CN108536106A - 一种基于卡尔曼滤波-极限学习机的曝气***溶解氧在线调控方法 - Google Patents
一种基于卡尔曼滤波-极限学习机的曝气***溶解氧在线调控方法 Download PDFInfo
- Publication number
- CN108536106A CN108536106A CN201810378367.5A CN201810378367A CN108536106A CN 108536106 A CN108536106 A CN 108536106A CN 201810378367 A CN201810378367 A CN 201810378367A CN 108536106 A CN108536106 A CN 108536106A
- Authority
- CN
- China
- Prior art keywords
- learning machine
- aerating system
- analysis
- extreme learning
- dissolved oxygen
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 21
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 21
- 239000001301 oxygen Substances 0.000 title claims abstract description 21
- 239000010865 sewage Substances 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000005273 aeration Methods 0.000 claims abstract description 12
- 230000005856 abnormality Effects 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000010219 correlation analysis Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 6
- 239000010802 sludge Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 6
- 238000000556 factor analysis Methods 0.000 abstract description 4
- 238000001914 filtration Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 7
- 230000006866 deterioration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000001824 photoionisation detection Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明公开发明一种基于卡尔曼滤波‑极限学***滑以及标准化处理；因素分析单元，用于经过预处理后的相关因素利用灰色关联分析法与曝气***的DO做关联性分析，找到主要影响因素；初步预测单元，用于灰色关联分析方法得到的主要因素作为极限学习机模型的输入，对曝气***各时刻溶解氧(DO)进行预测；优化单元，用于对极限学习机模型得到的DO预测值，利用卡尔曼滤波算法进一步更新与优化。本发明通过因素分析及预测曝气***DO浓度值，并进行在线调控方法,可以提高污水处理厂出水水质，降低耗能***。
Description
技术领域
本发明涉及一种污水处理***中曝气池溶解氧值的在线调控，具体地说是基于卡尔曼滤波-极限学习机的曝气池溶解氧值在线监控方法。
背景技术
目前，世界各国普遍采用的污水处理方法为活性污泥法，该方法具有处理效率高，抗干扰能力强的特点，是一种二级污水处理方法，可以在很多污水处理厂使用，距今已有近百年的历史。而溶解氧含量是污水处理过程中一个非常重要的指标参数，过高和过低都会导致污泥生存环境的恶化，溶解氧浓度过高则会影响磷的吸收，有机物得到破坏，溶解氧浓度过低会引起水质的恶化。污水处理***运行状态是否良好都可以通过它快速直观的反应，并能进行及时预警和处理。实现对溶解氧的准确预测和优化控制，是活性污泥法进行污水处理至关重要的一步，也是亟待解决的问题。
活性污泥法污水处理***是一个多输入多输出动态***，同时也是一个复杂的生化反应过程，污水处理中曝气池溶解氧的软测量方法研究具有高度非线性、不确定、滞后大和耦合强等特点，易受到外界流入组分的影响，目前大多数工业过程控制采用常规PID等传统控制方法进行溶解氧浓度的控制，并没有达到理想的预测与控制效果。考虑到软测量方法和智能优化算所具有的优势，逐渐成为众多学者们的用于分析研究的焦点，目前已将其应用于污水处理的问题中。这主要取决于它的泛化性能好、计算难度低、学习熟读快，具有普遍的适应能力。本发明结合卡尔曼滤波-极限学习机对污水处理***中曝气池溶解氧进行预测，可提高测量的精度，为污水处理厂提高出水水质，降低耗能***，为污水处理闭环控制的实现奠定了基础。
发明内容
本发明利用污水处理***所提供的曝气池溶解氧相关因素数据,建立一种预测溶解氧值，并进行在线调控方法,以提高污水处理厂出水水质，降低耗能***。
本发明利用污水处理***所提供的曝气池溶解氧相关因素数据，对该数据进行数据预处理后输入极限学习机进行学习，并得出预测结果，再将极限学习得到的预测结果作为卡尔曼滤波方程进行进一步优化，得到新的最优估计值，重复步骤，直至得到所有时刻的DO最优预测值。其特征在于如下步骤：
(1)数据预处理单元，对污水处理厂收集到的与曝气池DO值相关的长期监测数据，包括进水COD和BOD以及曝气反应池内T、pH、SVI、SV30、MLSS、SS和DO，进行降噪、剔除异常值、平滑以及标准化处理；
(2)因素分析单元，用于预处理后的数据利用灰色关联分析方法与曝气***DO值做关联分析，得到对应的关联度；
(3)极限学习机预测单元，用于与DO值经过关联度分析后得到关联度大于0.7的主要影响因素输入到极限学习机进行学习，并输出预测结果；
(4)利用极限学习机得到的DO预测值作为卡尔曼滤波公式的观察值，并通过该算法得到DO最优估计值，重复此步骤直至对所有时刻的最优DO预测值。
研究通过对污水处理曝气反应池DO的影响因素分析，建立了基于卡尔曼滤波-极限学习机模型，可有效进行DO值的预测以及预测值的优化，优化后的预测结果降低了随机性造成的波动，得到更为准确DO值的预测结果，及时对DO值进行在线调控，提高污水处理厂出水水质，降低耗能***。
附图说明
图1为本发明的***流程图；
图2为本发明的增量型极限学习网络结构示意图；
图3为本发明的实施示意框图。
具体实施方式
本发明能在线调控曝气***DO浓度值，有利于提高污水处理厂出水水质，降低耗能***。
结合图1-3对本发明的方法步骤做详细说明。
(1)数据预处理
利用污水处理厂提供的与曝气池DO值相关的因素数据，包括进水COD和BOD以及曝气反应池内T、pH值、SVI、SV30、MLSS、SS和DO长期监测数据，进行降噪、剔除异常值、平滑以及标准化处理。
(2)因素分析
对经过预处理后的相关因素数据与曝气***的DO值运用灰色关联分析方法，做关联度分析，根据
(其中ξ＝0.5)，
当γ>0.7时，将作为主要因素，作为极限学习机模型的输入。
(3)极限学习机进行DO值的初步预测
将灰色关联分析方法得到关联度γ>0.7的主要因素作为极限学习机的输入，本发明选择增量型极限学习机并进行学习训练，过程如下：
1)一个线性输出节点的单隐层前向神经网络有L个隐层节点，其数学模型可以表示为：
其中gi(x)表示第i个隐层节点的输出，βi表示第i个隐含层节点与输出节点的输出权重，ai是连接输入层与第i个隐层节点之间的输入权值，bi是第i个隐层节点的阈值。
2)设最大隐层节点个数为M，隐层节点个数L从1开始增加当L<M且误差大于期望误差时：L＝L+1；
3)随机获取当前隐层神经元的权值a和阈值b；
4)计算当前神经元激励函数g(x)的输入x；
A加法隐含层神经元：将b扩展成一个1×U的矩阵b，然后计算x＝aX+b，其中X为n×U的矩阵。
B径向基隐层神经元：将a扩展成一个U×n的矩阵，然后计算
x＝b·||XT-a||。
5)计算当前隐层输出；
6)然后计算该隐层神经元的输出权值；
重复上述步骤，直到误差小于期望误差停止学习，若误差一直大于期望误差，则当L>M时停止学习，这是由于输入权值a和阈值b随机造成，这时将重新开始学习。
7)利用建立好的极限学习机模型得到t+1，t+2.......t+n时刻的DO预测值Y(t+1)，Y(t+2)......Y(t+n)。
(4)对卡尔曼滤波算法对预测值进行进一步优化
卡尔曼滤波算法运算过程主要分为两步，预测和更新。
1)预测，根据t时刻的DO的状态值预测t+1时刻的状态量，过程如下：状态预测方程：
X(t+1)＝A(t+1,t)X(t)+B(t+1,t)ω(t)，
预测误差协方差方程：
P(t+1,t)＝A(t+1,t)P(t,t)AT(t+1,t)+B(t+1,t)Q(t)BT(t+1,t)，
式中，X(t+1)是t+1时刻的状态预测值，X(t)是t时刻的状态值，A(t+1,t)；B(t+1,t)为***参数，ω(t)为***噪声，P误差协方差矩阵；
2)更新：利用极限学习机t+1时刻的预测值Y(t+1)，为观测值建立更新后的状态分析值及其相应的误差分析方程。
最优状态分析方程：
Z(t+1)＝X(t+1)+K(t+1)[Y(t+1)-H(t+1)X(t+1)]，
最优增益矩阵方程：
K(t+1)＝[H(t+1)P(t+1,t)]T{H(t+1)[H(t+1)P(t+1,t)]T+R(t+1)}-1，
更新误差协方差方程：
P(t+1,t+1)＝[1-H(t+1)K(t+1)]TP(t+1,t)，
式中，Z(t+1)是t+1时刻的状态估计值，K(t+1)是t+1时刻的增益矩阵，H(t+1)是t+1时刻的观测算子，表示观测值和状态值之间的函数关系，得到t+1时刻的分析值和误差协方差矩阵，作为下一时刻预测方程计算的基础；
3)重复上述步骤1)和2)，更新所有时刻的预测值，得到各时刻的最优状态估计值，并实现对曝气***的DO浓度的在线调控。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (7)
1.一种基于卡尔曼滤波-极限学习机的曝气***溶解氧在线调控方法，其特征在于，该方法包括：
(1)对污水处理厂长期监测的数据，进行数据预处理——降噪、剔除异常值、平滑以及标准化处理；
(2)利用灰色关联分析方法将经过预处理后的相关因素数据与曝气***的DO值做关联性分析，找到主要影响因素；
(3)将灰色关联分析方法找到的主要影响因素作为极限学习机的输入，预测曝气***的各时刻的DO值；
(4)将极限学习机模型得到的DO预测值通过卡尔曼滤波方程进行优化，得到各时刻的最优估计值，进行相应的在线调控。
2.根据权利要求1所述的曝气***溶解氧在线调控方法，其特征在于：
所述污水处理得到的相关因素还包括：进水化学需氧量(COD)和生化需氧量(BOD)以及曝气反应池内温度(T)、pH值、污泥指数(SVI)、30min沉降比(SV30)、污泥浓度(MLSS)、固体悬浮物(SS)和溶解氧(DO)长期监测数据，进行降噪、剔除异常值、平滑以及标准化处理。
3.根据权利要求1所述的方法，其特征在于，所述预处理后的相关因素数据利用灰色关联分析法与曝气***的DO值作关联度分析，当关联度γ>0.7时，将作为主要因素，作为极限学习机模型的输入。
4.根据权利要求1所述的方法，其特征在于，将灰色关联分析方法得到的关联度γ>0.7的主要因素作为极限学习机的输入，得到曝气***的各时刻的DO预测值。本发明采用增量型极限学习机，学习过程如下：
1)设最大隐层节点个数为M，隐层节点个数L从1开始增加，当L<M且误差大于期望误差时：L＝L+1；
2)随机获取当前隐层神经元的权值和阈值；
3)计算当前神经元激励函数的输x；
4)计算当前隐层输出；
5)然后计算该隐层神经元的输出权值。
5.根据权利要求1所述的方法，其特征在于，所述的将DO的预测值作为卡尔曼滤波方程对的观测值，并通过卡尔曼滤波方程得到各时刻的最优估计值，其卡尔曼滤波方程包括两个步骤：
1)预测；
2)更新。
6.根据权利要求5所述的方法，其特征在于，预测过程，根据当前t时刻DO状态分析值预测t+1时刻的状态值，包括：
A，状态预测；
B，估计协方差预测。
7.根据权利要求5所述的方法，其特征在于，更新过程，再加上t+1时刻观测值(极限学习机的预测值)，对其进行进一步优化，包括
A，状态估计更新；
B，状态协方差更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810378367.5A CN108536106B (zh) | 2018-04-25 | 2018-04-25 | 一种基于卡尔曼滤波-极限学习机的曝气***溶解氧在线调控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810378367.5A CN108536106B (zh) | 2018-04-25 | 2018-04-25 | 一种基于卡尔曼滤波-极限学习机的曝气***溶解氧在线调控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108536106A true CN108536106A (zh) | 2018-09-14 |
| CN108536106B CN108536106B (zh) | 2021-07-30 |
Family
ID=63478998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810378367.5A Expired - Fee Related CN108536106B (zh) | 2018-04-25 | 2018-04-25 | 一种基于卡尔曼滤波-极限学习机的曝气***溶解氧在线调控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108536106B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020191980A1 (zh) * | 2019-03-22 | 2020-10-01 | 江南大学 | 一种无线传感网络数据漂移盲校准方法 |
| CN112551691A (zh) * | 2020-11-10 | 2021-03-26 | 浙江大学 | 一种基于多激励函数极限学习机的自适应污水处理控制方法 |
| CN113918873A (zh) * | 2021-10-28 | 2022-01-11 | 江南大学 | 污水溶解氧浓度的估计方法、存储介质、电子设备及*** |
| CN114275912A (zh) * | 2021-12-25 | 2022-04-05 | 盐城工学院 | 一种基于自适应神经网络模型的曝气***溶解氧控制方法 |
| CN116282497A (zh) * | 2023-01-05 | 2023-06-23 | 广州澄然环境科技有限公司 | 一种医疗废水处理***及处理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003247967A (ja) * | 2001-12-19 | 2003-09-05 | Toshiba Corp | バイオセンサ型水質監視システム及び装置 |
| CN102032935A (zh) * | 2010-12-07 | 2011-04-27 | 杭州电子科技大学 | 城市排水汇流管网污水泵站流量的软测量方法 |
| CN103577676A (zh) * | 2012-08-02 | 2014-02-12 | 西安元朔科技有限公司 | 污水处理工艺综合评价的灰色加权法 |
| CN103728431A (zh) * | 2014-01-09 | 2014-04-16 | 重庆科技学院 | 基于极限学习机的工业污水cod在线软测量方法 |
| CN103809436A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 活性污泥法污水处理过程智能建模方法 |
-
2018
- 2018-04-25 CN CN201810378367.5A patent/CN108536106B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003247967A (ja) * | 2001-12-19 | 2003-09-05 | Toshiba Corp | バイオセンサ型水質監視システム及び装置 |
| CN102032935A (zh) * | 2010-12-07 | 2011-04-27 | 杭州电子科技大学 | 城市排水汇流管网污水泵站流量的软测量方法 |
| CN103577676A (zh) * | 2012-08-02 | 2014-02-12 | 西安元朔科技有限公司 | 污水处理工艺综合评价的灰色加权法 |
| CN103809436A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 活性污泥法污水处理过程智能建模方法 |
| CN103728431A (zh) * | 2014-01-09 | 2014-04-16 | 重庆科技学院 | 基于极限学习机的工业污水cod在线软测量方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020191980A1 (zh) * | 2019-03-22 | 2020-10-01 | 江南大学 | 一种无线传感网络数据漂移盲校准方法 |
| CN112551691A (zh) * | 2020-11-10 | 2021-03-26 | 浙江大学 | 一种基于多激励函数极限学习机的自适应污水处理控制方法 |
| CN113918873A (zh) * | 2021-10-28 | 2022-01-11 | 江南大学 | 污水溶解氧浓度的估计方法、存储介质、电子设备及*** |
| CN114275912A (zh) * | 2021-12-25 | 2022-04-05 | 盐城工学院 | 一种基于自适应神经网络模型的曝气***溶解氧控制方法 |
| US11709463B2 (en) | 2021-12-25 | 2023-07-25 | Yancheng Institute Of Technology | Control method based on adaptive neural network model for dissolved oxygen of aeration system |
| CN116282497A (zh) * | 2023-01-05 | 2023-06-23 | 广州澄然环境科技有限公司 | 一种医疗废水处理***及处理方法 |
| CN116282497B (zh) * | 2023-01-05 | 2023-09-15 | 广州澄然环境科技有限公司 | 一种医疗废水处理***及处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108536106B (zh) | 2021-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108536106A (zh) | 一种基于卡尔曼滤波-极限学习机的曝气***溶解氧在线调控方法 | |
| KR100456413B1 (ko) | 신경회로망 및 역전파 알고리즘에 의한 하폐수처리인공지능제어 시스템 및 방법 | |
| Han et al. | Model predictive control of dissolved oxygen concentration based on a self-organizing RBF neural network | |
| CN105404151B (zh) | 污水处理过程动态多目标优化控制方法 | |
| US9747544B2 (en) | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network | |
| CN103744293B (zh) | 基于模糊神经网络的废水处理监控方法和*** | |
| Han et al. | Prediction of activated sludge bulking based on a self-organizing RBF neural network | |
| CN108562709A (zh) | 一种基于卷积自编码器极限学习机的污水处理***水质监测预警方法 | |
| CN114275912B (zh) | 一种基于自适应神经网络模型的曝气***溶解氧控制方法 | |
| US20190359510A1 (en) | Cooperative optimal control method and system for wastewater treatment process | |
| CN109711070A (zh) | 一种基于活性污泥水处理的溶解氧浓度优化方法 | |
| de Canete et al. | Control and soft sensing strategies for a wastewater treatment plant using a neuro-genetic approach | |
| CN113189881A (zh) | 一种污水处理多目标优化控制方法及*** | |
| Do et al. | A design of higher-level control based genetic algorithms for wastewater treatment plants | |
| CN102841979A (zh) | 一种基于pca-ga-svr的污泥回流量预测方法 | |
| Gheytaspour et al. | Forecasting oxygen demand in treatment plant using artificial neural networks | |
| Fu et al. | Dissolved oxygen control system based on the TS fuzzy neural network | |
| Türkmenler et al. | Performance assessment of advanced biological wastewater treatment plants using artificial neural networks | |
| Zhao et al. | Self-organizing modeling and control of activated sludge process based on fuzzy neural network | |
| Qiao et al. | Recurrent neural network-based control for wastewater treatment process | |
| Santin et al. | Artificial Neural Network for nitrogen and ammonia effluent limit violations risk detection in Wastewater Treatment Plants | |
| Huang et al. | Improving nitrogen removal using a fuzzy neural network-based control system in the anoxic/oxic process | |
| CN101794117B (zh) | 一种基于机理模型的优化控制膜生物反应器运行的方法 | |
| Zhang et al. | Direct adaptive neural network control for wastewater treatment process | |
| Haimi et al. | Advanced operation and control methods of municipal wastewater treatment processes in Finland |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210730 |