申请/专利权人：成都之维安科技股份有限公司

申请日：2023-11-15

公开（公告）日：2024-01-30

公开（公告）号：CN117247132B

主分类号：G05B13/04

分类号：G05B13/04;C02F3/00;G06F16/215;G06N3/043;G06N3/0455;G06N3/08;C02F3/30

优先权：

专利状态码：有效-授权

法律状态：2024.01.30#授权;2024.01.05#实质审查的生效;2023.12.19#公开

摘要：本发明涉及曝气控制技术领域，提供了一种基于AAO工艺的智能精准曝气方法，包括以下步骤：S1、获取现有的数据；S2、进行数据清洗；S3、构建水质预测模型和模糊神经网络控制器；S4、形成第一数据样本库；S5、训练水质预测模型；S6、形成第二数据样本库；S7、训练模糊神经网络控制器；S8、获取实时的时序数据和进水水质数据并输入水质预测模型，水质预测模型输出L时间后的出水预测CODp值，并计算出水预测CODp值与期望CODd值之间的误差和误差的变化率；S9、模糊神经网络控制器实时控制曝气风机频率的大小。本发明能够实现曝气风机的智能控制，从而解决现有技术存在的曝气风机控制准确性和稳定性不足、曝气过高导致能耗较高等问题。

主权项：1.一种基于AAO工艺的智能精准曝气方法，其特征在于：包括以下步骤：S1、获取现有的基于AAO工艺的污水处理厂运行的时序数据、进水水质数据和出水水质数据，所述进水水质数据包括进水流量数据、进水COD数据、进水氨氮NH3-N数据、进水总磷TP数据和pH数据，所述出水水质数据包括出水COD数据、曝气池DO数据、氧化沟MLSS数据、缺氧ORP数据、混合液回流比r数据、水力停留时间HRT数据和曝气风机频率数据；S2、删除已获取数据中的异常值并进行数据清洗，所述数据清洗包括采用上一时刻的对应数据对缺失的数据进行填充，形成数据集；S3、构建基于DualTransformer的水质预测模型和模糊神经网络控制器；S4、利用所述数据集，以时间步长L作为连续时间节点长度，t－L时刻的进水水质数据作为所述水质预测模型的输入数据，t时刻的出水水质数据作为水质预测模型的输出数据，形成第一数据样本库；S5、利用所述第一数据样本库训练所述水质预测模型；S6、利用所述数据集，以时间步长L作为连续时间节点长度，t-L时刻的出水实际COD值与期望CODd值之间的误差和误差变化率作为所述模糊神经网络控制器的输入数据，t时刻的曝气风机频率值作为所述模糊神经网络控制器的输出数据，形成第二数据样本库；S7、利用所述水质预测模型的输出数据和所述第二数据样本库训练所述模糊神经网络控制器；S8、获取实时的基于AAO工艺的污水处理厂运行的所述时序数据和所述进水水质数据并输入所述水质预测模型，所述水质预测模型输出L时间后的出水预测CODp值，并计算出水预测CODp值与期望CODd值之间的误差和误差的变化率；S9、将出水预测CODp值与期望CODd值之间的误差和误差的变化率输入所述模糊神经网络控制器，所述模糊神经网络控制器实时控制曝气风机频率的大小，使出水水质达到期望CODd值；在步骤S4中，将所述第一数据样本库分为第一训练数据样本和第一测试数据样本，利用所述第一训练数据样本对所述水质预测模型进行训练，利用所述第一测试数据样本对所述水质预测模型进行测试，并根据测试结果不断对其进行优化；在步骤S6中，将所述第二数据样本库分为第二训练数据样本和第二测试数据样本，利用所述第二训练数据样本对所述模糊神经网络控制器进行训练，利用所述第二测试数据样本对所述模糊神经网络控制器进行测试，并根据测试结果不断对其进行优化；所述水质预测模型包括维度分段模块、EfficientAttention层、TransposeAttention层、编码器和解码器；所述维度分段模块将输入的所述时序数据中的每维数据切分为长度为l的时序小段，切分后第d维的第i个时序小段的长度为l的数据表示为xi,d∈Rl，将每个数据通过线性映射和位置编码信息的嵌入得到经过所述维度分段模块的输出： 其中lnew表示将l线性映射后的维度，Epos表示位置编码信息，R表示实数空间；所述EfficientAttention层用于捕获所述维度分段模块输出数据的维度注意依赖特征，所述EfficientAttention层的维度注意依赖特征计算方法为：EQ,K,V＝ρqQρkKTV，其中ρq，ρk分别表示查询和键的归一化函数；所述TransposeAttention层用于捕获所述维度分段模块输出数据的时序依赖特征，所述TransposeAttention层的时序依赖特征计算方法为：TQ,K,V＝VCTK,Q,CTK,Q＝softmaxKTQτ，其中CT表示转置注意的时间依赖权重，τ表示用来提高模型训练期间稳定性的应用参数；所述EfficientAttention层与TransposeAttention层之间依次连接，连接的公式为：EblockX,Q1,K1,V1＝EQ1,K1,V1+X，MLP1Eblock＝MLPLNEblock，TblockEblock,Q2,K2,V2＝TMLP1Eblock+Eblock+MLP1Eblock,MLP2Tblock＝MLPLNTblock，DualattentionTblock＝MLP2Tblock+Tblock，其中E和T分别表示EfficientAttention层和TransposeAttention层，Tblock为TransposeAttention层的注意块，Eblock是EfficientAttention层的注意块，Q1、K1、V1分别代表以输入特征x计算出来的键、查询和值，Q2、K2、V2表示从Eblock计算出来的键、查询和值，MLP表示多层感知器，LN表示层归一化；MLP的计算方法为：MLPX＝FCGELUDWConvFCX,其中FC表示全连接层，GELU表示GELU激活函数，DWConv表示深度卷积；所述编码器和所述解码器均采用不同尺度的层级结构构建；所述水质预测模型输出的最终预测值为不同尺度的层级结构预测值之和。

全文数据：

权利要求：

百度查询： 成都之维安科技股份有限公司 一种基于AAO工艺的智能精准曝气方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD