CN112661259A - 一种曝气过程自适应控制方法及*** - Google Patents
一种曝气过程自适应控制方法及*** Download PDFInfo
- Publication number
- CN112661259A CN112661259A CN202011479871.8A CN202011479871A CN112661259A CN 112661259 A CN112661259 A CN 112661259A CN 202011479871 A CN202011479871 A CN 202011479871A CN 112661259 A CN112661259 A CN 112661259A
- Authority
- CN
- China
- Prior art keywords
- adaptive control
- neural network
- model
- activated sludge
- parameter information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 128
- 230000008569 process Effects 0.000 title claims abstract description 93
- 238000005273 aeration Methods 0.000 title claims abstract description 54
- 239000010802 sludge Substances 0.000 claims abstract description 99
- 238000013528 artificial neural network Methods 0.000 claims abstract description 92
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 71
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 71
- 239000001301 oxygen Substances 0.000 claims abstract description 71
- 239000010865 sewage Substances 0.000 claims abstract description 62
- 230000003044 adaptive effect Effects 0.000 claims description 64
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 38
- 238000004062 sedimentation Methods 0.000 claims description 29
- 239000002245 particle Substances 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 10
- 230000033228 biological regulation Effects 0.000 claims description 10
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 description 12
- 238000005265 energy consumption Methods 0.000 description 11
- 101100436077 Caenorhabditis elegans asm-1 gene Proteins 0.000 description 10
- 101100204282 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) Asm-1 gene Proteins 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000813 microbial effect Effects 0.000 description 4
- 244000005700 microbiome Species 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005538 encapsulation Methods 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 230000007062 hydrolysis Effects 0.000 description 3
- 238000006460 hydrolysis reaction Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 238000005842 biochemical reaction Methods 0.000 description 2
- 230000031018 biological processes and functions Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000006228 supernatant Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- CKUAXEQHGKSLHN-UHFFFAOYSA-N [C].[N] Chemical compound [C].[N] CKUAXEQHGKSLHN-UHFFFAOYSA-N 0.000 description 1
- 230000001651 autotrophic effect Effects 0.000 description 1
- 239000013043 chemical agent Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- -1 flow rate Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000007269 microbial metabolism Effects 0.000 description 1
- 239000013586 microbial product Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- 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
- Activated Sludge Processes (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种曝气过程自适应控制方法及***，涉及污水处理领域，包括根据获取的当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息，采用好氧池溶解氧浓度自适应控制模型，计算下一时刻好氧池溶解氧浓度调节目标，并根据下一时刻好氧池溶解氧浓度调节目标，确定下一时刻鼓风机的出风量；其中，好氧池溶解氧浓度自适应控制模型是根据PSO‑BP神经网络和活性污泥1号模型构建确定的；本发明能够对污水处理厂生物处理***的曝气过程进行优化改造，提升其稳定性和利用效率。
Description
技术领域
本发明涉及污水处理领域，特别是涉及一种曝气过程自适应控制方法及***。
背景技术
污水处理属于能源消耗密集型行业，其能源消耗主要有化学药剂、电能及燃烧热能等。其中，城市污水处理厂的电能消耗约占整厂直接能耗的60～90％。生物处理***承担着去除污水中主要污染物质的任务，是污水处理的核心环节，其运行所需的能耗大约占整厂所需能耗的50％～70％。对污水处理厂生物处理***的曝气过程进行优化改造，提升其稳定性和利用效率，是污水处理厂达到出水标准的要求和节能降耗的需求所在。
我国污水处理行业受工业化和经济发展制约而相对起步较晚，同时拥有的污水处理厂数量少且分布不均匀，大部分污水处理厂仍存在设备和技术落后、能耗高、自动化和智能化程度低等弊端，急需对其进行扩增和改造升级。因此，为降低能耗、减少污水处理成本、提高污水处理质量、提升污水处理效率，未来我国污水处理厂应向智能化、自动化、精确化、低能耗发展，其中占污水处理厂主要能耗和核心部位的曝气过程的技术研究和升级改造更是未来研究和发展的重中之重。由于污水处理厂直接实验的可行性低、成本高，因而需要先通过建模来进行仿真控制从而为实际实验提供理论依据。然而曝气过程涉及生物反应和泥水回流等过程，在建模方面涉及的影响因素多，模型较为复杂，因此建模有一定难度。此外，当前国内曝气过程的控制多为手动PID调节控制或者人工经验控制，控制精确度低，且曝气过程控制具有不确定性、非线性、时变性、时滞性、大惯性等特点。因而曝气过程的精细化控制不仅是污水处理中的重点问题也是难点问题。
发明内容
本发明的目的是针对现有技术的不足，提供了一种曝气过程自适应控制方法及***，对污水处理厂生物处理***的曝气过程进行优化改造，提升其稳定性和利用效率。
为实现上述目的，本发明提供了如下方案：
一种曝气过程自适应控制方法，包括：
获取当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息；
根据所述当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息，采用好氧池溶解氧浓度自适应控制模型，计算下一时刻好氧池溶解氧浓度调节目标；
根据所述下一时刻好氧池溶解氧浓度调节目标，确定下一时刻鼓风机的出风量；
其中，所述好氧池溶解氧浓度自适应控制模型是根据PSO-BP神经网络和活性污泥1号模型构建确定的。
可选的，所述获取当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息，具体包括：
利用安装在进水端、出水端、好氧池以及二沉池内的水质传感器实时获取污水水质参数信息；所述污水水质参数信息包括温度、COD、氨氮、TKN、DO和pH；
利用安装在好氧池以及二沉池内的在线污泥浓度仪实时获取活性污泥泥质参数信息；所述活性污泥泥质参数信息为MLSS；
利用安装在鼓风机出风管道口的风量传感器实时获取鼓风机风量信息。
可选的，所述好氧池溶解氧浓度自适应控制模型的确定过程为：
构建活性污泥1号模型；
以曝气过程中的好氧池溶解氧浓度为控制对象，以所述活性污泥1号模型为平台，采用蒙特卡洛法，对PSO-BP神经网络自适应控制模型进行仿真实验，以得到优化后的PSO-BP神经网络自适应控制模型；所述优化后的PSO-BP神经网络自适应控制模型为好氧池溶解氧浓度自适应控制模型。
可选的，所述构建活性污泥1号模型，具体包括：
基于COST624&682基准的模型工艺流程、MATLAB中的Simulink或MATLAB中的图形用户界面，构建活性污泥1号模型。
可选的，所述PSO-BP神经网络自适应控制模型的确定过程为：
确定样本数据；所述样本数据包括历史时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息；
构建BP神经网络；
采用粒子群算法确定隐含层和输出层的初始权值；
根据所述BP神经网络以及所述隐含层和输出层的初始权值，确定基于BP神经网络的PID控制结构；
采用所述样本数据训练所述基于BP神经网络的PID控制结构，得到PSO-BP神经网络自适应控制模型。
一种曝气过程自适应控制***，包括：
信息获取模块，用于获取当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息；
好氧池溶解氧浓度调节目标计算模块，用于根据所述当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息，采用好氧池溶解氧浓度自适应控制模型，计算下一时刻好氧池溶解氧浓度调节目标；
出风量确定模块，用于根据所述下一时刻好氧池溶解氧浓度调节目标，确定下一时刻鼓风机的出风量；
其中，所述好氧池溶解氧浓度自适应控制模型是根据PSO-BP神经网络和活性污泥1号模型构建确定的。
可选的，所述信息获取模块，具体包括：
水质参数信息获取单元，用于利用安装在进水端、出水端、好氧池以及二沉池内的水质传感器实时获取污水水质参数信息；所述污水水质参数信息包括温度、COD、氨氮、TKN、DO和pH；
泥质参数信息获取单元，用于利用安装在好氧池以及二沉池内的在线污泥浓度仪实时获取活性污泥泥质参数信息；所述活性污泥泥质参数信息为MLSS；
鼓风机风量信息获取单元，用于利用安装在鼓风机出风管道口的风量传感器实时获取鼓风机风量信息。
可选的，还包括：好氧池溶解氧浓度自适应控制模型构建模块；所述好氧池溶解氧浓度自适应控制模型构建模块包括：
活性污泥1号模型构建单元，用于构建活性污泥1号模型；
优化单元，用于以曝气过程中的好氧池溶解氧浓度为控制对象，以所述活性污泥1号模型为平台，采用蒙特卡洛法，对PSO-BP神经网络自适应控制模型进行仿真实验，以得到优化后的PSO-BP神经网络自适应控制模型；所述优化后的PSO-BP神经网络自适应控制模型为好氧池溶解氧浓度自适应控制模型。
可选的，所述活性污泥1号模型构建单元，具体包括：
活性污泥1号模型构建子单元，用于基于COST624&682基准的模型工艺流程、MATLAB中的Simulink或MATLAB中的图形用户界面，构建活性污泥1号模型。
可选的，所述优化单元，具体包括：
样本数据确定子单元，用于确定样本数据；所述样本数据包括历史时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息；
BP神经网络构建子单元，用于构建BP神经网络；
初始权值计算子单元，用于采用粒子群算法确定隐含层和输出层的初始权值；
PID控制结构确定子单元，用于根据所述BP神经网络以及所述隐含层和输出层的初始权值，确定基于BP神经网络的PID控制结构；
PSO-BP神经网络自适应控制模型确定子单元，用于采用所述样本数据训练所述基于BP神经网络的PID控制结构，得到PSO-BP神经网络自适应控制模型；
优化子单元，用于以曝气过程中的好氧池溶解氧浓度为控制对象，以所述活性污泥1号模型为平台，采用蒙特卡洛法，对PSO-BP神经网络自适应控制模型进行仿真实验，以得到优化后的PSO-BP神经网络自适应控制模型；所述优化后的PSO-BP神经网络自适应控制模型为好氧池溶解氧浓度自适应控制模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明对污水处理厂曝气过程的控制器进行设计优化，基于PSO-BP神经网络构建好氧池溶解氧浓度的自适应控制模型，增加好氧池溶解氧浓度的智能控制环节，打破传统凭人工经验进行控制的局限性，提升曝气过程的稳定性和利用效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明曝气过程自适应控制方法的流程图；
图2为本发明曝气过程自适应控制***的结构图；
图3为本发明COST624&682基准的模型工艺流程图；
图4为本发明生物反应池内部各过程组分的封装图；
图5为本发明模型中过程组分子过程反应速率、二沉池颗粒运动速度以及各体元层污泥浓度等封装模块示意图；
图6为本发明采用A/O工艺的活性污泥1号模型的整体封装图；
图7为本发明BP神经网络的结构示意图；
图8为本发明PSO-BP神经网络自适应算法的控制结构图；
图9为本发明基于PSO-BP神经网络自适应控制的曝气过程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种曝气过程自适应控制方法及***，对污水处理厂生物处理***的曝气过程进行优化改造，提升其稳定性和利用效率
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示，本实施例提供了一种曝气过程自适应控制方法，包括：
步骤101：获取当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息；具体包括：
利用安装在进水端、出水端、好氧池以及二沉池内的水质传感器实时获取污水水质参数信息；所述污水水质参数信息包括温度、COD、氨氮、TKN、DO和pH。
利用安装在好氧池以及二沉池内的在线污泥浓度仪实时获取活性污泥泥质参数信息；所述活性污泥泥质参数信息为MLSS。
利用安装在鼓风机出风管道口的风量传感器实时获取鼓风机风量信息。
步骤102：根据所述当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息，采用好氧池溶解氧浓度自适应控制模型，计算下一时刻好氧池溶解氧浓度调节目标。
其中，所述好氧池溶解氧浓度自适应控制模型是根据PSO-BP神经网络和活性污泥1号模型构建确定的。
步骤103：根据所述下一时刻好氧池溶解氧浓度调节目标，确定下一时刻鼓风机的出风量。
所述好氧池溶解氧浓度自适应控制模型的确定过程为：
构建活性污泥1号模型；具体包括：基于COST624&682基准的模型工艺流程、MATLAB中的Simulink或MATLAB中的图形用户界面，构建活性污泥1号模型。
以曝气过程中的好氧池溶解氧浓度为控制对象，以所述活性污泥1号模型为平台，采用蒙特卡洛法，对PSO-BP神经网络自适应控制模型进行仿真实验，以得到优化后的PSO-BP神经网络自适应控制模型；所述优化后的PSO-BP神经网络自适应控制模型为好氧池溶解氧浓度自适应控制模型。
所述PSO-BP神经网络自适应控制模型的确定过程为：
确定样本数据；所述样本数据包括历史时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息。
构建BP神经网络。
采用粒子群算法确定隐含层和输出层的初始权值。
根据所述BP神经网络以及所述隐含层和输出层的初始权值，确定基于BP神经网络的PID控制结构。
采用所述样本数据训练所述基于BP神经网络的PID控制结构，得到PSO-BP神经网络自适应控制模型。
实施例二
如图2所示，本实施例提供了一种曝气过程自适应控制***，包括：
信息获取模块201，用于获取当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息；具体包括：
水质参数信息获取单元，用于利用安装在进水端、出水端、好氧池以及二沉池内的水质传感器实时获取污水水质参数信息；所述污水水质参数信息包括温度、COD、氨氮、TKN、DO和pH。
泥质参数信息获取单元，用于利用安装在好氧池以及二沉池内的在线污泥浓度仪实时获取活性污泥泥质参数信息；所述活性污泥泥质参数信息为MLSS。
鼓风机风量信息获取单元，用于利用安装在鼓风机出风管道口的风量传感器实时获取鼓风机风量信息。
好氧池溶解氧浓度调节目标计算模块202，用于根据所述当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息，采用好氧池溶解氧浓度自适应控制模型，计算下一时刻好氧池溶解氧浓度调节目标；其中，所述好氧池溶解氧浓度自适应控制模型是根据PSO-BP神经网络和活性污泥1号模型构建确定的。
出风量确定模块203，用于根据所述下一时刻好氧池溶解氧浓度调节目标，确定下一时刻鼓风机的出风量。
本实施例提供的一种曝气过程自适应控制***还包括：好氧池溶解氧浓度自适应控制模型构建模块；所述好氧池溶解氧浓度自适应控制模型构建模块包括：
活性污泥1号模型构建单元，用于构建活性污泥1号模型。
优化单元，用于以曝气过程中的好氧池溶解氧浓度为控制对象，以所述活性污泥1号模型为平台，采用蒙特卡洛法，对PSO-BP神经网络自适应控制模型进行仿真实验，以得到优化后的PSO-BP神经网络自适应控制模型；所述优化后的PSO-BP神经网络自适应控制模型为好氧池溶解氧浓度自适应控制模型。
其中，所述活性污泥1号模型构建单元，具体包括：
活性污泥1号模型构建子单元，用于基于COST624&682基准的模型工艺流程、MATLAB中的Simulink或MATLAB中的图形用户界面，构建活性污泥1号模型。
所述优化单元，具体包括：
样本数据确定子单元，用于确定样本数据；所述样本数据包括历史时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息。
BP神经网络构建子单元，用于构建BP神经网络。
初始权值计算子单元，用于采用粒子群算法确定隐含层和输出层的初始权值。
PID控制结构确定子单元，用于根据所述BP神经网络以及所述隐含层和输出层的初始权值，确定基于BP神经网络的PID控制结构。
PSO-BP神经网络自适应控制模型确定子单元，用于采用所述样本数据训练所述基于BP神经网络的PID控制结构，得到PSO-BP神经网络自适应控制模型。
优化子单元，用于以曝气过程中的好氧池溶解氧浓度为控制对象，以所述活性污泥1号模型为平台，采用蒙特卡洛法，对PSO-BP神经网络自适应控制模型进行仿真实验，以得到优化后的PSO-BP神经网络自适应控制模型；所述优化后的PSO-BP神经网络自适应控制模型为好氧池溶解氧浓度自适应控制模型。
实施例三
本发明提出的一种基于PSO-BP神经网络自适应控制的曝气过程的控制方法包括以下步骤：
步骤S1：利用在线传感器，实时监测进水端、出水端、好氧池以及二沉池内的污水水质参数信息和活性污泥泥质参数信息；利用安装在鼓风机出风管道口的风量传感器在线监测鼓风机风量信息。
步骤S2：安装在鼓风机房内的控制器获取曝气过程的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息，并将这些变量和参数称为当前***状态。
步骤S3：该控制器基于当前***状态和好氧池溶解氧浓度自适应控制模型，计算出当前***状态下最优的好氧池溶解氧浓度调节目标。
步骤S4：控制器根据好氧池溶解氧浓度调节目标调整鼓风机的出风量，实现自适应智能控制。
在本实施例提供的一种基于PSO-BP神经网络自适应控制的曝气过程的控制方法中，所述污水水质参数信息包括温度、COD、氨氮、TKN、DO、pH等，活性污泥泥质参数信息为MLSS。
在本实施例提供的一种基于PSO-BP神经网络自适应控制的曝气过程的控制方法中，所述在线传感器包括水质传感器、泥质传感器和风量传感器。其中，所述水质传感器安装在进水端、出水端、好氧池以及二沉池内，所述水质传感器包括流量计、在线温度计、在线液位计、在线pH计、在线ORP测试仪、在线DO仪、在线COD仪、在线氨氮仪、在线TKN仪；所述泥质传感器安装在好氧池和二沉池内，为在线污泥浓度仪；所述风量传感器安装在鼓风机出风口管道内。
在本实施例提供的一种基于PSO-BP神经网络自适应控制的曝气过程的控制方法中，所述好氧池溶解氧浓度自适应控制模型的构建方法具体描述如下：
本实施例采用国际水污染控制与研究协会提出的活性污泥1号模型(ActivatedSludge ModelNO.1，简称ASM1)。ASM1将污水中的物质依据溶解性、包含成分等生物特性划分为13个过程组分，并根据微生物新陈代谢以及电子受体等角度将***反应过程划分为8个子过程，同时对每一个子过程的速率描述采用双重Monod模式，模型参数无空间变化，是一个集中参数模型。
ASM1将生物反应池内的生物过程总体分成8个子过程(包括3个微生物生长过程、2个微生物衰减过程、1个氨化过程和2个水解过程)，将生物反应池内的物质分成13个过程组分(包括8项碳氮基质、3项微生物物质、1项外加电子受体和1项过程碱度变化)，每个子过程有若干个过程组分参加，每个过程组分参加若干个子过程，同时针对各个子过程中过程组分间相互转化的计量关系定义了5个化学计量参数，针对过程组分参加各个子过程反应定义了14个反应动力学参数(包括半饱和系数、微生物衰减系数、微生物最大比增长速率、微生物生长和水解的校正因子以及氨化和水解速率)。
本实施例基于ASM1，依次建立子过程反应速率方程、单一过程组分总反应速率方程，并将各过程组分的单位进行统一，最终生成模型。
污水处理***是一个受进水、流速、污染物负荷以及进水成分等大扰动影响的大型非线性***。通过建立模型来对其控制策略进行优化，需克服很多困难，例如：时间常数范围大(几分钟到几天不等)、生物反应的复杂性、缺乏标准的评价基准等。因此，需要有一个合格的工艺基准来建立和检测活性污泥1号模型。
本发明所建立的活性污泥1号模型是基于COST624&682基准的模型工艺流程来进行搭建和验证的。COST624&682基准致力于通过加深对活性污泥***中微生物的了解和加强对生物处理过程的控制优化来实现降低研究成本和提升污水处理技术的目的。
COST624&682基准的模型工艺流程有如下要求：
a)由5个连续生化池(2个缺氧池和3个好氧池，采用A/O工艺)和一个二沉池组成；
b)生化池1和生化池2为缺氧池，没有加入空气；生化池3、生化池4和生化池5为好氧池，生化池中饱和溶解氧浓度为8g/m3，Kla的缺省值分别为10/hr、10/hr、3.5/hr，采用ASM1作为生化反应过程模型；
c)二沉池没有生化反应，分为10层，采用Takacs双指数沉淀速率方程描述沉淀过程模型；
d)从生化池5到生化池1有混合液内循环，从二沉池到生化池1有污泥回流循环。
e)标准给出了生化池和二沉池的物理结构参数，15℃时ASM1的动力学参数、化学计量参数以及二沉池模型参数值，稳态时ASM1的进水值和出水值以及二沉池各层稳态值和出水值，动态时ASM1的进水值和出水值以及二沉池各层动态值和出水值。图3为COST624&682基准的模型工艺流程图；其中，图3各个字母解释为Qin为进水流量，Qr为污泥回流量，Qrin为内循环回流量，Qf为二沉池进水流量，Qe为二沉池上清液排出量，Qw为二沉池污泥排放量；Zin为进水组分浓度，Zr为回流污泥组分浓度，Zrin为内循环组分浓度，Zf为二沉池进水组分浓度，Ze排放上清液组分浓度，Zw为排放污泥组分浓度。
另外，本实施例还采用了MATLAB中另两种更为直观简洁的建模表示，具体如下：
本实施例采用MATLAB中Simulink来更为直观简洁地表示建模。运行Simulink建成的活性污泥1号模型的各机构封装如图4～图6所示。生物反应池模型的内部由各过程组分的封装模块组成，过程组分浓度变化遵循物料守恒原理，且同一过程组分参与了多种反应。通过直观感受可得，Simulink所建成的模型结构分明直观，且可以通过示波器和运行过程输出数值变化得到模型运行的效果。
本实施例还采用了MATLAB中图形用户界面(GUI)来更为直观简洁地表示建模。根据设计的功能模块，仿真***的界面主要功能是输入样本选择、采样步长设置、动力学参数设置、化学计量参数设置和三个好氧池溶解氧浓度变化曲线的绘制。界面设计包括编辑框、单选按钮、按钮及坐标轴框、静态文本框等控件。具体设计如下：
a)控制和采样参数设置。3个编辑框获取***采样步长、控制采样步长、采样天数等参数。
b)输入样本选择。5个单选按钮选择输入样本。
c)3个好氧池溶解氧浓度变化曲线绘制。2个按钮选择程序运行及开始绘制曲线或清除坐标轴内已绘制曲线，3个坐标轴框用来显示曲线。
d)初始性能参数设置。19个静态文本和19个编辑框分别用来提示和输入设置动力学参数和化学计量参数。
运用GUI图形用户界面设计的活性污泥1号模型界面拥有参数设置、输入选择、绘制输出曲线等功能。
本实施例以曝气过程中的好氧池溶解氧浓度为控制对象，以ASM1为平台，针对PSO-BP神经网络自适应控制模型的控制效果进行了仿真实验。
粒子群优化算法(PSO)是一种进化计算技术，该算法把每个寻优的问题解都当成粒子。所有粒子都在一个D维空间进行搜索，寻找最优的一个位置，用fitness-function确定适应值以判断当前位置的好坏，同时根据自身和同伴的飞行经验不断调整速度，也就是调整飞行的方向和距离。此外，粒子在搜索过程中能够记忆其当前确定的最优位置。
如图7所示，本实施例采用的是三层BP神经网络，包含4个输入节点，5个隐含节点，3个输出节点。j为输入层，i为隐含层，l为输出层，yr(k),y(k),e(k),1为BP神经网络的输入；kp,ki,kd为BP神经网络输出。
PSO-BP神经网络自适应控制模型的控制结构如图8所示。由于基于BP神经网络的PID控制方法存在初值敏感的问题，即隐含层和输出层的初始权值的选取对***最后的运行结果影响很大。而想要选取到合适的初值往往需要大量重复的实验试验，若只靠人工选取初值并进行试验筛选，操作过于繁重枯燥。本实施例通过使用粒子群算法(PSO)让***对初始权值进行自行的多次初步选取，将结果记录下来后从中选取综合效果最好的初值。
具体学习过程：
a)计算BP神经网络中连接权值的总数量，即为粒子群算法中粒子的维度数值。
b)随机生成粒子种群，设定进化次数，按照粒子群算法进行迭代学习；
c)用整个***输出的均方误差函数作为适应度函数，来评价生成个体的好坏，优胜劣汰，并利用粒子群算法强大的迭代搜索能力得到使***输出的均方误差达到最小时候的BP神经网络权值。
本实施例提出的基于PSO-BP神经网络自适应控制的曝气过程的控制方法采用PSO-BP神经网络来训练曝气过程溶解氧浓度的自适应控制模型，训练参数为：学习速率η＝0.003，惯性系数γ＝0.003，初始权值为随机值，通过粒子群算法自行选取运行稳定效果最好的稳定权值。
抗扰性和鲁棒性是衡量一个控制***性能的重要指标。
为方便观察和分析实验结果，本实施例令ASM1处于稳态输入状态，在曝气池的反馈信号中均加入信噪比为20的高斯白噪声，对使用如图9所示的PSO-BP神经网络的溶解氧浓度自适应控制模型的***进行仿真实验。
本实施例采用蒙特卡洛法测试PSO-BP神经网络的溶解氧浓度自适应控制模型下的活性污泥***曝气过程的鲁棒性能。为方便观察和分析实验结果，采取了令***处于动态输入状态。对实验模型中的自养菌产率系数YA、异养菌产率系数YH、微生物中惰性颗粒物比例fP、微生物细胞中氮含量比例iXB、微生物产物中氮含量比例iXP分别选取参数摄动区间。这些参数均匀分布在给定区间内，取50组参数值进行随机组合，然后仿真实验得到参数随机组合时的自适应控制模型状态。同时，取上述参数的上限值，仿真实验得到参数严苛时的自适应控制模型。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种曝气过程自适应控制方法，其特征在于，包括：
获取当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息；
根据所述当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息，采用好氧池溶解氧浓度自适应控制模型，计算下一时刻好氧池溶解氧浓度调节目标；
根据所述下一时刻好氧池溶解氧浓度调节目标，确定下一时刻鼓风机的出风量；
其中，所述好氧池溶解氧浓度自适应控制模型是根据PSO-BP神经网络和活性污泥1号模型构建确定的。
2.根据权利要求1所述的一种曝气过程自适应控制方法，其特征在于，所述获取当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息，具体包括：
利用安装在进水端、出水端、好氧池以及二沉池内的水质传感器实时获取污水水质参数信息；所述污水水质参数信息包括温度、COD、氨氮、TKN、DO和pH；
利用安装在好氧池以及二沉池内的在线污泥浓度仪实时获取活性污泥泥质参数信息；所述活性污泥泥质参数信息为MLSS；
利用安装在鼓风机出风管道口的风量传感器实时获取鼓风机风量信息。
3.根据权利要求1所述的一种曝气过程自适应控制方法，其特征在于，所述好氧池溶解氧浓度自适应控制模型的确定过程为：
构建活性污泥1号模型；
以曝气过程中的好氧池溶解氧浓度为控制对象，以所述活性污泥1号模型为平台，采用蒙特卡洛法，对PSO-BP神经网络自适应控制模型进行仿真实验，以得到优化后的PSO-BP神经网络自适应控制模型；所述优化后的PSO-BP神经网络自适应控制模型为好氧池溶解氧浓度自适应控制模型。
4.根据权利要求3所述的一种曝气过程自适应控制方法，其特征在于，所述构建活性污泥1号模型，具体包括：
基于COST624&682基准的模型工艺流程、MATLAB中的Simulink或MATLAB中的图形用户界面，构建活性污泥1号模型。
5.根据权利要求3所述的一种曝气过程自适应控制方法，其特征在于，所述PSO-BP神经网络自适应控制模型的确定过程为：
确定样本数据；所述样本数据包括历史时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息；
构建BP神经网络；
采用粒子群算法确定隐含层和输出层的初始权值；
根据所述BP神经网络以及所述隐含层和输出层的初始权值，确定基于BP神经网络的PID控制结构；
采用所述样本数据训练所述基于BP神经网络的PID控制结构，得到PSO-BP神经网络自适应控制模型。
6.一种曝气过程自适应控制***，其特征在于，包括：
信息获取模块，用于获取当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息；
好氧池溶解氧浓度调节目标计算模块，用于根据所述当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息，采用好氧池溶解氧浓度自适应控制模型，计算下一时刻好氧池溶解氧浓度调节目标；
出风量确定模块，用于根据所述下一时刻好氧池溶解氧浓度调节目标，确定下一时刻鼓风机的出风量；
其中，所述好氧池溶解氧浓度自适应控制模型是根据PSO-BP神经网络和活性污泥1号模型构建确定的。
7.根据权利要求6所述的一种曝气过程自适应控制***，其特征在于，所述信息获取模块，具体包括：
水质参数信息获取单元，用于利用安装在进水端、出水端、好氧池以及二沉池内的水质传感器实时获取污水水质参数信息；所述污水水质参数信息包括温度、COD、氨氮、TKN、DO和pH；
泥质参数信息获取单元，用于利用安装在好氧池以及二沉池内的在线污泥浓度仪实时获取活性污泥泥质参数信息；所述活性污泥泥质参数信息为MLSS；
鼓风机风量信息获取单元，用于利用安装在鼓风机出风管道口的风量传感器实时获取鼓风机风量信息。
8.根据权利要求6所述的一种曝气过程自适应控制***，其特征在于，还包括：好氧池溶解氧浓度自适应控制模型构建模块；所述好氧池溶解氧浓度自适应控制模型构建模块包括：
活性污泥1号模型构建单元，用于构建活性污泥1号模型；
优化单元，用于以曝气过程中的好氧池溶解氧浓度为控制对象，以所述活性污泥1号模型为平台，采用蒙特卡洛法，对PSO-BP神经网络自适应控制模型进行仿真实验，以得到优化后的PSO-BP神经网络自适应控制模型；所述优化后的PSO-BP神经网络自适应控制模型为好氧池溶解氧浓度自适应控制模型。
9.根据权利要求8所述的一种曝气过程自适应控制***，其特征在于，所述活性污泥1号模型构建单元，具体包括：
活性污泥1号模型构建子单元，用于基于COST624&682基准的模型工艺流程、MATLAB中的Simulink或MATLAB中的图形用户界面，构建活性污泥1号模型。
10.根据权利要求8所述的一种曝气过程自适应控制***，其特征在于，所述优化单元，具体包括：
样本数据确定子单元，用于确定样本数据；所述样本数据包括历史时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息；
BP神经网络构建子单元，用于构建BP神经网络；
初始权值计算子单元，用于采用粒子群算法确定隐含层和输出层的初始权值；
PID控制结构确定子单元，用于根据所述BP神经网络以及所述隐含层和输出层的初始权值，确定基于BP神经网络的PID控制结构；
PSO-BP神经网络自适应控制模型确定子单元，用于采用所述样本数据训练所述基于BP神经网络的PID控制结构，得到PSO-BP神经网络自适应控制模型；
优化子单元，用于以曝气过程中的好氧池溶解氧浓度为控制对象，以所述活性污泥1号模型为平台，采用蒙特卡洛法，对PSO-BP神经网络自适应控制模型进行仿真实验，以得到优化后的PSO-BP神经网络自适应控制模型；所述优化后的PSO-BP神经网络自适应控制模型为好氧池溶解氧浓度自适应控制模型。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011479871.8A CN112661259A (zh) | 2020-12-15 | 2020-12-15 | 一种曝气过程自适应控制方法及*** |
| AU2021101438A AU2021101438A4 (en) | 2020-12-15 | 2021-03-20 | Adaptive control method and system for aeration process |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011479871.8A CN112661259A (zh) | 2020-12-15 | 2020-12-15 | 一种曝气过程自适应控制方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112661259A true CN112661259A (zh) | 2021-04-16 |
Family
ID=75404690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011479871.8A Pending CN112661259A (zh) | 2020-12-15 | 2020-12-15 | 一种曝气过程自适应控制方法及*** |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112661259A (zh) |
| AU (1) | AU2021101438A4 (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113511736A (zh) * | 2021-05-18 | 2021-10-19 | 广州中国科学院沈阳自动化研究所分所 | 一种污水处理智能曝气方法及装置 |
| CN113609754A (zh) * | 2021-07-05 | 2021-11-05 | 上海华高汇元工程服务有限公司 | 一种用于污水曝气的气量分配控制方法 |
| CN113830896A (zh) * | 2021-09-27 | 2021-12-24 | 湖南工商大学 | 基于图神经网络的好氧段氧气预警方法、***及设备 |
| CN113979541A (zh) * | 2021-11-26 | 2022-01-28 | 昆明理工大学 | 一种a2o生物池工艺智能控制方法 |
| CN114314823A (zh) * | 2022-02-09 | 2022-04-12 | 南开大学 | 一种曝气环节溶解氧控制***与方法 |
| CN114442686A (zh) * | 2022-01-13 | 2022-05-06 | 中国农业大学 | 溶解氧浓度的控制方法、装置、电子设备及存储介质 |
| CN115385445A (zh) * | 2022-09-21 | 2022-11-25 | 南京晓庄学院 | 一种基于大数据的污水生化处理用软测量管理*** |
| CN115806344A (zh) * | 2022-11-22 | 2023-03-17 | 曲誉环境综合治理有限公司 | 一种orp控制精准曝气的*** |
| CN116081797A (zh) * | 2022-08-25 | 2023-05-09 | 北控水务(中国)投资有限公司 | 污水处理厂全流程控制量的动态优化方法、装置和设备 |
| CN116165974A (zh) * | 2022-12-14 | 2023-05-26 | 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、***、终端及介质 |
| CN117252100A (zh) * | 2023-09-22 | 2023-12-19 | 安徽理工大学 | 一种基于药剂燃烧试验的安全气囊性能优化方法及*** |
| CN118026321A (zh) * | 2024-04-12 | 2024-05-14 | 四川欧美华环境工程有限公司 | 一种污水处理用供气曝气控制*** |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113393316B (zh) * | 2021-06-10 | 2023-02-03 | 罗嗣扬 | 基于海量大数据、核心算法的贷款全过程精准风控及管理*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108002532A (zh) * | 2017-11-15 | 2018-05-08 | 南京普信环保股份有限公司 | 基于物联网和大数据技术的污水处理模型动态核验方法 |
| CN108563118A (zh) * | 2018-03-22 | 2018-09-21 | 北京工业大学 | 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 |
| CN109711070A (zh) * | 2018-12-29 | 2019-05-03 | 上海海事大学 | 一种基于活性污泥水处理的溶解氧浓度优化方法 |
| CN109879410A (zh) * | 2019-03-27 | 2019-06-14 | 上海西派埃智能化***有限公司 | 一种污水处理曝气控制*** |
| CN110378533A (zh) * | 2019-07-22 | 2019-10-25 | 中展环能(北京)技术有限公司 | 一种基于大数据分析的智能曝气管理方法 |
| CN112062179A (zh) * | 2020-08-24 | 2020-12-11 | 华南理工大学 | 用于造纸污水处理ghg减排的溶解氧分层优化控制方法 |
-
2020
- 2020-12-15 CN CN202011479871.8A patent/CN112661259A/zh active Pending
-
2021
- 2021-03-20 AU AU2021101438A patent/AU2021101438A4/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108002532A (zh) * | 2017-11-15 | 2018-05-08 | 南京普信环保股份有限公司 | 基于物联网和大数据技术的污水处理模型动态核验方法 |
| CN108563118A (zh) * | 2018-03-22 | 2018-09-21 | 北京工业大学 | 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 |
| CN109711070A (zh) * | 2018-12-29 | 2019-05-03 | 上海海事大学 | 一种基于活性污泥水处理的溶解氧浓度优化方法 |
| CN109879410A (zh) * | 2019-03-27 | 2019-06-14 | 上海西派埃智能化***有限公司 | 一种污水处理曝气控制*** |
| CN110378533A (zh) * | 2019-07-22 | 2019-10-25 | 中展环能(北京)技术有限公司 | 一种基于大数据分析的智能曝气管理方法 |
| CN112062179A (zh) * | 2020-08-24 | 2020-12-11 | 华南理工大学 | 用于造纸污水处理ghg减排的溶解氧分层优化控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| 乔俊飞等: "基于改进粒子群算法的污水处理过程神经网络优化控制", 《智能***学报》 * |
| 吴宏鑫等: "《特征建模 理论、方法和应用》", 31 October 2019, 国防工业出版社 * |
| 潘锦宇: "基于改进神经网络预测的智能污水处理监控***设计", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》 * |
| 王彪龙等: "基于自然选择策略的PSO-BP神经网络的滑坡可靠性评价方法", 《中外公路》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113511736A (zh) * | 2021-05-18 | 2021-10-19 | 广州中国科学院沈阳自动化研究所分所 | 一种污水处理智能曝气方法及装置 |
| CN113511736B (zh) * | 2021-05-18 | 2023-01-13 | 广州中国科学院沈阳自动化研究所分所 | 一种污水处理智能曝气方法及装置 |
| CN113609754B (zh) * | 2021-07-05 | 2023-08-25 | 上海华高汇元工程服务有限公司 | 一种用于污水曝气的气量分配控制方法 |
| CN113609754A (zh) * | 2021-07-05 | 2021-11-05 | 上海华高汇元工程服务有限公司 | 一种用于污水曝气的气量分配控制方法 |
| CN113830896A (zh) * | 2021-09-27 | 2021-12-24 | 湖南工商大学 | 基于图神经网络的好氧段氧气预警方法、***及设备 |
| 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、***及设备 |
| CN113979541A (zh) * | 2021-11-26 | 2022-01-28 | 昆明理工大学 | 一种a2o生物池工艺智能控制方法 |
| CN113979541B (zh) * | 2021-11-26 | 2023-11-03 | 昆明理工大学 | 一种a2o生物池工艺智能控制方法 |
| CN114442686A (zh) * | 2022-01-13 | 2022-05-06 | 中国农业大学 | 溶解氧浓度的控制方法、装置、电子设备及存储介质 |
| CN114442686B (zh) * | 2022-01-13 | 2024-02-06 | 中国农业大学 | 溶解氧浓度的控制方法、装置、电子设备及存储介质 |
| CN114314823A (zh) * | 2022-02-09 | 2022-04-12 | 南开大学 | 一种曝气环节溶解氧控制***与方法 |
| CN116081797A (zh) * | 2022-08-25 | 2023-05-09 | 北控水务(中国)投资有限公司 | 污水处理厂全流程控制量的动态优化方法、装置和设备 |
| CN115385445A (zh) * | 2022-09-21 | 2022-11-25 | 南京晓庄学院 | 一种基于大数据的污水生化处理用软测量管理*** |
| CN115806344B (zh) * | 2022-11-22 | 2023-08-04 | 曲誉环境综合治理有限公司 | 一种orp控制精准曝气的*** |
| CN115806344A (zh) * | 2022-11-22 | 2023-03-17 | 曲誉环境综合治理有限公司 | 一种orp控制精准曝气的*** |
| CN116165974A (zh) * | 2022-12-14 | 2023-05-26 | 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、***、终端及介质 |
| CN117252100A (zh) * | 2023-09-22 | 2023-12-19 | 安徽理工大学 | 一种基于药剂燃烧试验的安全气囊性能优化方法及*** |
| CN117252100B (zh) * | 2023-09-22 | 2024-05-03 | 安徽理工大学 | 一种基于药剂燃烧试验的安全气囊性能优化方法及*** |
| CN118026321A (zh) * | 2024-04-12 | 2024-05-14 | 四川欧美华环境工程有限公司 | 一种污水处理用供气曝气控制*** |
Also Published As
| Publication number | Publication date |
|---|---|
| AU2021101438A4 (en) | 2021-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112661259A (zh) | 一种曝气过程自适应控制方法及*** | |
| US9747544B2 (en) | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network | |
| CN109857056A (zh) | 一种智能污水处理控制*** | |
| CN110378533A (zh) | 一种基于大数据分析的智能曝气管理方法 | |
| CN102262147A (zh) | 一种废水处理***出水cod的软测量方法和*** | |
| Mulas | Modelling and control of activated sludge processes | |
| AU2021100130A4 (en) | Intelligent control method and system for sewage treatment aeration based on deep learning | |
| CN109669352A (zh) | 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 | |
| CN109711070A (zh) | 一种基于活性污泥水处理的溶解氧浓度优化方法 | |
| CN114314823B (zh) | 一种曝气环节溶解氧控制***与方法 | |
| CN111762958A (zh) | 基于asm2d模型的污水处理厂深井曝气工艺优化方法及装置 | |
| CN116360366B (zh) | 一种污水处理过程优化控制方法 | |
| Chen et al. | Optimal strategies evaluated by multi-objective optimization method for improving the performance of a novel cycle operating activated sludge process | |
| Sotomayor et al. | Software sensor for on-line estimation of the microbial activity in activated sludge systems | |
| CN106651032A (zh) | Sbr法氨氧化过程神经网络智能控制的方法 | |
| CN114132980B (zh) | 用于污水处理的短程智能精确曝气控制方法、设备及*** | |
| CN101928064A (zh) | 造纸废水活性污泥法处理的仿真方法 | |
| CN113087288A (zh) | 一种制造企业能源中心水处理控制***及方法 | |
| CN115959933B (zh) | 一种好氧堆肥智能控制方法及*** | |
| CN117079730A (zh) | 一种a2o生物池工艺的全流程优化数学模型建立方法 | |
| Kapumbe et al. | Modeling and simulation of membrane bioreactor model based on ASM3 for domestic wastewater treatment. | |
| Huang et al. | Modeling and optimization of the activated sludge process | |
| CN107720975B (zh) | 一种乙醇类物质作为外加碳源的污水处理优化模拟方法 | |
| CN116165974A (zh) | 污水处理工艺的曝气控制方法、***、终端及介质 | |
| CN115356930A (zh) | 一种污水处理过程中的多目标优化控制***及方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |