基于DE-BP算法的模糊神经网络控制器及其在污水处理溶解氧浓度控制上的应用

针对污水处理过程这一多变量、强耦合的复杂非线性系统,提出了一种基于差分进化算法的模糊神经网络控制方法,并应用于污水处理过程溶解氧浓度的控制。首先利用差分进化(DE)结合BP的混合算法对给定的模糊神经网络控制器结构参数进行离线优化,然后利用BP算法较强的局部搜索能力,对参数进一步在线调整。将所提出的控制器用于污水处理BSM1仿真平台的溶解氧浓度控制,控制性能优于常规的模糊控制器,仿真结果表明了该控制策略的有效性。     

神经网络预测控制在污水处理溶解氧控制中的应用

针对污水处理过程溶解氧浓度时变设定值难以控制的问题,提出一种溶解氧浓度的神经网络预测控制器设计方法.首先,在活性污泥法污水处理过程通用机理模型基础上,利用系统的输入、输出数据,采用递推学习更新模式,通过三层BP神经网络训练出系统神经网络逼近模型.然后,设计满足出水水质指标的溶解氧约束预测控制器.在考虑溶解氧测量白噪音干扰和进水流量发生阶跃变化情况下,将所设计的控制器用于污水处理溶解氧浓度的时变设定值跟踪控制.仿真结果表明:与传统PID控制器相比,神经网络预测控制器能够显著提高溶解氧跟踪控制性能,具有更好的自适应性和抗干扰能力.     

油田采油污水处理的溶解氧浓度PID控制稳定参数域综合

油田采油污水采用活性污泥法工艺进行处理,活性污泥法的净化反应是一个耗氧过程,决定其处理效果的关键因素是生化池中的溶解氧浓度(DO值).以污水处理过程中曝气池中溶解氧(DO值)浓度为被控量,研究了污水处理过程PID溶解氧浓度控制器的综合问题,基于图解法给出了PID溶解氧控制器的完整稳定参数域,且该稳定条件是充要的,无保守性,对PID溶解氧控制器参数的选取具有重要指导意义.     

几种溪流蜉蝣稚虫致死溶解氧浓度的初步研究

本文通过对南京近郊三个科、四个种蜉蝣稚虫(南京宽基蜉Choroterpesnan jingensis You et al.紫金吉氏蜉Gilliesia zijingensis sp.nov.Gui et Zhang.细蜉蝣Gaenis sp.及扁蜉蝣Heptagenia sp.)致死溶解氧浓度的研究。指出紫金吉氏蜉和南京宽基蜉、扁蜉蝣分别在不同要求下为良好的污染指示生物。     

控制低溶解氧浓度实现生活污水短程硝化研究

以SBR工艺处理低C/N生活污水 ,研究了溶解氧浓度 (DO)对硝化过程中亚硝酸氮积累的影响 .在 2 0～ 2 5℃ ,进水氨氮为 78～ 10 8mg/L时 ,当DO <1.0mg/L ,出现亚硝酸氮的累积 .当DO在 0 .5～ 0 .7mg/L时 ,曝气时间 6h ,亚硝化率可达到 80 %以上 ,氨氮去除率在 95 %以上 .与其他 5个溶解氧浓度水平相比 ,该条件下是既达到较高亚硝化率 ,又达到较高氨氮去除率的最佳工况     

基于粒子群算法的神经网络在污水处理优化中的应用

在对污水处理模型研究的基础上,建立了神经网络污水处理模型.为进一步提高污水处理效率,降低能源消耗,提出了基于粒子群算法的污水处理神经网络优化模型,并与遗传算法神经网络优化模型进行了仿真及测试比较,结果证明了本文提出方法的优越性及有效性.     

控制溶解氧浓度对里氏木霉产纤维素酶的促进作用

通过调节通风量控制溶解氧浓度研究其对里氏木霉产纤维素酶的促进作用.结果表明:当通风量固定为25L/(h·L)时,反应22～40h期间溶解氧浓度过低,0～15h和45h以后溶解氧浓度偏高.45～80h期间气体中CO2含量在0.8%以上,不利于菌丝的生长.调节通风量控制溶解氧浓度,可有效地提高里氏木霉合成纤维素酶的能力,并显著地缩短产酶时间.当溶解氧为20%～30%时,气体中CO2含量降到0.4%左右,菌丝生长代谢快,滤纸酶活从固定通风量时的2.75U/mL增加到3.54U/mL,提高28.7%,产酶酶活最高的时间也从84h缩短到72h.     

基于Copt-aiNet的污水处理过程优化控制

污水处理是一个复杂的动态反应过程,针对如何确定优化控制中关键变量的动态最优设定值,使满足出水水质排放达标的同时降低运行能耗的问题,提出了一种基于人工免疫算法Copt-aiNet(组合优化的人工免疫网络)的污水处理控制策略.首先,利用Copt-aiNet确定第二分区溶解氧质量浓度和第五分区硝态氮质量浓度的最优设定值;再利用控制器跟随最优设定值,对氧传递系数和内回流流量进行控制,进而对曝气能耗和泵送能耗同时进行优化;最后,在仿真平台BSM1上进行仿真实验,结果验证了本文控制策略的有效性,可以在保证出水水质达标的前提下有效降低能耗.     

活性污泥法优化控制──溶解氧浓度对运行费用的影响

在现有的关于活性污泥法最优控制研究的基础上，　以溶解氧浓度为控制变量，以出水水质为约束条件，以运行费用为性能指标，对多变量最优控制问题进行了探讨。建立了最优控制所必要的基本状态方程与性能指标的泛函表达式，通过计算研究了在满足同一出水质量前提下控制不同的溶解氧浓度时所需要的运行费用。运算结果表明，溶解氧浓度为１．２ｍｇ／Ｌ时所需运行费用最少，这与传统观点的活性污泥法应当维持溶解氧浓度大于２．０ｍｇ／Ｌ相比相差较大，说明将最优控制引入水处理工程，将产生很大的经济效益。     

神经网络动态规划在溶解氧控制中的应用

针对污水处理过程溶解氧质量浓度控制问题,提出一种基于神经网络动态规划的控制器设计方法.该方法不需要建立污水处理过程的非线性动力学模型,控制器的设计只需要系统的输入、输出观测信息.控制器设计采用评价—行动的思想,策略的评价值及最优行动分别采用两个回声状态网络逼近,给出评价网络的收敛条件.对污水处理过程溶解氧的控制试验结果表明,与常规PID控制相比,神经网络动态规划控制器能够有效提高控制精度,抑制干扰能力也明显增强.     

青霉素发酵过程中溶解氧的变结构预估控制

溶解氧是青霉素生产发酵过程中的重要参数之一,其浓度与菌体细胞的生长速度密切相关.在青霉素发酵过程溶解氧变化机理的基础上,将模糊神经网络和变结构预估控制方法相结合,研究了基于模糊神经网络的青霉素发酵过程溶解氧的变结构预估控制方法,设计了青霉素发酵过程溶解氧的变结构预估控制系统.实验结果表明,对青霉素发酵过程中的溶解氧浓度进行变结构预估控制,可以使溶解氧浓度的调节达到满意的效果,既降低氧消耗,又避免出现氧抑制现象,使发酵过程始终处于较优的状态.     

基于人工免疫算法的神经网络电力系统短期负荷预测

在BP神经网络（Baek-propagatlon neural network, BPNN）模型中引入人工免疫算法（Artificial Immune Algo-rithm,AIA）,给出了AIA-BPNN模型,基本思想是结合AIA算法的搜索特性和BPNN 模型的优良性能,可以进一步提高学习能力．与实际电力系统结合构造了AJA-BPNN电力系统短期负荷预测模型,通过使用AIA算法,优化BPNN的权值和阈值。使BPNN权值和阈值选择的盲目性得以克服．     

光学溶解氧传感器和Winkler法测定溶解氧的对比研究

依托实验室搭建的溶解氧对比装置,系统研究了不同温度和溶解氧条件下光学溶解氧传感器和Winkler法测定溶解氧的区别。 结果表明,光学溶解氧传感器和Winkler法测定溶解氧的结果有较好的相关性,在不同温度条件下两者的相关系数均大于0.998。在溶解氧浓度低于4 mg·L^-1时,光学溶解氧传感器测定值略低于Winkler法;在溶解氧浓度大于4 mg·L^-1时,光学溶解氧传感器与Winkler测定差值主要集中在-0.25~0.25 mg·L^-1。两种光学溶解氧传感器测定结果较为接近,差值小于0.10 mg·L^-1。光学溶解氧传感器测定是一种可靠的溶解氧检测方法,可适用于海洋调查和养殖区的常规在线监测。     

溶解氧测定仪使用方法及改进

在水体当中溶解了很多的物质，其中溶解氧在水体中占有很重要的作用。它决定着水体的理化性质、生物活性等。在工业生产当中，需要很多的水，而这些水往往因为污染而不能再次利用成为废水。溶解氧的测定对于水污染控制和废水处理有着重要的作用。而本文正是介绍一种溶解氧测定仪，溶解氧测定仪的投入使用，在很大程度上帮助了科技的提升。     

寒区湖泊冰下溶解氧浓度的数值模拟

根据芬兰Valkea-kotinen湖2011年1月14日至2011年4月3日冰下溶解氧浓度和温度的现场观测数据,利用分布参数系统参数辨识方法,对Golosov等人建立的淡水湖泊冰下溶解氧浓度一维偏微分方程模型中溶解氧湍流垂直交换系数进行优化辨识,得到了适应该湖泊的溶解氧湍流垂直交换系数值,并利用该溶解氧湍流垂直交换系数值模拟了Valkea-kotinen湖冰下溶解氧浓度随时间变化的情况。数值模拟结果与实测数据吻合良好,说明辨识出的Valkea-kotinen湖冰下溶解氧湍流垂直交换系数是准确有效的,该结果能对寒区冰下溶解氧浓度的数值模拟研究提供参考依据。     

基于二层分解技术和改进神经网络的河流溶解氧预测研究

针对河流溶解氧质量浓度序列的非线性和不稳定性导致的预测精度低的问题,提出二层分解技术和改进神经网络相融合的预测模型.首先,引入自适应噪声的完整集成经验模态分解对溶解氧时序数据进行分解,通过计算分解后各本征模函数（Intrinsic Mode Functions,IMF）的排列熵值以量化序列的复杂性,用变分模态分解对熵值较高的IMF进行二次分解,进一步削弱序列的非线性和不稳定性从而保证预测精度;其次,使用麻雀搜索算法优化神经网络的权值和阈值并对各分量进行预测;最后,将各分量预测结果重构后得到最终预测结果.实验结果表明,所提预测模型平均绝对误差为0.091,均方根误差为0.14,平均绝对百分比误差为0.96%,决定系数为0.948,优于其它预测模型.     

溶解氧浓度对好氧阶段生物脱氮途径的影响

采用连续流一体化生物反应器(CIBR)系统,研究了4种曝气量(0.3,0.6,0.9和1.2 m3/h)对好氧阶段生物脱氮途径的影响.实验结果表明:当曝气量为0.3 m3/h时硝化反应未能顺利进行,其余3种曝气量下均顺利完成硝化反应,曝气量越大,硝化速率越大;总氮(TN)损失量分析表明低曝气量有利于同步硝化反硝化(SND)的发生,当曝气量为0.3 m3/h时TN损失量高达9.76 mg·L-1,当曝气量高于0.3 m3/h时以传统硝化作用为主.研究表明溶解氧(DO)质量浓度影响生物脱氮途径的根本原因是DO影响了氨氧化菌(AOB)、亚硝酸盐氧化菌(NOB)和反硝化菌(DB)的活性,可通过在线控制方式实现各种脱氮途径.     

基于Adam算法BP神经网络的 矿井环境瓦斯浓度预测模型

为了解决现有矿井环境瓦斯浓度预测方法无法处理大数据量、适应性差、误差较大、易陷入局部最优等问题,提出一种基于Adam算法的改进型BP（Back Propagation）神经网络模型,模型适用于矿井多环境参数下,对某区域内环境瓦斯浓度进行预测.对监测监控系统采集到的真实数据进行归一化处理并形成数据集,通过将Adam算法与BP网络模型进行有效结合形成新的网络模型.运用训练集对模型进行训练及调优后,迭代次数在1 200次后损失率趋于平稳,验证集预测的结果整体平均误差率为1.258%,结果表明:该优化模型提高了网络训练速度,且避免了传统BP模型容易陷入局部最小的缺点,同时降低了预测的相对误差.