基于人工智能的微生物降解控制方法及系统

1.本发明涉及污水处理领域，尤其涉及基于人工智能的微生物降解控制方法及系统。


背景技术：

2.水是重要的资源，万物的生长都离不开水。地球上水资源总量大概在14亿立方千米，但是淡水资源只占到总的水资源的2.5％，如果除去人类现在无法利用的冰川和南北极永久冻水，人们可利用的水资源十分少。工业化的快速发展以及城市生活污水，给水资源带来了很大的污染，对污水的处理不仅是保护生态环境的关键，也是循环使用水资源重要方式。对于污水的处理主要分为生物膜法、生物降解法、厌氧生物处理法以及活性污泥法等，其中，效果最好，应用最广泛的是活性污泥法，所谓活性污泥法是采用污泥中的微生物对污水进行处理，降解或者消耗有机物等，主要过程包括沉淀池、曝气池、二次沉淀池等。
3.活性污泥中的微生物涉及到生化反应，溶氧、ph值、温度、硝态氮、进出水速度等都会影响污水处理速度和污水处理效果。对活性污泥法的控制主要采用人工控制为主，很多学者将一些模糊控制、神经网络等方法应用到活性污泥法的控制中和出水效果的预测中，然而，这些方法要么是使用单个变量预测自身，例如根据当前溶氧，预测未来一段时间的溶氧，进而通过pid控制曝气量，要么是根据多个参数对某一个或某几个控制参数进行调整。但是活性污泥法中的微生物或者细菌的生化反应是一个过程复杂、严重滞后的过程，根据传感器获取的当前时刻数据去调节当前的环境状况往往缺乏前瞻性，而且不准确，现有的方法对微生物降解过程进行控制的准确性比较差。


技术实现要素：

4.为了提高微生物降解污水过程控制的准确性，一方面，本发明提供了一种基于人工智能的微生物降解控制方法，如图1所示，所述方法包括以下步骤：
5.步骤1，获取环境参数的历史数据以及与所述历史数据对应的控制参数；在时间点t0的控制参数构成长度为n的控制参数序列，基于t0前的所述历史数据，按照环境参数的变化频率构建m个不同长度的环境参数序列；其中，m为环境参数个数，n为控制参数个数；
6.步骤2，构建m个与所述环境参数序列对应的子循环神经网络，所述子循环神经网络的输入参数个数与对应的所述环境参数序列长度相同，设置与每个子循环神经网络对应的输出参数个数，将所有子循环神经网络的输出参数组成一个输出参数序列作为多层bp神经网络的输入，所述多层bp神经网络的输出为n个控制参数；
7.步骤3，获取多个不同时间点的控制参数序列和环境参数序列，组成训练集和验证集，对步骤2的神经网络进行训练，得到训练后的神经网络；
8.步骤4，构建以当前时刻为基准的环境参数序列，并输入训练好的神经网络，得到输出的控制参数序列，根据所述控制参数序列对微生物降解的控制器进行控制。
9.优选地，所述按照环境参数的变化频率构建m个不同长度的环境参数序列，具体
为：
10.按照所述环境参数更新频率对所述环境参数进行分类，第一类为按分钟更新的环境参数，第二类为按小时更新的环境参数，第三类为按天更新的环境参数；
11.按照公式计算环境参数的序列长度，其中，αi表示第i类环境参数的权重，表示环境参数序列的基准值，i＝1、2、3。
12.优选地，所述子循环神经网络具体为：
13.设置所述环境参数的重要性级别，基于所述重要性级别、所述输出参数个数以及与所述环境参数对应的环境参数序列长度确定所述子循环神经网络隐藏层的层数；并将双向循环网络作为所述隐藏层的第一层。
14.优选地，所述基于所述重要性级别、所述输出参数个数以及与所述环境参数对应的环境参数序列长度确定所述子循环神经网络隐藏层的层数，具体为：
15.根据公式计算所述子循环神经网络隐藏层的层数，其中，表示所述环境参数对应的环境参数序列长度，表示所述输出参数个数，表示所述重要性级别，j为正整数，且1≤j≤m。
16.优选地，所述环境参数为溶解氧浓度、进水量、ph值、生化反应池温度、氨氮浓度、亚硝酸盐浓度、外界温度、气压、降雨量中的一项或多项；所述控制参数为鼓风机、进水阀、出水阀、酸碱调节阀中的一项或多项。
17.此外，本发明提供了一种基于人工智能的微生物降解控制系统，所述系统包括以下模块：
18.数据集构建模块，用于获取环境参数的历史数据以及与所述历史数据对应的控制参数；在时间点t0的控制参数构成长度为n的控制参数序列，基于t0前的所述历史数据，按照环境参数的变化频率构建m个不同长度的环境参数序列；其中，m为环境参数个数，n为控制参数个数；
19.神经网络构建模块，用于构建m个与所述环境参数序列对应的子循环神经网络，所述子循环神经网络的输入参数个数与对应的所述环境参数序列长度相同，设置与每个子循环神经网络对应的输出参数个数，将所有子循环神经网络的输出参数组成一个输出参数序列作为多层bp神经网络的输入，所述多层bp神经网络的输出为n个控制参数；
20.训练模块，用于获取多个不同时间点的控制参数序列和环境参数序列，组成训练集和验证集，对步骤2的神经网络进行训练，得到训练后的神经网络；
21.控制模块，用于构建以当前时刻为基准的环境参数序列，并输入训练好的神经网络，得到输出的控制参数序列，根据所述控制参数序列对微生物降解的控制器进行控制。
22.优选地，所述按照环境参数的变化频率构建m个不同长度的环境参数序列，具体为：
23.按照所述环境参数更新频率对所述环境参数进行分类，第一类为按分钟更新的环境参数，第二类为按小时更新的环境参数，第三类为按天更新的环境参数；
24.按照公式计算环境参数的序列长度，其中，αi表示第i类环境参数的权
重，表示环境参数序列的基准值，i＝1、2、3。
25.优选地，所述子循环神经网络具体为：
26.设置所述环境参数的重要性级别，基于所述重要性级别、所述输出参数个数以及与所述环境参数对应的环境参数序列长度确定所述子循环神经网络隐藏层的层数；并将双向循环网络作为所述隐藏层的第一层。
27.优选地，所述基于所述重要性级别、所述输出参数个数以及与所述环境参数对应的环境参数序列长度确定所述子循环神经网络隐藏层的层数，具体为：
28.根据公式计算所述子循环神经网络隐藏层的层数，其中，表示所述环境参数对应的环境参数序列长度，表示所述输出参数个数，表示所述重要性级别，j为正整数，且1≤j≤m。
29.最后本发明提供了一种计算机可读存储介质，用于存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如上所述的方法。
30.活性污泥法是利用污泥中的微生物对污水进行处理，作为应用最为广泛的污水处理方法，在对污水的处理中多采用人工控制的方式，但是微生物是繁殖、生长、降解污水有害物质的过程是一个复杂的生化过程，单纯的依靠人工，不仅工作量大，而且控制的精确性较差。本发明利用神经网络对尽可能多的影响微生物的环境因素对微生物降解过程进行控制，而且针对不同的环境因素变化以及影响范围不同的特点，构建不同长度的环境因素序列，在子循环神经网络中输出指定长度的输出参数，所有环境因素的输出参数构成的序列作为多层bp神经网络的输入，进而得到控制参数。本发明有如下优点：
31.1.不同的环境因素输入子循环神经网络的长度不同，而且子循环神经网络的输出长度也不同，所述的输出长度作为超参数，用户可以在训练中不断调整；
32.2.不同的环境因素的子循环神经网络的隐藏层不同，有些环境因素例如溶氧经常变化，其输入子循环神经网络的序列长度比较长，通过设置不同的隐藏层层数，后续的bp神经网络得到更全面的信息；
33.3.提高了活性污泥处理污水的控制设备的前瞻性和准确性。
附图说明
34.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
35.图1为本发明的流程示意图；
36.图2为活性污泥处理污水的过程图；
37.图3为环境参数序列和控制参数序列的时间关系；
38.图4为子循环神经网络示意图；
39.图5为本发明的神经网络示意图。
具体实施方式
40.在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
41.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
42.实施例1
43.本发明提供了一种基于人工智能的微生物降解控制方法，所述方法包括以下步骤：
44.步骤1，获取环境参数的历史数据以及与所述历史数据对应的控制参数；在时间点t0的控制参数构成长度为n的控制参数序列，基于t0前的所述历史数据，按照环境参数的变化频率构建m个不同长度的环境参数序列；其中，m为环境参数个数，n为控制参数个数；
45.活性污泥中有多种微生物，这些微生物处理污水中的有机物等，活性污泥处理污水过程如图2所示。在活性污泥处理过程中，会对ph值等进行控制，以提供最适合微生物生长的环境。在本发明中，参数分为环境参数和控制参数，所述环境参数是指影响微生物降解过程的环境信息，例如温度、ph值、溶解氧(dissolved oxygen，do)浓度等，环境因素不仅影响污水降解速度，还影响出水品质，例如溶解氧浓度过高，增加能耗，同时破坏厌氧池中有机成分，浓度过低，则降低硝化过程，容易出现水质不达标；ph值过低或者过高都会造成污泥中微生物的死亡，而且不同的微生物最佳ph值不同；再比如降水量，降水量大城市污水的有机物质会被稀释。
46.在一个具体实施例中，环境参数有环境参数个多个序列组成，例如ep1、ep2、
…
、epm，其中ep1、ep2、...、epm每一个都是一个序列，每一个序列表示与该环境参数对应的历史值，假设ep1表示温度这一环境参数，则ep1的一个示例为ep1＝[18℃，20℃，19℃，21℃，25℃，23℃，21℃，18℃，17℃]，ep1的序列长度为9。
[0047]
所述控制参数是指对微生物降解过程的环境进行调整的参数，包括但不限于鼓风机、进水阀门等，如鼓风机功率或转速越大，溶氧浓度越大，进水阀门打开的越大，进水量越大。
[0048]
在一个具体实施例中，控制参数序列cp＝[cpi，cp2，...，cpn]
t
，其中cpk表示第k个控制参数，假设控制参数只有鼓风机、进水量两个，则n＝2，cpi表示鼓风机功率控制参数，cp2表示进水量阀门打开大小。
[0049]
每个时间点对应一个控制参数序列，在时间点t0会有一组对设备进行控制的参数，如图3所示，同样地，在时间t1、t2等也会有一组对设备进行控制的参数，这里需要注意的时，所述的时间点都是历史时间点。如图2所示，在时间点还会有该时间点之前的环境参数，
这些环境参数构成了环境参数序列，环境参数序列和控制参数序列组成了数据集中一个数据，该数据集用于对步骤2的神经网络进行训练。
[0050]
不同环境参数的有效时间不同，仍以ph值为例，ph值更新频率较高，而且由于污水的不断处理，一段时间后，整个污水厂的污水全部替换，很早以前的ph值对当前操作参数的调整意义不大，甚至没有意义。本发明，对不同的环境参数计算不同的环境参数序列，具体地，按照环境参数的变化频率构建m个不同长度的环境参数序列。如果有5个环境参数，则对每个环境参数设置与其对应的环境参数序列。
[0051]
步骤2，构建m个与所述环境参数序列对应的子循环神经网络，所述子循环神经网络的输入参数个数与对应的所述环境参数序列长度相同，设置与每个子循环神经网络对应的输出参数个数，将所有子循环神经网络的输出参数组成一个输出参数序列作为多层bp神经网络的输入，所述多层bp神经网络的输出为n个控制参数；
[0052]
越靠近当前时间的环境参数越有效，对当前时间的控制参数影响越大。由于不同的环境参数的序列长度不同，循环神经网络(rerrent neural network，rnn)能够有效提取时序信息的内容，在本发明中，对每个参数设置一个子循环神经网络，子循环神经网络的输入和与其对应的环境参数序列长度相同，输出参数个数是一个超参数，由用户设置，一般而言，对于重要的环境参数设置的输出参数个数较多。
[0053]
图4示出了一个子循环神经网络结构图，如图4所示，子循环神经网络的输入为与该子循环神经网络对应的环境参数序列，输出为用户设置的输出参数个数，图4以第一个环境参数序列为例，其他环境参数序列和图4类似。图5示出了本发明的神经网络结构整体图，将每个子循环神经网络的输出参数作为多层bp神经网络的输入，然后由bp神经网络输出与控制参数对应个数的数据。需要说明的是，图4、5只是子循环神经网络和本发明整体神经网络的结构的示意图，其目的是为了便于对本发明的理解，具体网络结构并不局限于图4、5所示的结构。
[0054]
步骤3，获取多个不同时间点的控制参数序列和环境参数序列，组成训练集和验证集，对步骤2的神经网络进行训练，得到训练后的神经网络；该训练步骤主要对步骤2中构建的神经网络进行训练。
[0055]
步骤4，构建以当前时刻为基准的环境参数序列，并输入训练好的神经网络，得到输出的控制参数序列，根据所述控制参数序列对微生物降解的控制器进行控制。
[0056]
训练好的神经网络即可用于实际生产，按照步骤2的方法构建当前时刻前的环境参数序列，作为训练好的神经网络输入，即可得到当前时刻的输出参数，也即控制参数，对活性污泥处理污水的过程进行控制。
[0057]
实施例2
[0058]
不同的环境参数对当前时刻的影响不同，有些参数距离当前时刻过长，对于当前时刻的控制没有意义，例如ph值更新频率较快，但是三天前的ph值对当前几乎没有影响，而降雨量更新较慢，较少的环境温度即可覆盖过去几小时甚至几天的环境温度情况。在一个具体实施例中，对所述按照环境参数的变化频率构建m个不同长度的环境参数序列，具体为：
[0059]
按照所述环境参数更新频率对所述环境参数进行分类，第一类为按分钟更新的环境参数，第二类为按小时更新的环境参数，第三类为按天更新的环境参数；
[0060]
按照公式计算环境参数的序列长度，其中，αi表示第i类环境参数的权重，表示环境参数序列的基准值，i＝1、2、3。
[0061]
例如，ph值更新较快，将其作为第一类环境参数，而降雨量更新较慢，几个小时更新一次，将其作为第二类环境参数，天气状况一般是按天更新，将其作为第三类环境参数，假设α1＝2，α2＝0.2，α3＝0.1，则ph值这一环境参数序列的长度为200，降雨量这一环境参数序列的长度为20，天气状况这一环境参数序列的长度为10。
[0062]
实施例3
[0063]
循环神经网络按照输入输出参数个数可以分为1对n、n对1、n对n、n对m，本发明为了减少深层bp神经网络的数据输入，采用n对m的结构方式。不同的环境因素对活性污泥中微生物的影响不同，例如ph值、温度要比降雨量、天气对微生物的影响大。在初始构建子循环神经网络时，设置环境参数的重要性级别，然后基于所述重要性级别、所述输出参数个数以及与所述环境参数对应的环境参数序列长度确定所述子循环神经网络隐藏层的层数；而且双向循环神经网络能够获得更丰富的信息，在一个具体实施例中，将双向循环网络作为所述隐藏层的第一层。在对神经网络进行训练时，既可以一直使用所述层数作为子循环神经网络的层数，也可以根据训练的情况调整子循环神经网络的层数，对此本发明不作具体限定。
[0064]
在一个具体实施例中，根据公式计算所述子循环神经网络隐藏层的层数，其中，表示所述环境参数对应的环境参数序列长度，表示所述输出参数个数，表示所述重要性级别，j为正整数，且1≤j≤m。
[0065]
仍以ph值这一环境参数作为示例，ph值对应的环境参数序列长度为200，输出参数个数为20，为15，则ph值这一环境参数对应的子循环神经网络的隐藏层的层数为：3。
[0066]
实施例4
[0067]
所述环境参数为溶解氧浓度、进水量、ph值、生化反应池温度、氨氮浓度、亚硝酸盐浓度、外界温度、气压、降雨量中的一项或多项；所述控制参数为鼓风机、进水阀、出水阀、酸碱调节阀中的一项或多项。
[0068]
实施例5
[0069]
本发明提供了一种基于人工智能的微生物降解控制系统，所述系统包括以下模块：
[0070]
数据集构建模块，用于获取环境参数的历史数据以及与所述历史数据对应的控制参数；在时间点t0的控制参数构成长度为n的控制参数序列，基于t0前的所述历史数据，按照环境参数的变化频率构建m个不同长度的环境参数序列；其中，m为环境参数个数，n为控制参数个数；
[0071]
神经网络构建模块，用于构建m个与所述环境参数序列对应的子循环神经网络，所述子循环神经网络的输入参数个数与对应的所述环境参数序列长度相同，设置与每个子循
环神经网络对应的输出参数个数，将所有子循环神经网络的输出参数组成一个输出参数序列作为多层bp神经网络的输入，所述多层bp神经网络的输出为n个控制参数；
[0072]
训练模块，用于获取多个不同时间点的控制参数序列和环境参数序列，组成训练集和验证集，对步骤2的神经网络进行训练，得到训练后的神经网络；
[0073]
控制模块，用于构建以当前时刻为基准的环境参数序列，并输入训练好的神经网络，得到输出的控制参数序列，根据所述控制参数序列对微生物降解的控制器进行控制。
[0074]
实施例6
[0075]
所述按照环境参数的变化频率构建m个不同长度的环境参数序列，具体为：
[0076]
按照所述环境参数更新频率对所述环境参数进行分类，第一类为按分钟更新的环境参数，第二类为按小时更新的环境参数，第三类为按天更新的环境参数；
[0077]
按照公式计算环境参数的序列长度，其中，αi表示第i类环境参数的权重，表示环境参数序列的基准值，i＝1、2、3。
[0078]
实施例7
[0079]
所述子循环神经网络具体为：
[0080]
设置所述环境参数的重要性级别，基于所述重要性级别、所述输出参数个数以及与所述环境参数对应的环境参数序列长度确定所述子循环神经网络隐藏层的层数；并将双向循环网络作为所述隐藏层的第一层。
[0081]
优选地，所述基于所述重要性级别、所述输出参数个数以及与所述环境参数对应的环境参数序列长度确定所述子循环神经网络隐藏层的层数，具体为：
[0082]
根据公式计算所述子循环神经网络隐藏层的层数，其中，表示所述环境参数对应的环境参数序列长度，表示所述输出参数个数，表示所述重要性级别，j为正整数，且1≤j≤m。
[0083]
实施例8
[0084]
本发明提供了一种计算机可读存储介质，用于存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如实施例1-5所述的方法。
[0085]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现，当然也可以通过硬件和软件结合的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0086]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种基于人工智能的微生物降解控制方法，其特征在于，所述方法包括以下步骤：步骤1，获取环境参数的历史数据以及与所述历史数据对应的控制参数；在时间点t0的控制参数构成长度为n的控制参数序列，基于t0前的所述历史数据，按照环境参数的变化频率构建m个不同长度的环境参数序列；其中，m为环境参数个数，n为控制参数个数；步骤2，构建m个与所述环境参数序列对应的子循环神经网络，所述子循环神经网络的输入参数个数与对应的所述环境参数序列长度相同，设置与每个子循环神经网络对应的输出参数个数，将所有子循环神经网络的输出参数组成一个输出参数序列作为多层bp神经网络的输入，所述多层bp神经网络的输出为n个控制参数；步骤3，获取多个不同时间点的控制参数序列和环境参数序列，组成训练集和验证集，对步骤2的神经网络进行训练，得到训练后的神经网络；步骤4，构建以当前时刻为基准的环境参数序列，并输入训练好的神经网络，得到输出的控制参数序列，根据所述控制参数序列对微生物降解的控制器进行控制。2.如权利要求1所述的微生物降解控制方法，其特征在于，所述按照环境参数的变化频率构建m个不同长度的环境参数序列，具体为：按照所述环境参数更新频率对所述环境参数进行分类，第一类为按分钟更新的环境参数，第二类为按小时更新的环境参数，第三类为按天更新的环境参数；按照公式计算环境参数的序列长度，其中，α
i
表示第i类环境参数的权重，表示环境参数序列的基准值，i＝1、2、3。3.如权利要求1所述的微生物降解控制方法，其特征在于，所述子循环神经网络具体为：设置所述环境参数的重要性级别，基于所述重要性级别、所述输出参数个数以及与所述环境参数对应的环境参数序列长度确定所述子循环神经网络隐藏层的层数；并将双向循环网络作为所述隐藏层的第一层。4.如权利要求3所述的微生物降解控制方法，其特征在于，所述基于所述重要性级别、所述输出参数个数以及与所述环境参数对应的环境参数序列长度确定所述子循环神经网络隐藏层的层数，具体为：根据公式计算所述子循环神经网络隐藏层的层数，其中，表示所述环境参数对应的环境参数序列长度，表示所述输出参数个数，表示所述重要性级别，j为正整数，且1≤j≤m。5.如权利要求1-4任一项所述的微生物降解控制方法，其特征在于，所述环境参数为溶解氧浓度、进水量、ph值、生化反应池温度、氨氮浓度、亚硝酸盐浓度、外界温度、气压、降雨量中的一项或多项；所述控制参数为鼓风机、进水阀、出水阀、酸碱调节阀中的一项或多项。6.一种基于人工智能的微生物降解控制系统，其特征在于，所述系统包括以下模块：数据集构建模块，用于获取环境参数的历史数据以及与所述历史数据对应的控制参数；在时间点t0的控制参数构成长度为n的控制参数序列，基于t0前的所述历史数据，按照环境参数的变化频率构建m个不同长度的环境参数序列；其中，m为环境参数个数，n为控制参
数个数；神经网络构建模块，用于构建m个与所述环境参数序列对应的子循环神经网络，所述子循环神经网络的输入参数个数与对应的所述环境参数序列长度相同，设置与每个子循环神经网络对应的输出参数个数，将所有子循环神经网络的输出参数组成一个输出参数序列作为多层bp神经网络的输入，所述多层bp神经网络的输出为n个控制参数；训练模块，用于获取多个不同时间点的控制参数序列和环境参数序列，组成训练集和验证集，对步骤2的神经网络进行训练，得到训练后的神经网络；控制模块，用于构建以当前时刻为基准的环境参数序列，并输入训练好的神经网络，得到输出的控制参数序列，根据所述控制参数序列对微生物降解的控制器进行控制。7.如权利要求6所述的微生物降解控制系统，其特征在于，所述按照环境参数的变化频率构建m个不同长度的环境参数序列，具体为：按照所述环境参数更新频率对所述环境参数进行分类，第一类为按分钟更新的环境参数，第二类为按小时更新的环境参数，第三类为按天更新的环境参数；按照公式计算环境参数的序列长度，其中，α
i
表示第i类环境参数的权重，表示环境参数序列的基准值，i＝1、2、3。8.如权利要求6所述的微生物降解控制系统，其特征在于，所述子循环神经网络具体为：设置所述环境参数的重要性级别，基于所述重要性级别、所述输出参数个数以及与所述环境参数对应的环境参数序列长度确定所述子循环神经网络隐藏层的层数；并将双向循环网络作为所述隐藏层的第一层。9.如权利要求8所述的微生物降解控制系统，其特征在于，所述基于所述重要性级别、所述输出参数个数以及与所述环境参数对应的环境参数序列长度确定所述子循环神经网络隐藏层的层数，具体为：根据公式计算所述子循环神经网络隐藏层的层数，其中，表示所述环境参数对应的环境参数序列长度，表示所述输出参数个数，表示所述重要性级别，j为正整数，且1≤j≤m。10.一种计算机可读存储介质，用于存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-5中任一项所述的方法。

技术总结
本发明提供了一种基于人工智能的微生物降解控制方法及系统，获取环境参数的历史数据以及与所述历史数据对应的控制参数，在时间点t0的控制参数构成长度为n的控制参数序列，基于t0前的历史数据，按照环境参数的变化频率构建m个不同长度的环境参数序列；构建m个与环境参数序列对应的子循环神经网络，将所有子循环神经网络的输出参数组成一个输出参数序列作为多层BP神经网络的输入，多层BP神经网络的输出为n个控制参数；对步骤2的神经网络进行训练，得到训练后的神经网络；输入当前时刻为基准的环境参数序列，得到输出的控制参数序列，对微生物降解的控制器进行控制。本发明有效提高了对活性污泥法处理污水控制的前瞻性以及准确性。准确性。准确性。


技术研发人员：王重阳 李相瑾 闫梦迪 张如彦
受保护的技术使用者：河南大学
技术研发日：2022.07.25
技术公布日：2022/11/1