选择特殊符号
选择搜索类型
请输入搜索
批准号 |
60304012 |
项目名称 |
活性污泥法污水处理过程智能优化控制新方法 |
项目类别 |
青年科学基金项目 |
申请代码 |
F0302 |
项目负责人 |
乔俊飞 |
负责人职称 |
教授 |
依托单位 |
北京工业大学 |
研究期限 |
2004-01-01 至 2006-12-31 |
支持经费 |
28(万元) |
以活性污泥法城市污水生物处理过程为研究对象,以污水出水水质和处理成本为最终控制目标,研究数据挖掘、智能信息处理技术,建立污水处理中生化反应过程自组织模型;研究基于神经计算的模型化软测量方法,解决污水关键水质参数BOD、COD等不能实时测量的问题;研究智能优化控制理论及实用方法,解决在约束条件下污水生化反应过程的动态优化设定及在线控制问题。城市污水生物处理过程智能优化控制技术的研究,不仅对淡水资源的保护和污水再生资源化具有十分重要的意义,而且对完善和发展智能优化控制理论也具有积极的推动作用。 2100433B
活性污泥法处理污水的方法?活性污泥池内本身就具有好氧、厌氧和兼氧三个阶段和部分,不需要单独设立好氧厌氧的池子。只要调节下面的曝气并且注意控制污泥的回流即可~
活性污泥法是以活性污泥为主体的废水生物处理的主要方法。活性污泥法是向废水中连续通入空气, 活性污泥法经一定时间后因好氧性微生物繁殖而形成的污泥状絮凝物。其上栖息着以菌胶团为主的微生物群,具有很强的吸...
活性污泥法污水处理过程的建模与仿真技术的研究
第 33 卷第 6 期 信 息 与 控 制 Vol. 33 ,No. 6 2004 年 12 月 Information and Control Dec. , 2004 文章编号 :1002204
污水处理过程中的节能优化控制方法
随着国民经济的发展和进步,工业化水平日新月异,必然在经济生产生活中会产生各种难处理的污水和废物。高浓度难降解污水会对生态环境及人民群众的身体健康大有害处,所以我们必须要重视污水的处理方法。但是在污水处理过程中会遇到很多的复杂问题,我们要对这些问题进行探讨,要在节约成本,讲究节能降耗、提高效率的基础上优化控制方法。本文就是对污水处理过程节能优化控制方法的研究。
《污水处理过程优化控制系统》可供从事水环境保护或自动控制系统的研究人员参考,可作为自动化、环境工程等专业本科生与研究生的教材。
第一章 污水处理过程测量与控制概论
1.1 污水处理的意义
1.2 我国污水处理的现状
1.3 污水处理的方法及工艺
1.3.1 污水处理方法
1.3.2 SBR工艺污水处理系统
1.4 污水处理过程建模现状
1.5 污水处理过程控制现状
1.6 污水处理过程软测量现状
1.7 污水处理系统在线测量与控制存在的问题
1.7.1 流程工业生产过程在线测量存在的问题
1.7.2 污水处理过程在线测量与控制存在的问题
第二章 污水处理出水水质BOD软测量机理建模
2.1 软测量在废水处理中的应用
2.1.1 软测量的概念、意义及发展
2.1.2 污水处理中软测量的必要性
2.1.3 软测量在污水处理中的常用方法简介
2.2 BOD软测量机理模型公式
2.2.1 经典劳伦斯—麦卡蒂公式
2.2.2 劳伦斯—麦卡蒂公式在废水处理中演化形式
2.2.3 泰勒展开BOD软测量机理模型公式
2.3 基于最小二乘法的污水处理BOD软测量线性补偿方法
2.3.1 最小二乘原理
2.3.2 递推最小二乘算法对机理模型的补偿
2.3.3 限定记忆最小二乘算法对机理模型的补偿
2.3.4 基于偏最小二乘的BOD软测量机理模型非线性补偿方法
2.3.5 基于核最小二乘法的污水BOD软测量机理模型补偿算法
2.4 基于神经网络的BOD机理模型的补偿方法
2.4.1 BP神经网络软测量模型设计
2.4.2 基于过程神经网络的BOD软测量模型
第三章 基于PNN的污水处理软测量方法研究
3.1 过程神经元网络(PNN)
3.1.1 过程神经元
3.1.2 过程神经元网络模型
3.2 基于PNN的软测量方法及改进算法
3.2.1 基于函数正交基的PNN学习算法
3.2.2 基于函数正交基展开的PNN改进算法
3.3 基于PNN的污水处理过程软测量
3.3.1 软测量模型变量的选取
3.3.2 软测量结构模型
3.3.3 实验数据及软测量结果
第四章 基于RBF神经网络的水处理过程建模方法
4.1 RBF神经网络
4.1.1 RBF函数及RBF神经元
4.1.2 RBF网络的特点、映射机理
4.1.3 RBF神经网络的学习算法
4.2 水处理优化控制数学模型的RBF神经网络建模
4.2.1 污水处理优化控制的目标
4.2.2 水处理RBF神经网络模型的训练和测试
第五章 溶解氧的智能控制方法
5.1 溶解氧的智能控制方法
5.1.1 人工神经网络控制
5.1.2 模糊控制
5.1.3 专家控制
5.1.4 遗传算法
5.2 单变量Do控制
5.2.1 被控对象建模
5.2.2 常规PID的Do控制器设计
5.2.3 基于BP神经网络的自整定PID控制
5.2.4 基于BP神经网络的自整定PID控制原理
5.2.5 基于BP神经网络的自整定PID控制仿真
5.2.6 双模糊控制器设计
5.2.7 模糊PID—Smith控制器设计
5.3 基于模糊理论的多变量Do控制
5.3.1 多变量模糊控制的现状与发展
5.3.2 基于模糊PID—Smith和模糊理论的两级Do控制器的设计
5.3.3 基于双模糊PID—Smith理论的两级Do控制器的设计
第六章 基于智能进化算法的优化控制方法及实现
6.1 智能进化算法概述
6.1.1 经典优化算法及其弊端
6.1.2 遗传算法
6.1.3 粒子群算法
6.2 基于粒子群算法的污水处理过程的参数优化设计
6.2.1 优化算法的选取
6.2.2 粒子群算法的设计流程
6.3 基于粒子群算法的活性污泥法的优化设计实现
第七章 污水处理过程的模糊控制技术及实现
7.1 污水处理模糊控制技术
7.1.1 污水处理模糊控制系统基本结构
7.1.2 模糊控制器的设计
7.2 基于预测模型的自适应模糊控制器的设计与仿真
7.2.1 自适应模糊控制器构成
7.2.2 自适应模糊控制系统的仿真
7.2.3 自适应模糊控制器算法及其实现
7.2.4 自适应模糊控制仿真结果及分析
7.3 模糊Smith—PID复合控制方法
7.3.1 SBR常规控制方法分析
7.3.2 模糊Smith—PID控制器设计
第八章 生物流化床及其控制方法
8.1 生物流化床的基本特性
8.1.1 生物流化床工作原理
8.1.2 生物流化床特性
8.1.3 生物流化床研究状况
8.2 智能控制方法
8.2.1 自适应控制
8.2.2 模糊控制
8.2.3 神经网络控制
8.2.4 专家控制
8.3 三相生物流化床氨氮废水处理过程数学模型研究
8.3.1 内循环三相生物流化床氨氮废水处理的结构和工作原理
8.3.2 内循环三相生物流化床处理氨氮废水实验
8.3.3 内循环三相生物流化床氨氮废水处理过程主导模型的建立
8.4 基于遗传算法改进的过程神经网络BOD5软测量模型
8.4.1 软测量模型变量的选取
8.4.2 过程神经网络结构的确定
8.4.3 基于遗传算法训练速率寻优的改进算法
8.4.4 过程神经网络BOD5软测量模型的实现
8.4.5 实验分析
8.5 基于遗传算法改进的T—S模糊控制及在生物流化床的应用
8.5.1 T—S模糊控制
8.5.2 分层模糊控制
8.5.3 遗传算法改进T—S模糊自适应控制方法
8.6 基于DRNN网络辨识的自整定PID解耦控制及在生物流化床的应用
8.6.1 PID参数整定方法
8.6.2 基于DRNN辨识的自整定PID解耦控制算法
8.7 生物流化床污水处理监控系统设计与实现
8.7.1 生物流化床污水处理监控系统设计
8.7.2 基于西门子S7—200PLC的下位机程序控制
8.7.3 基于WebAccess和Flash交互制作实现的上位机监控
第九章 污水处理过程的自抗扰控制方法
9.1 自抗扰控制技术
9.1.1 安排过渡过程(TD)
9.1.2 扩张状态观测器(ESO)
9.1.3 非线性误差反馈控制率(NLEFS)
9.2 SBR污水处理的自抗扰控制设计
9.2.1 SBR控制系统特点分析
9.2.2 自抗扰控制系统的设计
9.2.3 参数整定规律分析
9.2.4 SBR污水处理自抗扰控制系统仿真
9.3 生物流化床氨氮废水处理自抗扰控制设计
9.3.1 系统总体框图
9.3.2 系统一阶自抗扰控制器设计
9.3.3 系统二阶自抗扰控制器设计
9.3.4 生物流化床氨氮废水处理的自抗扰控制仿真研究
9.4 生物流化床氨氮废水处理自抗扰控制器的优化
9.4.1 控制器优化问题
9.4.2 自抗扰控制器参数的优化
9.4.3 遗传算法对二阶自抗扰控制器参数的优化
9.5 自抗扰控制器的稳定性分析
附录:基于BP神经网络的自整定PID控制程序 2100433B
智能优化平台上的各优化包,界面简洁,操作简单,易于上手。同时这些优化包针对场景化进行设计,针对实际推广中的不同问题定制,以满足您的使用需求。
智能优化系列产品不仅方便操作,更能借助百度内部的庞大数据资源和先进算法,为百度推广客户定制有效的账户优化方案,提升客户的推广效果和转化率,提高投资回报比。