WO2012109900A1 - 基于模糊神经网络的溶解氧控制的废水处理方法及系统 - Google Patents

基于模糊神经网络的溶解氧控制的废水处理方法及系统 Download PDF

Info

Publication number
WO2012109900A1
WO2012109900A1 PCT/CN2011/079993 CN2011079993W WO2012109900A1 WO 2012109900 A1 WO2012109900 A1 WO 2012109900A1 CN 2011079993 W CN2011079993 W CN 2011079993W WO 2012109900 A1 WO2012109900 A1 WO 2012109900A1
Authority
WO
WIPO (PCT)
Prior art keywords
layer
neural network
value
fuzzy
cod
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.)
Ceased
Application number
PCT/CN2011/079993
Other languages
English (en)
French (fr)
Inventor
万金泉
黄明智
马邕文
王艳
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to US13/985,482 priority Critical patent/US9747544B2/en
Publication of WO2012109900A1 publication Critical patent/WO2012109900A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

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
    • C02F3/006—Regulation methods for biological treatment
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • C02F3/30—Aerobic and anaerobic processes
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/001—Upstream control, i.e. monitoring for predictive control
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/003—Downstream control, i.e. outlet monitoring, e.g. to check the treating agents, such as halogens or ozone, leaving the process
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/04—Oxidation reduction potential [ORP]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/08—Chemical Oxygen Demand [COD]; Biological Oxygen Demand [BOD]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/22—O2
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/40—Liquid flow rate
    • 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

Definitions

  • the invention relates to a control method and a control system for wastewater treatment,
  • the level of dissolved oxygen is too low, which reduces the activity of sludge, inhibits the degradation of organisms by organisms, and causes sludge expansion; excessive dissolved oxygen accelerates the consumption of organic matter in sewage, causing the aging of activated sludge due to lack of nutrition. Long-term high dissolved oxygen will reduce the flocculation performance and adsorption capacity of activated sludge, increase energy consumption, and lead to poor sedimentation of suspended solids.
  • the present invention combines fuzzy control and neural network into a fuzzy neural network system, realizes fuzzy logic through a neural network, and utilizes the self-learning ability of the neural network to dynamically adjust membership functions and optimize online. Control rules. This makes use of the advantages of both to make up for the shortcomings of the other side. Design a flow-in-water characteristic and reactor state characteristics as input, with a five-layer structure The DO fuzzy neural network control model for the control of dissolved oxygen can achieve better control effects.
  • a method for treating wastewater by dissolved oxygen control based on fuzzy neural network comprising the following steps:
  • anaerobic tank ORP corresponding to the influent flow rate and aeration amount entering the A/O wastewater treatment system Value, aerobic pool DO value and influent COD value for different aeration volumes, and actual effluent COD value from the A/O wastewater treatment system;
  • step (3) Repeat the steps of step (3) and cycle according to this, so as to realize on-line prediction and real-time control of dissolved oxygen wastewater treatment.
  • the COD The fuzzy neural network prediction model includes an input layer, a hidden layer and an output layer, wherein the hidden layer is further divided into three layers: a fuzzy input layer, a fuzzy rule layer, and a blurred output layer, through the above 5 Layer neural networks implement fuzzification, fuzzy reasoning and defuzzification.
  • the initial center value of the membership function is fuzzy C
  • the clustering method is obtained, and other initial parameters of the membership function are obtained by off-line learning of laboratory data using the error back propagation method.
  • the fuzzy rule layer has the two-way flow of network data and the competition learning determination of the middle layer. The expert's experience with the rules is implemented by the intermediate connection and the flow of signals.
  • the 5-layer neural network structure of the COD fuzzy neural network prediction model is as follows:
  • the input layer is the first layer: the influent flow rate, the influent COD value, the aeration amount, the anaerobic pool ORP value, the aerobic pool DO value 5
  • Input variables are input neurons of the network;
  • the fuzzifying input layer is a second layer: calculating a membership degree corresponding to each input variable, the number of nodes is 5 ⁇ 11;
  • the fuzzy rule layer is the third layer: the front piece calculation of each rule is implemented, and the layer node is 11;
  • the fuzzifying output layer is a fourth layer: calculating the applicability of each rule, the number of nodes is the same as the number of the third layer;
  • the output layer is the fifth layer: the effluent COD prediction value is the output neuron, and there is only one output node.
  • the DO The fuzzy neural network control model includes an input layer, a hidden layer and an output layer, wherein the hidden layer is further divided into three layers: a fuzzy input layer, a fuzzy rule layer, and a blurred output layer, through the above 5
  • the layer neural network structure realizes fuzzification, fuzzy reasoning and defuzzification.
  • the five-layer neural network structure of the DO fuzzy neural network control model is as follows:
  • the input layer is a first layer: 2 nodes, which is a change amount and a change rate of the COD value;
  • the fuzzifying input layer is a second layer: 14 nodes, representing 14 membership functions, and completing the membership function value;
  • the fuzzy rule layer is the third layer: 49 nodes, representing 49 fuzzy rules, and completing the calculation of the front part of the fuzzy rule;
  • the fuzzification output layer is a fourth layer: 49 nodes, representing the applicability of 49 membership degrees;
  • the output layer is the fifth layer: 1 node, representing the amount of aeration correction.
  • the influent COD value is 600 ⁇ 2000mg/l
  • the anaerobic pool ORP value is -200 ⁇ 0mv
  • aerobic pool DO The value is 0.2 ⁇ 4.5mg/l.
  • the DO fuzzy neural network control model is controlled as follows:
  • the method of the present invention also includes the steps of: by means of a Transmission Control Protocol / Internet Protocol (TCP/IP) and a serial data interface standard ( R232/485).
  • TCP/IP Transmission Control Protocol / Internet Protocol
  • R232/485 serial data interface standard
  • the wastewater treatment system used in the above method of the present invention includes A/O wastewater treatment system, COD fuzzy neural network prediction model and DO Fuzzy neural network control model; the sensor detects the influent flow rate, influent COD value, anaerobic pool ORP value, aerobic pool DO value and actual effluent COD value of the A/O wastewater treatment system.
  • the sample data is sequentially converted into digital signals by the ADAM4017+ conversion module and ADAM4520 isolation converter and transmitted to the COD fuzzy neural network prediction model to establish the effluent COD.
  • the above digital signal is also converted into an analog signal via the ADAM4024+ module, and the water pump control circuit controls the speed of the inlet water pump to control the influent flow rate; the ADAM4024+ The module also controls the blower via a frequency converter.
  • the invention combines fuzzy control and neural network into a fuzzy neural network system, realizes fuzzy logic through neural network, and utilizes the self-learning ability of the neural network to dynamically adjust the membership function and online optimization control rules.
  • the effluent concentration of the sewage treated by the wastewater treatment system of the present invention can be controlled within the national emission standards, and the effluent water quality meets the national emission standard.
  • FIG. 1 is a block diagram showing the method for predicting and controlling wastewater treatment by the fuzzy neural network of the present invention.
  • FIG. 2 is a block diagram showing the structure of the wastewater treatment system of the present invention.
  • Figure 3 shows the COD fuzzy neural network prediction model.
  • Figure 4 shows the DO fuzzy neural network control model.
  • Figure 5 shows the DO concentration curve.
  • Figure 6 shows the output curve of the inverter.
  • Figure 7 shows a comparison of aerobic control with theoretical oxygen demand.
  • a wastewater treatment method based on fuzzy neural network for dissolved oxygen control comprises the following steps:
  • anaerobic tank ORP corresponding to the influent flow rate and aeration amount entering the A/O wastewater treatment system Value, aerobic pool DO value and influent COD value for different aeration volumes, and actual effluent COD value from the A/O wastewater treatment system;
  • step (3) Repeat the steps of step (3) and cycle according to this, so as to realize on-line prediction and real-time control of dissolved oxygen wastewater treatment.
  • the invention discloses a wastewater treatment system based on a fuzzy neural network for dissolved oxygen control, as shown in Fig. 2, which comprises an A/O wastewater treatment system, COD.
  • the fuzzy neural network prediction model and the DO fuzzy neural network control model; the COD fuzzy neural network prediction model and the DO fuzzy neural network control model are embedded in the general system of monitoring and control.
  • Figure 2 As shown, the General Control and Control System (MCGS) was purchased from Beijing Kunlun State Automation Software Co., Ltd. MCGS has the characteristics of strong real-time performance, good processing performance, visual operation interface and easy operation. MCGS Support ADAM module driver, able to read and write ADAM module signals.
  • the COD fuzzy neural network prediction model predicts the effluent COD value of the A/O wastewater treatment system (effluent COD). Predicted value), and then compare the predicted value with the set value to obtain E (t+ ⁇ t) and Ec(t+ ⁇ t), and input the DO fuzzy neural network control model with these two quantities to calculate the aeration change amount. ⁇ u(t), then correct the current aeration amount u(t), and then complete the automatic adjustment of the aeration amount. This corrected control amount is output as an input parameter to the COD at the same time.
  • the fuzzy neural network prediction model is used to calculate the effluent COD at the next moment of the system under the action of this aeration amount.
  • the effluent COD output by the predictive model There is an error between the predicted value and the effluent COD set value.
  • the error signal and the rate of change of the error are input as input to the DO fuzzy neural network control model to obtain the aeration that should be added to the system in the next cycle.
  • the amount is then cycled to achieve on-line prediction and real-time control of the dissolved oxygen wastewater treatment system.
  • Figure 3 shows the five-layer fuzzy neural network structure for predicting the COD value model of the present invention.
  • the first layer is the input layer: with influent flow, influent CO D
  • the aeration volume, the anaerobic tank ORP, the aerobic tank dissolved oxygen value, 5 input variables are the input neurons of the network;
  • the second layer is the fuzzy input layer: calculate the membership degree corresponding to each input variable (the number of nodes 5 ⁇ 11)
  • the third layer is the fuzzy rule layer: the front part of each rule is calculated, the layer node is 11;
  • the fourth layer is the fuzzy output layer: Calculate the applicability of each rule, the number of nodes is the same as the number of the third layer 11; fifth floor For the output layer (de-fuzzification layer):
  • the COD prediction value is the output neuron with only one output node.
  • the network clusters the training data by the fuzzy C-means clustering function to obtain 11 Clusters and their centers, these 11 categories are 11 fuzzy rules summarized from the training data; at the same time, the network has 3 hidden layers (fuzzy input layer, fuzzy rule layer and fuzzy output layer), which can express The knowledge structure of the IF-THEN control rule, in which the first layer of the hidden layer (fuzzy input layer) converts the input variable into the membership function of the premise part, and the first to third layers of the hidden layer are fuzzy rule parts, and the fuzzy The output layer is the regular composite output.
  • the DO The fuzzy neural network control model is controlled in such a manner that the air supply amount increases as the influent load increases, and the air supply amount decreases when the influent load decreases.
  • the present invention DO The fuzzy neural network control model uses a five-layer fuzzy neural network structure.
  • the first layer of input layer is 2 nodes, representing the amount of change and rate of change of COD;
  • the second layer of fuzzy input layer is 14 nodes, representing 14 membership functions complete the membership function value;
  • the third layer fuzzy rule layer is 49 nodes, representing 49 fuzzy rules, and the fuzzy rule predecessor calculation is completed;
  • the fourth layer fuzzy output layer is 49 nodes represent the applicability of 49 membership degrees;
  • the fifth layer of output layer is 1 node, representing the amount of aeration correction.
  • the method also includes the steps of: by means of a Transmission Control Protocol / Internet Protocol (TCP/IP) and a serial data interface standard ( R232/485).
  • TCP/IP Transmission Control Protocol / Internet Protocol
  • R232/485 serial data interface standard
  • the pre-feedback control of the dissolved oxygen concentration of the system is carried out by using the self-organizing fuzzy neural network proposed in this paper, and the reference value of the control frequency of the inverter is set to 20 Hz. Put 10 samples of DO The value is input to the computer system (sampled every 2 minutes), and the control system outputs the control amount in real time. And control the frequency by controlling the voltage of the inverter in real time to control the aeration of the blower.
  • Table 1 The resulting real-time control relationship table is shown in Table 1.

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Hydrology & Water Resources (AREA)
  • Water Supply & Treatment (AREA)
  • Organic Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Microbiology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Computational Mathematics (AREA)
  • Activated Sludge Processes (AREA)
  • Feedback Control In General (AREA)

Description

基于模糊神经网络的溶解氧控制的废水处理方法及系统
技术领域
本发明涉及一种废水处理的控制方法及控制系统， 尤其是对基于进水的性质和反应器内的状态以及目标处理水质的状况，对溶解氧的可变因素进行自动控制的人工智能控制方法及系统。
技术背景
目前，大部分工业废水及生活污水的处理均采用生物接触氧化处理工艺，而该方法重要的人工措施之一就是向曝气池中的混合液输入适当的溶解氧（ DO ），利用污泥中的好氧菌氧化分解水中的可溶解性有机物，使之转化为无机物，从而使污水得以净化。溶解氧的含量的高低直接影响到废水处理系统的稳定，进而关系到出水的水质。溶解氧的水平过低，使污泥活性降低，会抑制生物对有机物的降解，产生污泥膨胀；溶解氧过高会加速消耗污水中的有机物，使微生物因缺乏营养而引起活性污泥的老化，长期过高的溶解氧会降低活性污泥的絮凝性能和吸附能力，增加能耗，导致悬浮固体沉降性变差。
然而，在曝气池中发生的去污过程是一个复杂的、动态的生物反应过程，各个因素之间存在强耦合关系。传统的控制方式对溶解氧质量浓度的控制精度不高、实时性也不够好。目前我国大部分城市污水厂没有采用合理的曝气控制，即使采用也只是传统的 PID 控制，效果很不理想，造成能量的浪费。传统模糊控制虽取得了比传统 PID 控制方法好的控制效果，但是，由于缺乏自学习能力，不能在线调整控制规则，自适应能力差，使系统鲁棒性受到限制。神经网络具有强大的自学习能力，但是，其知识表达与处理又不易被人理解。
发明内容
为了消除上述传统技术的问题，本发明将模糊控制与神经网络相结合成的模糊神经网络系统，通过神经网络来实现模糊逻辑，同时利用神经网络的自学习能力，可动态调整隶属函数、在线优化控制规则。这样利用两者的优点弥补了对方的不足。设计出一个以流入水特性及反应器状态特性为输入量，具有五层结构的 DO 模糊神经网络控制模型，用于溶解氧的控制可以取得更佳的控制效果。
本发明的目的通过以下技术方案实现：
一种基于模糊神经网络的溶解氧控制的废水处理方法，包括下述步骤：
（ 1 ）测定进入 A/O 废水处理系统的进水流量、曝气量对应下的厌氧池 ORP 值、不同曝气量对应下的好氧池 DO 值和进水 COD 值，以及从该 A/O 废水处理系统流出的实际出水 COD 值；
（ 2 ）收集上述已测定的样本数据，通过计算机输送至 COD 模糊神经网络预测模型，以物理量数据对其进行运算处理，建立出水 COD 预测值；
（ 3 ）将上述出水 COD 预测值与出水 COD 设定值进行比较，得到误差跟误差的变化率，并将其作为两个输入变量 输入 DO 模糊神经网络控制模型， 计算得到曝气 修正 量， 再去修正当前的曝气量 ， 通过修正后的曝气量对 A/O 废水处理系统的鼓风机进行控制， 进而完成曝气量的自动调整； 所述曝气量作为一个输入参数同时输出到 COD 模糊神经网络预测模型，由该预测模型计算在这一曝气量的作用下，系统下一周期的出水 COD 预测值；
（ 4 ）再重复步骤（ 3 ）的步骤，依此循环进行，从而实现溶解氧废水处理的在线预测和实时控制。
所述 COD 模糊神经网络预测模型包括输入层、隐藏层和输出层，其中隐藏层又分为三层：模糊化输入层、模糊规则层和模糊化输出层，通过上述 5 层神经网络实现模糊化、模糊推理和解模糊化。其中，隶属函数的初始中心值采用模糊 C 聚类方法获得，隶属函数的其他初始参数则采用误差反传方法由实验室数据的离线学习获得。模糊规则层有网络数据的双向流动及中间层的竞争学习确定，专家对规则的经验由中间的连接和信号的流向实施。并基于 Windows CE.NET 嵌入式操作系统，结合现有组态软件相关理论与组件化编程技术， 在 MCGS 高级开发包生成的 VB 程序中编写模糊神经网络算法，然后按照 MCGS 的接口函数规范将模糊网络算法嵌入到 MCGS 中，实现对废水处理系统溶解氧的智能控制。
所述 COD 模糊神经网络预测模型的 5 层神经网络结构具体如下：
所述输入层为第一层：以进水流量、进水 COD 值、曝气量、厌氧池 ORP 值、好氧池 DO 值 5 个输入变量为网络的输入神经元；
所述模糊化输入层为第二层：计算每个输入变量对应的隶属度，节点数 5 × 11 ；
所述 模糊规则层为第三层：实现每条规则的前件计算，该层节点为 11 ；
所述模糊化输出层为 第四层 ： 计算每条规则的适用度，节点数与第三层个数同为 11 ；
所述输出层为 第五层：出水 COD 预测值为输出神经元，只有一个输出节点。
所述 DO 模糊神经网络控制模型包括输入层、隐藏层和输出层，其中隐藏层又分为三层：模糊化输入层、模糊规则层和模糊化输出层，通过上述 5 层神经网络结构实现模糊化、模糊推理和解模糊化。
所述 DO 模糊神经网络控制模型的 5 层神经网络结构具体如下：
所述输入层为第一层： 2 个节点，为 COD 值的变化量及变化率；
所述模糊化输入层为第二层： 14 个节点，代表 14 个隶属度函数，完成隶属度函数值的求取 ；
所述 模糊规则层为第三层： 49 个节点，代表 49 条模糊规则，完成模糊规则的前件计算 ；
所述模糊化输出层为 第四层 ： 49 个节点，代表 49 个隶属度的适用度 ；
所述输出层为 第五层 ： 1 个节点，代表曝气量修正量。
所述进水 COD 值为 600~2000mg/l ，厌氧池 ORP 值为 -200~0mv ，好氧池 DO 值为 0.2~4.5mg/l 。
所述 DO 模糊神经网络控制模型按照下述方式进行控制：
在进水负荷增加时，空气供给量增加；在进水负荷减少时，使空气供给量减少。
本发明的方法还包括下述步骤：借助传送控制协议 / 互联网协议（ TCP/IP ）和串行数据接口标准（ R232/485 ），通过计算机和双向通信，对上述数据进行实时控制；通过计算机，在经过上述控制过程后，对废水处理厂的效率进行比较分析，将其记录于文件中。
本发明上述方法所用的废水处理系统包括 A/O 废水处理系统、 COD 模糊神经网络预测模型和 DO 模糊神经网络控制模型；由传感器检测 A/O 废水处理系统的进水流量、进水 COD 值、厌氧池 ORP 值、好氧池 DO 值和实际出水 COD 值，将上述 5 个样品数据依次经 ADAM4017+ 转换模块、 ADAM4520 隔离转换器转换为数字信号并 传送至 COD 模糊神经网络预测模型，以建立出水 COD 预测值；上述数字信号还经由 ADAM4024+ 模块转换成模拟信号，通过水泵控制电路控制进水水泵的转速以控制进水流量；所述 ADAM4024+ 模块还通过变频器来控制鼓风机。
本发明相对于现有技术具有如下优点和有益效果：
（ 1 ）本发明将模糊控制与神经网络相结合成的模糊神经网络系统，通过神经网络来实现模糊逻辑，同时利用神经网络的自学习能力，可动态调整隶属函数、在线优化控制规则。
（ 2 ） 对溶解氧浓度的精确控制可以实现在保证污水处理系统稳定运行的基础上，节约能耗。
（ 3 ）经过本发明废水处理系统处理后的污水出水浓度能够控制在国家的排放标准以内，出水水质达到了国家排放标准。
附图说明
图 1 表示本发明 模糊神经网络预测控制废水处理方法的框图。
图 2 表示本发明废水处理系统的结构框图。
图 3 表示 COD 模糊神经网络预测模型。
图 4 表示 DO 模糊神经网络控制模型。
图 5 表示 DO 浓度变化曲线图。
图 6 表示 变频器输出曲线图。
图 7 表示好氧控制同理论需氧量的比较。
具体实施方式
下面结合具体实施例对本发明作进一步具体详细描述，但本发明的实施方式不限于此。
实施例 1
如图 1 所示，一种基于模糊神经网络的溶解氧控制的废水处理方法，包括下述步骤：
（ 1 ）测定进入 A/O 废水处理系统的进水流量、曝气量对应下的厌氧池 ORP 值、不同曝气量对应下的好氧池 DO 值和进水 COD 值，以及从该 A/O 废水处理系统流出的实际出水 COD 值；
（ 2 ）收集上述已测定的样本数据，通过计算机输送至 COD 模糊神经网络预测模型，以物理量数据对其进行运算处理，建立出水 COD 预测值；
（ 3 ）将上述出水 COD 预测值与出水 COD 设定值进行比较，得到误差跟误差的变化率，并将其作为两个输入变量 输入 DO 模糊神经网络控制模型， 计算得到曝气 修正 量， 再去修正当前的曝气量 ， 通过修正后的曝气量对 A/O 废水处理系统的鼓风机进行控制， 进而完成曝气量的自动调整； 所述曝气量作为一个输入参数同时输出到 COD 模糊神经网络预测模型，由该预测模型计算在这一曝气量的作用下，系统下一周期的出水 COD 预测值；
（ 4 ）再重复步骤（ 3 ）的步骤，依此循环进行，从而实现溶解氧废水处理的在线预测和实时控制。
本发明基于模糊神经网络的溶解氧控制的废水处理系统，如图 2 所示，它包括 A/O 废水处理系统、 COD 模糊神经网络预测模型和 DO 模糊神经网络控制模型；所述 COD 模糊神经网络预测模型与 DO 模糊神经网络控制模型均嵌在监控与控制通用系统中。如图 2 所示，监控与控制通用系统（ MCGS ）购自北京昆仑通态自动化软件公司， MCGS 具有实时性强，并处理性能良好，可视化操作界面，容易操作等特点。 MCGS 支持 ADAM 模块驱动，能够读、写 ADAM 模块信号。由在线传感器检测 A/O 废水处理系统的进水流量、进水 COD 值、厌氧池 ORP 值、好氧池 DO 值和实际出水 COD 值，将上述 5 个样品数据依次经 ADAM4017+ 转换模块、 ADAM4520 隔离转换器转换为数字信号并 传送至 COD 模糊神经网络预测模型，以建立出水 COD 预测值；上述数字信号还经由 ADAM4024+ 模块转换成模拟信号，控制进水水泵的转速以控制进水流量；所述 ADAM4024+ 模块还通过变频器来控制鼓风机。首先，由 COD 模糊神经网络预测模型预测 A/O 废水处理系统的出水 COD 值（出水 COD 预测值），再将该预测值同设定值相比较 得到 E (t+ △ t) 和 Ec(t+ △ t) ，以这两个量输入 DO 模糊神经网络控制模型 ，计算得到曝气变化量 △ u(t) ，再去修正当前的曝气量 u(t) ，进而完成曝气量的自动调整。 这一修正后的控制量作为一个输入参数同时输出到 COD 模糊神经网络预测模型，由该预测模型计算在这一曝气量的作用下，系统下一时刻的出水 COD 。由于建模不可能完全精确，因此由预测模型输出的出水 COD 预测值和出水 COD 设定值之间存在误差，将误差信号和误差的变化率再作为输入量输入 DO 模糊神经网络控制模型，得到下一周期应加给系统的 曝气 量大小，依此循环进行，从而实现溶解氧的废水处理系统的在线预测和实时控制。
图 3 表示本发明预测 COD 值模型采用五层模糊神经网络结构。第一层为输入层：以进水流量、进水 CO D 、曝气量、厌氧池 ORP 、好氧池溶解氧值 5 个输入变量为网络的输入神经元；第二层为模糊化输入层：计算每个输入变量对应的隶属度（节点数 5 × 11 ） ；第三层为模糊规则层：实现每条规则的前件计算，该层节点为 11 ；第四层 为模糊化输出层： 计算每条规则的适用度，节点数与第三层个数同为 11 ；第五层 为输出层（ 去模糊化层）： COD 预测值为输出神经元，只有一个输出节点。从图 3 可以看出，网络通过模糊 C 均值聚类函数对训练数据进行聚类，得到 11 个聚类及其中心，这 11 个类就是从训练数据中归纳出的 11 条模糊规则；同时网络具有 3 层隐含层（ 模糊化输入层、模糊规则层和模糊化输出层） ，可以表达 IF-THEN 控制规则的知识结构，其中隐层第一层（ 模糊化输入层） 把输入变量转换成前提部分的隶属度函数，隐层第一层到第三层是模糊规则部分， 模糊化 输出层是规则的合成输出。
所述 DO 模糊神经网络控制模型按照下述方式进行控制：在进水负荷增加时，空气供给量增加；在进水负荷减少时，使空气供给量减少。如 图 4 所示，本发明 DO 模糊神经网络控制模型采用五层模糊神经网络结构。 第一层 输入层 为 2 个节点，代表 COD 的变化量和变化率；第二层 模糊化输入层 为 14 个节点，代表 14 个隶属度函数，完成隶属度函数值的求取；第三层 模糊规则层 为 49 个节点，代表 49 条模糊规则，完成模糊规则的前件计算；第四层 模糊化输出层 为 49 个节点，代表 49 个隶属度的适用度；第五层 输出层 为 1 个节点，代表曝气量修正量。
该方法还包括下述步骤：借助传送控制协议 / 互联网协议（ TCP/IP ）和串行数据接口标准（ R232/485 ），通过计算机和双向通信，对上述数据进行实时控制；通过计算机，在经过上述控制过程后，对废水处理厂的效率进行比较分析，将其记录于文件中。
根据生化处理系统的运行状况，将溶解氧的期望浓度设定在 2mg/L ，分别运用本文提出的自组织模糊神经网络对系统的溶解氧浓度进行前反馈控制，设定变频器的控制频率的基准值为 20Hz 。把采样的 10 个 DO 值输入到计算机系统中（每隔 2 分钟采样一次），控制系统实时输出控制量 U ，并实时通过控制变频器的电压来控制频率，从而控制鼓风机的曝气量。所得到的实时控制关系表如表 1 所示。
根据实时控制表 1 ，我们把 DO 浓度的变化和变频器频率的输出做了相应的曲线图，分别运用本文提出的自组织模糊神经网络和传统的模糊控制方法对系统的溶解氧浓度进行控制，如图 5 和 6 所示，从图中可以看出，两级模糊神经网络方法能够实现对溶解氧浓度的快速、准确控制，与此同时，无论在动态性能还是稳态性能方面，自组织模糊神经网络方法都优于传统的模糊控制方法。
表 1 实时控制下 溶解氧 （ DO ）浓度的变化
DO 浓度 (mg/l) 0.49 1.38 1.79 1.87 2 2.02 2.25 1.96 2 2
DO 偏差 (mg/l) -1.51 -0.62 -0.21 -0.13 0 0.02 0.25 -0.04 0 0
偏差的变化 (mg/l) -1.60 -0.49 0.81 0.49 0.1 0.49 0.47 -0.15 0.1 0
E -5.29 -2.17 -0.75 -0.47 0 0.07 0.9 -0.15 0 0
EC -4.80 -1.49 -2.44 1.41 0.35 1.49 1.41 -0.47 0 0
输出量 U 4.9 -2.8 1.4 0.7 0 -0.2 -1.1 0.35 0 0
控制频率 27 24 22 21 20 19.8 18.5 2.05 20 20
对溶解氧浓度的精确控制可以实现在保证污水处理系统稳定运行的基础上，节约能耗，如图 7 所示，通过比较默认曝气量、理论曝气量以及模糊神经网络控制的曝气量，可以看出，模糊神经网络方法控制的曝气量同好氧处理系统所需要的氧量比较一致，通过计算分析，能大概节能 33% 。然而，污水处理的最重要目标是经过处理后的出水水质达到国家排放标准。表 2 是采用自组织模糊神经网络控制器对溶解氧控制，污水处理系统的出水底物浓度仿真结果。从图中可以看出，对于较大波动的进水水质，系统处理后的污水出水浓度能够控制在国家的排放标准以内，出水水质达到了国家排放标准。
表 2 出水水质浓度
日期 pH NH4 + COD BOD SS
控制前的出水水质
15/2/2006 7.5 16 42.6 27 13
20/4/2006 6.8 4 58.9 7 6
3/6/2006 7.4 7 34.3 21 12
10/8/2006 7.3 12 41.2 17 8
2/11/2006 6.9 6 29.7 9 3
控制后的出水水质
18/2/2007 7.1 13 39.1 16 20
22/4/2007 7.2 9 54.8 12.5 7
7/6/2007 7.4 11 49.2 19.8 6
13/8/2007 7.2 6 57.5 23.7 9
4/11/2007 6.9 10 42.6 18.4 12
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

  1. 一种基于模糊神经网络的溶解氧控制的废水处理方法，其特征在于，包括下述步骤：
    （1）测定进入A/O废水处理系统的进水流量、曝气量对应下的厌氧池ORP值、不同曝气量对应下的好氧池DO值和进水COD值，以及从该A/O废水处理系统流出的实际出水COD值；
    （2）收集上述已测定的样本数据，通过计算机输送至COD模糊神经网络预测模型，以物理量数据对其进行运算处理，建立出水COD预测值；
    （3）将上述出水COD预测值与出水COD设定值进行比较，得到误差跟误差的变化率，并将其作为两个输入变量输入DO模糊神经网络控制模型，计算得到曝气修正量，再去修正当前的曝气量，通过修正后的曝气量对A/O废水处理系统的鼓风机进行控制，进而完成曝气量的自动调整；所述曝气量作为一个输入参数同时输出到COD模糊神经网络预测模型，由该预测模型计算在这一曝气量的作用下，系统下一周期的出水COD预测值；
    （4）再重复步骤（3）的步骤，依此循环进行，从而实现溶解氧废水处理的在线预测和实时控制。
  2. 根据权利要求1所述的废水处理方法，其特征在于，所述COD模糊神经网络预测模型包括输入层、隐藏层和输出层，其中隐藏层又分为三层：模糊化输入层、模糊规则层和模糊化输出层，通过上述5层神经网络实现模糊化、模糊推理和解模糊化。
  3. 根据权利要求2所述的废水处理方法，其特征在于，所述COD模糊神经网络预测模型的5层神经网络结构具体如下：
    所述输入层为第一层：以进水流量、进水COD值、曝气量、厌氧池ORP值、好氧池DO值5个输入变量为网络的输入神经元；
    所述模糊化输入层为第二层：计算每个输入变量对应的隶属度，节点数5×11；
    所述模糊规则层为第三层：实现每条规则的前件计算，该层节点为11；
    所述模糊化输出层为第四层：计算每条规则的适用度，节点数与第三层个数同为11；
    所述输出层为第五层：出水COD预测值为输出神经元，只有一个输出节点。
  4. 根据权利要求1所述的废水处理方法，其特征在于，所述DO模糊神经网络控制模型包括输入层、隐藏层和输出层，其中隐藏层又分为三层：模糊化输入层、模糊规则层和模糊化输出层，通过上述5层神经网络结构实现模糊化、模糊推理和解模糊化。
  5. 据权利要求4所述的废水处理方法，其特征在于，所述DO模糊神经网络控制模型的5层神经网络结构具体如下：
    所述输入层为第一层：2个节点，为COD值的变化量及变化率；
    所述模糊化输入层为第二层：14个节点，代表14个隶属度函数，完成隶属度函数值的求取；
    所述模糊规则层为第三层：49个节点，代表49条模糊规则，完成模糊规则的前件计算；
    所述模糊化输出层为第四层：49个节点，代表49个隶属度的适用度；
    所述输出层为第五层：1个节点，代表曝气量修正量。
  6. 根据权利要求1~5任意一项所述的废水处理方法，其特征在于，所述进水COD值为600~2000mg/l，厌氧池ORP值为-200~0mv，好氧池DO值为0.2~4.5mg/l。
  7. 根据权利要求6所述的废水处理方法，其特征在于，所述COD模糊神经网络预测模型与DO模糊神经网络控制模型均嵌在监控与控制通用系统中。
  8. 据权利要求6所述的废水处理方法，其特征在于，所述DO模糊神经网络控制模型按照下述方式进行控制：
    在进水负荷增加时，空气供给量增加；在进水负荷减少时，使空气供给量减少。
  9. 根据权利要求6所述的废水处理方法，其特征在于，该方法还包括下述步骤：借助传送控制协议/互联网协议和串行数据接口标准，通过计算机和双向通信，对上述数据进行实时控制；通过计算机，在经过上述控制过程后，对废水处理厂的效率进行比较分析，将其记录于文件中。
  10. 一种权利要求1~9任意一项方法所用的废水处理系统，其特征在于，该系统包括A/O废水处理系统、COD模糊神经网络预测模型和DO模糊神经网络控制模型；由传感器检测A/O废水处理系统的进水流量、进水COD值、厌氧池ORP值、好氧池DO值和实际出水COD值，将上述5个样品数据依次经ADAM4017+转换模块、ADAM4520隔离转换器转换为数字信号并传送至COD模糊神经网络预测模型，以建立出水COD预测值；上述数字信号还经由ADAM4024+模块转换成模拟信号，通过水泵控制电路控制进水水泵的转速以控制进水流量；所述ADAM4024+模块还通过变频器来控制鼓风机。
PCT/CN2011/079993 2011-02-14 2011-09-22 基于模糊神经网络的溶解氧控制的废水处理方法及系统 Ceased WO2012109900A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US13/985,482 US9747544B2 (en) 2011-02-14 2011-09-22 Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2011100374843A CN102122134A (zh) 2011-02-14 2011-02-14 基于模糊神经网络的溶解氧控制的废水处理方法及系统
CN201110037484.3 2011-02-14

Publications (1)

Publication Number Publication Date
WO2012109900A1 true WO2012109900A1 (zh) 2012-08-23

Family

ID=44250705

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2011/079993 Ceased WO2012109900A1 (zh) 2011-02-14 2011-09-22 基于模糊神经网络的溶解氧控制的废水处理方法及系统

Country Status (3)

Country Link
US (1) US9747544B2 (zh)
CN (1) CN102122134A (zh)
WO (1) WO2012109900A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103744293A (zh) * 2014-01-27 2014-04-23 浙江永泰纸业集团股份有限公司 基于模糊神经网络的废水处理监控方法和系统
CN113087030A (zh) * 2021-03-02 2021-07-09 天津大学 一种水资源双循环反馈控制系统及方法
CN113156074A (zh) * 2021-02-22 2021-07-23 北京工业大学 一种基于模糊迁徙的出水总氮预测方法
CN114660248A (zh) * 2020-12-22 2022-06-24 中国石油化工股份有限公司 基于多步预测策略的cod预警方法和装置
CN114879496A (zh) * 2022-05-07 2022-08-09 北京工业大学 一种数据驱动的城市污水处理过程随机采样模型预测控制方法
CN115542740A (zh) * 2022-10-07 2022-12-30 北京工业大学 基于数据驱动的城市固废焚烧过程多变量自抗扰控制方法
CN119846968A (zh) * 2025-01-07 2025-04-18 无锡市工业废物安全处置有限公司 污水处理搅拌机智能控制方法及其装置
CN119943196A (zh) * 2025-01-04 2025-05-06 中南大学 基于模糊推理的铝电解氧化铝浓度在线辨识方法与系统
CN119962377A (zh) * 2025-01-13 2025-05-09 燕山大学 阀芯位置的控制方法及其控制系统
CN120315283A (zh) * 2025-04-15 2025-07-15 同济大学 一种农村污水处理系统水质管理和碳平衡控制器设计方法、系统、设备及介质

Families Citing this family (104)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122134A (zh) * 2011-02-14 2011-07-13 华南理工大学 基于模糊神经网络的溶解氧控制的废水处理方法及系统
CN102411308B (zh) * 2011-12-24 2013-07-10 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
CN105446132A (zh) * 2012-01-13 2016-03-30 北京工业大学 基于神经网络的污水处理预测控制方法
CN103217508A (zh) * 2013-03-19 2013-07-24 中山大学 一种活鱼养殖水质等级的评价方法
CN103399134B (zh) * 2013-08-20 2014-12-31 渤海大学 一种基于输出观测器的污水cod软测量方法
US9586176B2 (en) * 2013-10-25 2017-03-07 Evoqua Water Technologies Llc Biofilter with fuzzy logic control
CN103771582B (zh) * 2013-12-06 2015-08-12 浙江浙大中控信息技术有限公司 污水处理的曝气控制方法
CN103809557B (zh) * 2013-12-30 2016-08-17 北京工业大学 一种基于神经网络的污水处理过程优化控制方法
CN103886369B (zh) * 2014-03-27 2016-10-26 北京工业大学 一种基于模糊神经网络的出水总磷tp预测方法
CN104133413B (zh) * 2014-07-22 2017-08-01 光大环保（中国）有限公司 一种渗滤液好氧反应池曝气系统控制方法
CN104182794B (zh) * 2014-09-05 2017-04-12 北京工业大学 一种基于神经网络的污水处理过程出水总磷tp软测量方法
WO2016073725A1 (en) * 2014-11-07 2016-05-12 Hach Company Monitoring via neural network model
FI130301B (en) * 2015-01-30 2023-06-09 Metsae Fibre Oy Monitoring the chemical load of wastewater in an industrial process
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
CN104817195B (zh) * 2015-04-08 2019-11-22 浙江大学 分阶段分区供氧的低能耗污水曝气系统
CN105510546B (zh) * 2015-12-27 2017-06-16 北京工业大学 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
CN105676649A (zh) * 2016-04-09 2016-06-15 北京工业大学 一种基于自组织神经网络的污水处理过程控制方法
CN105739325A (zh) * 2016-04-13 2016-07-06 沈阳大学 一种污水处理过程曝气智能控制系统
WO2017184073A1 (en) * 2016-04-18 2017-10-26 Sembcorp Industries Ltd System and method for wastewater treatment process control
CN107664682A (zh) * 2016-07-30 2018-02-06 复凌科技（上海）有限公司 一种氨氮的水质软测量预测方法
CN107664683A (zh) * 2016-07-30 2018-02-06 复凌科技（上海）有限公司 一种总氮的水质软测量预测方法
CN106168813B (zh) * 2016-08-22 2019-02-05 淮阴工学院 一种无线传感器网络的养殖池塘溶解氧控制系统
PT3504163T (pt) * 2016-08-26 2023-09-11 Krueger As I Tratamento de águas residuais
CN106227042A (zh) * 2016-08-31 2016-12-14 马占久 基于模糊神经网络的溶解氧控制方法
CN106406094B (zh) * 2016-10-16 2019-06-14 北京工业大学 一种基于区间二型模糊神经网络的污水处理溶解氧浓度跟踪控制方法
US20180121889A1 (en) * 2016-10-28 2018-05-03 Wipro Limited Method and system for dynamically managing waste water treatment process for optimizing power consumption
CN106651032B (zh) * 2016-12-22 2022-03-04 北京工业大学 Sbr法氨氧化过程神经网络智能控制的方法
US11286175B2 (en) 2017-03-08 2022-03-29 EmNet, LLC Fluid stream management systems and methods thereof
CN108569756B (zh) * 2017-03-09 2021-10-19 大连安能杰科技有限公司 一种智能化污水处理工艺控制新方法（ebis）
US10068557B1 (en) * 2017-08-23 2018-09-04 Google Llc Generating music with deep neural networks
CN107728477A (zh) * 2017-09-21 2018-02-23 中国农业大学 一种工厂化水产养殖水质溶解氧预测控制方法及系统
CN107686160B (zh) * 2017-09-29 2020-07-07 浙江工商大学 一种基于sbr反应器的污水处理方法及系统
CN109669352B (zh) * 2017-10-17 2022-04-05 中国石油化工股份有限公司 基于自适应多目标粒子群的含油污水处理过程优化控制方法
CN108038565A (zh) * 2017-11-30 2018-05-15 常州大学 一种游程检测法重构eemd的养殖水质溶解氧预测方法
US20200109063A1 (en) * 2017-12-01 2020-04-09 Mitsubishi Heavy Industries, Ltd. Chemical feed control device, water treatment system, chemical feed control method, and program
CN108508835A (zh) * 2018-04-03 2018-09-07 伟泰科技（无锡）有限公司 采用组态软件的工业再生水系统控制现场数据采集模块
KR101927503B1 (ko) * 2018-05-31 2018-12-10 (주)테크윈시스템 하수처리시설 활성 슬러지 공정 인공지능형 퍼지 제어 시스템
CN108996671B (zh) * 2018-07-19 2021-02-23 浙江大学宁波理工学院 Sbr生化反应池的cod控制方法
CN109143840A (zh) * 2018-09-18 2019-01-04 湖南柿竹园有色金属有限责任公司 一种尾矿废水处理加药闭环配方控制技术
CN109359741A (zh) * 2018-09-27 2019-02-19 华南师范大学 一种废水处理进水水质时序变化智能预测方法
US20210355007A1 (en) * 2018-12-13 2021-11-18 Sembcorp Industries Ltd. System and method for predicting a parameter associated with a wastewater treatment process
CN109534486B (zh) * 2018-12-21 2023-07-25 哈尔滨工程大学 一种基于随机递归小波神经网络的船舶污水处理控制预测系统及预测方法
CN110174839A (zh) * 2019-06-26 2019-08-27 中国科学院电工研究所无锡分所 污水处理好氧池里do值的模糊pid控制系统
CN110399656B (zh) * 2019-07-08 2023-08-25 东华大学 基于模糊逻辑与神经网络的下装腰省参数设计方法
CN110320806B (zh) * 2019-07-24 2021-06-01 东北大学 基于集成即时学习的污水处理过程自适应预测控制方法
CN110632067B (zh) * 2019-10-29 2021-12-24 中国计量大学 基于机器视觉的水体溶解氧检测方法
EP3831781B1 (en) * 2019-12-02 2024-01-10 TM.E. S.p.A. TERMOMECCANICA ECOLOGIA Process for treating wastewater
CN110980920B (zh) * 2019-12-23 2024-05-14 上海天汉环境资源有限公司 一种废水的高效曝气氧化方法及设备
CN110981021B (zh) * 2019-12-23 2022-08-05 中新国际联合研究院 一种基于模糊bp神经网络的废水高级氧化处理智能加药系统及方法
CN111018110B (zh) * 2019-12-30 2024-07-30 北京首创清源环境科技有限公司 污水生化处理系统及控制方法
CN111087073B (zh) * 2020-01-08 2024-06-18 北控水务(中国)投资有限公司 一种基于同步硝化反硝化机制的污水处理生化需氧控制系统及方法
CN112130450A (zh) * 2020-09-03 2020-12-25 北京工业大学 城市污水处理自动控制虚拟仿真实验教学系统
CN112346338B (zh) * 2020-10-10 2022-03-11 北京工业大学 一种基于模糊神经网络的污水处理过程分层模型预测控制方法
CN112327617B (zh) * 2020-10-21 2022-05-03 北京工业大学 一种好氧-缺氧-厌氧反应器的鲁棒优化控制方法
CN112456639B (zh) * 2020-11-10 2022-11-22 盐城工学院 一种厌氧消化中硫化氢产生量的智能预测方法
CN112707508B (zh) * 2020-12-30 2022-04-05 浙江大学 基于bp-ann的农污设施cod处理效果预测方法、装置、平台
CN112759158B (zh) * 2021-01-11 2021-10-19 哈尔滨工业大学（威海） 一种智能化二次供水处理装置和二次供水处理方法
CN112967761B (zh) * 2021-03-09 2023-10-27 北京北排水环境发展有限公司 基于自组织模糊神经网络的污水除磷加药计算方法及介质
CN113031445B (zh) * 2021-03-12 2022-09-09 北京工业大学 基于机理模型的污水脱氮过程鲁棒多变量控制方法
CN113082969B (zh) * 2021-04-07 2024-01-23 唐锦婷 废气处理系统
CN113325702B (zh) * 2021-04-22 2023-06-09 中信云网有限公司 一种曝气控制方法及装置
IL308177A (en) * 2021-05-06 2023-12-01 Prosper Tech Llc Systems and methods for gas introduction for wastewater treatment
CN113589684B (zh) * 2021-05-20 2023-11-21 北京工业大学 一种基于自调整多任务粒子群算法的污水处理过程优化控制方法
CN113342069A (zh) * 2021-06-09 2021-09-03 南京工业大学 一种热量平衡反馈的模糊神经网络PID的VOCs废气流量控制方法
US12411121B2 (en) * 2021-06-28 2025-09-09 International Business Machines Corporation Predictive alerting and cutoff of hazardous water flow
CN113608444A (zh) * 2021-08-06 2021-11-05 东北大学 基于自适应预测控制的污水处理控制方法
CN113515048B (zh) * 2021-08-13 2023-04-07 华中科技大学 一种模糊自适应pso-elm声品质预测模型的建立方法
CN115893533B (zh) * 2021-08-23 2025-03-11 中国石油天然气集团有限公司 一种炼化污水处理的控制系统、方法及处理系统
CN113759720B (zh) * 2021-08-27 2024-08-20 北京工业大学 一种知识和数据驱动的污水处理生化反应过程控制方法
CN113830896B (zh) * 2021-09-27 2022-12-27 湖南工商大学 基于图神经网络的好氧段氧气预警方法、系统及设备
US12228560B2 (en) * 2021-10-05 2025-02-18 Saudi Arabian Oil Company Methods and systems for predicting dissolved oxygen in seawater using a neural network
CN113860496B (zh) * 2021-10-12 2023-07-25 山东建筑大学 一种基于bp神经网络的aao外加碳源智慧投加系统及方法
CN116081801B (zh) * 2021-11-05 2025-05-09 北京金控数据技术股份有限公司 基于cod实时监测的sbr工艺曝气控制方法、装置和系统
AU2022418256A1 (en) * 2021-12-22 2024-07-25 Veolia Water Solutions & Technologies Support A method of monitoring processes in an urban water cycle
CN114275912B (zh) * 2021-12-25 2022-10-21 盐城工学院 一种基于自适应神经网络模型的曝气系统溶解氧控制方法
CN114489072B (zh) * 2022-01-25 2022-08-12 广东工业大学 一种基于无人艇的喷水辅助垃圾回收的方法与系统
CN114879487B (zh) * 2022-03-02 2024-07-26 北京工业大学 一种基于区间二型模糊神经网络的污水处理过程鲁棒模型预测控制方法
CN114638412B (zh) * 2022-03-11 2024-07-02 平安国际智慧城市科技股份有限公司 一种危废处置能力预警方法、装置、电子设备及存储介质
US12281029B2 (en) 2022-03-21 2025-04-22 Saudi Arabian Oil Company Model predictive control system and method using neural network to control dissolved oxygen and PH in seawater
CN114879489B (zh) * 2022-03-23 2025-02-07 浙江中控信息产业股份有限公司 一种aao工艺生物池推流器优化控制方法
CN114878772B (zh) * 2022-06-07 2023-02-21 中国水利水电科学研究院 一种应用于污水处理的检测预警监测系统
CN115062764B (zh) * 2022-06-17 2023-07-11 淮阴工学院 光照度智能调节与环境参数物联网大数据系统
CN115028258B (zh) * 2022-06-28 2024-12-20 华自科技股份有限公司 一种生物曝气池溶解氧浓度控制方法及相关组件
CN115097886A (zh) * 2022-06-29 2022-09-23 上海市政工程设计研究总院（集团）有限公司 污水处理中溶解氧浓度的控制方法及系统、设备及介质
WO2024005717A1 (en) * 2022-06-30 2024-01-04 Hydroleap Private Limited Method and system for automated responsive electrocoagulation wastewater processing
CN115169479A (zh) * 2022-07-20 2022-10-11 北京航空航天大学杭州创新研究院 污水处理过程远程监控方法、系统及存储介质
CN115486391B (zh) * 2022-09-13 2024-02-06 浙江大学 一种珍珠龙胆石斑鱼精准投喂养殖方法
CN116165974B (zh) * 2022-12-14 2024-07-19 上海市政工程设计研究总院（集团）有限公司 污水处理工艺的曝气控制方法、系统、终端及介质
CN115981153B (zh) * 2022-12-30 2023-08-04 浙江问源环保科技股份有限公司 基于深度学习的a2o工艺间歇性低碳曝气方法及控制系统
CN115993771A (zh) * 2023-03-22 2023-04-21 吉林省百皓科技有限公司 一种基于模糊神经网络控制的空气消毒机控制方法
CN116253446B (zh) * 2023-03-24 2024-01-30 青岛思普润水处理股份有限公司 一种污水处理智能曝气设置方法
CN116116181B (zh) * 2023-04-18 2023-07-18 科扬环境科技有限责任公司 一种基于模型优化的废气废水处理方法及装置
US12271665B2 (en) * 2023-07-31 2025-04-08 Beijing University Of Technology Intelligent operational optimization method in municipal solid waste incineration process
CN117247132B (zh) * 2023-11-15 2024-01-30 成都之维安科技股份有限公司 一种基于aao工艺的智能精准曝气方法
US20250231538A1 (en) * 2024-01-17 2025-07-17 Jae Kwang Park Methods of optimizing aeration in wastewater treatment
CN117682656B (zh) * 2024-02-04 2024-04-30 烟台市弗兰德电子科技有限公司 一种针对aao污水处理工艺气量计算及控制系统和方法
CN118206218A (zh) * 2024-03-13 2024-06-18 华电水务科技股份有限公司 一种纯氧曝气精确控制好氧池溶解氧的风机运行方法
CN118108370B (zh) * 2024-03-25 2025-10-28 沙洲职业工学院 一种染料废水降解处理系统
CN118894593A (zh) * 2024-07-15 2024-11-05 海南绿境高科环保有限公司 一种废水处理中微氧水解酸化的调控方法
CN119285087B (zh) * 2024-12-11 2025-02-25 深圳市利源水务设计咨询有限公司 Aoa智氮系统的运行监控方法及装置
CN119916693A (zh) * 2025-04-01 2025-05-02 营口思净环保科技有限公司 一种基于数据分析的污水处理控制系统
CN119912076B (zh) * 2025-04-03 2025-06-24 净化控股集团股份有限公司 一种污水厂智能曝气优化控制方法及系统
CN120010571B (zh) * 2025-04-17 2025-08-12 中国电建集团华东勘测设计研究院有限公司 污水处理厂的出水浓度调控方法、装置、电子设备及介质
CN120630667B (zh) * 2025-04-23 2026-03-17 北京工业大学 一种随机采样和连续丢包约束下的城市污水处理过程鲁棒模型预测控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060042461A1 (en) * 2004-08-27 2006-03-02 Alstom Technology Ltd. Maximizing regulatory credits in controlling air pollution
CN1778714A (zh) * 2005-10-20 2006-05-31 彭永臻 A/o生物脱氮反应器、硝化过程的调节方法及其在线模糊控制装置、方法
CN1872732A (zh) * 2005-06-03 2006-12-06 杨忠明 曝气量多变量多系统智能式控制系统
CN201191473Y (zh) * 2007-09-11 2009-02-04 彭永臻 A/o工艺分段进水深度脱氮的模糊控制教学装置
CN101923083A (zh) * 2009-06-17 2010-12-22 复旦大学 基于支持向量机和神经网络的污水化学需氧量软测量方法
CN102122134A (zh) * 2011-02-14 2011-07-13 华南理工大学 基于模糊神经网络的溶解氧控制的废水处理方法及系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DK167891D0 (da) * 1991-10-01 1991-10-01 Krueger I Systems As Fremgangsmaade til styring af spildevandsrensningsanlaeg under anvendelse af mutible styringsfunktioner
US7108781B2 (en) * 2002-02-26 2006-09-19 Usfilter Corporation Enhanced air and water purification using continuous breakpoint halogenation with free oxygen radicals
US6845336B2 (en) * 2002-06-25 2005-01-18 Prasad S. Kodukula Water treatment monitoring system
US20070090059A1 (en) * 2005-07-22 2007-04-26 Plummer Robert J Remote water quality monitoring systems and techniques
CN100572299C (zh) 2006-06-12 2009-12-23 江苏大学 三维多向流湿地处理排入江河面源污染和净化河水的方法
CN101334395B (zh) * 2008-08-07 2011-11-16 北京工业大学 Cod软测量的方法
US20100163469A1 (en) * 2008-12-26 2010-07-01 Zhaoyang Wan Control system for monitoring localized corrosion in an industrial water system
CN101576734B (zh) * 2009-06-12 2010-12-08 北京工业大学 基于动态径向基神经网络的溶解氧的控制方法
CN101833281A (zh) * 2010-02-26 2010-09-15 华南理工大学 污水处理曝气节能控制方法
CN101833314B (zh) * 2010-03-30 2012-07-25 深圳达实智能股份有限公司 污水处理控制系统及污水处理控制方法
US20130233796A1 (en) * 2012-03-06 2013-09-12 Narasimha M. Rao Treatment of industrial water systems

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060042461A1 (en) * 2004-08-27 2006-03-02 Alstom Technology Ltd. Maximizing regulatory credits in controlling air pollution
CN1872732A (zh) * 2005-06-03 2006-12-06 杨忠明 曝气量多变量多系统智能式控制系统
CN1778714A (zh) * 2005-10-20 2006-05-31 彭永臻 A/o生物脱氮反应器、硝化过程的调节方法及其在线模糊控制装置、方法
CN201191473Y (zh) * 2007-09-11 2009-02-04 彭永臻 A/o工艺分段进水深度脱氮的模糊控制教学装置
CN101923083A (zh) * 2009-06-17 2010-12-22 复旦大学 基于支持向量机和神经网络的污水化学需氧量软测量方法
CN102122134A (zh) * 2011-02-14 2011-07-13 华南理工大学 基于模糊神经网络的溶解氧控制的废水处理方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MA, YONGWEN ET AL.: "Research on Forecasting COD in Wastewater Treatment Process and Controlling Addition Dosage Using Fuzzy Neural-Net Model", TRANSACTIONS OF CHINA PULPAND PAPER, 15 December 2008 (2008-12-15), pages 113 - 118 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103744293A (zh) * 2014-01-27 2014-04-23 浙江永泰纸业集团股份有限公司 基于模糊神经网络的废水处理监控方法和系统
CN103744293B (zh) * 2014-01-27 2017-06-16 浙江永泰纸业集团股份有限公司 基于模糊神经网络的废水处理监控方法和系统
CN114660248A (zh) * 2020-12-22 2022-06-24 中国石油化工股份有限公司 基于多步预测策略的cod预警方法和装置
CN113156074A (zh) * 2021-02-22 2021-07-23 北京工业大学 一种基于模糊迁徙的出水总氮预测方法
CN113087030A (zh) * 2021-03-02 2021-07-09 天津大学 一种水资源双循环反馈控制系统及方法
CN114879496A (zh) * 2022-05-07 2022-08-09 北京工业大学 一种数据驱动的城市污水处理过程随机采样模型预测控制方法
CN115542740A (zh) * 2022-10-07 2022-12-30 北京工业大学 基于数据驱动的城市固废焚烧过程多变量自抗扰控制方法
CN119943196A (zh) * 2025-01-04 2025-05-06 中南大学 基于模糊推理的铝电解氧化铝浓度在线辨识方法与系统
CN119846968A (zh) * 2025-01-07 2025-04-18 无锡市工业废物安全处置有限公司 污水处理搅拌机智能控制方法及其装置
CN119962377A (zh) * 2025-01-13 2025-05-09 燕山大学 阀芯位置的控制方法及其控制系统
CN120315283A (zh) * 2025-04-15 2025-07-15 同济大学 一种农村污水处理系统水质管理和碳平衡控制器设计方法、系统、设备及介质

Also Published As

Publication number Publication date
CN102122134A (zh) 2011-07-13
US9747544B2 (en) 2017-08-29
US20140052422A1 (en) 2014-02-20

Similar Documents

Publication Publication Date Title
WO2012109900A1 (zh) 基于模糊神经网络的溶解氧控制的废水处理方法及系统
CN114275912B (zh) 一种基于自适应神经网络模型的曝气系统溶解氧控制方法
AU2021101438A4 (en) Adaptive control method and system for aeration process
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
CN102491506B (zh) 一种污水处理厂曝气生物滤池控制方法及系统
US20190359510A1 (en) Cooperative optimal control method and system for wastewater treatment process
CN102411308B (zh) 基于递归神经网络模型的溶解氧的自适应控制方法
CN103197539A (zh) 污水处理智能优化控制曝气量的方法
CN110378533A (zh) 一种基于大数据分析的智能曝气管理方法
CN115527628A (zh) 城市污水化学除磷工艺的在线控制方法及系统
CN113189881A (zh) 一种污水处理多目标优化控制方法及系统
CN110716432B (zh) 一种基于自适应选择策略的城市污水处理过程多目标优化控制方法
CN117390549A (zh) 一种城镇污水厂曝气控制方法
CN112250161B (zh) 一种用于偶氮废水处理的微生物电解电池的自适应电位控制器及其控制方法
CN116382393B (zh) 一种水资源多级循环控制系统及方法
CN115180719B (zh) 一种a2o工艺污水处理设施的智能控制方法及系统
CN114149076B (zh) 一种厌氧氨氧化污水处理系统的智能调试系统
CN105446132A (zh) 基于神经网络的污水处理预测控制方法
CN109534486B (zh) 一种基于随机递归小波神经网络的船舶污水处理控制预测系统及预测方法
CN112924646B (zh) 一种基于自适应剪枝前馈小世界神经网络的出水bod软测量方法
CN106354019B (zh) 一种基于rbf神经网络的溶解氧精确控制方法
CN101201592A (zh) 废水处理过程控制仿真方法及其仿真系统
CN120309083B (zh) 一种mbbr悬浮填料生物膜厚度监测与控制系统
CN121457379A (zh) 一种基于数字孪生污水系统的曝气装置优化方法
CN112782232B (zh) 基于人工神经网络的农污设施出水总磷软测量方法及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 11858721

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 13985482

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 11858721

Country of ref document: EP

Kind code of ref document: A1