[發明專利]基于深度神經網絡的溶解氧濃度控制方法及系統

在審

• 申請號: 201710756466.8
• 申請日: 2017-08-29
• 公開（公告）號: CN107402586A
• 公開（公告）日: 2017-11-28
• 發明（設計）人: 方芳;賈勝勇;李守東;姜寧;梁猛
• 申請（專利權）人: 北京易沃特科技有限公司
• 主分類號: G05D11/13
• 分類號: G05D11/13
• 代理公司: 北京酷愛智慧知識產權代理有限公司11514
• 代理人: 安娜

1.基于深度神經網絡的溶解氧濃度控制方法，其特征在于，所述方法包括：

檢測并采集廢水中的多組原始數據；

根據所述原始數據建立深度神經網絡模型；

利用所述深度神經網絡模型計算控制參數；

根據所述控制參數，對曝氣量進行調整。

2.根據權利要求1所述的溶解氧濃度控制方法，其特征在于，所述根據所述原始數據建立深度神經網絡模型，具體包括：

取出所述原始數據中的一部分數據作為訓練樣本；

調用所述深度神經網絡模型的參數訓練函數；

采用所述參數訓練函數，對所述訓練樣本進行學習和訓練；

根據學習和訓練的結果建立深度神經網絡模型。

3.根據權利要求2所述的溶解氧濃度控制方法，其特征在于，所述根據所述原始數據建立深度神經網絡模型，還包括：利用所述深度神經網絡模型進行廢水處理的仿真。

4.根據權利要求3所述的溶解氧濃度控制方法，其特征在于，所述利用所述深度神經網絡模型進行廢水處理的仿真，具體包括：

取出所述原始數據中剩余的數據作為測試樣本；

調用所述深度神經網絡模型的仿真函數；

利用所述仿真函數和所述測試樣本對污水處理進行仿真，得到預測數據；

利用所述預測數據檢測所述模型的準確性和穩定性。

5.根據權利要求4所述的溶解氧濃度控制方法，其特征在于，所述檢驗深度神經網絡模型的準確性和穩定性，具體包括：

將所述預測數據和實測數據的變化趨勢進行對比，檢驗兩者之間的誤差。

6.根據權利要求1所述的溶解氧濃度控制方法，其特征在于，所述利用所述深度神經網絡模型計算控制參數，具體包括：

設置所述模型的輸入參數，利用所述模型計算與輸入參數相對應的輸出參數，作為控制參數。

7.根據權利要求6所述的溶解氧濃度控制方法，其特征在于，所述輸入參數包括：廢水流量，水力停留時間，進水污染物濃度，出水污染物濃度，活性污泥濃度，溶解氧濃度；所述輸出參數為曝氣量。

8.根據權利要求1所述的溶解氧濃度控制方法，其特征在于，所述檢測并采集廢水中的多組原始數據之后，建立深度神經網絡模型之前，還包括：

對所述原始數據進行有效性分析，從中提取有效數據，用所述有效數據更新所述原始數據。

9.根據權利要求1至3中任一項所述的溶解氧濃度控制方法，其特征在于，所述原始數據包括：廢水流量，水力停留時間，進水污染物濃度，出水污染物濃度，活性污泥濃度，曝氣量參數及對應的溶解氧濃度。

10.基于深度神經網絡的溶解氧濃度控制系統，其特征在于，所述系統包括：數據采集模塊，模型建立模塊，參數計算模塊，控制模塊；

所述數據采集模塊，用于檢測并采集廢水中的多組原始數據；

所述模型建立模塊，用于根據所述原始數據建立深度神經網絡模型；

所述參數計算模塊，用于利用所述深度神經網絡模型計算控制參數；

所述控制模塊，用于根據所述控制參數，對曝氣量進行調整。