买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉山东科技大学申请的专利融合多步预测的城市污水处理过程污泥膨胀异常检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115392541B 。

龙图腾网通过国家知识产权局官网在2025-06-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210902173.7，技术领域涉及：G06Q10/04；该发明授权融合多步预测的城市污水处理过程污泥膨胀异常检测方法是由张璐;钟麦英设计研发完成，并于2022-07-29向国家知识产权局提交的专利申请。

本融合多步预测的城市污水处理过程污泥膨胀异常检测方法在说明书摘要公布了：本发明公开了一种融合多步预测的城市污水处理过程污泥膨胀异常检测方法，属于污水处理技术领域，实现了间歇测量下污泥膨胀异常的实时检测；该异常检测方法首先通过基于自适应模糊神经网络的融合多步预测方法完成污泥膨胀样本的重构，获得采样间隔更短的污泥膨胀样本；然后设计基于趋势分析的污泥膨胀异常检测策略，完成污泥膨胀趋势特征的提取，构建基于趋势特征l2范数的异常评价策略，实现污泥膨胀异常的检测；最终解决了城市污水处理过程异常难以实时准确检测的问题，能够为城市污水处理过程的安全稳定运行奠定基础。

本发明授权融合多步预测的城市污水处理过程污泥膨胀异常检测方法在权利要求书中公布了：1.一种融合多步预测的城市污水处理过程污泥膨胀异常检测方法，其特征在于，通过构建污泥膨胀多步预测模型对污泥膨胀进行实时异常检测，具体包括如下步骤： 步骤1、构建污泥膨胀多步预测模型； 步骤2、设计基于趋势特征的SVI异常检测策略； 步骤3、实时采集城市污水处理过程中产生的过程变量数据和污泥膨胀数据，基于构建的污泥膨胀多步预测模型设计污泥膨胀评价指标，判断当前时刻是否发生污泥膨胀现象； 所述步骤1的具体过程如下： 步骤1.1、分析城市污水处理过程运行特点，获取评价污泥膨胀严重程度的指标污泥容积指数SVI，以及相关过程变量；相关过程变量包括进水流量Qin、溶解氧浓度SO、水力停留时间SRT、污泥回流比SRR、污泥负荷率FM、温度T； 其中，SVI值通过实验室化验获得，其测量周期为2小时；Qin值通过进水流量计测量；SO浓度值通过溶解氧在线分析仪获得；SRT值通过生化反应池容积与Qin之比获得；SRR值通过混合液污泥浓度与回流污泥浓度与混合液污泥浓度之差的比获得，污泥浓度通过污泥浓度检测仪获得；FM值通过Qin与化学需氧量COD的乘积与曝气池容积和污泥浓度乘积之比获得，COD值通过化学需氧量检测仪获得；T值通过温度传感器获得，所有过程变量采样周期均为40分钟； 步骤1.2、建立基于模糊神经网络的污泥膨胀一步递归预测模型，模型输入为Qin、SO、SRT、SRR、FM和T，模型输出为SVI，具体表示为： 其中，表示k时刻的SVI一步递归预测值，fr·表示递归预测过程中SVI与输入之间的非线性关系，表示k-1时刻的SVI一步递归预测值，将其作为k时刻递归预测模型的输入，xk表示相关过程变量，xk＝[Qin,SO,SRT,SRR,FM,T]，ωd,j,k表示k时刻递归预测模型第j个隐含层的输出权重，J表示隐含层的个数，υj,k表示递归预测模型k时刻第j个隐含层的输出，υj,k具体表示为： 其中，l表示第l个相关过程变量，l＝1,…,6；xl,k表示k时刻第l个相关过程变量；cl,j,k表示k时刻第l个相关过程变量所对应的第j个隐含层的中心；ωr,j,k表示k时刻第j个隐含层的递归权重；σl,j,k表示k时刻第l个相关过程变量所对应的第j个隐含层的宽度； 步骤1.3、建立基于模糊神经网络的污泥膨胀一步直接预测模型，具体表示为： 其中，表示k时刻SVI一步直接预测值；fd·表示一步直接预测过程中SVI值与输入之间的非线性关系；wj,k表示直接预测模型k时刻第j个隐含层的输出权重；vj,k表示直接预测模型k时刻第j个隐含层的输出，vj,k具体表示为： 其中，表示直接预测模型k时刻第l个相关过程变量所对应的第j个隐含层的中心；表示直接预测模型k时刻第l个相关过程变量所对应的第j个隐含层的宽度； 步骤1.4、在一步递归预测模型的基础上设计多步递归预测策略，具体表示为： 其中，表示k+i时刻的SVI递归预测值，i表示预测步长，i＝2,…,h,h表示预测步长最大值；表示k+i-1时刻的SVI递归预测值；yk表示k时刻的SVI实际值；xk+i表示k+i时刻的相关过程变量；Θk+i表示多步递归预测策略k+i时刻待优化的参数，Θk+i＝[ωd,k+i,ωr,k+i,ck+i,σk+i]，ωd,k+i表示k+i时刻递归预测模型的输出权重向量，ωd,k+i＝[ωd,1,k+i,…,ωd,J,k+i]，ωr,k+i表示k+i时刻隐含层的递归权重向量，ωr,k+i＝[ωr,1,k+i,…,ωr,J,k+i]，ck+i表示k+i时刻递归预测模型中隐含层的中心向量，ck+i＝[c1,k+i,…,cJ,k+i]，cJ,k+i表示第J个隐含层的中心向量，cJ,k+i＝[c1,J,k+i,…,c6,J,k+i]，σk+i表示k+i时刻递归预测模型中隐含层的宽度向量，σk+i＝[σ1,k+i,…,σJ,k+i]，σJ,k+i表示k+i时刻第J个隐含层的宽度向量，σJ,k+i＝[σ1,J,k+i,…,σ6,J,k+i]；考虑到实际SVI样本的采样周期高于相关过程变量的采样周期，只有达到SVI样本的采样周期时，才对Θk+h进行优化调整，具体表示为： Θk+h＝Θk+Ψk+λkI-1×Ωk6 其中，Θk+h表示多步递归预测策略k+h时刻待优化的参数，Θk表示多步递归预测策略k时刻优化的参数，Ψk表示多步递归预测策略k时刻的拟海森矩阵，λk表示k时刻的学习率，I表示单位矩阵，Ωk表示多步递归预测策略k时刻的梯度向量； 步骤1.5、在一步直接预测模型的基础上设计多步直接预测策略，具体表示为： 其中，表示k+i时刻的SVI直接预测值；γk+i表示多步直接预测策略k+i时刻待优化的参数，wk+i表示k+i时刻直接预测模型的输出权重向量，wk+i＝[w1,k+i,…,wJ,k+i]，表示k+i时刻直接预测模型中隐含层的中心向量， 表示第J个隐含层的中心向量， 表示k+i时刻直接预测模型中隐含层的宽度向量， 表示k+i时刻第J个隐含层的宽度向量，考虑到实际SVI样本采样周期高于相关过程变量，只有达到SVI样本采样周期时，才对Υk+h进行优化调整，具体表示为： Υk+h＝Υk+Γk+λkI-1×Ξk8 其中，Υk+h表示多步直接预测策略k+h时刻待优化的参数，Υk表示多步直接预测策略k时刻优化的参数，Γk表示k时刻多步直接预测策略的拟海森矩阵，Ξk表示k时刻多步直接预测策略的梯度向量； 步骤1.6、设计多步递归预测和多步直接预测的融合策略，具体表示为： 其中，表示k+h时刻的SVI预测值，θk+h表示权重参数，表示k+h时刻多步递归预测的SVI预测值，表示k+h时刻多步直接预测的SVI预测值；θk+h的取值定义为： 其中，er,k+h表示多步递归预测误差，yk+h表示k+h时刻的SVI实际值；ed,k+h表示多步直接预测误差， 步骤1.7、根据SVI预测结果，SVI样本重构为： 其中，表示重构后的SVI样本，m表示实际获取的SVI样本个数，n表示重构后的SVI样本个数，表示k+h-1时刻的SVI预测值，yk+h表示k+h时刻的SVI真实值，表示重构后k+1时刻的SVI样本； 所述步骤2的具体过程如下： 步骤2.1、获取重构SVI的趋势特征； 步骤2.1.1、将重构后的SVI样本改写成滑窗的形式，具体表示为： 其中，ζ表示滑窗样本的长度；对于第k个滑窗样本将其表示为： 其中，ps表示第s个滑窗样本与第s+1个滑窗样本之间的变化趋势，εk表示k时刻残差； 步骤2.1.2、设计基于自适应交替方向乘子法的优化算法获取SVI的趋势特征，优化目标描述为： 其中，P＝[p1,p2,…,pζ-1]，P表示趋势特征，1表示全1向量，η表示规则化参数， 根据自适应交替方向乘子法得： 其中，Pk+1表示k+1时刻的趋势特征，ρ表示惩罚参数，Qk表示k时刻的趋势特征变化量，Rk表示k时刻的残差向量，S＝2UUT+ρVVT-1；Qk+1表示k+1时刻的趋势特征变化量， 表示软测量操作算子，和分别为k+1时刻自定义的两个趋势特征向量，Rk+1表示k+1时刻的残差向量； 步骤2.2、设计基于趋势特征范数的污泥膨胀异常检测策略，具体表示为： 其中，表示污泥膨胀评价指标，ea表示第a个趋势特征的单位向量，评价指标的阈值设计为： 其中，表示阈值，表示n-ζ+1时刻的污泥膨胀评价指标；异常评价逻辑为： 当评价指标大于阈值时，则出现了污泥膨胀，否则，无污泥膨胀现象发生。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山东科技大学，其通讯地址为：266590 山东省青岛市黄岛区前湾港路579号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。