CN114913933A - 存储器、污水处理过程atp预测方法、装置及设备 - Google Patents
存储器、污水处理过程atp预测方法、装置及设备 Download PDFInfo
- Publication number
- CN114913933A CN114913933A CN202110172902.3A CN202110172902A CN114913933A CN 114913933 A CN114913933 A CN 114913933A CN 202110172902 A CN202110172902 A CN 202110172902A CN 114913933 A CN114913933 A CN 114913933A
- Authority
- CN
- China
- Prior art keywords
- atp
- prediction
- output
- treatment process
- input
- 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 123
- 230000008569 process Effects 0.000 title claims abstract description 76
- 239000010865 sewage Substances 0.000 title claims abstract description 67
- 239000002245 particle Substances 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- ZKHQWZAMYRWXGA-KQYNXXCUSA-J ATP(4-) Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](COP([O-])(=O)OP([O-])(=O)OP([O-])([O-])=O)[C@@H](O)[C@H]1O ZKHQWZAMYRWXGA-KQYNXXCUSA-J 0.000 claims description 129
- ZKHQWZAMYRWXGA-UHFFFAOYSA-N Adenosine triphosphate Natural products C1=NC=2C(N)=NC=NC=2N1C1OC(COP(O)(=O)OP(O)(=O)OP(O)(O)=O)C(O)C1O ZKHQWZAMYRWXGA-UHFFFAOYSA-N 0.000 claims description 129
- 210000002569 neuron Anatomy 0.000 claims description 65
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 8
- 238000004065 wastewater treatment Methods 0.000 claims description 7
- 210000004205 output neuron Anatomy 0.000 claims description 6
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 claims description 5
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 229910052731 fluorine Inorganic materials 0.000 claims description 4
- 125000001153 fluoro group Chemical group F* 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- TTWYZDPBDWHJOR-IDIVVRGQSA-L adenosine triphosphate disodium Chemical compound [Na+].[Na+].C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](COP(O)(=O)OP(O)(=O)OP([O-])([O-])=O)[C@@H](O)[C@H]1O TTWYZDPBDWHJOR-IDIVVRGQSA-L 0.000 claims 1
- 230000002547 anomalous effect Effects 0.000 claims 1
- 239000010802 sludge Substances 0.000 abstract description 24
- 238000005259 measurement Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 description 13
- 244000005700 microbiome Species 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004062 sedimentation Methods 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004071 biological effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 230000000813 microbial effect Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- IGXWBGJHJZYPQS-SSDOTTSWSA-N D-Luciferin Chemical compound OC(=O)[C@H]1CSC(C=2SC3=CC=C(O)C=C3N=2)=N1 IGXWBGJHJZYPQS-SSDOTTSWSA-N 0.000 description 1
- CYCGRDQQIOGCKX-UHFFFAOYSA-N Dehydro-luciferin Natural products OC(=O)C1=CSC(C=2SC3=CC(O)=CC=C3N=2)=N1 CYCGRDQQIOGCKX-UHFFFAOYSA-N 0.000 description 1
- BJGNCJDXODQBOB-UHFFFAOYSA-N Fivefly Luciferin Natural products OC(=O)C1CSC(C=2SC3=CC(O)=CC=C3N=2)=N1 BJGNCJDXODQBOB-UHFFFAOYSA-N 0.000 description 1
- 108060001084 Luciferase Proteins 0.000 description 1
- 239000005089 Luciferase Substances 0.000 description 1
- DDWFXDSYGUXRAY-UHFFFAOYSA-N Luciferin Natural products CCc1c(C)c(CC2NC(=O)C(=C2C=C)C)[nH]c1Cc3[nH]c4C(=C5/NC(CC(=O)O)C(C)C5CC(=O)O)CC(=O)c4c3C DDWFXDSYGUXRAY-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 238000010295 mobile communication Methods 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
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/045—Combinations of 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明公开了一种污水处理过程ATP预测方法及装置,该方法包括如下步骤:选取污水处理过程ATP的特征变量并对特征变量进行数据预处理;将经过数据预处理的特征变量作为预测模型第一子网络的输入并获取SVI预测结果;将SVI预测结果与特征变量作为预测模型第二子网络的输入并获取ATP预测结果。该方法还可包括在建立预测模型后,通过粒子群PSO算法动态调整惯性权重以实现所述预测模型的训练。本发明的方法和装置可有效获取污水处理过程中活性污泥的特性,采用与ATP密切相关的关键变量,建立ATP预测模型,实现ATP的软测量。通过算法模型可实现ATP预测模型的有效训练和学习,进一步提高ATP预测的精度。
Description
技术领域
本发明涉及污水处理技术领域,特别涉及一种污水处理过程ATP预测方法及装置。
背景技术
活性污泥法是污水处理过程中常用的处理方法之一,其原理是利用微生物的代谢能力降解污水中的有机污染物。生化单元中污泥生物活性的变化直接影响污水处理的效果,因此,活性污泥中微生物活性的检测是掌握污水处理能力的有效手段。三磷酸腺苷(ATP)是微生物能量转换过程中产生的一种高能化合物,水解时释放大量的能量,是生物体内最直接的能量来源,也是能够反映微生物生命活动的重要手段之一。当进水水质发生变化或者有毒物质浓度急剧发生变化时,污泥中的微生物会处于休眠状态,其生物活性也会下降,然而ATP是微生物细胞的生命和活力的标志,微生物的活性可以通过ATP间接反映出来,进而获取微生物的代谢状况,因此,ATP也被作为污水处理工艺过程中反映微生物活性的重要参数之一。
ATP的检测方法通常有成色反应、荧光、化学发光或同位素等方法,其中化学发光方法检测ATP是基于荧光素酶催化荧光素氧化,通过消耗ATP发出光子的高效发光反应进行检测。以上的检测方法都是通过实验室分析得到,不能直接在线获取。尽管ATP是一个有效的污泥活性检测工具,但是ATP的检测过程复杂,ATP的检测并没有得到广泛应用,目前也鲜有污水处理厂利用ATP判断污水的处理状况。
随着科学技术的进步,基于神经网络的软测量检测方法不断涌现,软测量方法能够大大提高ATP的检测效率。目前,针对ATP的软测量研究还处于起步阶段,与ATP相关的过程变量尚不能完全掌握,还需要进一步通过更多的实验探究获取相关的过程变量。
与ATP能够反映微生物的活性相比,污泥容积指数(SVI)是表征污水处理过程中生化单元污泥松散程度和沉降性能的关键指标,也是判断污泥是否发生膨胀的重要依据。SVI值的高低一定程度上也能够反映出污泥的活性,因此大多数污水处理厂通过检测SVI浓度值判断污泥的活性,并且将SVI浓度值作为识别和预测污泥膨胀的手段之一。但是,通过SVI判断活性污泥的性质往往不够确切,因为其中包含了与净化水质无关的不具有活性的物质。然而,ATP可以测得微生物的数量和细胞自身的活性,能够更真实的反映活性污泥的特性。同时,许多研究结果表明SVI与ATP存在着一定的关系,SVI浓度值的变化与ATP的变化,对探究污水处理过程中污泥的活性具有重要意义。
中国专利CN102494979B公开了一种污泥沉降体积指数SVI的软测量方法。该现有技术针对污水处理过程中污泥沉降体积指数SVI无法在线测量的问题,采用基于自组织RBF神经网络的软测量方法,利用自组织RBF神经网络对污水处理过程中污泥沉降体积指数SVI在线软测量,保证了污水处理的正常运行,为污水处理过程实现闭环控制提供及时监测参数。该方案虽然考虑了SVI的软测量,但并未涉及ATP的预测。
因此,亟需一种污水处理过程ATP预测方法,以便更好地获取污水处理过程中活性污泥的特性。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种污水处理过程ATP预测方法,可有效获取污水处理过程中活性污泥的特性,采用与ATP密切相关的关键变量,建立ATP预测模型,实现ATP的软测量。
本发明的另一目的在于通过算法模型实现ATP预测模型的有效训练和学习,进一步提高ATP预测的精度。
为实现上述目的,根据本发明的第一方面,本发明提供了一种污水处理过程ATP预测方法,包括如下步骤:选取污水处理过程ATP的特征变量并对特征变量进行数据预处理;将经过数据预处理的特征变量作为预测模型第一子网络的输入并获取SVI预测结果;将SVI预测结果与特征变量作为预测模型第二子网络的输入并获取ATP预测结果。
进一步,上述技术方案中,该方法还包括如下步骤:在建立预测模型后,通过粒子群PSO算法动态调整惯性权重以实现预测模型的训练。
进一步,上述技术方案中,特征变量可包括:进水COD浓度、出水COD浓度、生化池MLSS浓度、生化池DO浓度、进水氨氮浓度、出水氨氮浓度、生化池硫化物浓度、生化池挥发酚浓度、进水BOD浓度和/或出水BOD浓度。
进一步,上述技术方案中,数据预处理可包括异常数据剔除、数据归一化和/或对特征变量进行主成分分析。
进一步,上述技术方案中,预测模型可以为基于集成神经网络的ATP预测模型。
进一步,上述技术方案中,第一子网络的拓扑结构可分为第一输入层、第一隐含层以及第一输出层,该三层的连接方式表示为:n-J-1;
第一输入层的表达式为:u(t)=[u1(t),u2(t),u3(t),...,un(t)]T, 公式(1);
其中,n为第一输入层的神经元个数,也即输入变量个数;u(t)为t时刻第一子网络输入变量的浓度值;
第一隐含层包含J个神经元,第j个隐含层神经元的输出为:
其中,c1j(t)为第一子网络第j个神经元的中心向量,σ1j(t)为第一子网络第j个神经元的宽度;
第一输出层的神经元表达式为:
其中,w1(t)为第一隐含层与第一输出层的连接权值向量;θ1(t)为第一隐含层神经元的输出向量;θ1j(t)为第j个隐含层神经元的输出;w1j(t)为第j个隐含层神经元与输出神经元的连接权值;y1(t)为t时刻第一子网络的输出SVI预测值。
进一步,上述技术方案中,第二子网络的拓扑结构可分为第二输入层、第二隐含层以及第二输出层,该三层的连接方式表示为:n+1-Q-1;
第二输入层的表达式为:
u2q(t)=[u1(t),u2(t),u3(t),...,un(t),y1(t)]T, 公式(4);
其中,n为第一输入层的神经元个数,也即输入变量个数;u1(t)为t时刻第一子网络第一个输入变量的浓度值;y1(t)为t时刻第一子网络的输出SVI预测值;u2q(t)为第二子网络第q个神经元的输入变量;
第二隐含层包含Q个神经元,第q个隐含层神经元的输出为:
其中,c2q(t)为第二子网络第q个神经元的中心向量;σ2q(t)为第二子网络第q个神经元的宽度;
第二输出层的神经元表达式为:
其中,w2(t)为第二隐含层与第二输出层的连接权值向量,θ2(t)为第二隐含层神经元的输出向量;θ2q(t)为第q个隐含层神经元的输出;w2q(t)为第q个隐含层神经元与输出神经元的连接权值;y2(t)为t时刻第二子网络的输出ATP预测值。
进一步,上述技术方案中,预测模型的训练以误差函数为依据,可通过粒子群PSO算法进行迭代计算直至误差函数的计算结果在理想误差范围以内;误差函数为:
其中,M是训练样本的数目;y2d(t)为t时刻第二子网络的ATP的期望输出;y2(t)为t时刻第二子网络的ATP实际输出;e(t)为t时刻ATP预测模型的误差。
进一步,上述技术方案中,通过粒子群PSO算法进行迭代计算可具体为:
第i个粒子的位置更新表达为:xi(k+1)=xi(k)+vi(k+1) 公式(8);
第i个粒子的速度更新表达为:
其中,ω(k)为惯性权重;ε1和ε2为学习因子;R1和R2是[0,1]之间的随机值;pi(k)为粒子在第k次迭代的历史最优位置;gd(k)为第k次迭代整个种群找到的全局最优位置;xi(k)是第i个粒子在第k次迭代的位置;vi(k)是第i个粒子在第k次迭代的速度;
第i个粒子的动态惯性权重更新表达为:
其中,ωi(k)为第i个粒子在第k次迭代的惯性权重;Bi(k+1)为第i个粒子在第k+1次迭代的惯性因子;pi(k+1)为第i个粒子在第k+1次迭代的历史最优位置;h(pi(k+1))是第i个粒子在第k+1次迭代的适应度值;gd(k+1)为第k+1次迭代整个种群找到的全局最优位置;xi(k+1)为第i个粒子在第k+1次迭代的位置。
进一步,上述技术方案中,在误差函数计算的基础上,通过预测精度P进一步评估预测模型的精度,预测精度P的计算公式为:
其中,N为预测的样本数量,y2d(t)是t时刻第二子网络的ATP期望输出;y2(t)为t时刻第二子网络的ATP实际输出。
为实现上述目的,根据本发明的第二方面,本发明提供了一种污水处理过程ATP预测装置,包括:变量选择及预处理模块,用于选取污水处理过程ATP的特征变量并对特征变量进行数据预处理;SVI预测模块,用于将经过数据预处理的特征变量作为预测模型第一子网络的输入并获取SVI预测结果;ATP预测模块,用于将SVI预测结果与特征变量作为预测模型第二子网络的输入并获取ATP预测结果。
进一步,上述技术方案中,该装置还包括:预测模型训练模块,用于在建立预测模型后,通过粒子群PSO算法动态调整惯性权重以实现预测模型的训练。
为实现上述目的,根据本发明的第三方面,本发明提供了一种存储器,包括指令集,指令集适于处理器执行如前述污水处理过程ATP预测方法中的步骤。
为实现上述目的,根据本发明的第四方面,本发明提供了一种污水处理过程ATP预测设备,包括总线、输入装置、输出装置、处理器和前述存储器;总线用于连接存储器、输入装置、输出装置和处理器;输入装置和输出装置用于实现与用户的交互;处理器用于执行存储器中的指令集。
与现有技术相比,本发明具有如下有益效果:
1)本发明的污水处理过程ATP预测方法解决了现有技术无法实现污水处理过程中ATP在线测量的问题,可用于高精度预测并获取污水处理过程中活性污泥的特性;
2)针对难以直接测量且与ATP密切相关的特征变量,利用集成神经网络的第一子网络获得SVI预测值后,再通过第二子网络实现ATP的预测,可使预测结果更为精确;
3)建立预测模型后利用自组织粒子群优化(PSO)算法实现预测模型的训练和学习,特别通过动态调整惯性权重的方式进一步提高了预测的速度和精度。
根据下面参考附图对示例性实施例的详细说明,本发明的其它特征及方面将变得清楚。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1为本发明实施例1污水处理过程ATP预测方法的流程示意图;
图2为本发明基于集成神经网络的ATP预测模型结构示意图;
图3为本发明实施例2(方法实施例1的具体实例)中ATP预测模型的实际输出值与期望输出值的对比示意图;
图4为本发明污水处理过程ATP预测装置的结构示意图;
图5为本发明污水处理过程ATP预测设备的结构示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
为使本发明实施例的目的、技术方案和优点更加清楚,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。除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本发明,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件未作详细描述,以便于凸显本发明的主旨。
实施例1
为了更准确的获取污水处理过程中活性污泥的特性,本发明提出了一种污水处理过程ATP预测方法,利用集成神经网络的方法实现ATP的预测。首先,本发明的方法选取容易在线获取的参数(即特征变量)作为集成神经网络的输入变量;然后,针对难以直接测量且与ATP密切相关的变量,则利用集成神经网络的子网络实现SVI在线预测;建立预测模型后,基于自组织粒子群优化(PSO)算法实现软测量模型的训练和学习;最后,实现污水处理过程ATP的预测。
如图1所示,本发明的污水处理过程ATP预测方法实施例1具体包括如下步骤:
步骤S101,选取污水处理过程ATP的特征变量并对这些特征变量进行数据预处理。具体地,可通过在线仪表获取污水处理过程生化单元中的进出水参数和相关过程参数,这些参数包括但不限于:进水COD(即化学需氧量)浓度、出水COD浓度、生化池MLSS(即混合液悬浮固体)浓度、生化池DO(即溶解氧)浓度、进水氨氮浓度、出水氨氮浓度、生化池硫化物浓度、生化池挥发酚浓度、进水BOD(即生化需氧量)浓度、出水BOD浓度等。将获取的所有参数(即特征变量)的数据进行数据预处理操作。数据预处理包括但不限于:剔除异常数据,可通过对变量数据制作箱型图,把图中显示的异常值进行删除;对数据进行归一化处理,将变量归一化处理为0至1之间的数值,消除量纲以及数量级的差别对模型训练过程中产生的影响;利用主成分分析法对收集到的参数进行分析,获取与ATP相关的变量作为预测模型的输入变量。
步骤S102,建立污水处理过程ATP预测模型,将经过数据预处理的特征变量作为预测模型第一子网络的输入并获取SVI预测结果。具体地,本发明的预测模型为基于集成神经网络的ATP预测模型,集成神经网络分为两个子网络,即第一子网络和第二子网络,参考图2。
第一子网络的拓扑结构分为第一输入层、第一隐含层以及第一输出层,该三层的连接方式可表示为:n-J-1;
第一输入层的表达式为:u(t)=[u1(t),u2(t),u3(t),...,un(t)]T, 公式(1);
其中,n为第一输入层的神经元个数(即图2中第一子网络中的左侧竖列神经元),也即输入变量个数;u(t)为t时刻第一子网络输入变量的浓度值,例如图2中的COD、DO、MLSS浓度等。
第一隐含层包含J个神经元(即图2中第一子网络中的中间竖列神经元),第j个隐含层神经元的输出可以表示为:
其中,c1j(t)为第一子网络第j个神经元的中心向量,σ1j(t)为第一子网络第j个神经元的宽度。
第一输出层的神经元(即图2中第一子网络的右侧单独的一个神经元)表达式为:
其中,w1(t)为第一隐含层与第一输出层的连接权值向量;θ1(t)为第一隐含层神经元的输出向量;θ1j(t)为第j个隐含层神经元的输出;w1j(t)为第j个隐含层神经元与输出神经元的连接权值;y1(t)为t时刻第一子网络的输出SVI预测值。
至此,本发明的ATP预测模型的第一子网络可通过选取的特征变量作为模型第一子网络的输入,获得SVI预测结果,如图2所示。
步骤S103,将步骤S102获取的SVI预测结果与前述已经选取的特征变量作为预测模型第二子网络的输入并获取ATP预测结果。具体地,第二子网络的拓扑结构分为第二输入层、第二隐含层以及第二输出层,该三层的连接方式表示为:n+1-Q-1,其中n+1表示除前述第一子网络的输入变量数目n外,还包括第一子网络的输出的一个SVI预测值。
第二输入层的表达式为:
u2q(t)=[u1(t),u2(t),u3(t),...,un(t),y1(t)]T, 公式(4);
其中,n为第一输入层的神经元个数(第一子网络的输入也作为第二子网络的输入),也即输入变量个数;u(t)为t时刻第一子网络输入变量的浓度值;y1(t)为t时刻第一子网络的输出SVI预测值。第二输入层的神经元即为图2中第二子网络中的左侧竖列神经元(共n+1个)。
第二隐含层包含Q个神经元(即图2中第二子网络中的中间竖列神经元),第q个隐含层神经元的输出为:
其中,c2q(t)为第二子网络第q个神经元的中心向量;σ2q(t)为第二子网络第q个神经元的宽度。
第二输出层的神经元(即图2中第二子网络的右侧单独的一个神经元)表达式为:
其中,w2(t)为第二隐含层与第二输出层的连接权值向量,θ2(t)为第二隐含层神经元的输出向量;θ2q(t)为第q个隐含层神经元的输出;w2q(t)为第q个隐含层神经元与输出神经元的连接权值;y2(t)为t时刻第二子网络的输出ATP预测值。
至此,本发明的ATP预测模型的第二子网络可通过第一子网络输出的SVI预测值以及第一子网络的所有输入作为模型第二子网络的输入,最终获得ATP预测结果,如图2所示。
步骤S104,在步骤S103的预测模型建立之后,可通过粒子群PSO算法实现所述预测模型的训练。本发明的基于动态惯性权重的自组织PSO算法,可通过动态调整惯性权重更为有效地提高PSO算法收敛速度和精度。预测模型的训练以误差函数为依据,通过粒子群PSO算法进行迭代计算直至误差函数的计算结果在理想误差范围以内。该误差函数可表示为:
其中,M是训练样本的数目;y2d(t)为t时刻第二子网络的ATP的期望输出(即ATP的实测值);y2(t)为t时刻第二子网络的ATP实际输出(即ATP预测模型的输出值);e(t)为t时刻ATP预测模型的误差。
本发明采用的粒子群PSO算法的计算过程如下:
利用粒子群算法训练基于集成神经网络ATP预测模型,将集成神经网络的参数表示为粒子群中的粒子,具体表达为:
xi=[c2q,i,σ2q,i,w2q,i,c2q,i,σ2q,i,w2q,i...c2q,i,σ2q,i,w2q,i]
其中,xi表示第i个粒子的位置,c2q,i为第i个粒子中第二子网络的第q个神经元的中心值;σ2q,i为第i个粒子中第二子网络的第q个神经元的宽度;w2q,i为第i个粒子中第二子网络的第q个神经元的连接权值。
第i个粒子的位置更新可表达为:
xi(k+1)=xi(k)+vi(k+1) 公式(8);
第i个粒子的速度更新可表达为:
其中,ω(k)为惯性权重;ε1和ε2为学习因子;R1和R2是[0,1]之间的随机值;pi(k)为粒子在第k次迭代的历史最优位置;gd(k)为第k次迭代整个种群找到的全局最优位置;xi(k)是第i个粒子在第k次迭代的位置;vi(k)是第i个粒子在第k次迭代的速度;
第i个粒子的动态惯性权重更新表达为:
其中,ωi(k)为第i个粒子在第k次迭代的惯性权重;Bi(k+1)为第i个粒子在第k+1次迭代的惯性因子;pi(k+1)为第i个粒子在第k+1次迭代的历史最优位置;h(pi(k+1))是第i个粒子在第k+1次迭代的适应度值;gd(k+1)为第k+1次迭代整个种群找到的全局最优位置;xi(k+1)为第i个粒子在第k+1次迭代的位置。
本发明经过以上PSO算法的模型训练,可通过计算模型预测误差e(t)和预测精度P两个指标来评价预测模型的性能。预测精度P的计算公式为:
其中,N为预测的样本数量,y2d(t)是t时刻第二子网络的ATP期望输出;y2(t)为t时刻第二子网络的ATP实际输出。
本发明的污水处理过程ATP预测方法解决了现有技术无法实现污水处理过程中ATP在线测量的问题,可用于高精度预测并获取污水处理过程中活性污泥的特性。针对难以直接测量且与ATP密切相关的特征变量,利用集成神经网络的子网络获得SVI预测值后,再实现ATP的预测,可使预测结果更为精确。建立预测模型后利用自组织粒子群优化(PSO)算法实现预测模型的训练和学习,特别通过动态调整惯性权重的方式进一步提高了预测的速度和精度。
实施例2
本发明的实施例2为方法实施例1的一个具体实例。
首先,通过在线仪表获取污水处理过程中生化单元中的进出水参数和相关过程参数,其中包含以下10个参数:进水COD浓度、出水COD浓度、生化池MLSS浓度、生化池DO浓度、进水氨氮浓度、出水氨氮浓度、生化池硫化物浓度、生化池挥发酚浓度、进水BOD浓度、出水BOD浓度。将获取的所有变量数据进行数据预处理,剔除异常数据;对数据进行归一化处理;利用主成分分析法对采集的数据进行降维,基于变量的相关系数和贡献率可得输入变量为7个:即进水COD浓度、生化池MLSS浓度、生化池DO浓度、生化池硫化物浓度、生化池挥发酚浓度、进水BOD浓度、出水BOD浓度。需采集的输出变量为ATP浓度值。从所有采集的数据中选取200组数据分成两部分:其中100组作为训练样本,另外100组作为测试样本。
其次,建立本发明实施例1的污水处理过程ATP预测模型。第一子网络拓扑结构n-J-1的连接方式为7-12-1,此时J=12,第一子网络的输出值(即SVI预测值)可通过实施例1中的公式(1)至公式(3)进行计算。第二子网络拓扑结构n+1-Q-1的连接方式为8-15-1,此时Q=15,第二子网络的输出值(即ATP预测值)可通过实施例1中的公式(4)至公式(6)进行计算。
然后,通过自组织PSO算法对ATP预测模型进行训练。训练的具体步骤如下:①设置种群大小为20,将实施例1中的误差函数(即公式7)的最大迭代次数设置为10000,PSO算法在误差函数上均独立运行30次。随机初始化粒子群中各粒子的位置、速度和惯性权重,并将各粒子的初始位置设为当前历史最优位置,取粒子群中的最优值设为全局最优位置;②根据误差函数,计算每个粒子的误差函数值。将每个粒子的误差函数值与当前全局最优位置gd(k)相比较,如果更好则更新gd(k),同时,将每个粒子的误差函数值与当前历史最优位置pi(t)相比较,如果更好则更新pi(t)。③根据速度更新公式(实施例1中的公式9)和位置更新公式(实施例1中的公式8)更新粒子群中粒子的位置xi(k)和速度vi(k);④计算粒子当前位置的误差函数值,更新历史最优位置pi(t)和全局最优位置gd(k),依据全局最优位置gd(k)和粒子的位置xi(k)计算出当前次迭代惯性权重的值(实施例1中的公式10和公式11);⑤当迭代次数达到最大迭代次数时算法停止,输出最优参数值(即ATP预测值),完成模型训练。
最后,对测试数据进行测试。ATP预测模型的预测误差结果如图3所示。图3是ATP预测结果,X轴为输入样本点;Y轴为ATP预测曲线,实线为期望输出值,虚线为集成神经网络的ATP实际输出值。本发明基于集成神经网络和RBF神经网络分别进行了ATP预测。表1为基于集成神经网络ATP预测和基于RBF神经网络ATP预测的对比误差和精度。从表1中可以看出,ATP预测的误差和精度都在一个合理的范围内,且应用集成神经网络的预测误差更小,预测精度更高。
表1不同神经网络的预测结果
实施例3
如图4所示,本实施例的污水处理过程ATP预测装置为与实施例1中预测方法对应的装置,即,通过虚拟装置的方式实现实施例1中的方法,构成污水处理过程ATP预测装置的各个虚拟模块可以由电子设备执行,例如网络设备、终端设备、或服务器。
本实施例提供的污水处理过程ATP预测装置具体包括变量选择及预处理模块201、SVI预测模块202以及ATP预测模块203。其中,变量选择及预处理模块201用于选取污水处理过程ATP的特征变量并对这些特征变量进行数据预处理;SVI预测模块202用于将经过数据预处理的特征变量作为预测模型第一子网络的输入并获取SVI预测结果;ATP预测模块203用于将SVI预测结果与特征变量作为预测模型第二子网络的输入并获取ATP预测结果。
进一步地,本发明的污水处理过程ATP预测装置还可包括预测模型训练模块,该预测模型训练模块用于在建立预测模型后,通过粒子群PSO算法动态调整惯性权重以实现预测模型的训练。
实施例4
本实施例提供了一种存储器,该存储器可以是非暂态(非易失性)计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的污水处理过程ATP预测方法的各个步骤,并实现相同的技术效果。
实施例5
本实施例提供了一种污水处理过程ATP预测设备,该设备所包括的存储器中,包括有相应的计算机程序产品,计算机程序产品所包括程序指令被计算机执行时,可使计算机执行以上各个方面所述的污水处理过程ATP预测方法,并实现相同的技术效果。
图5是本实施例作为电子设备的硬件结构示意图,如图5所示,该设备包括一个或多个处理器610以及存储器620。以一个处理器610为例。该设备还可以包括:输入装置630和输出装置640。
处理器610、存储器620、输入装置630和输出装置640可以通过总线或者其他方式连接,图3中以通过总线连接为例。
存储器620作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器610通过运行存储在存储器620中的非暂态软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述方法实施例的处理方法。
存储器620可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储数据等。此外,存储器620可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器620可选包括相对于处理器610远程设置的存储器,这些远程存储器可以通过网络连接至处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可接收输入的数字或字符信息,以及产生信号输入。输出装置640可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器620中,当被所述一个或者多个处理器610执行时,执行:本发明污水处理过程ATP预测方法。上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (14)
1.一种污水处理过程ATP预测方法,其特征在于,包括如下步骤:
选取污水处理过程ATP的特征变量并对所述特征变量进行数据预处理;
将经过所述数据预处理的特征变量作为预测模型第一子网络的输入并获取SVI预测结果;
将所述SVI预测结果与所述特征变量作为预测模型第二子网络的输入并获取ATP预测结果。
2.根据权利要求1所述的污水处理过程ATP预测方法,其特征在于,还包括如下步骤:
在建立所述预测模型后,通过粒子群PSO算法动态调整惯性权重以实现所述预测模型的训练。
3.根据权利要求1所述的污水处理过程ATP预测方法,其特征在于,所述特征变量包括:进水COD浓度、出水COD浓度、生化池MLSS浓度、生化池DO浓度、进水氨氮浓度、出水氨氮浓度、生化池硫化物浓度、生化池挥发酚浓度、进水BOD浓度和/或出水BOD浓度。
4.根据权利要求1所述的污水处理过程ATP预测方法,其特征在于,所述数据预处理包括异常数据剔除、数据归一化和/或对所述特征变量进行主成分分析。
5.根据权利要求2所述的污水处理过程ATP预测方法,其特征在于,所述预测模型为基于集成神经网络的ATP预测模型。
6.根据权利要求5所述的污水处理过程ATP预测方法,其特征在于,所述第一子网络的拓扑结构分为第一输入层、第一隐含层以及第一输出层,该三层的连接方式表示为:n-J-1;
所述第一输入层的表达式为:u(t)=[u1(t),u2(t),u3(t),...,un(t)]T, 公式(1);
其中,n为所述第一输入层的神经元个数,也即输入变量个数;u(t)为t时刻第一子网络输入变量的浓度值;
所述第一隐含层包含J个神经元,第j个隐含层神经元的输出为:
其中,c1j(t)为第一子网络第j个神经元的中心向量,σ1j(t)为第一子网络第j个神经元的宽度;
所述第一输出层的神经元表达式为:
其中,w1(t)为所述第一隐含层与第一输出层的连接权值向量;θ1(t)为第一隐含层神经元的输出向量;θ1j(t)为第j个隐含层神经元的输出;w1j(t)为第j个隐含层神经元与输出神经元的连接权值;y1(t)为t时刻第一子网络的输出SVI预测值。
7.根据权利要求6所述的污水处理过程ATP预测方法,其特征在于,所述第二子网络的拓扑结构分为第二输入层、第二隐含层以及第二输出层,该三层的连接方式表示为:n+1-Q-1;
所述第二输入层的表达式为:
u2q(t)=[u1(t),u2(t),u3(t),...,un(t),y1(t)]T, 公式(4);
其中,n为所述第一输入层的神经元个数,也即输入变量个数;u1(t)为t时刻第一子网络第一个输入变量的浓度值;y1(t)为t时刻第一子网络的输出SVI预测值;u2q(t)为第二子网络第q个神经元的输入变量;
所述第二隐含层包含Q个神经元,第q个隐含层神经元的输出为:
其中,c2q(t)为第二子网络第q个神经元的中心向量;σ2q(t)为第二子网络第q个神经元的宽度;
所述第二输出层的神经元表达式为:
其中,w2(t)为所述第二隐含层与第二输出层的连接权值向量,θ2(t)为第二隐含层神经元的输出向量;θ2q(t)为第q个隐含层神经元的输出;w2q(t)为第q个隐含层神经元与输出神经元的连接权值;y2(t)为t时刻第二子网络的输出ATP预测值。
9.根据权利要求8所述的污水处理过程ATP预测方法,其特征在于,所述通过粒子群PSO算法进行迭代计算具体为:
第i个粒子的位置更新表达为:xi(k+1)=xi(k)+vi(k+1) 公式(8);
第i个粒子的速度更新表达为:
其中,ω(k)为惯性权重;ε1和ε2为学习因子;R1和R2是[0,1]之间的随机值;pi(k)为粒子在第k次迭代的历史最优位置;gd(k)为第k次迭代整个种群找到的全局最优位置;xi(k)是第i个粒子在第k次迭代的位置;vi(k)是第i个粒子在第k次迭代的速度;
第i个粒子的动态惯性权重更新表达为:
其中,ωi(k)为第i个粒子在第k次迭代的惯性权重;Bi(k+1)为第i个粒子在第k+1次迭代的惯性因子;pi(k+1)为第i个粒子在第k+1次迭代的历史最优位置;h(pi(k+1))是第i个粒子在第k+1次迭代的适应度值;gd(k+1)为第k+1次迭代整个种群找到的全局最优位置;xi(k+1)为第i个粒子在第k+1次迭代的位置。
11.一种污水处理过程ATP预测装置,其特征在于,包括:
变量选择及预处理模块,用于选取污水处理过程ATP的特征变量并对所述特征变量进行数据预处理;
SVI预测模块,用于将经过所述数据预处理的特征变量作为预测模型第一子网络的输入并获取SVI预测结果;
ATP预测模块,用于将所述SVI预测结果与所述特征变量作为预测模型第二子网络的输入并获取ATP预测结果。
12.根据权利要求11所述的污水处理过程ATP预测装置,其特征在于,还包括:
预测模型训练模块,用于在建立所述预测模型后,通过粒子群PSO算法动态调整惯性权重以实现所述预测模型的训练。
13.一种存储器,其特征在于,包括指令集,所述指令集适于处理器执行如权利要求1至10中任一所述污水处理过程ATP预测方法中的步骤。
14.一种污水处理过程ATP预测设备,其特征在于,包括总线、输入装置、输出装置、处理器和如权利要求13中所述的存储器;
所述总线用于连接所述存储器、输入装置、输出装置和处理器;
所述输入装置和输出装置用于实现与用户的交互;
所述处理器用于执行所述存储器中的指令集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172902.3A CN114913933A (zh) | 2021-02-08 | 2021-02-08 | 存储器、污水处理过程atp预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172902.3A CN114913933A (zh) | 2021-02-08 | 2021-02-08 | 存储器、污水处理过程atp预测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114913933A true CN114913933A (zh) | 2022-08-16 |
Family
ID=82761336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110172902.3A Pending CN114913933A (zh) | 2021-02-08 | 2021-02-08 | 存储器、污水处理过程atp预测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913933A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117995314A (zh) * | 2024-01-30 | 2024-05-07 | 东北石油大学 | 基于机器学习的含聚污水重力式沉降清淤界限预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778548A (zh) * | 2012-06-21 | 2012-11-14 | 北京工业大学 | 一种污水处理过程污泥膨胀指数预测方法 |
CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
CN105510546A (zh) * | 2015-12-27 | 2016-04-20 | 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 |
WO2016073725A1 (en) * | 2014-11-07 | 2016-05-12 | Hach Company | Monitoring via neural network model |
CN106354019A (zh) * | 2016-11-21 | 2017-01-25 | 北京工业大学 | 一种基于rbf神经网络的溶解氧精确控制方法 |
KR102121264B1 (ko) * | 2019-06-25 | 2020-06-10 | 주식회사 아쿠아테크 | 오염부하 감지형 반응단계판단장치를 이용한 수처리 시스템 |
CN112183884A (zh) * | 2020-10-19 | 2021-01-05 | 河南工业大学 | 一种粮食储藏品质预测方法及装置 |
-
2021
- 2021-02-08 CN CN202110172902.3A patent/CN114913933A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778548A (zh) * | 2012-06-21 | 2012-11-14 | 北京工业大学 | 一种污水处理过程污泥膨胀指数预测方法 |
CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
WO2016073725A1 (en) * | 2014-11-07 | 2016-05-12 | Hach Company | Monitoring via neural network model |
CN105510546A (zh) * | 2015-12-27 | 2016-04-20 | 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 |
CN106354019A (zh) * | 2016-11-21 | 2017-01-25 | 北京工业大学 | 一种基于rbf神经网络的溶解氧精确控制方法 |
KR102121264B1 (ko) * | 2019-06-25 | 2020-06-10 | 주식회사 아쿠아테크 | 오염부하 감지형 반응단계판단장치를 이용한 수처리 시스템 |
CN112183884A (zh) * | 2020-10-19 | 2021-01-05 | 河南工业大学 | 一种粮食储藏品质预测方法及装置 |
Non-Patent Citations (4)
Title |
---|
LU, JINNA,等: "Generalized radial basis function neural network based on an improved dynamic particle swarm optimization and AdaBoost algorithm", 《NEUROCOMPUTING》, vol. 152, 31 March 2015 (2015-03-31), pages 305 - 315, XP029189151, DOI: 10.1016/j.neucom.2014.10.065 * |
卢薇: "污水处理过程多变量优化控制方法研究", 《控制工程》, vol. 28, no. 2, 20 February 2021 (2021-02-20), pages 258 - 265 * |
周文东: "基于PSO的自组织RBF神经网络优化设计及应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 02, 15 February 2017 (2017-02-15), pages 140 - 362 * |
尹军,等: "ATP检测在活性污泥工艺中的应用进展", 《吉林建筑工程学院学报》, vol. 24, no. 3, 30 September 2007 (2007-09-30), pages 7 - 11 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117995314A (zh) * | 2024-01-30 | 2024-05-07 | 东北石油大学 | 基于机器学习的含聚污水重力式沉降清淤界限预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11346831B2 (en) | Intelligent detection method for biochemical oxygen demand based on a self-organizing recurrent RBF neural network | |
US10570024B2 (en) | Method for effluent total nitrogen-based on a recurrent self-organizing RBF neural network | |
CN102854296B (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
CN108469507B (zh) | 一种基于自组织rbf神经网络的出水bod软测量方法 | |
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 | |
CN106698642A (zh) | 一种污水处理过程多目标实时优化控制方法 | |
CN109344971B (zh) | 一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法 | |
CN110320335B (zh) | 一种关于污水处理出水水质指标的多元鲁棒软测量方法 | |
CN110542748B (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
CN104680015A (zh) | 一种基于快速相关向量机的污水处理在线软测量方法 | |
CN104914227B (zh) | 基于多高斯核自优化相关向量机的污水水质软测量方法 | |
CN112967763A (zh) | 基于模糊神经网络的出水总磷预测方法、电子设备及介质 | |
CN105092493B (zh) | 一种基于水样类型识别的水体cod光学测量方法 | |
CN113433086B (zh) | 一种模糊神经网络结合分光光度法预测水质cod的方法 | |
CN114913933A (zh) | 存储器、污水处理过程atp预测方法、装置及设备 | |
CN113111576B (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 | |
Han et al. | Efficient economic model predictive control of water treatment process with learning-based Koopman operator | |
CN114781166A (zh) | 基于加权概率慢特征模型的污水处理过程软测量方法 | |
CN115660455A (zh) | 一种三水统筹下水质评价体系模型构建***、设备及终端 | |
CN114462208A (zh) | 一种基于自组织rbfnn的出水bod在线软测量方法 | |
CN114864015A (zh) | 水体富营养化检测方法、装置、设备及存储介质 | |
CN113866375A (zh) | 出水含氮物智能在线监测方法和*** | |
Chen et al. | Modeling of wastewater treatment process using recurrent neural network | |
CN113222324A (zh) | 一种基于pls-pso-rbf神经网络模型的污水质量监测方法 | |
Han et al. | Intelligent modeling approach to predict effluent quality of wastewater treatment process |
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 |