算机机构可通过TCP/IP，沿双向，按照实际时间，进行远程控制和监视603。通过前述那样的人工智能神经网控制而输出的DO.SRT通过模拟输出信号板605而输出，该模拟信号可通过转换器和倒相器606转换，之后，对DO和MLSS进行控制607。

下面通过输入输出数据，对以实验方式实施前述的方案的实例进行分析。

本实施例为本发明的神经回路网和后向传播算法的废水处理个工智能控制系统采用环境事务所的1次沉淀池的处理水，一天处理容量50吨规模的实验设施的运营的实施例。

图9～12表示本实施例中的，流入水的状况的输入和反应槽内的状况的输入。图9表示输入到本发明的系统中的流入温度信号曲线图，对于流入温度，x轴表示时间轴，摄氏流入温度在21.0～21.5℃的范围内，其是动态输入的。图10为输入到本发明的系统的流入流量信号曲线图，流入流量对应于时间，按照约49.0～50.m³/天，动态地输入。图11为输入到本发明的系统中的流入BOD信号曲线图，流入BOD对应于时间，按照约90.0～92.2mg/l的范围动态地输入。

图12为表示下述场合，在该场合，输入到本发明的系统中的容积负荷信号曲线图，反应槽内的容积负荷(kgBOD/m³/天)对应时间而动态地输入。

图13为从本系统输出的溶解氧1的输出信号曲线图，图14为从该本系统输出的溶解氧2的输出信号曲线图，图15为从本系统输出的SRT输出信号曲线图，图16为整体输入/输出到本系统中的输出信号曲线图。

通过本实施例的输出曲线图，可观察到，通过人工智能，在相同的流入条件下，反应槽内的好氧槽1层(图13)和2层的溶解氧(图14)以及SRT(图15)不为固定值，而将其分别控制在与状况相适合的状态。

象这样，本发明所采用的人工智能控制系统从总体上根据数据，进行控制，由此，不仅使操作者的个人误差造成的误动作达到最小，而且可确保具有连贯性与可靠性的资料，可进行精密控制。

通过象上面所描述的方案，本发明与已有技术不同，通过更加标准化的数据，借助标准化的步骤，进行人工智能控制，由此，可在不依靠操作者的经验的情况下，通过动态的控制，确保稳定的处理效率，可确保具有与先进产业化，信息化时代的要求相对应的可靠性的数据，可使运转预算的劳动费用和设施的维持管理费用达到最小。

另外，由于通过PC主板控制，反映PC的速度，灵活的技术，故可连续地按照使处理效率增加的方式对其给予支持。

Claims (20)

1.一种废水处理的控制方法，其特征在于该方法包括下述步骤：

以复合方式测定流入上述废水处理场的流入水特性，反应槽状态特性，流出水效率特性的动态的目前值；

通过计算机，收集上述已测定的动态的目前值的数据，以物理量数据对其进行运算处理；

通过上述计算机中的程序，对上述已测定的特性的目前值进行比较，求出好氧槽1层的溶解氧量和好氧槽2层的溶解氧量以及微生物滞留时间(SRT)的适合的目标值(SP)；

将已求出的适合的目标值(SP)，与目前的好氧槽1层和好氧槽2层的溶解氧量和微生物滞留时间(SRT)的目前值进行比较，将其运算处理为模拟和数字控制输出值；

通过已获得的上述控制输出值，对好氧槽1层和好氧槽2层的空气调节阀和污泥抽吸泵进行控制；

上述程序通过采用后向传播的神经回路网控制程序，求出上述适合目标值。

2.根据权利要求1所述的废水处理的控制方法，其特征在于：

上述流入水特性包括流入流量，温度，流入水的BOD浓度；

上述反应槽状态特性包括容积负荷量，微生物滞留时间(SRT)，好氧槽1层的溶解氧量，好氧槽2层的溶解氧量，活性微生物浓度(MLSS)，NH₄-N，NO₃-N，PO₄-P；

上述流出水质的特性包括流出水的BOD浓度，流出水容量，T-N。

3.根据权利要求1所述的废水处理的控制方法，其特征在于：

上述神经回路网控制程序采用学习适合算法。

4.根据权利要求2，或3所述的废水处理的控制方法，其特征在于用于神经回路网控制程序的输入学习数据为流入水特性，反应槽状态特性，流出水质效率特性，通过学习过程获得的加权值，求出作为目标数据的好氧槽1层的溶解氧量和好氧槽2层的溶解氧量，以及微生物滞留时间(SRT)。

5.根据权利要求4所述的废水处理的控制方法，其特征在于上述神经回路网控制程序的体系包括输入层，隐藏层，输出层，将隐藏层的数量确定在15～40个的范围内，根据上述隐藏层，确定输入层，输出层的资料输入和输出以及加权值。

6.根据权利要求5所述的废水处理的控制方法，其特征在于对于上述输出层，活性函数采用线性和，对于上述隐藏层，作为活性函数采用非线性函数，按照加权值累积和存储从学习过程获得的信息，由此，上述加权值用于求出适合的微生物滞留时间(SRT)与溶解氧的目标值。

7.根据权利要求4所述的废水处理的控制方法，其特征在于对于上述神经回路网控制程序的输入学习数据的范围，流入水温度在零上5度～零上38度的范围内，BOD在0～180mg/ll的范围内，NH₄在0～150mg/ll的范围内，容积负荷量在整个范围内，对于输出范围，好氧槽1层的溶解氧量在2.35～4.3mg/l的范围内，好氧槽2层的溶解氧量在1.4～3.3mg/l的范围内，微生物滞留时间(SRT)在7.55～21.0天的范围内。

8.根据权利要求4所述的废水处理的控制方法，其特征在于上述神经回路网控制程序按照下述方式进行控制，该方式为：

在所流入的NH₄浓度增加时，使活性微生物浓度(MLSS)增加，使F/M减少，在所流入的NH₄浓度减少时，使活性微生物浓度(MLSS)减少，使F/M增加；

在流入水的BOD增加时，如果活性微生物浓度(MLSS)也增加，则使用于保持F/M的活性微生物浓度(MLSS)减少，如果活性微生物浓度(MLSS)减少，则保持F/M，并且减少剩余的污泥抽吸量；

在流入水的BOD增加时，空气供给量增加，在流入水的BOD减少时，使空气供给量减少，并且使剩余的污泥抽吸量增加，使活性微生物浓度(MLSS)减少。

9.根据权利要求1所述的废水处理的控制方法，其特征在于该方法还包括将通过测定和运算处理步骤而求出的数据存储在文件中，对其进行管理的步骤。

10.根据权利要求9所述的废水处理的控制方法，其特征在于其还包括下述步骤，即，借助传送控制协议/互联网协议(TCP/IP)，通过计算机和双向通信，对上述数据进行实时控制，采用多重处理功能，通过计算机，在经过上述控制过程后，对废水处理场的效率进行比较分析，将其记录于文件中。

11.一种废水处理控制系统，其特征在于该系统包括：

以复合方式测定流入上述废水处理场的流入水特性，反应槽状态特性，流出水效率特性的动态的目前值的机构；

计算机机构，在该计算机机构中，通过计算机，收集上述已测定的动态的目前值的数据，按照物理量数据对其进行运算处理，通过程序，对上述已测定的特性的目前值进行比较，求出好氧槽1层的溶解氧量和好氧槽2层的溶解氧量以及微生物滞留时间(SRT)的适合的目标值(SP)，将上述已求出的适合的目标值(SP)，与目前的好氧槽1层和好氧槽2层的溶解氧量和微生物滞留时间(SRT)的目前值进行比较，将其运算处理为模拟和数字控制输出值；

控制机构，该控制机构通过已获得的上述控制输出值，对好氧槽1层和好氧层2层的空气调节阀和污泥抽吸泵进行控制；

上述程序通过采用后向传播的神经回路网控制程序，求出上述适合目标值。

12.根据权利要求11所述的废水处理控制系统，其特征在于上述流入水特性包括流入流量，温度，流入水的BOD浓度；

上述反应槽状态特性包括容积负荷量，微生物滞留时间(SRT)，好氧槽1层的溶解氧量，好氧槽2层的溶解氧量，活性微生物浓度(MLSS)，NH₄-N，NO₃-N，PO₄-P；

上述流出水质的特性包括流出水的BOD浓度，流出水容量，T-N。

13.根据权利要求11所述的废水处理的控制系统，其特征在于在上述神经回路网控制程序中，采用学习适合算法。

14.根据权利要求11或12所述的废水处理的控制方法，其特征在于用于神经回路网控制程序的输入学习数据为流入水特性，反应槽状态特性，流出水质效率特性，通过学习过程获得的加权值，求出作为目标数据的好氧槽1层的溶解氧量和好氧槽2层的溶解氧量，以及微生物滞留时间(SRT)。

15.根据权利要求14所述的废水处理的控制方法，其特征在于上述神经回路网控制程序的体系包括输入层，隐藏层，输出层，将隐藏层的数量确定在15～40个的范围内，根据上述隐藏层，确定输入层，输出层的资料输入和输出以及加权值。

16.根据权利要求15所述的废水处理的控制系统，其特征在于对于上述输出层，活性函数采用线性和，对于上述隐藏层，活性函数采用非线性函数，按照加权值累积和存储从学习过程获得的信息，由此，上述加权值用于求出适合的微生物滞留时间(SRT)与溶解氧的目标值。

17.根据权利要求14所述的废水处理的控制系统，其特征在于对于上述神经回路网控制程序的输入学习数据的范围，流入水温度在零上5度～零上38度的范围内，BOD在0～180mg/l的范围内，NH₄在0～150mg/ll的范围内，容积负荷量在整个范围内，对于输出范围，好氧槽1层的溶解氧量在2.35～4.3mg/l的范围内，好氧槽2层的溶解氧量在1.4～3.3mg/l的范围内，微生物滞留时间(SRT)在7.55～21.0天的范围内。

18.根据权利要求17所述的废水处理的控制系统，其特征在于上述神经回路网控制程序按照下述方式进行控制，该方式为：

在所流入的NH₄浓度增加时，使活性微生物浓度(MLSS)增加，使F/M减少，在所流入的NH₄浓度减少时，使活性微生物浓度(MLSS)减少，使F/M增加；

在流入水的BOD增加时，如果活性微生物浓度(MLSS)也增加，则使用于保持F/M的活性微生物浓度(MLSS)减少，如果活性微生物浓度(MLSS)减少，则保持F/M，减少剩余的污泥抽吸量；

在流入水的BOD增加时，空气供给量增加，在流入水的BOD减少时，使空气供给量减少，并且使剩余的污泥抽吸量增加，使活性微生物浓度(MLSS)减少。

19.根据权利要求11所述的废水处理的控制系统，其特征在将通过测定和运算处理步骤而求出的数据存储在文件中，对其进行管理。

20.根据权利要求19所述的废水处理的控制系统，其特征在于借助传送控制协议/互联网协议(TCP/IP)，通过计算机和双向通信，对上述数据进行实时控制，采用多重处理功能，通过计算机，在经过上述控制过程后，对废水处理场的效率进行比较分析，将其记录于文件中。

Images