汙水處理過程優化控制系統（簡體書）

第一章 污水處理過程測量與控制概論 1.1 污水處理的意義 1.2 我國污水處理的現狀 1.3 污水處理的方法及工藝 1.3.1 污水處理方法 1.3.2 SBR工藝污水處理系統 1.4 污水處理過程建模現狀 1.5 污水處理過程控制現狀 1.6 污水處理過程軟測量現狀 1.7 污水處理系統在線測量與控制存在的問題 1.7.1 流程工業生產過程在線測量存在的問題 1.7.2 污水處理過程在線測量與控制存在的問題
第二章 污水處理出水水質BOD軟測量機理建模 2.1 軟測量在廢水處理中的應用 2.1.1 軟測量的概念、意義及發展 2.1.2 污水處理中軟測量的必要性 2.1.3 軟測量在污水處理中的常用方法簡介 2.2 BOD軟測量機理模型公式 2.2.1 經典勞倫斯-麥卡蒂公式 2.2.2 勞倫斯-麥卡蒂公式在廢水處理中演化形式 2.2.3 泰勒展開BOD軟測量機理模型公式 2.3 基于最小二乘法的污水處理BOD軟測量線性補償方法 2.3.1 最小二乘原理 2.3.2 遞推最小二乘算法對機理模型的補償 2.3.3 限定記憶最小二乘算法對機理模型的補償 2.3.4 基于偏最小二乘的BOD軟測量機理模型非線性補償方法 2.3.5 基于核最小二乘法的污水BOD軟測量機理模型補償算法 2.4 基于神經網絡的BOD機理模型的補償方法 2.4.1 BP神經網絡軟測量模型設計 2.4.2 基于過程神經網絡的BOD軟測量模型
第三章 基于PNN的污水處理軟測量方法研究 3.1 過程神經元網絡(PNN) 3.1.1 過程神經元 3.1.2 過程神經元網絡模型 3.2 基于PNN的軟測量方法及改進算法 3.2.1 基于函數正交基的PNN學習算法 3.2.2 基于函數正交基展開的PNN改進算法 3.3 基于PNN的污水處理過程軟測量 3.3.1 軟測量模型變量的選取 3.3.2 軟測量結構模型 3.3.3 實驗數據及軟測量結果
第四章 基于RBF神經網絡的水處理過程建模方法 4.1 RBF神經網絡 4.1.1 RBF函數及RBF神經元 4.1.2 RBF網絡的特點、映射機理 4.1.3 RBF神經網絡的學習算法 4.2 水處理優化控制數學模型的RBF神經網絡建模 4.2.1 污水處理優化控制的目標 4.2.2 水處理RBF神經網絡模型的訓練和測試
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 人工神經網絡控制 5.1.2 模糊控制 5.1.3 專家控制 5.1.4 遺傳算法 5.2 單變量Do控制 5.2.1 被控對象建模 5.2.2 常規PID的Do控制器設計 5.2.3 基于BP神經網絡的自整定PID控制 5.2.4 基于BP神經網絡的自整定PID控制原理 5.2.5 基于BP神經網絡的自整定PID控制仿真 5.2.6 雙模糊控制器設計 5.2.7 模糊PID-Smith控制器設計 5.3 基于模糊理論的多變量Do控制 5.3.1 多變量模糊控制的現狀與發展 5.3.2 基于模糊PID-Smith和模糊理論的兩級Do控制器的設計 5.3.3 基于雙模糊PID-Smith理論的兩級Do控制器的設計
第六章 基于智能進化算法的優化控制方法及實現 6.1 智能進化算法概述 6.1.1 經典優化算法及其弊端 6.1.2 遺傳算法 6.1.3 粒子群算法 6.2 基于粒子群算法的污水處理過程的參數優化設計 6.2.1 優化算法的選取 6.2.2 粒子群算法的設計流程 6.3 基于粒子群算法的活性污泥法的優化設計實現
第七章 污水處理過程的模糊控制技術及實現 7.1 污水處理模糊控制技術 7.1.1 污水處理模糊控制系統基本結構 7.1.2 模糊控制器的設計 7.2 基于預測模型的自適應模糊控制器的設計與仿真 7.2.1 自適應模糊控制器構成 7.2.2 自適應模糊控制系統的仿真 7.2.3 自適應模糊控制器算法及其實現 7.2.4 自適應模糊控制仿真結果及分析 7.3 模糊Smith-PID復合控制方法 7.3.1 SBR常規控制方法分析 7.3.2 模糊Smith-PID控制器設計
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 生物流化床研究狀況 8.2 智能控制方法 8.2.1 自適應控制 8.2.2 模糊控制 8.2.3 神經網絡控制 8.2.4 專家控制 8.3 三相生物流化床氨氮廢水處理過程數學模型研究 8.3.1 內循環三相生物流化床氨氮廢水處理的結構和工作原理 8.3.2 內循環三相生物流化床處理氨氮廢水實驗 8.3.3 內循環三相生物流化床氨氮廢水處理過程主導模型的建立 8.4 基于遺傳算法改進的過程神經網絡BOD5軟測量模型 8.4.1 軟測量模型變量的選取 8.4.2 過程神經網絡結構的確定 8.4.3 基于遺傳算法訓練速率尋優的改進算法 8.4.4 過程神經網絡BOD5軟測量模型的實現 8.4.5 實驗分析 8.5 基于遺傳算法改進的T-S模糊控制及在生物流化床的應用 8.5.1 T-S模糊控制 8.5.2 分層模糊控制 8.5.3 遺傳算法改進T-S模糊自適應控制方法 8.6 基于DRNN網絡辨識的自整定PID解耦控制及在生物流化床的應用 8.6.1 PID參數整定方法 8.6.2 基于DRNN辨識的自整定PID解耦控制算法 8.7 生物流化床污水處理監控系統設計與實現 8.7.1 生物流化床污水處理監控系統設計 8.7.2 基于西門子S7-200PLC的下位機程序控制 8.7.3 基于WebAccess和Flash交互制作實現的上位機監控
第九章 污水處理過程的自抗擾控制方法 9.1 自抗擾控制技術 9.1.1 安排過渡過程(TD) 9.1.2 擴張狀態觀測器(ESO) 9.1.3 非線性誤差反饋控制率(NLEFS) 9.2 SBR污水處理的自抗擾控制設計 9.2.1 SBR控制系統特點分析 9.2.2 自抗擾控制系統的設計 9.2.3 參數整定規律分析 9.2.4 SBR污水處理自抗擾控制系統仿真 9.3 生物流化床氨氮廢水處理自抗擾控制設計 9.3.1 系統總體框圖 9.3.2 系統一階自抗擾控制器設計 9.3.3 系統二階自抗擾控制器設計 9.3.4 生物流化床氨氮廢水處理的自抗擾控制仿真研究 9.4 生物流化床氨氮廢水處理自抗擾控制器的優化 9.4.1 控制器優化問題 9.4.2 自抗擾控制器參數的優化 9.4.3 遺傳算法對二階自抗擾控制器參數的優化 9.5 自抗擾控制器的穩定性分析
附錄：基于BP神經網絡的自整定PID控制程序

顯示全部信息