-
公开(公告)号：CN111367181B
公开(公告)日：2022-06-07
申请号：CN202010263147.5
申请日：2020-04-07
Applicant: 北京工业大学
IPC: G05B13/04
Abstract: 本发明提出一种用于污水处理系统的混合驱动智能评判控制方法，同时考虑基于数据和事件的思想，采用新颖的混合驱动迭代自适应评判控制设计，以解决一类污水处理系统的智能优化控制问题；将神经动态规划技术与迭代自适应评判框架相结合，在数据驱动学习机制下，降低优化控制设计过程对于被控对象的动态信息要求；同时设计一个合理的事件驱动阈值，使得控制信号在满足适当的条件时进行更新，从而切实提高复杂动态系统的控制效率。采用本发明提出的混合驱动智能评判控制方法，能够使得溶解氧浓度和硝态氮浓度达到期望值，并且显著提高了整个系统的控制效率。
-
公开(公告)号：CN113741182A
公开(公告)日：2021-12-03
申请号：CN202110916446.9
申请日：2021-08-11
Applicant: 北京工业大学
IPC: G05B13/04
Abstract: 本发明提出一种基于广义值迭代的污水处理过程控制方法，用于解决溶解氧浓度和硝态氮浓度的最优跟踪设计问题。本发明通过任意一个半正定的函数进行初始化而不必须为零，其中参数λ能够从未来的多个回报中学习从而加速学习过程。在GVI(λ)算法框架下，引入三个神经网络分别用于近似两种代价函数和跟踪控制律，给出基于神经网络的代价函数和跟踪控制律更新公式。在迭代算法执行过程中，建立一个新的停止准则来终止算法，从而保证系统的稳定性和跟踪控制律的最优性。实验结果表明，这里提出的GVI(λ)算法能在保证系统稳定性的前提下，有效地控制溶解氧浓度和硝态氮浓度。
-
公开(公告)号：CN120065948A
公开(公告)日：2025-05-30
申请号：CN202510212804.6
申请日：2025-02-26
Applicant: 北京工业大学
IPC: G05B19/418 , C02F3/30 , G06N5/022 , G06N3/084 , G06N3/096
Abstract: 本发明提出一种融合知识迁移的污水处理过程自适应评判控制方法，用于实现污水处理过程中溶解氧浓度对设定值的精确跟踪。在实现模型未知的污水处理系统优化控制时，传统自适应评判控制(Adaptive critic control，ACC)算法中的直接式控制策略往往对系统扰动敏感，可能导致控制性能急剧下降。本发明同时考虑知识迁移和增量控制，通过将常规ACC算法的控制策略优化为增量式，抗干扰性能得到了有效提升。其次，借助系统历史运行数据实施不同控制方法间的知识迁移，成功降低本发明前期训练的试错成本。再次，设计一种具有软策略约束机制的新型效用函数，增强了在线优化过程中的稳定性。最后，通过实验验证了本发明有效性。
-
公开(公告)号：CN114783532B
公开(公告)日：2024-12-13
申请号：CN202210381970.5
申请日：2022-04-12
Applicant: 北京工业大学
Abstract: 本发明提供了一种基于机理‑数据驱动的城市污水处理脱氮过程的混合建模方法，其特征在于，包括以下具体步骤：S1、首先基于活性污泥一号模型(ASM1)，主要考虑脱氮过程对ASM1模型进行合理简化，建立简化机理模型；S2、基于matlab平台上，采用T‑S模糊神经网络对简化机理模型与原模型的出水指标误差建立数据模型，补偿简化机理模型的建模误差；S3、基于已建立的简化机理模型和数据模型，采用并联结构进行融合，建立城市污水处理脱氮过程机理‑数据混合模型，最后对该混合模型的出水指标进行了验证，同时与简化机理模型进行建模评价指标对比，验证了混合模型的有效性。本发明提供了一种机理与数据相融合的混合建模方法，建立了城市污水处理脱氮过程机理‑数据混合模型，通过机理模型来计算污水处理脱氮过程的生化反应，采用数据模型对机理模型的建模误差进行补偿；结果表明：与单一的简化机理模型相比，混合模型的精度得到了极大的提升，混合模型不仅物理可解释性强，而且更好地利用了数据的因果关系。
-
公开(公告)号：CN114063452A
公开(公告)日：2022-02-18
申请号：CN202111229556.4
申请日：2021-10-21
Applicant: 北京工业大学
IPC: G05B13/04
Abstract: 一种用于污水处理最优跟踪控制的在线ADHDP方法属于污水处理领域。污水处理系统结构复杂，存在明显的非线性特征且较难建立精确的机理模型。在污水处理过程中，溶解氧与硝态氮浓度的控制效果直接影响系统的除氮效果，所以使溶解氧与硝态氮浓度跟踪上期望轨迹是污水处理过程的一个主要控制目标。首先构建神经网络对污水处理系统进行辨识，然后引入执行依赖启发式动态规划(Action Dependent Heuristic Dynamic Programming，ADHDP)方法，并采用在线学习的方式实现神经网络训练与系统控制的同步进行，最后将该策略应用于晴天情况下的污水处理跟踪控制中，验证方法的有效性。
-
Patent Agency Ranking
公开(公告)号：CN111797363B
公开(公告)日：2024-02-06
申请号：CN202010705687.4
申请日：2020-07-21
Applicant: 北京工业大学
Abstract: 本发明提供一种基于数据的污水处理系统自学习轨迹跟踪方法，利用DHP结构实现非仿射非线性系统的自学习最优跟踪控制算法，并将该方法应用于暴雨天气下的污水处理过程控制。在本发明中，采用数值方法求解与期望轨迹对应的稳定控制，进而建立基于迭代DHP求解非仿射系统最优控制律的数据驱动自学习方法；将该方法应用于溶解氧和硝态氮的浓度控制，以达到污水处理系统良好的轨迹跟踪效果。
-
公开(公告)号：CN111367181A
公开(公告)日：2020-07-03
申请号：CN202010263147.5
申请日：2020-04-07
Applicant: 北京工业大学
IPC: G05B13/04
Abstract: 本发明提出一种用于污水处理系统的混合驱动智能评判控制方法，同时考虑基于数据和事件的思想，采用新颖的混合驱动迭代自适应评判控制设计，以解决一类污水处理系统的智能优化控制问题；将神经动态规划技术与迭代自适应评判框架相结合，在数据驱动学习机制下，降低优化控制设计过程对于被控对象的动态信息要求；同时设计一个合理的事件驱动阈值，使得控制信号在满足适当的条件时进行更新，从而切实提高复杂动态系统的控制效率。采用本发明提出的混合驱动智能评判控制方法，能够使得溶解氧浓度和硝态氮浓度达到期望值，并且显著提高了整个系统的控制效率。
-
公开(公告)号：CN114783532A
公开(公告)日：2022-07-22
申请号：CN202210381970.5
申请日：2022-04-12
Applicant: 北京工业大学
Abstract: 本发明提供了一种基于机理‑数据驱动的城市污水处理脱氮过程的混合建模方法，其特征在于，包括以下具体步骤：S1、首先基于活性污泥一号模型(ASM1)，主要考虑脱氮过程对ASM1模型进行合理简化，建立简化机理模型；S2、基于matlab平台上，采用T-S模糊神经网络对简化机理模型与原模型的出水指标误差建立数据模型，补偿简化机理模型的建模误差；S3、基于已建立的简化机理模型和数据模型，采用并联结构进行融合，建立城市污水处理脱氮过程机理-数据混合模型，最后对该混合模型的出水指标进行了验证，同时与简化机理模型进行建模评价指标对比，验证了混合模型的有效性。本发明提供了一种机理与数据相融合的混合建模方法，建立了城市污水处理脱氮过程机理-数据混合模型，通过机理模型来计算污水处理脱氮过程的生化反应，采用数据模型对机理模型的建模误差进行补偿；结果表明：与单一的简化机理模型相比，混合模型的精度得到了极大的提升，混合模型不仅物理可解释性强，而且更好地利用了数据的因果关系。
-
公开(公告)号：CN108408899A
公开(公告)日：2018-08-17
申请号：CN201810238172.0
申请日：2018-03-22
Applicant: 北京工业大学
IPC: C02F3/30 , C02F3/28 , C02F11/00 , C02F11/04 , C02F101/10 , C02F101/16
Abstract: 一种利用污泥厌氧消化液进行低C/N污水深度脱氮除磷的装置及方法，属于污水生化处理及污泥减量领域。装置包括：原水水箱、分段排水式SBR反应器、中间水箱、反硝化除磷反应器、中间水箱及厌氧氨氧化SBBR反应器。低C/N污水先进入分段排水式SBR反应器，以pH作为模糊控制参数进行短程硝化，沉淀后，分段排水式SBR反应器第一次排水至中间水箱，然后进入反硝化除磷SBR反应器中添加污泥厌氧消化液进行反应，反硝化除磷反应器排水后与分段排水式SBR反应器第二次出水进入中间水箱；两次出水在中间水箱混合均匀后进入厌氧氨氧化SBBR反应器从而实现污水中氮和磷的深度去除。该方法解决了低C/N污水碳源不足的问题，并实现了污泥厌氧消化液资源化利用及深度脱氮除磷。
-
公开(公告)号：CN113741182B
公开(公告)日：2023-11-17
申请号：CN202110916446.9
申请日：2021-08-11
Applicant: 北京工业大学
IPC: G05B13/04
Abstract: 本发明提出一种基于广义值迭代的污水处理过程控制方法，用于解决溶解氧浓度和硝态氮浓度的最优跟踪设计问题。本发明通过任意一个半正定的函数进行初始化而不必须为零，其中参数λ能够从未来的多个回报中学习从而加速学习过程。在GVI(λ)算法框架下，引入三个神经网络分别用于近似两种代价函数和跟踪控制律，给出基于神经网络的代价函数和跟踪控制律更新公式。在迭代算法执行过程中，建立一个新的停止准则来终止算法，从而保证系统的稳定性和跟踪控制律的最优性。实验结果表明，这里提出的GVI(λ)算法能在保证系统稳定性的前提下，有效地控制溶解氧浓度和硝态氮浓度。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.022 seconds)
