CN109534486B - 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***及预测方法 - Google Patents

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***及预测方法 Download PDF

Info

Publication number
CN109534486B
CN109534486B CN201811573025.5A CN201811573025A CN109534486B CN 109534486 B CN109534486 B CN 109534486B CN 201811573025 A CN201811573025 A CN 201811573025A CN 109534486 B CN109534486 B CN 109534486B
Authority
CN
China
Prior art keywords
neural network
value
wavelet
sewage treatment
recursion
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.)
Active
Application number
CN201811573025.5A
Other languages
English (en)
Other versions
CN109534486A (zh
Inventor
施悦
蔡煜航
肖世豪
张坤
王义权
孙培淇
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201811573025.5A priority Critical patent/CN109534486B/zh
Publication of CN109534486A publication Critical patent/CN109534486A/zh
Application granted granted Critical
Publication of CN109534486B publication Critical patent/CN109534486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2101/00—Nature of the contaminant
    • C02F2101/10—Inorganic compounds
    • C02F2101/16—Nitrogen compounds, e.g. ammonia
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2103/00—Nature of the water, waste water, sewage or sludge to be treated
    • C02F2103/008—Originating from marine vessels, ships and boats, e.g. bilge water or ballast water
    • 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
    • C02F2209/14—NH3-N
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Microbiology (AREA)
  • Hydrology & Water Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Feedback Control In General (AREA)
  • Activated Sludge Processes (AREA)

Abstract

本发明的目的在于提供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***及预测方法，将小波分析原理和递归神经网络相结合，使随机递归小波神经网络完全继承了小波变换优良的局部化特性和递归神经网络的历史记忆特性，实现了强大的函数拟合能力。特别针对船舶污水处理过程的高度非线性、强耦合性、时变、大滞后性和复杂性等特点，解决了传统神经网络预测模型的精度差、稳定性低等问题。提出了相应的控制策略，对船舶污水处理设备进行自我监测和诊断的同时，还实现了自我修复，智能化程度高，进一步节省了运行成本。本预测方法能够很好的预测船舶污水中的污染物去除效率，进而对低温船舶污水的处理提供切实可行的运行策略。

Description

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
技术领域
本发明涉及的是一种船舶生活污水处理预测***及其预测方法。
背景技术
国际海事组织(IMO)对船舶污水的排放要求越来越严格。尽管生活污水处理技术和装置在我国发展迅猛，但还是存在许多问题。尤其是在处理过程中的控制问题，由于污水处理过程中存在高度非线性、强耦合性、时变、大滞后性和复杂性等特点，传统的控制方法，例如开关控制或PID控制，只能对单个变量进行控制，而对于复杂的***，无法实现稳定有效的控制。
针对传统控制方法存在的缺陷，近年来，很多学者对污水处理过程中控制进行了大量的研究并提出了很多数学模型，比如ASM系列模型、模糊控制模型等。但是，目前污水处理过程模型结构复杂，待定参数过多，可辨识差，不能动态地反映出操作变量和控制目标之间的联系，所以无法用于在线控制。此外，由于污水处理过程受进水水质、温度和pH，具有强耦合性和高度非线性等特点，更是对污水处理过程得监测和控制提出了挑战。因此，寻求一种有效的污水处理过程控制方法尤为紧迫。
本发明设计了基于随机回归小波神经网络(SRWNN)的船舶污水处理控制预测***，通过构建小波算法和递归神经网络结合，利用模型预测的方法时间对污水处理过程中出水污染物(COD和总氮)进行实时监测，特别针对低温时船舶污水处理***处理效率低的问题，提出了相应的控制策略。该***应用于污水处理过程的监测和控制，提高了***的稳定性和可靠性，同时保障了出水水质并且降低了能耗。此外，该***极大降低了人为因素对控制过程的干扰和操作人员带来的运行成本。
发明内容
本发明的目的在于提供能极大降低人为因素对控制过程的干扰和操作人员带来的运行成本的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***及预测方法。
本发明的目的是这样实现的：
本发明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***，其特征是：包括缓冲池、生化处理池，进水管连通缓冲池，缓冲池通过中间管连通生化处理池，生化处理池出口连通出水管，进水管上安装进水调节阀，中间管上安装流量传感器，生化处理池底部设置加热装置，生化处理池下方连接曝气泵，生化处理池里分别设置温度传感器、在线COD传感器、在线总氮传感器。
本发明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方法，其特征是：小波神经网络预测模型分为三层：输入层、隐含层和输出层；预测模型SRWNN神经网络输入为x(t)＝[x1(t),x2(t),x3(t),x4(t)]T，x1(t)为t时刻生化处理区温度值，x2(t)为t时刻生化处理区流量值，x3(t)为t时刻生化处理区COD值， x4(t)为t时刻生化处理区氨氮值；
模型建立如下：
(1)初始化随机递归小波神经网络控制器：确定神经网络为4-N-N-2的连接方式，即输入层神经元为4，隐含层、递归层的神经元为N，输出层神经元为2，N＝2n+1,n为输入层神经元的个数，学***移因子bj符合标准正态分布；误差ξ＝10-5和最大训练迭代K＝100设计用于船舶污水处理过程控制预测的目标函数：
其中，cj是隐藏层到输出层的权重，ψ(x)是WNN模型的母小波函数，采用Morlet 小波函数。Morlet小波函数的定义由表达式ψ(x)＝cos(1.75x)exp{-x2/2} 描述，ψa,b(x)是对应的基底小波函数，作为隐藏层中的激活函数；
(2)定义SRWNN模型性能指标，损失函数为：
其中E为结果测试的损失函数，α是时间强度参数，tn是训练数据任意时间值， tl是训练数据的最新值，γ是根据训练数据的预设值，是训练样本对应的平均值，输出值误差为：
应用梯度下降法使得损失函数最小化，直到损失函数小于预设误差阈值ξ＝ 10-5；
(3)训练SRWNN模型并进行参数更新：
输入层连接权重的梯度为：
其中η是学习率，控制学习速率；/>为SRWNN模型激活函数的导数；
相应的，递归层连接权重的梯度为：
隐藏层的连接权重梯度为：
小波函数的两个指标aj、bj的梯度分别为：
SRWNN模型的参数更新公式分别为：
(4)判断当前时刻出水COD和氨氮的目标函数误差大小，当E>ξ时，重复步骤(3)；如果E<ξ时，则转到步骤(1)计算SRWNN控制器的输出y1(t),y2(t)。
本发明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方法还可以包括：
1、当检测当前时刻温度值x1(t)小于设定值15℃时，SRWNN控制器输出指令，开启加热装置；直至温度值x1(t)升高到30℃，关闭加热装置。
2、当出水COD预测值y1(t)大于设定值125mg/L,出水TN预测值y2(t)大于设定20mg/L时，开启进水流量调节阀，降低进水流量至原来的1/2，并打开曝气泵的功率调节器，增大进气量，进而增大溶解氧浓度。
本发明的优势在于：
1、采用随机递归小波神经网路预测控制算法，构建了随机递归小波神经网络(SRWNN)的船舶污水处理控制预测***。通过小波变换与递归神经网络相结合，使小波神经网络完全继承了小波变换的优良时频局部化特性和递归神经网络的历史数据记忆特性，实现了强非线性逼近，进而克服了污水处理过程中存在高度非线性、强耦合性、时变、大滞后性和复杂性对模型的影响。对比目前运用于污水处理中的算法，例如模糊控制算法，BP神经网络和自组织径向基神经网络等算法，具有结构简单，收敛速度快，精度更高等优点。
2、在污水处理过程控之中，一般只是针对溶解氧、pH等指标进行控制，但是对于船舶生活污水，温度是必不可少的参考因素。当船在冬季远洋航行时，污水的水温经常低于微生物所能存活的温度，此时会对生物处理***造成破坏。而基于小波神经网络(WNN)的船舶污水处理控制预测***，对比其他的控制技术，加入了温度的控制。
3、目前大多数运用于污水处理中的算法只考虑了单一因素，比如溶解氧浓度、pH值等，只能对正常运行起到辅助作用，并不能对整个污水处理设备的正常运行提供控制；该随机递归小波神经网络(SRWNN)的船舶污水处理控制预测***，基于随机递归小波神经网络算法的预测值，提出了相应的控制策略，对比市面上的其他算法和控制***，我们的***对船舶污水处理设备起到自我监测和诊断的同时，还提出了控制策略解决低温条件下船舶生活污水处理***处理效率低的问题，进而实现了自我修复，智能化程度高，进一步节省了运行成本。
附图说明
图1为随机递归小波神经网络结构图；
图2为船舶污水处理***主体图；
图3为过程控制示意图；
图4为出水COD结果预测值；
图5为出水COD结果误差值；
图6为出水氨氮结果预测值；
图7为出水氨氮结果误差值。
具体实施方式
下面结合附图举例对本发明做更详细地描述：
结合图1-7，本发明一种基于随机递归小波神经网络(SRWNN)的船舶污水处理控制预测***，用于对船舶生活污水处理***运行进行控制和预测，其过程控制示意图如图1，该***包含3个模块，分别为船舶污水处理装置本体、传感器采集模块和随机递归小波神经网络控制器；
船舶污水处理装置本体图如图2，总体布局分为缓冲池和生化处理池，缓冲池进水口连有进水调节阀，用于控制进水水量；缓冲区与生化处理区相连，用于缓冲***污水进水量；生化处理区与投药区通过投药泵相连，用于降解船舶污水中的有害物质(COD和总氮等)此外，生化处理区内置加温模块，为了防止温度过低破坏生物***；
传感器采集模块内置于船舶污水处理装置生化处理池中，包含温度传感器、流量传感器、在线COD传感器和在线总氮传感器，用于对船舶生活污水处理***的温度、流量、COD和总氮指标进行实时监测，进而得到传感器信号传入随机递归小波神经网络控制器；此外，***的装置本体内置加热装置，可以根据温度传感器采集回来的***实时温度值，不断调整功率，进而使得该船舶污水处理***处于最适温度状态下运行。
随机递归小波神经网络控制器与传感器模块直接相连，用于将处理后的传感器信号对船舶生活污水处理***进行控制和水质预测；
随机递归小波神经网络控制器中内置随机递归小波神经网络(SRWNN)预测方法，设计基于随机递归小波神经网络的船舶污水处理控制预测***，小波神经网络结构图如图3，预测模型分为三层：输入层、隐含层和输出层；预测模型SRWNN神经网络输入为x(t)＝[x1(t),x2(t),x3(t),x4(t)]T，x1(t)为t时刻生化处理区温度值，x2(t)为t时刻生化处理区流量值，x3(t)为t时刻生化处理区COD值，x4(t)为t时刻生化处理区氨氮值；模型建立如下：
(1)初始化随机递归小波神经网络控制器：确定神经网络为4-N-N-2的连接方式，即输入层神经元为4，隐含层、递归层的神经元为N，输出层神经元为 2。N的近似确定为N＝2n+1,n为输入层神经元的个数。学***移因子bj符合标准正态分布；误差ξ＝10-5和最大训练迭代K＝100 设计用于船舶污水处理过程控制预测的目标函数：
其中，cj是隐藏层到输出层的权重，ψ(x)是WNN模型的母小波函数，这里采用Morlet小波函数。Morlet小波函数的定义由表达式ψ(x)＝cos(1.75x) exp{-x2/2}描述。ψa,b(x)是对应的基底小波函数，作为隐藏层中的激活函数。
(2)定义SRWNN模型性能指标，损失函数为：
其中E为结果测试的损失函数，α(>0)是时间强度参数，tn是训练数据任意时间值，tl是训练数据的最新值，γ是根据训练数据的预设值，是训练样本对应的平均值。输出值误差为:
应用梯度下降法使得损失函数最小化，直到损失函数小于预设误差阈值ξ＝ 10-5。
(3)训练SRWNN模型并进行参数更新：
输入层连接权重的梯度为：
其中η是学习率，控制学习速率。/>为SRWNN模型激活函数的导数。
相应的，递归层连接权重的梯度为：
隐藏层的连接权重梯度为：
小波函数的两个指标aj,bj的梯度分别为：
因此,SRWNN模型的参数更新公式分别为：
(4)判断当前时刻出水COD和氨氮的目标函数误差大小，当E>ξ时，重复步骤(3)；如果E<ξ时，则转到步骤(1)计算SRWNN控制器的输出y1(t),y2(t). 图4为***的出水COD结果预测值与真实值对比图，X轴为时间，单位为天，Y 轴为***的预测值y1(t)和实际值对比，单位为mg/L；图5为***的出水COD结果误差值E1，X轴为时间，单位为天，Y轴为***的预测误差；图6为***的出水氨氮结果预测值与真实值对比图，X轴为时间，单位为天，Y轴为***的预测值y2(t)和实际值对比，单位为mg/L；图7为***的出水COD结果误差值E2，X 轴为时间，单位为天，Y轴为***的预测误差，该结果证明了该随机递归小波神经网络算法的有效性。
通过小波神经网络模型可以提出一种最优控制策略，方便快速找出故障设备及时加以排除，实现设备自我修复，具体控制策略如下：
当检测当前时刻温度值x1(t)小于设定值15℃时，SRWNN控制器输出指令，开启设备加热装置，提高反应器的整体温度；直至温度值x1(t)升高到30℃，关闭设备加热装置，污水处理设备正常运行。
当连续一段时间的出水COD预测值y1(t)大于设定值125mg/L,出水TN预测值y2(t)大于设定20mg/L时，开启进水流量调节阀，降低进水流量至原来的1/2，并打开曝气泵的功率调节器，增大设备的进气量，进而增大设备的溶解氧浓度，增强污染物的去除效果。
当出水COD预测值y1(t)小于设定值125mg/L,出水TN预测值y2(t)小于设定值20mg/L时，污水处理设备正常运行。

Claims (1)

1.一种基于随机递归小波神经网络的船舶污水处理控制预测***，其特征是：包括缓冲池、生化处理池，进水管连通缓冲池，缓冲池通过中间管连通生化处理池，生化处理池出口连通出水管，进水管上安装进水调节阀，中间管上安装流量传感器，生化处理池底部设置加热装置，生化处理池下方连接曝气泵，生化处理池里分别设置温度传感器、在线COD传感器、在线总氮传感器；
小波神经网络预测模型分为三层：输入层、隐含层和输出层；预测模型SRWNN神经网络输入为x(t)＝[x1(t),x2(t),x3(t),x4(t)]T，x1(t)为t时刻生化处理区温度值，x2(t)为t时刻生化处理区流量值，x3(t)为t时刻生化处理区COD值，x4(t)为t时刻生化处理区氨氮值；
模型建立如下：
(1)初始化随机递归小波神经网络控制器：确定神经网络为4-N-N-2的连接方式，即输入层神经元为4，隐含层、递归层的神经元为N，输出层神经元为2，N＝2n+1,n为输入层神经元的个数，学***移因子bj符合标准正态分布；误差ξ＝10-5和最大训练迭代K＝100设计用于船舶污水处理过程控制预测的目标函数：
其中，cj是隐藏层到输出层的权重，ψ(x)是WNN模型的母小波函数，采用Morlet小波函数；Morlet小波函数的定义由表达式ψ(x)＝cos(1.75x)exp{-x2/2}描述，ψa,b(x)是对应的基底小波函数，作为隐藏层中的激活函数；
(2)定义SRWNN模型性能指标，损失函数为：
其中E为结果测试的损失函数，α是时间强度参数，tn是训练数据任意时间值，t1是训练数据的最新值，γ是根据训练数据的预设值，是训练样本对应的平均值，输出值误差为：
应用梯度下降法使得损失函数最小化，直到损失函数小于预设误差阈值ξ＝10-5；
(3)训练SRWNN模型并进行参数更新：
输入层连接权重的梯度为：
其中η是学习率，控制学习速率；/>为SRWNN模型激活函数的导数；
相应的，递归层连接权重的梯度为：
隐藏层的连接权重梯度为：
小波函数的两个指标aj、bj的梯度分别为：
SRWNN模型的参数更新公式分别为：
(4)判断当前时刻出水COD和氨氮的目标函数误差大小，当E＞ξ时，重复步骤(3)；如果E＜ξ时，则转到步骤(1)计算SRWNN控制器的输出y1(t),y2(t)；
当检测当前时刻温度值x1(t)小于设定值15℃时，SRWNN控制器输出指令，开启加热装置；直至温度值x1(t)升高到30℃，关闭加热装置；
当出水COD预测值y1(t)大于设定值125mg/L,出水TN预测值y2(t)大于设定20mg/L时，开启进水流量调节阀，降低进水流量至原来的1/2，并打开曝气泵的功率调节器，增大进气量，进而增大溶解氧浓度。
CN201811573025.5A 2018-12-21 2018-12-21 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***及预测方法 Active CN109534486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811573025.5A CN109534486B (zh) 2018-12-21 2018-12-21 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***及预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811573025.5A CN109534486B (zh) 2018-12-21 2018-12-21 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***及预测方法

Publications (2)

Publication Number Publication Date
CN109534486A CN109534486A (zh) 2019-03-29
CN109534486B true CN109534486B (zh) 2023-07-25

Family

ID=65856419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811573025.5A Active CN109534486B (zh) 2018-12-21 2018-12-21 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***及预测方法

Country Status (1)

Country Link
CN (1) CN109534486B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109901598A (zh) * 2019-04-08 2019-06-18 哈尔滨工程大学 基于随机模型预测控制技术的自主水下机器人路径跟踪方法
CN110909922B (zh) * 2019-11-08 2022-07-01 四川大学 一种水资源效率检测及预测方法
CN111400651A (zh) * 2020-03-12 2020-07-10 干天伟 基于水环境采样的水环境调节方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833314A (zh) * 2010-03-30 2010-09-15 深圳达实智能股份有限公司 污水处理控制***及污水处理控制方法
CA2706086A1 (en) * 2010-05-31 2011-11-30 Ecovu Analytics Inc. Method and system for fluid purification and analysis
CN102616927A (zh) * 2012-03-28 2012-08-01 中国科学技术大学 一种污水处理的工艺参数的调整方法及装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101387632B (zh) * 2008-10-17 2011-11-16 北京工业大学 一种污水处理过程中生化需氧量bod的软测量方法
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***
CN103235096A (zh) * 2013-04-16 2013-08-07 广州铁路职业技术学院 污水水质检测方法与装置
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
CN104360035B (zh) * 2014-11-02 2016-03-30 北京工业大学 一种基于自组织粒子群-径向基神经网络的污水总磷tp软测量方法
CN104376380B (zh) * 2014-11-17 2017-07-21 北京工业大学 一种基于递归自组织神经网络的氨氮浓度预测方法
CN105976028A (zh) * 2016-05-11 2016-09-28 深圳市开天源自动化工程有限公司 一种预测a2o污水处理过程中出水cod浓度的方法
CN106295800B (zh) * 2016-07-28 2019-03-05 北京工业大学 一种基于递归自组织rbf神经网络的出水总氮tn智能检测方法
CN107665363A (zh) * 2016-07-30 2018-02-06 复凌科技（上海）有限公司 一种总磷的水质软测量预测方法
CN106682316A (zh) * 2016-12-29 2017-05-17 北京工业大学 一种基于尖峰径向基神经网络的出水总磷实时监测***
CN108469507B (zh) * 2018-03-13 2020-11-27 北京工业大学 一种基于自组织rbf神经网络的出水bod软测量方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833314A (zh) * 2010-03-30 2010-09-15 深圳达实智能股份有限公司 污水处理控制***及污水处理控制方法
CA2706086A1 (en) * 2010-05-31 2011-11-30 Ecovu Analytics Inc. Method and system for fluid purification and analysis
CN102616927A (zh) * 2012-03-28 2012-08-01 中国科学技术大学 一种污水处理的工艺参数的调整方法及装置

Also Published As

Publication number Publication date
CN109534486A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
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***及预测方法
Ghaedi et al. Applications of artificial neural networks for adsorption removal of dyes from aqueous solution: a review
CN109470831B (zh) 一种水生态监测与修复水面机器人及水生态修复控制方法
US9747544B2 (en) Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network
CN106295800A (zh) 一种基于递归自组织rbf神经网络的出水总氮tn智能检测方法
CN109523094B (zh) 一种基于小波神经网络的船舶含盐污水处理控制预测***及预测方法
CN103064290B (zh) 基于自组织径向基神经网络的溶解氧模型预测控制方法
Vyas et al. Performance forecasting of common effluent treatment plant parameters by artificial neural network
DK1376276T3 (da) Al-baseret styresystem og fremgangsmåde til behandling af kloak-/spildevand ved hjælp af et neu ralt netværk og en back-propagation-algoritme
CN109473182B (zh) 一种基于深度信念网络的mbr膜透水率智能检测方法
CN108536106B (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
CN106096730A (zh) 一种基于递归rbf神经网络的mbr膜透水率的智能检测方法
CN115583721B (zh) 基于污水处理的ai智能曝气方法及***
CN113189881A (zh) 一种污水处理多目标优化控制方法及***
CN204803110U (zh) 一种基于物联网的自动污水分配净化***
Gheytaspour et al. Forecasting oxygen demand in treatment plant using artificial neural networks
CN108563118B (zh) 一种基于自适应模糊神经网络的溶解氧模型预测控制方法
Besharati Fard et al. Estimation of effluent parameters of slaughterhouse wastewater treatment with artificial neural network and B-spline quasi interpolation
Naser et al. Simulation of low TDS and biological units of Fajr industrial wastewater Treatment plant using artificial neural network and principal component analysis hybrid method
Yetilmezsoy et al. Adaptive neuro-fuzzy inference-based modeling of a full-scale expanded granular sludge bed reactor treating corn processing wastewater
CN106354019A (zh) 一种基于rbf神经网络的溶解氧精确控制方法
Xu et al. A novel dissolve oxygen control method based on fuzzy neural network
Liu et al. Dynamic multi-objective optimization control for wastewater treatment process based on modal decomposition and hybrid neural network
CN115481720A (zh) 基于br-narx神经网络的混凝剂加药量的预测方法
Hamed et al. Performance simulation of H-TDS unit of FAJR industrial wastewater treatment plant using a combination of neural network and principal component analysis

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