CN115806344B - 一种orp控制精准曝气的*** - Google Patents
一种orp控制精准曝气的*** Download PDFInfo
- Publication number
- CN115806344B CN115806344B CN202211467866.4A CN202211467866A CN115806344B CN 115806344 B CN115806344 B CN 115806344B CN 202211467866 A CN202211467866 A CN 202211467866A CN 115806344 B CN115806344 B CN 115806344B
- Authority
- CN
- China
- Prior art keywords
- aeration
- duration
- orp
- real
- time
- 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
Links
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)
Abstract
本发明公开了一种ORP控制精准曝气的***,涉及ORP曝气技术领域,通过设置历史数据收集模块预先收集污水处理厂历史的曝气基础数据,用于训练出相关的神经网络模型;设置实时数据收集模块实时收集污水处理厂的曝气相关参数值以及目标参数值;设置数值预测模型训练模块根据曝气相关参数值以及目标参数值训练,训练出预测目标参数值的神经网络模型;设置时长预测模型训练模块利用曝气时长数据训练出预测曝气时长的神经网络模型;设置控制执行模块基于实时的曝气相关参数值来控制ORP曝气时长以及DO曝气时长;具有根据实时的环境条件,灵活使用曝气***,提高曝气效率的效果。
Description
技术领域
本发明属于污水处理领域,涉及智能控制技术,具体是一种ORP控制精准曝气的***。
背景技术
目前在城市污水处理过程中,涉及到诸多的参数;而在实际操作中,往往通过控制ORP,即氧化还原电位以及DO,即溶解氧浓度来控制生化池好氧区的曝气量以及曝气时间;但是由于各个参数之间的关系存在着未知性、时变性、随机性以及分散性;导致各个参数之间的关系为非线性关系,难以对曝气量以及曝气时间进行准确的量化;
现有技术中,由周光明等提出的“基于DO和ORP的联合调控曝气技术”通过对实际工艺的测试,提出将DO、ORP均作为控制对象,实现分阶段联动控制达到工艺要求的方案;
但上述方案根据主观经验为ORP以及DO划分上下限,具有划分范围较为笼统而不精确的问题;且控制曝气的每个阶段时长均为固定的,不具有根据实时的环境因素进行实时调节的灵活性;
为此,提出一种ORP控制精准曝气的***。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种ORP控制精准曝气的***,该一种ORP控制精准曝气的***通过设置历史数据收集模块预先收集污水处理厂历史的曝气基础数据,用于训练出相关的神经网络模型;设置实时数据收集模块实时收集污水处理厂的曝气相关参数值以及目标参数值;设置数值预测模型训练模块根据曝气相关参数值以及目标参数值训练,训练出预测目标参数值的神经网络模型;设置时长预测模型训练模块利用曝气时长数据训练出预测曝气时长的神经网络模型;设置控制执行模块基于实时的曝气相关参数值来控制ORP曝气时长以及DO曝气时长,用以调节污水处理厂的ORP参数值以及DO参数值;具有根据实时的环境条件,灵活使用曝气***,提高曝气效率的效果。
为实现上述目的,根据本发明的第一方面的实施例提出一种ORP控制精准曝气的***,包括历史数据收集模块、实时数据收集模块、数值预测模型训练模块、时长预测模型训练模块以及控制执行模块;其中,各个模块之间通过电气方式连接;
其中,所述历史数据收集模块主要用于预先收集污水处理厂历史的曝气基础数据,用于训练出相关的神经网络模型;
所述历史数据收集模块收集的历史的曝气基础数据包括曝气相关参数值、目标参数值以及曝气时长数据;
其中,曝气相关参数值以及目标参数值为根据实际经验确定不需要进行曝气的阶段所采集的数据;其中,所述曝气相关参数值包括影响ORP值变化的参数;具体的,包括但不限于回流比R、悬浮污泥浓度MLSS、水温T、水利停留时间HRT、硝氮NO3-N、氨氮NH3-N以及总氮TN;所述目标参数值为在对应曝气相关参数值下的ORP值以及DO值;
其中,所述曝气时长数据收集方式包括以下步骤:
步骤S1:在历史操作过程中,根据实际经验决定控制DO曝气以及ORP曝气时,收集当前污水处理厂的曝气相关参数值;
步骤S2:执行实际的DO曝气或ORP曝气,并开始进行计时;根据实时的曝气相关参数值与DO或ORP相关值的关系,根据实际经验决定是否停止曝气;可以理解的是,在实际工作过程中,曝气的时长以及DO或ORP的合理值主要是根据实际操作经验进行判断的;
步骤S3:在停止曝气时,停止计时;统计DO曝气阶段以及ORP曝气阶段的时长;
所述曝气时长数据包括曝气前的曝气相关参数值以及曝气阶段的时长;
所述历史数据收集模块将收集的历史的曝气基础数据发送至数值预测模型训练模块以及时长预测模型训练模块;
其中,所述实时数据收集模块主要用于实时收集污水处理厂的曝气相关参数值以及目标参数值;
所述实时数据收集模块对每个曝气相关参数以及目标参数使用对应的采集传感器实时采集对应参数的数值;所述实时数据收集模块将采集到的各个参数的数值发送至控制执行模块;
其中,所述数值预测模型训练模块主要用于根据曝气相关参数值以及目标参数值训练,训练出预测目标参数值的神经网络模型;
所述数值预测模型训练模块训练出预测目标参数值的神经网络模型包括以下步骤:
步骤S1:所述数值预测模型训练模块将曝气相关参数值进行归一化,并转化为深度神经网络可接受的向量形式,作为输入,分别输入至预测ORP深度神经网络模型以及预测DO神经网络模型中;两个深度神经网络模型分别以实际的ORP参数值以及DO参数值作为目标值,以预测的ORP参数值以及DO参数值作为输出;均以预测的准确率作为训练目标;
步骤S2:所述数值预测模型训练模块对深度神经网络进行训练,直至预测准确率达到根据实际经验预设的准确率阈值,停止训练;将该训练完成的ORP深度神经网络模型和DO深度神经网络模型分别标记为M1和M2;
所述数值预测模型训练模块将深度神经网络模型M1以及M2发送至控制执行模块;
其中,所述时长预测模型训练模块主要用于利用曝气时长数据训练出预测曝气时长的神经网络模型;
在一个优选的实施例中,所述时长预测模型训练模块训练出预测曝气时长的神经网络模型包括以下步骤:
步骤P1:所述时长预测模型训练模块将曝气时长数据中的曝气相关参数值进行归一化,并转化为深度神经网络可接受的向量形式,作为输入,分别输入至ORP时长深度神经网络模型以及DO时长深度神经网络模型中;两个深度神经网络模型分别以实际的ORP曝气时长以及DO曝气时长作为目标值,以预测的ORP曝气时长以及DO曝气时长作为输出;均以预测的准确率作为训练目标;
步骤P2:所述时长预测模型训练模块对深度神经网络进行训练,直至预测准确率达到根据实际经验预设的准确率阈值,停止训练;将该训练完成的ORP时长深度神经网络模型和DO时长深度神经网络模型分别标记为M3和M4;
所述时长预测模型训练模块将深度神经网络模型M3以及M4发送至控制执行模块;
其中,所述控制执行模块主要用于基于实时的曝气相关参数值来控制ORP曝气时长以及DO曝气时长,用以调节污水处理厂的ORP参数值以及DO参数值;
所述控制执行模块包括目标参数阈值生成单元、曝气时长测算单元以及主控单元;
其中,所述目标参数阈值判定单元主要用于实时生成目标参数的实时阈值;具体的,生成目标参数实时阈值包括以下步骤:
步骤Q1:所述目标参数阈值判定单元接收实时的曝气相关参数值;
步骤Q2:所述目标参数阈值判定单元将实时的曝气相关参数值进行归一化,并转化为深度神经网络可接受的向量形式,分别输入至深度神经网络M1以及M2;获得实时的OPR参数以及DO参数的预测值;将ORP参数以及DO参数的预测值分别标记为O以及D;可以理解的是,该ORP参数值以及DO参数的预测值均为不需要进行曝气的理想值;
步骤Q3:为了保证曝气的容错性,预先根据实际经验设置阈值系数w;计算出OPR参数以及DO参数的上下阈值OH、OL以及DH、DL;其中,OH、OL以及DH、DL的计算公式分别为OH=(1+w)*O、OL=(1-w)*O、DH=(1+w)*D以及DL=(1-w)*D;
其中,所述曝气时长测算单元主要用于根据实时的曝气相关参数值计算出需要曝气的时长;
所述曝气时长测算单元计算需要曝气的时长包括以下步骤:
步骤X1:所述目标参数阈值判定单元接收实时的曝气相关参数值;
步骤X2:所述目标参数阈值判定单元将实时的曝气相关参数值进行归一化,并转化为深度神经网络可接受的向量形式,分别输入至深度神经网络M3以及M4;获得实时的OPR曝气时长以及DO曝气时长的预测值;
其中,所述主控单元主要用于实际控制曝气***调节ORP以及DO参数值;
所述主控单元调节ORP以及DO参数值包括以下步骤:
步骤Y1:主控单元实时判断实时的DO参数值是否落入实时预测的DH以及DL值之间;若落入,则不做处理;否则转至步骤Y2;
步骤Y2:将实时的曝气相关参数值输入至曝气时长测算单元获得预测的DO曝气时长预测值;
步骤Y3:控制曝气***进行时长为DO曝气时长预测值的DO曝气阶段;
步骤Y4:判断经过DO曝气阶段的实时ORP参数值是否落入实时预测的OH以及OL之间,若落入,则不做处理;否则转至步骤Y5;
步骤Y5:将实时的曝气相关参数值输入至曝气时长测算单元获得预测的ORP曝气时长预测值;
步骤Y6:控制曝气***进行时长为ORP曝气时长预测值的ORP曝气阶段。
与现有技术相比,本发明的有益效果是:
1、本发明通过使用深度神经网络,构造出曝气相关参数与目标参数之间的非线性关系,并进一步计算出实时的目标参数的上下限值;具有在不同环境因素下,可灵活判断是否需要进行曝气的优点;
2、本发明通过使用深度神经网络,构造出曝气相关参数与曝气时长之间的非线性关系;具有在不同的环境因素下,灵活调整曝气时长,提高曝气效率的优点。
附图说明
图1为本发明的原理图。
具体实施方式
下面将结合实施例对本发明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它实施例,都属于本发明保护的范围。
如图1所示,一种ORP控制精准曝气的***,包括历史数据收集模块、实时数据收集模块、数值预测模型训练模块、时长预测模型训练模块以及控制执行模块;其中,各个模块之间通过电气方式连接;
可以理解的是,目前在城市污水处理过程中,涉及到诸多的参数;而在实际操作中,往往通过控制ORP,即氧化还原电位以及DO,即溶解氧浓度来控制生化池好氧区的曝气量以及曝气时间;但是由于各个参数之间的关系存在着未知性、时变性、随机性以及分散性;导致各个参数之间的关系为非线性关系,难以对曝气量以及曝气时间进行准确的量化;而非线性关系往往可以通过使用深度学习的方式予以解决;
其中,所述历史数据收集模块主要用于预先收集污水处理厂历史的曝气基础数据,用于训练出相关的神经网络模型;
在一个优选的实施例中,所述历史数据收集模块收集的历史的曝气基础数据包括曝气相关参数值、目标参数值以及曝气时长数据;
其中,曝气相关参数值以及目标参数值为根据实际经验确定不需要进行曝气的阶段所采集的数据;其中,所述曝气相关参数值包括影响ORP值变化的参数;具体的,包括但不限于回流比R、悬浮污泥浓度MLSS、水温T、水利停留时间HRT、硝氮NO3-N、氨氮NH3-N以及总氮TN;所述目标参数值为在对应曝气相关参数值下的ORP值以及DO值;
其中,所述曝气时长数据收集方式包括以下步骤:
步骤S1:在历史操作过程中,根据实际经验决定控制DO曝气以及ORP曝气时,收集当前污水处理厂的曝气相关参数值;
步骤S2:执行实际的DO曝气或ORP曝气,并开始进行计时;根据实时的曝气相关参数值与DO或ORP相关值的关系,根据实际经验决定是否停止曝气;可以理解的是,在实际工作过程中,曝气的时长以及DO或ORP的合理值主要是根据实际操作经验进行判断的;
步骤S3:在停止曝气时,停止计时;统计DO曝气阶段以及ORP曝气阶段的时长;
所述曝气时长数据包括曝气前的曝气相关参数值以及曝气阶段的时长;
所述历史数据收集模块将收集的历史的曝气基础数据发送至数值预测模型训练模块以及时长预测模型训练模块;
其中,所述实时数据收集模块主要用于实时收集污水处理厂的曝气相关参数值以及目标参数值;
可以理解的是,目标参数ORP以及DO均为化学或物理层面的参数,可以通过一定的化学或物理手段实时检测到;同样的,影响到目标参数的曝气相关参数也均为化学或物理层面的参数;因此,均可配置相应的检测传感器,用于实时的进行检测;
在一个优选的实施例中,所述实时数据收集模块对每个曝气相关参数以及目标参数使用对应的采集传感器实时采集对应参数的数值;所述实时数据收集模块将采集到的各个参数的数值发送至控制执行模块;
其中,所述数值预测模型训练模块主要用于根据曝气相关参数值以及目标参数值训练,训练出预测目标参数值的神经网络模型;
在一个优选的实施例中,所述数值预测模型训练模块训练出预测目标参数值的神经网络模型包括以下步骤:
步骤S1:所述数值预测模型训练模块将曝气相关参数值进行归一化,并转化为深度神经网络可接受的向量形式,作为输入,分别输入至预测ORP深度神经网络模型以及预测DO神经网络模型中;两个深度神经网络模型分别以实际的ORP参数值以及DO参数值作为目标值,以预测的ORP参数值以及DO参数值作为输出;均以预测的准确率作为训练目标;
步骤S2:所述数值预测模型训练模块对深度神经网络进行训练,直至预测准确率达到根据实际经验预设的准确率阈值,停止训练;将该训练完成的ORP深度神经网络模型和DO深度神经网络模型分别标记为M1和M2;
所述数值预测模型训练模块将深度神经网络模型M1以及M2发送至控制执行模块;
其中,所述时长预测模型训练模块主要用于利用曝气时长数据训练出预测曝气时长的神经网络模型;
在一个优选的实施例中,所述时长预测模型训练模块训练出预测曝气时长的神经网络模型包括以下步骤:
步骤P1:所述时长预测模型训练模块将曝气时长数据中的曝气相关参数值进行归一化,并转化为深度神经网络可接受的向量形式,作为输入,分别输入至ORP时长深度神经网络模型以及DO时长深度神经网络模型中;两个深度神经网络模型分别以实际的ORP曝气时长以及DO曝气时长作为目标值,以预测的ORP曝气时长以及DO曝气时长作为输出;均以预测的准确率作为训练目标;
步骤P2:所述时长预测模型训练模块对深度神经网络进行训练,直至预测准确率达到根据实际经验预设的准确率阈值,停止训练;将该训练完成的ORP时长深度神经网络模型和DO时长深度神经网络模型分别标记为M3和M4;
所述时长预测模型训练模块将深度神经网络模型M3以及M4发送至控制执行模块;
其中,所述控制执行模块主要用于基于实时的曝气相关参数值来控制ORP曝气时长以及DO曝气时长,用以调节污水处理厂的ORP参数值以及DO参数值;
所述控制执行模块包括目标参数阈值生成单元、曝气时长测算单元以及主控单元;
其中,所述目标参数阈值判定单元主要用于实时生成目标参数的实时阈值;具体的,生成目标参数实时阈值包括以下步骤:
步骤Q1:所述目标参数阈值判定单元接收实时的曝气相关参数值;
步骤Q2:所述目标参数阈值判定单元将实时的曝气相关参数值进行归一化,并转化为深度神经网络可接受的向量形式,分别输入至深度神经网络M1以及M2;获得实时的OPR参数以及DO参数的预测值;将ORP参数以及DO参数的预测值分别标记为O以及D;可以理解的是,该ORP参数值以及DO参数的预测值均为不需要进行曝气的理想值;
步骤Q3:为了保证曝气的容错性,预先根据实际经验设置阈值系数w;计算出OPR参数以及DO参数的上下阈值OH、OL以及DH、DL;其中,OH、OL以及DH、DL的计算公式分别为OH=(1+w)*O、OL=(1-w)*O、DH=(1+w)*D以及DL=(1-w)*D;
其中,所述曝气时长测算单元主要用于根据实时的曝气相关参数值计算出需要曝气的时长;
在一个优选的实施例中,所述曝气时长测算单元计算需要曝气的时长包括以下步骤:
步骤X1:所述目标参数阈值判定单元接收实时的曝气相关参数值;
步骤X2:所述目标参数阈值判定单元将实时的曝气相关参数值进行归一化,并转化为深度神经网络可接受的向量形式,分别输入至深度神经网络M3以及M4;获得实时的OPR曝气时长以及DO曝气时长的预测值;
其中,所述主控单元主要用于实际控制曝气***调节ORP以及DO参数值;
在一个优选的实施例中,所述主控单元调节ORP以及DO参数值包括以下步骤:
步骤Y1:主控单元实时判断实时的DO参数值是否落入实时预测的DH以及DL值之间;若落入,则不做处理;否则转至步骤Y2;
步骤Y2:将实时的曝气相关参数值输入至曝气时长测算单元获得预测的DO曝气时长预测值;
步骤Y3:控制曝气***进行时长为DO曝气时长预测值的DO曝气阶段;
步骤Y4:判断经过DO曝气阶段的实时ORP参数值是否落入实时预测的OH以及OL之间,若落入,则不做处理;否则转至步骤Y5;
步骤Y5:将实时的曝气相关参数值输入至曝气时长测算单元获得预测的ORP曝气时长预测值;
步骤Y6:控制曝气***进行时长为ORP曝气时长预测值的ORP曝气阶段。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (4)
1.一种ORP曝气的精准控制***,其特征在于,包括历史数据收集模块、实时数据收集模块、数值预测模型训练模块、时长预测模型训练模块以及控制执行模块;其中,各个模块之间通过电气方式连接;
所述历史数据收集模块用于预先收集污水处理厂历史的曝气基础数据,用于训练出相关的深度神经网络模型;所述历史数据收集模块将收集的历史的曝气基础数据发送至数值预测模型训练模块以及时长预测模型训练模块;
所述实时数据收集模块用于实时收集污水处理厂的曝气相关参数值以及目标参数值;所述实时数据收集模块将采集到的各个参数的数值发送至控制执行模块;
所述数值预测模型训练模块用于根据曝气相关参数值以及目标参数值训练,训练出预测目标参数值的深度神经网络模型;所述数值预测模型训练模块将深度神经网络模型M1以及M2发送至控制执行模块;
所述时长预测模型训练模块用于利用曝气时长数据训练出预测曝气时长的深度神经网络模型;所述时长预测模型训练模块将深度神经网络模型M3以及M4发送至控制执行模块;
所述控制执行模块用于基于实时的曝气相关参数值来控制ORP曝气时长以及DO曝气时长,用以调节污水处理厂的ORP参数值以及DO参数值;
所述控制执行模块包括目标参数阈值生成单元、曝气时长测算单元以及主控单元;
所述目标参数阈值生成单元用于实时生成目标参数的实时阈值;所述曝气时长测算单元用于根据实时的曝气相关参数值计算出需要曝气的时长;所述主控单元用于实际控制曝气***调节ORP以及DO参数值;
所述数值预测模型训练模块训练出预测目标参数值的深度神经网络模型包括以下步骤:
步骤S1:所述数值预测模型训练模块将曝气相关参数值进行归一化,并转化为深度神经网络模型可接受的向量形式,作为输入,分别输入至预测ORP的深度神经网络模型以及预测DO的深度神经网络模型中;
步骤S2:所述数值预测模型训练模块对深度神经网络模型进行训练,直至预测准确率达到根据实际经验预设的准确率阈值,停止训练;将训练完成的预测ORP的深度神经网络模型和预测DO的深度神经网络模型分别标记为M1和M2;
所述时长预测模型训练模块训练出预测曝气时长的深度神经网络模型包括以下步骤:
步骤P1:所述时长预测模型训练模块将曝气时长数据中的曝气相关参数值进行归一化,并转化为深度神经网络模型可接受的向量形式,作为输入,分别输入至预测ORP时长的深度神经网络模型以及预测DO时长的深度神经网络模型;
步骤P2:所述时长预测模型训练模块对深度神经网络模型进行训练,直至预测准确率达到根据实际经验预设的准确率阈值,停止训练;将训练完成的预测ORP时长的深度神经网络模型和预测DO时长的深度神经网络模型分别标记为M3和M4;
所述目标参数阈值生成单元生成目标参数实时阈值包括以下步骤:
步骤Q1:所述目标参数阈值生成单元接收实时的曝气相关参数值;
步骤Q2:所述目标参数阈值生成单元将实时的曝气相关参数值进行归一化,并转化为深度神经网络模型可接受的向量形式,分别输入至深度神经网络模型M1以及M2;获得实时的ORP参数以及DO参数的预测值;将ORP参数以及DO参数的预测值分别标记为O以及D;
步骤Q3:预先根据实际经验设置阈值系数w;计算出ORP参数以及DO参数的上下阈值OH、OL以及DH、DL;其中,OH、OL以及DH、DL的计算公式分别为OH=(1+w)*O、OL=(1-w)*O、DH=(1+w)*D以及DL=(1-w)*D;
所述曝气时长测算单元计算需要曝气的时长包括以下步骤:
步骤X1:所述目标参数阈值生成单元接收实时的曝气相关参数值;
步骤X2:所述目标参数阈值生成单元将实时的曝气相关参数值进行归一化,并转化为深度神经网络模型可接受的向量形式,分别输入至深度神经网络模型M3以及M4;获得实时的ORP曝气时长以及DO曝气时长的预测值;
所述主控单元调节ORP以及DO参数值包括以下步骤:
步骤Y1:主控单元实时判断实时的DO参数值是否落入实时预测的DH以及DL值之间;若落入,则不做处理;否则转至步骤Y2;
步骤Y2:将实时的曝气相关参数值输入至曝气时长测算单元获得预测的DO曝气时长预测值;
步骤Y3:控制曝气***进行时长为DO曝气时长预测值的DO曝气阶段;
步骤Y4:判断经过DO曝气阶段的实时ORP参数值是否落入实时预测的OH以及OL之间,若落入,则不做处理;否则转至步骤Y5;
步骤Y5:将实时的曝气相关参数值输入至曝气时长测算单元获得预测的ORP曝气时长预测值;
步骤Y6:控制曝气***进行时长为ORP曝气时长预测值的ORP曝气阶段。
2.根据权利要求1所述的一种ORP曝气的精准控制***,其特征在于,所述历史数据收集模块收集的历史的曝气基础数据包括曝气相关参数值、目标参数值以及曝气时长数据;
其中,曝气相关参数值以及目标参数值为根据实际经验确定不需要进行曝气的阶段所采集的数据;其中,所述曝气相关参数值包括影响ORP值变化的参数;所述目标参数值为在对应曝气相关参数值下的ORP值以及DO值。
3.根据权利要求2所述的一种ORP曝气的精准控制***,其特征在于,所述曝气时长数据的收集方式包括以下步骤:
步骤S1:在历史操作过程中,根据实际经验决定控制DO曝气以及ORP曝气时,收集当前污水处理厂的曝气相关参数值;
步骤S2:执行实际的DO曝气或ORP曝气,并开始进行计时;根据实时的曝气相关参数值与DO或ORP相关值的关系,根据实际经验决定是否停止曝气;
步骤S3:在停止曝气时,停止计时;统计DO曝气阶段以及ORP曝气阶段的时长;
所述曝气时长数据包括曝气前的曝气相关参数值以及曝气阶段的时长。
4.根据权利要求1所述的一种ORP曝气的精准控制***,其特征在于,所述实时数据收集模块对每个曝气相关参数以及目标参数使用对应的采集传感器实时采集对应参数的数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211467866.4A CN115806344B (zh) | 2022-11-22 | 2022-11-22 | 一种orp控制精准曝气的*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211467866.4A CN115806344B (zh) | 2022-11-22 | 2022-11-22 | 一种orp控制精准曝气的*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115806344A CN115806344A (zh) | 2023-03-17 |
CN115806344B true CN115806344B (zh) | 2023-08-04 |
Family
ID=85483765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211467866.4A Active CN115806344B (zh) | 2022-11-22 | 2022-11-22 | 一种orp控制精准曝气的*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115806344B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116375233B (zh) * | 2023-03-24 | 2024-04-12 | 寿县国祯水处理有限公司 | 一种分区联动提升的曝气***及需氧量联动计算方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106745739A (zh) * | 2016-12-22 | 2017-05-31 | 北京工业大学 | 一种基于神经网络模型预测pH变化实现SBR短程硝化的方法 |
CN107402586A (zh) * | 2017-08-29 | 2017-11-28 | 北京易沃特科技有限公司 | 基于深度神经网络的溶解氧浓度控制方法及*** |
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 |
CN112390388A (zh) * | 2020-11-25 | 2021-02-23 | 创新奇智(青岛)科技有限公司 | 一种模型训练方法、曝气值预估方法、装置及电子设备 |
CN112661259A (zh) * | 2020-12-15 | 2021-04-16 | 海天水务集团股份公司 | 一种曝气过程自适应控制方法及*** |
CN112782975A (zh) * | 2020-12-02 | 2021-05-11 | 海天水务集团股份公司 | 一种基于深度学习的污水处理曝气智能控制方法及*** |
CN114647971A (zh) * | 2020-12-18 | 2022-06-21 | 中国农业大学 | 一种溶解氧调控方法和装置 |
-
2022
- 2022-11-22 CN CN202211467866.4A patent/CN115806344B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106745739A (zh) * | 2016-12-22 | 2017-05-31 | 北京工业大学 | 一种基于神经网络模型预测pH变化实现SBR短程硝化的方法 |
CN107402586A (zh) * | 2017-08-29 | 2017-11-28 | 北京易沃特科技有限公司 | 基于深度神经网络的溶解氧浓度控制方法及*** |
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 |
CN112390388A (zh) * | 2020-11-25 | 2021-02-23 | 创新奇智(青岛)科技有限公司 | 一种模型训练方法、曝气值预估方法、装置及电子设备 |
CN112782975A (zh) * | 2020-12-02 | 2021-05-11 | 海天水务集团股份公司 | 一种基于深度学习的污水处理曝气智能控制方法及*** |
CN112661259A (zh) * | 2020-12-15 | 2021-04-16 | 海天水务集团股份公司 | 一种曝气过程自适应控制方法及*** |
CN114647971A (zh) * | 2020-12-18 | 2022-06-21 | 中国农业大学 | 一种溶解氧调控方法和装置 |
Non-Patent Citations (1)
Title |
---|
姚重华等.《环境工程仿真与控制(第三版)》.2010,第149-151页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115806344A (zh) | 2023-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9747544B2 (en) | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network | |
CN115806344B (zh) | 一种orp控制精准曝气的*** | |
JP2007229550A (ja) | 下水処理場運転支援装置 | |
CN102411308B (zh) | 基于递归神经网络模型的溶解氧的自适应控制方法 | |
CN104848885B (zh) | 一种对设备未来故障时间点进行预测的方法 | |
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 | |
CN112661259A (zh) | 一种曝气过程自适应控制方法及*** | |
CN114297954A (zh) | 一种基于污水处理厂的大数据智能分析数字管控平台 | |
CN102262147A (zh) | 一种废水处理***出水cod的软测量方法和*** | |
CN105574326A (zh) | 一种基于自组织模糊神经网络的出水氨氮浓度软测量方法 | |
CN103632032A (zh) | 一种城市污水处理过程出水指标在线软测量预测方法 | |
Yetilmezsoy et al. | Stochastic modeling applications for the prediction of COD removal efficiency of UASB reactors treating diluted real cotton textile wastewater | |
CN111125907B (zh) | 一种基于混合智能模型的污水处理氨氮软测量方法 | |
CN107402586A (zh) | 基于深度神经网络的溶解氧浓度控制方法及*** | |
AU2021100130A4 (en) | Intelligent control method and system for sewage treatment aeration based on deep learning | |
CN110186505A (zh) | 一种基于支持向量机的农村生活污水处理设施出水达标情况的预测方法 | |
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 | |
CN113248025B (zh) | 一种农村生活污水处理的控制方法、云端服务器及*** | |
CN112978919A (zh) | 污水处理厂碳源投加***和方法 | |
CN106651032A (zh) | Sbr法氨氧化过程神经网络智能控制的方法 | |
CN115754207A (zh) | 一种污水生物处理工艺模拟仿真方法和*** | |
CN114169242A (zh) | 一种基于参数不确定性分析河道生态增氧的智能控制算法 | |
CN115422850A (zh) | 基于efdc和边缘计算判断河流入河排污口污染贡献率的方法 | |
CN117247132B (zh) | 一种基于aao工艺的智能精准曝气方法 | |
JP2003245653A (ja) | 処理装置の運転支援方法、水処理装置の運転支援方法及びその装置 |
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 |