CN112794550B - 基于人工智能解决污水处理厂出水cod超标的方法及*** - Google Patents

基于人工智能解决污水处理厂出水cod超标的方法及*** Download PDF

Info

Publication number
CN112794550B
CN112794550B CN202011422024.8A CN202011422024A CN112794550B CN 112794550 B CN112794550 B CN 112794550B CN 202011422024 A CN202011422024 A CN 202011422024A CN 112794550 B CN112794550 B CN 112794550B
Authority
CN
China
Prior art keywords
cod
effluent
standard
mixed liquid
sludge
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
CN202011422024.8A
Other languages
English (en)
Other versions
CN112794550A (zh
Inventor
杨旭光
张娇隽
庞景耀
邵磊
曾宇
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.)
Hankel Water Group Co ltd
Original Assignee
Hankel Water Group Co ltd
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 Hankel Water Group Co ltd filed Critical Hankel Water Group Co ltd
Priority to CN202011422024.8A priority Critical patent/CN112794550B/zh
Publication of CN112794550A publication Critical patent/CN112794550A/zh
Application granted granted Critical
Publication of CN112794550B publication Critical patent/CN112794550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F9/00—Multistage treatment of water, waste water or sewage
    • 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]
    • 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

  • Life Sciences & Earth Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Activated Sludge Processes (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了基于人工智能解决污水处理厂出水COD超标的方法及***，其根据正常达标运行数据中的出水COD、进水COD、进水流量、混合液回流比、污泥回流比和溶解氧的测量值，建立模型训练的训练样本；建立数学模型并进行模型训练；获取测试样本并选取测试样本中出水COD达标的测试数据，调用训练后的数学模型，判断该数学模型的拟合性；选取测试样本中出水COD不达标的测试数据，调用训练后的数学模型，并配合人工智能控制***对进水流量、混合液回流比、污泥回流比和溶解氧进行自动调控，以使污泥处理厂的出水COD达标，以达到通过监测多种参数，建立各个参数间的函数关系，以此建立模型，在出水COD超标时利用人工智能模型判断调整方法，快速恢复出水COD达标。

Description

基于人工智能解决污水处理厂出水COD超标的方法及***
技术领域
本发明属于污水处理的技术领域，具体而言，涉及一种基于人工智能解决污水处理厂出水COD超标的方法及***。
背景技术
污水处理厂的出水标准为《城镇污水处理厂污染物排放标准》(GB18918-2002)一级A，当出水COD超标时，需要及时控制影响出水COD的参数，使出水COD达标。
但污水处理过程具有高度非线性、时变性、不确定性、强耦合性等特点，传统的污水处理厂运营中，当污水处理厂出水COD超标时，均通过对单一参数进控制调整，难以在较短时间内使出水COD恢复正常。
发明内容
鉴于此，为了解决现有技术存在的上述问题，本发明的目的在于提供一种基于人工智能解决污水处理厂出水COD超标的方法及***以达到通过监测污水处理厂出水COD、进水COD、进水流量、溶解氧、混合液回流比、污泥回流比等参数，建立参数间的函数关系，以此建立模型，在出水COD超标时利用人工智能模型智能判断调整方法，快速恢复出水COD达标的目的。
本发明所采用的技术方案为：一种基于人工智能解决污水处理厂出水COD超标的方法，该方法包括：
S1：根据正常达标运行数据中的出水COD、进水COD、进水流量、混合液回流比、污泥回流比和溶解氧的测量值，建立模型训练的训练样本；
S2：建立数学模型并进行模型训练；
S3：获取测试样本并选取测试样本中出水COD达标的测试数据，调用训练后的数学模型，判断该数学模型的拟合性，若拟合性好，则进入下一步；若拟合性不好，则返回至S2；
S4：选取测试样本中出水COD不达标的测试数据，调用训练后的数学模型，通过数学模型计算出进水流量、混合液回流比、污泥回流比和溶解氧的控制量，以满足出水COD预测值达标。
进一步地，该方法还包括：
S5：根据数学模型计算出进水流量、混合液回流比、污泥回流比和溶解氧的控制量，通过人工智能控制***对进水流量、混合液回流比、污泥回流比和溶解氧进行自动调控，以使污泥处理厂的出水COD达标。
进一步地，所述数学模型包括输入层、隐藏层和输出层，所述输入层的输入数据为进水COD、进水流量、混合液回流比、污泥回流比和溶解氧的测量值，且分别为x1、x2、x3、x4、x5且输入数据为训练样本：测试样本＝6：1；所述输出层的输出数据为出水COD预测值，并设出水COD预测值为yi和出水COD实测值为y0。
进一步地，所述步骤S1中对数学模型的训练方法为：
S201：为每个训练样本的输入数据指定权重ωi，将输入聚合为
Figure BDA0002822804790000021
其中，i为自然数；
S202：引入偏差b，阈值θ，定义f(x)＝1
Figure BDA0002822804790000022
f(x)＝0
Figure BDA0002822804790000023
若f(x)＝1，则出水COD达标；若f(x)＝0，则出水COD超标；
S203：引入Sigmoid函数
Figure BDA0002822804790000031
并将输出函数定义为
Figure BDA0002822804790000032
S204：引入最小二乘函数
Figure BDA0002822804790000033
设初始偏差和随机值为(ω0，b0)通过迭代方法，计算梯度▽E(ω0，b0)并定义
Figure BDA0002822804790000034
其中，j为自然数，ε为学习速率；
S205：通过学习训练，对权重ωi、偏差b和阈值θ作出最佳选择，以使f(x)＝1且E小于设定值，则当前数学模型为训练完成的模型。
进一步地，所述步骤S3中，在测试样本中一半的数据为COD超标数据，另一半的数据为COD达标数据。
进一步地，所述混合液回流比通过混合液回流量与进水流量的比值计算，污泥回流比通过污泥回流量与进水流量的比值计算。
进一步地，在步骤S5中，人工智能控制***通过进水提升泵转速或进水电动阀对进水流量进行调控；人工智能控制***通过混合液回流泵转速或混合液回流电动阀对混合液回流比进行调控；人工智能控制***通过污泥回流泵转速或污泥回流电动阀对污泥回流比进行调控；人工智能控制***通过鼓风机转速或输气电动阀对溶解氧的含量进行调控。
在本发明中还提供了一种基于人工智能解决污水处理厂出水COD超标的***，该***包括：
多个测量点，各个所述测量点分别对污水处理厂的运行数据作实时测量；
多个控制点，各个所述控制点分别对污水处理厂的运行数据作实时调控；
输入数据获取模块，通过输入数据模块获取各个测量点的运行数据，以获取污水处理厂的训练样本和测试样本；
数据分析模块，通过数据分析模块对测试样本中出水COD达标的测试数据进行拟合判断；通过数据分析模块对测试样本中出水COD不达标的测试数据进行计算获取各个控制点的控制量；
人工智能控制模块，根据各个控制量通过人工智能控制模块分别对各所述控制点进行调控，以使污水处理厂的出水COD达标。
进一步地，各个测量点分别为位于污泥处理厂的进水管、出水管、混合液回流管道、污泥回流管道、好氧池，且进水管道安装有第一COD在线监测仪和进水电磁流量计，出水管道安装有第二COD在线监测仪，混合液回流管道安装混合液回流电磁流量计，污泥回流管道安装污泥回流电磁流量计，好氧池安装溶氧仪；
所述第一COD在线监测仪、第二COD在线监测仪、进水电磁流量计、混合液回流电磁流量计、污泥回流电磁流量计、溶氧仪分别与输入数据获取模块通信连接。
进一步地，各个控制点分别为设于进水管道上的进水电动阀和进水提升泵、设于混合液回流管道上的混合液回流电动阀和混合液回流泵、设于污泥回流管道的污泥回流电动阀和污泥回流泵以及设于好氧池风管上的输气电动阀和鼓风机，且进水电动阀、进水提升泵、混合液回流电动阀、混合液回流泵、污泥回流电动阀、污泥回流泵、输气电动阀以及鼓风机分别与人工智能控制模块通信连接。
本发明的有益效果为：
1.采用本发明所提供的基于人工智能解决污水处理厂出水COD超标的方法及***，在污水处理厂的出水COD超标时，利用训练的最佳数学模型进行实时分析，联合控制进水流量、溶解氧、混合液回流比和污泥回流比等运行数据，并找出数据之间的关联性，代替人工经验找到出水COD最快速稳定的达标控制量，并根据控制量对运行数据进行调试，克服了单独检测调试进水流量、混合液回流比、污泥回流比和溶解氧等参数无法动态处理的缺陷，以实现在污水处理厂运营过程中，快速的找出出水COD超标时的最优处理办法，进而进行多参数综合控制。
附图说明
图1是本发明所提供的基于人工智能解决污水处理厂出水COD超标的方法的流程示意图；
图2是本发明所提供的基于人工智能解决污水处理厂出水COD超标的方法中数学模型的神经网络图；
图3是本发明所提供的基于人工智能解决污水处理厂出水COD超标的方法在测试样本中达标数据出水COD与预测结果之间的比对图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。相反，本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
实施例1
在本实施例中具体提供了一种基于人工智能解决污水处理厂出水COD超标的方法，旨在通过该方法通过出水COD、进水COD、进水流量、混合液回流比、污泥回流比、溶解氧建立模型，在污水处理厂运营过程中，当出现出水COD超标时，快速找到最优处理方法并实现多参数的综合控制，如图1所示，该方法包括：
S1：根据正常达标运行数据中的出水COD、进水COD、进水流量、混合液回流比、污泥回流比和溶解氧的测量值，建立模型训练的训练样本，主要用于对数学模型进行训练；
其中，进水COD和出水COD通过分别在进水管道和出水管道设置第一COD在线监测仪和第二COD在线监测仪进行测量获取；进水流量通过在进水管道安装进水电磁流量计进行测量获得；混合液回流比通过混合液回流量与进水流量的比值计算，而混合液回流量通过混合回流管道上安装混合液回流电磁流量计进行测量获得，混合液回流比＝混合液流量/进水流量，***自动计算混合液回流比；污泥回流比通过通过污泥回流量与进水流量的比值计算，而污泥回流量通过污泥回流管道上安装污泥回流电磁流量计进行测量获得，污泥回流比＝污泥回流量/进水流量，***自动计算污泥回流比；溶解氧的测量值通过在好氧池内安装溶氧仪进行实时测量获得。
S2：建立数学模型并进行模型训练；如图2所示，其中，数学模型包括输入层、隐藏层和输出层，所述输入层的输入数据为进水COD、进水流量、混合液回流比、污泥回流比和溶解氧的测量值，且分别为x1、x2、x3、x4、x5且输入数据为训练样本：测试样本＝6：1；所述输出层的输出数据为出水COD预测值，并设出水COD预测值为yi和出水COD实测值为y0。
根据第一COD在线监测仪、第二COD在线监测仪、溶氧仪、混合液回流电磁流量计、污泥回流电磁流量计、进水电磁流量计分别测得正常出水达标时的出水COD、进水COD、进水流量、溶解氧、混合液回流比、污泥回流比，以此建立训练样本。在本实施例中，对于训练样本和测试样本的取值如下表1：
Figure BDA0002822804790000071
Figure BDA0002822804790000081
对于模型训练的方法主要采用以下步骤：
S201：为每个训练样本的输入数据指定权重ωi，将输入聚合为：
Figure BDA0002822804790000082
其中，i为自然数；代入第一组数据
Figure BDA0002822804790000083
其余组类推；
S202：引入偏差b，阈值θ，定义f(x)＝1
Figure BDA0002822804790000084
f(x)＝0
Figure BDA0002822804790000085
若f(x)＝1，则出水COD达标；若f(x)＝0，则出水COD超标；
S203：引入Sigmoid函数
Figure BDA0002822804790000086
并将输出函数定义为
Figure BDA0002822804790000087
代入第一组数据yi＝σ(220ω1+1214ω2+200％ω3+80％ω4+2.22ω5+b)，其余组类推；
S204：引入最小二乘函数
Figure BDA0002822804790000091
代入第一组数据
Figure BDA0002822804790000092
其余组类推；
设初始偏差和随机值为(ω0，b0)通过迭代方法，计算梯度▽E(ω0，b0)并定义
Figure BDA0002822804790000094
其中，j为自然数，ε为学习速率；计算梯度▽E(ω0，b0)时，定义
Figure BDA0002822804790000095
并重复这一过程
Figure BDA0002822804790000096
……依次类推。
S205：通过学习训练，对权重ωi、偏差b和阈值θ作出最佳选择，以使f(x)＝1且E小于设定值，则当前数学模型为训练完成的模型，此时表明出水COD预测值无限趋近出水COD的测量值。
S3：获取测试样本，在测试样本中需确保一半的数据为COD超标数据，另一半的数据为COD达标数据；
选取测试样本中出水COD达标的测试数据，调用训练后的数学模型，判断该数学模型的拟合性，若拟合性好，则进入下一步；若拟合性不好，则返回至步骤S2，对数学模型继续训练。在本步骤中，之所以需要判断该训练后的数学模型拟合性，是因为在多参数影响的情况下，对于上一步所训练得到的模型不一定会满足拟合性，因此，需要对训练后的数学模型进行拟合性判断。在本步骤中，判断拟合性是选取出水COD达标的测试数据后，通过最小二乘函数
Figure BDA0002822804790000093
计算E值，若E值在设定值之内，则说明模型的拟合性好；否则，则说明模型的拟合性不能满足要求。对测试样本中出水COD达标的测试数据的预测结果见下表2：
Figure BDA0002822804790000101
S4：选取测试样本中出水COD不达标的测试数据，即选取出水COD＞50mg/L的数据，调用训练后的数学模型，通过数学模型计算出进水流量、混合液回流比、污泥回流比和溶解氧的控制量，该控制量应当是能够满足输出数据的出水COD预测值达标的要求。对测试样本中出水COD超标的测试数据的调整结果见下表3：
Figure BDA0002822804790000102
S5：根据数学模型计算出进水流量、混合液回流比、污泥回流比和溶解氧的控制量，通过人工智能控制***对进水流量、混合液回流比、污泥回流比和溶解氧进行自动调控，以使污泥处理厂的出水COD达标，即出水COD＜50mg/L。
在本实施例中，在自动调控过程中，人工智能控制***通过进水提升泵转速或进水电动阀对进水流量进行调控；人工智能控制***通过混合液回流泵转速或混合液回流电动阀对混合液回流比进行调控；人工智能控制***通过污泥回流泵转速或污泥回流电动阀对污泥回流比进行调控；人工智能控制***通过鼓风机转速或输气电动阀对溶解氧的含量进行调控。
通过上述进水提升泵转速或进水电动阀、混合液回流泵转速或混合液回流电动阀、污泥回流泵转速或污泥回流电动阀、鼓风机转速或输气电动阀的参数控制在最佳范围内，以使污泥处理厂在运行时，能够确保出水COD达标(出水COD＜50mg/L)。
实施例2
在本发明中还提供了一种基于人工智能解决污水处理厂出水COD超标的***，该***主要是基于污泥AAO工艺处理***，而对于污泥AAO工艺处理***属于本领域的公知常识，此处不再赘述，该***包括：
①测量数据部分
测量数据部分包括多个测量点，各个所述测量点分别对污水处理厂的运行数据作实时测量；各个测量点分别为位于污泥处理厂的进水管、出水管、混合液回流管道和污泥回流管道，且进水管道安装有第一COD在线监测仪和进水电磁流量计，出水管道安装有第二COD在线监测仪，混合液回流管道安装混合液回流电磁流量计，污泥回流管道安装污泥回流电磁流量计，好氧池安装溶氧仪；将所述第一COD在线监测仪、第二COD在线监测仪、进水电磁流量计、混合液回流电磁流量计、污泥回流电磁流量计、溶氧仪分别与输入数据获取模块通信连接，以实现将测量数据进行实时传输反馈。
②调控控制部分
调控控制部分包括多个控制点，各个所述控制点分别对污水处理厂的运行数据作实时调控；各个控制点分别为：设于进水管道上的进水电动阀和进水提升泵、设于混合液回流管道上的混合液回流电动阀和混合液回流泵、设于污泥回流管道的污泥回流电动阀和污泥回流泵以及设于好氧池风管上的输气电动阀和鼓风机，且进水电动阀、进水提升泵、混合液回流电动阀、混合液回流泵、污泥回流电动阀、污泥回流泵、输气电动阀以及鼓风机分别与人工智能控制模块通信连接；在实施例1中已说明，对于进水电动阀、混合液回流电动阀、污泥回流电动阀以及输气电动阀进行调控可分别对进水流量、混合液回流流量、污泥回流流量以及向好氧池的曝气量进行调控。当然，在实际应用中，对于进水流量、混合液回流流量、污泥回流流量以及向好氧池的曝气量还可分别通过调控进水提升泵转速、混合液回流泵转速、污泥回流泵转速以及鼓风机转速进行控制，也能达到调控的效果，且进水提升泵、混合液回流泵、污泥回流泵以及鼓风机分别通信连接至人工智能控制模块。
③输入数据获取模块
通过输入数据获取模块获取各个测量点的运行数据，以获取污水处理厂的训练样本和测试样本；具体的，训练样本和测试样本详见实施例1中的表1。
④数据分析模块
数据分析模块在运行时，则调用实施例1中的数学模型，该数学模型的训练过程及方法参见实施例1可知，此处不再赘述。通过数据分析模块对测试样本中出水COD达标的测试数据进行拟合判断，若拟合好，则继续后序逻辑执行；若拟合不好，则需要对数学模型进行重新训练；
通过数据分析模块对测试样本中出水COD不达标的测试数据进行计算获取各个控制点的控制量，在该控制量的范围内，能够确保经数据分析模块输出的出水COD预测值达标。
⑤人工智能控制模块
根据各个控制量通过人工智能控制模块分别对各所述控制点进行调控，人工智能控制***下发控制指令，通过进水电动阀对进水流量进行调控；通过混合液回流泵转速或混合液回流电动阀对混合液回流比进行调控；通过污泥回流泵转速或污泥回流电动阀对污泥回流比进行调控；通过鼓风机转速或输气电动阀对溶解氧的含量进行调控，进而最终，以使污水处理厂的出水COD达标。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种基于人工智能解决污水处理厂出水COD超标的方法，其特征在于，该方法包括：
S1：根据正常达标运行数据中的出水COD、进水COD、进水流量、混合液回流比、污泥回流比和溶解氧的测量值，建立模型训练的训练样本；
S2：建立数学模型并进行模型训练；
S3：获取测试样本并选取测试样本中出水COD达标的测试数据，调用训练后的数学模型，判断该数学模型的拟合性，若拟合性好，则进入下一步；若拟合性不好，则返回至S2；
S4：选取测试样本中出水COD不达标的测试数据，调用训练后的数学模型，通过数学模型计算出进水流量、混合液回流比、污泥回流比和溶解氧的控制量，以满足出水COD预测值达标；
S5：根据数学模型计算出进水流量、混合液回流比、污泥回流比和溶解氧的控制量，通过人工智能控制***对进水流量、混合液回流比、污泥回流比和溶解氧进行自动调控，以使污泥处理厂的出水COD达标；
所述数学模型包括输入层、隐藏层和输出层，所述输入层的输入数据为进水COD、进水流量、混合液回流比、污泥回流比和溶解氧的测量值，且分别为x1、x2、x3、x4、x5且输入数据为训练样本：测试样本＝6：1；所述输出层的输出数据为出水COD预测值，并设出水COD预测值为yi和出水COD实测值为y0；
所述步骤S1中对数学模型的训练方法为：
S201：为每个训练样本的输入数据指定权重ωi，将输入聚合为
Figure FDA0003797069460000011
其中，i为自然数；
S202：引入偏差b，阈值θ，定义
Figure FDA0003797069460000012
Figure FDA0003797069460000013
Figure FDA0003797069460000021
若f(x)＝1，则出水COD达标；若f(x)＝0，则出水COD超标；
S203：引入Sigmoid函数
Figure FDA0003797069460000022
并将输出函数定义为
Figure FDA0003797069460000023
S204：引入最小二乘函数
Figure FDA0003797069460000024
设初始偏差和随机值为(ω0，b0)通过迭代方法，计算梯度
Figure FDA0003797069460000025
并定义
Figure FDA0003797069460000026
其中，j为自然数，ε为学习速率；
S205：通过学习训练，对权重ωi、偏差b和阈值θ作出最佳选择，以使f(x)＝1且E小于设定值，则当前数学模型为训练完成的模型。
2.根据权利要求1所述的基于人工智能解决污水处理厂出水COD超标的方法，其特征在于，所述步骤S3中，在测试样本中一半的数据为COD超标数据，另一半的数据为COD达标数据。
3.根据权利要求2所述的基于人工智能解决污水处理厂出水COD超标的方法，其特征在于，所述混合液回流比通过混合液回流量与进水流量的比值计算，污泥回流比通过污泥回流量与进水流量的比值计算。
4.根据权利要求3所述的基于人工智能解决污水处理厂出水COD超标的方法，其特征在于，在步骤S5中，人工智能控制***通过进水提升泵转速或进水电动阀对进水流量进行调控；人工智能控制***通过混合液回流泵转速或混合液回流电动阀对混合液回流比进行调控；人工智能控制***通过污泥回流泵转速或污泥回流电动阀对污泥回流比进行调控；人工智能控制***通过鼓风机转速或输气电动阀对溶解氧的含量进行调控。
5.一种基于人工智能解决污水处理厂出水COD超标的***，其特征在于，基于权利要求1所述的基于人工智能解决污水处理厂出水COD超标的方法，该***包括：
多个测量点，各个所述测量点分别对污水处理厂的运行数据作实时测量；
多个控制点，各个所述控制点分别对污水处理厂的运行数据作实时调控；
输入数据获取模块，通过输入数据模块获取各个测量点的运行数据，以获取污水处理厂的训练样本和测试样本；
数据分析模块，通过数据分析模块对测试样本中出水COD达标的测试数据进行拟合判断；通过数据分析模块对测试样本中出水COD不达标的测试数据进行计算获取各个控制点的控制量；
人工智能控制模块，根据各个控制量通过人工智能控制模块分别对各所述控制点进行调控，以使污水处理厂的出水COD达标。
6.根据权利要求5所述的基于人工智能解决污水处理厂出水COD超标的***，其特征在于，各个测量点分别位于污泥处理厂的进水管、出水管、混合液回流管道、污泥回流管道、好氧池，且进水管道安装有第一COD在线监测仪和进水电磁流量计，出水管道安装有第二COD在线监测仪，混合液回流管道安装混合液回流电磁流量计，污泥回流管道安装污泥回流电磁流量计，好氧池安装溶氧仪；
所述第一COD在线监测仪、第二COD在线监测仪、进水电磁流量计、混合液回流电磁流量计、污泥回流电磁流量计、溶氧仪分别与输入数据获取模块通信连接。
7.根据权利要求6所述的基于人工智能解决污水处理厂出水COD超标的***，其特征在于，各个控制点分别为设于进水管道上的进水电动阀和进水提升泵、设于混合液回流管道上的混合液回流电动阀和混合液回流泵、设于污泥回流管道的污泥回流电动阀和污泥回流泵以及设于好氧池风管上的输气电动阀和鼓风机，且进水电动阀、进水提升泵、混合液回流电动阀、混合液回流泵、污泥回流电动阀、污泥回流泵、输气电动阀以及鼓风机分别与人工智能控制模块通信连接。
CN202011422024.8A 2020-12-08 2020-12-08 基于人工智能解决污水处理厂出水cod超标的方法及*** Active CN112794550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011422024.8A CN112794550B (zh) 2020-12-08 2020-12-08 基于人工智能解决污水处理厂出水cod超标的方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011422024.8A CN112794550B (zh) 2020-12-08 2020-12-08 基于人工智能解决污水处理厂出水cod超标的方法及***

Publications (2)

Publication Number Publication Date
CN112794550A CN112794550A (zh) 2021-05-14
CN112794550B true CN112794550B (zh) 2022-11-18

Family

ID=75806449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011422024.8A Active CN112794550B (zh) 2020-12-08 2020-12-08 基于人工智能解决污水处理厂出水cod超标的方法及***

Country Status (1)

Country Link
CN (1) CN112794550B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114671523B (zh) * 2021-12-31 2024-06-04 广东长天思源环保科技股份有限公司 一种基于预测控制的污水处理节能方法
CN115403222B (zh) * 2022-09-16 2023-11-14 广东海洋大学 一种养殖尾水处理***及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334395A (zh) * 2008-08-07 2008-12-31 北京工业大学 Cod软测量的方法
CN103472728A (zh) * 2013-09-22 2013-12-25 浙江大学 机器学习的农药焚烧炉有害物排放达标控制***及方法
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
CN103809557A (zh) * 2013-12-30 2014-05-21 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
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334395A (zh) * 2008-08-07 2008-12-31 北京工业大学 Cod软测量的方法
CN103472728A (zh) * 2013-09-22 2013-12-25 浙江大学 机器学习的农药焚烧炉有害物排放达标控制***及方法
CN103809557A (zh) * 2013-12-30 2014-05-21 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
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
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

Also Published As

Publication number Publication date
CN112794550A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN112794550B (zh) 基于人工智能解决污水处理厂出水cod超标的方法及***
AU2021101438A4 (en) Adaptive control method and system for aeration process
CN104360035B (zh) 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
CN106873379B (zh) 一种基于迭代adp算法的污水处理最优控制方法
CN108469507B (zh) 一种基于自组织rbf神经网络的出水bod软测量方法
CN110889085A (zh) 基于复杂网络多元在线回归的废水智能监控方法及***
CN102122134A (zh) 基于模糊神经网络的溶解氧控制的废水处理方法及***
CN110824915B (zh) 基于ga-dbn网络的废水处理智能监控方法及***
CN108439580B (zh) 溶解氧浓度控制***、方法和装置
JPH1091208A (ja) プロセス運転支援方法およびシステム
CN108640276A (zh) 一种基于west模型的污水处理厂aao工艺优化运行方法
CN108975553A (zh) 一种火电厂含煤废水处理混凝剂投加量精确控制方法
CN109657790A (zh) 一种基于pso的递归rbf神经网络出水bod预测方法
CN110132629B (zh) 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法
CN112782975A (zh) 一种基于深度学习的污水处理曝气智能控制方法及***
CN114956360B (zh) 一种基于爬山算法的污水处理曝气充氧控制方法
CN114230110A (zh) 用于污水处理的短程智能除磷加药控制方法、设备及***
CN109473182A (zh) 一种基于深度信念网络的mbr膜透水率智能检测方法
CN115329661B (zh) 一种智能投药模型建模、智能投药体系创建、投药方法
CN114488973B (zh) 再生水厂全流程工艺参数优化方法、装置及电子设备
Han et al. An intelligent detecting system for permeability prediction of MBR
CN110929809A (zh) 一种特征自增强的循环神经网络的污水关键水质指标软测量方法
CN116969616A (zh) 基于软测量的一体化污水处理设施控制方法、装置及设备
CN110412878B (zh) Pid-rbf稳态估计与lssvm软测量污水bod控制方法
CN113111576A (zh) 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法

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
CB02 Change of applicant information

Address after: 610000 Shiyang Industrial Park, hi tech Zone, Chengdu, Sichuan

Applicant after: Hankel Water Group Co.,Ltd.

Address before: 610000 Shiyang Industrial Park, hi tech Zone, Chengdu, Sichuan

Applicant before: SICHUAN HANKE ENVIRONMENTAL PROTECTION EQUIPMENT Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant