2.845

2023影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

城市污水处理过程优化设定方法研究进展

杨翠丽 武战红 韩红桂 乔俊飞

李德鹏, 曾志刚. 一种基于随机权神经网络的类增量学习与记忆融合方法. 自动化学报, 2023, 49(12): 2467−2480 doi: 10.16383/j.aas.c220312
引用本文: 杨翠丽, 武战红, 韩红桂, 乔俊飞. 城市污水处理过程优化设定方法研究进展. 自动化学报, 2020, 46(10): 2092−2108 doi: 10.16383/j.aas.c200294
Li De-Peng, Zeng Zhi-Gang. A class incremental learning and memory fusion method using random weight neural networks. Acta Automatica Sinica, 2023, 49(12): 2467−2480 doi: 10.16383/j.aas.c220312
Citation: Yang Cui-Li, Wu Zhan-Hong, Han Hong-Gui, Qiao Jun-Fei. Perspectives on optimal setting methods for municipal wastewater treatment processes. Acta Automatica Sinica, 2020, 46(10): 2092−2108 doi: 10.16383/j.aas.c200294

城市污水处理过程优化设定方法研究进展

doi: 10.16383/j.aas.c200294
基金项目: 国家自然科学基金(61973010, 61890930-5), 北京市自然科学基金资助项目(4202006), 水体污染控制与治理科技重大专项项目(2018ZX07111005), 国家重点研发计划项目(2018YFC1900800-5)资助
详细信息
    作者简介:

    杨翠丽:北京工业大学副教授. 主要研究方向为神经网络和智能优化算法. E-mail: clyang5@bjut.edu.cn

    武战红:北京工业大学硕士研究生. 主要研究方向为多目标优化算法. E-mail: wuzh@emails.bjut.edu.cn

    韩红桂:北京工业大学教授. 主要研究方向为污水处理工艺复杂建模与控制, 神经网络分析与设计. E-mail: rechardhan@sina.com

    乔俊飞:北京工业大学信息学部教授. 主要研究方向为污水处理过程智能控制, 神经网络结构设计与优化. 本文通信作者. E-mail: junfeq@bjut.edu.cn

Perspectives on Optimal Setting Methods for Municipal Wastewater Treatment Processes

Funds: Supported by National Natural Science Foundation of China (61973010, 61890930-5), National Natural Science Foundation of Beijing (4202006), Major Science and Technology Program for Water Pollution Control and Treatment of China (2018ZX07111005), and National Key Research and Development Project (2018YFC1900800-5)
  • 摘要: 城市污水处理过程优化运行的目标是保证出水水质达标, 降低运行成本. 为了实现该目标, 需要动态更新污水处理过程操作变量的最优设定值. 由于城市污水处理过程具有多变量、多冲突、多目标、多约束、动态、时变等特点, 如何设计精确的污水处理过程运行指标模型, 如何优化过程操作变量的最优设定值, 是实现城市污水处理过程优化运行亟待解决的难题. 本文梳理了城市污水处理过程优化设定方法的研究进展. 首先, 介绍了城市污水处理过程特性和过程优化设定问题; 其次, 分别概述了基于机理和基于数据驱动的城市污水处理过程运行指标建模方法; 然后, 分别讨论了城市污水处理过程单运行指标和多运行指标的操作变量设定值寻优算法; 最后, 展望了城市污水处理过程优化设定问题的未来研究方向.
  • 自动化将人从单调而繁重的重复性工作中解放出来, 进而使人更多地投入到创造性的工作中, 极大地拓展了人认知和改造世界的范畴.当今世界, 以自动控制和信息处理为核心的自动化技术已经成为推动生产力发展、改善人类生活以及促进社会前进的动力之一, 因而自动化科学也成为衡量一个国家科技发展水平和综合国力的重要标准之一.

    自动化是一门涉及学科多且应用广泛的综合学科, 在我国的研究生培养体系中, 自动化对应的一级学科“控制科学与工程”下属有五个二级学科: “控制理论与控制工程”、“检测技术与自动装置”、“系统工程”、“模式识别与智能系统”、“导航、制导与控制”.国家自然科学基金(简称:科学基金)是国家支持自动化领域研究的主要渠道之一, 依靠科学基金的资助, 我国在自动化学科方面取得了长足的进步, 在计算智能、无人系统技术、人工智能等新兴方向上有了重要的进展[1].本文以2014-2018年科学基金对信息科学部自动化学科中的面上项目、青年科学基金项目、地区科学基金项目、重点项目和海外及港澳学者合作研究项目的资助情况为依据[2], 对近年国内自动化领域的主要研究成果和未来发展趋势进行综述.

    科学基金为中国在自动化领域的快速进步做出了重要贡献, 科学基金发挥的作用是中国自动化领域科技进步的关键因素之一, 它推动了中国和国际科学界建立重要联系.科学基金通过资助项目、促进学科发展, 发挥了提高中国基础研究数量和质量的先锋作用[3].

    “自动化”是科学基金项目一级申请代码(F03)领域, 下分十个二级领域:控制理论与技术(F0301)、控制系统(F0302)、系统建模理论与仿真技术(F0303)、系统工程理论与技术(F0304)、生物系统分析与调控(F0305)、检测技术与装置(F0306)、导航、制导与控制(F0307)、智能制造自动化系统理论与技术(F0308)、机器人学与机器人技术(F0309)、人工智能驱动的自动化(F0310).本文借助国家自然科学基金委员会网站(http://www.nsfc.gov.cn/)的项目查询与统计功能以及资助项目统计, 搜集自动化下属十个二级领域的面上项目、青年科学基金项目、地区科学基金项目、重点项目和海外及港澳学者合作研究项目的关键词、申请代码、资助数量、资助金额等信息[4].经统计, 2014-2018年科学基金在自动化领域对上述五个项目累计资助项目4 971项, 累计资助金额23.5407亿元, 下面分别对五个项目的历年资助情况进行简要介绍.

    面上项目是科学基金的主要资助工具. 表 1为2014-2018年科学基金对自动化领域面上项目的资助情况, 图 1为面上项目资助数量和资助金额的变化曲线.由图 1可知, 面上资助数量逐年增加, 2018年增加尤为明显, 资助金额2014之后略有下降, 但2018年资助金额有大幅提高. 2014-2017年自动化领域的资助金额占学部和全委的比例基本不变, 但是2018年资助比例大幅提高.除2014年外, 自动化领域面上项目的资助率, 无论是项目数量还是项目金额, 基本保持平稳.由于2018年自动化领域面上项目申请数量大幅提高, 导致其资助率略有下降, 但是资助项目数量和金额都有大幅提高.

    表 1  面上项目资助情况
    Table 1  General Project Funding
    年份 项目数量 金额(万元) 自动化领域资助金额占比 自动化领域资助率
    占学部比例 占全委比例 项数 金额
    2018 632 37 571.00 31.30 % 3.37 % 17.36 % 15.75 %
    2017 416 24 499.00 21.51 % 2.29 % 21.36 % 18.89 %
    2016 405 23 341.00 21.49 % 2.29 % 23.17 % 19.79 %
    2015 387 23 311.00 21.39 % 2.28 % 21.55 % 18.49 %
    2014 340 27 239.00 21.41 % 2.28 % 22.94 % 2.80 %
    下载: 导出CSV 
    | 显示表格
    图 1  自动化领域面上项目历年资助情况
    Fig. 1  Annual Funding of General Projects in the field of automation

    人才培养是科学基金的核心人物之一, 而青年科学基金为研究人员的职业发展提供了重要支撑. 表 2为2014-2018年科学基金对自动化领域青年科学基金项目的资助情况, 图 2为青年科学基金项目资助数量和资助金额的变化曲线.由图 2可知, 青年科学基金资助数量在2014-2017有小范围波动, 在2018年大幅提高, 资助金额也是相同的趋势.自动化领域的资助金额占学部和全委的比例在2018年也大幅度提高.青年科学基金项目的资助率, 无论是项目数量还是项目金额, 基本保持平稳.

    表 2  青年科学基金资助情况
    Table 2  Funding of the Youth Science Foundation Project
    年份 项目数量 金额(万元) 资助金额比例 自动化学科资助率
    信息部占全委比例 自动化占学部比例 自动化占全委比例 项数 金额
    2018 647 15 879.00 12.46 % 30.50 % 3.80 % 24.53 % 24.84 %
    2017 447 10 799.00 12.33 % 21.87 % 2.70 % 24.36 % 24.82 %
    2016 421 8 447.00 12.31 % 22.01 % 2.71 % 23.64 % 21.80 %
    2015 424 8 711.00 12.41 % 21.98 % 2.73 % 24.21 % 21.94 %
    2014 430 10 650.00 12.15 % 21.96 % 2.67 % 24.21 % 22.48 %
    下载: 导出CSV 
    | 显示表格
    图 2  自动化领域青年科学基金项目历年资助情况
    Fig. 2  Annual funding of the Youth Science Foundation Project in the field of automation

    科学基金资助经费的地区分布反映了研究机构的集中程度, 因此基金委设立了地区科学基金来提升欠发达地区的科研能力. 表 3为2014-2018年科学基金对自动化领域地区科学基金项目的资助情况, 图 3为地区科学基金项目资助数量和资助金额的变化曲线.由图 3可知, 地区科学基金资助数量在2014-2017年有小幅波动, 资助金额逐年减少, 但是2018年资助数量和资助金额大大提高.由表 3可知, 自动化领域地区科学基金的资助金额占学部和全委的比例在2018年最高, 自动化领域地区科学基金项目的资助率, 无论是项目数量还是项目金额, 基本呈下降趋势.

    表 3  地区科学基金资助情况
    Table 3  Subsidies from regional science funds
    年份 项目数量 金额(万元) 资助金额比例 自动化学科资助率
    信息部占全委比例 自动化占学部比例 自动化占全委比例 项数 金额
    2018 83 3 142.00 7.72 % 36.88 % 2.85 % 14.59 % 13.40 %
    2017 49 1 870.00 7.56 % 22.58 % 1.71 % 17.63 % 16.06 %
    2016 49 1 903.00 7.59 % 22.98 % 1.74 % 19.60 % 18.67 %
    2015 56 2 122.00 7.93 % 24.42 % 1.94 % 21.62 % 19.24 %
    2014 53 2 391.00 7.95 % 23.01 % 1.83 % 21.63 % 19.07 %
    下载: 导出CSV 
    | 显示表格
    图 3  自动化领域地区科学基金项目历年资助情况
    Fig. 3  Subsidies of regional science foundation projects in the field of automation in the past years

    重点项目主要资助大额项目, 这些项目由基金委确定主题, 再通过竞争进行资助, 因此这类项目对自动化学科的发展非常重要. 表 4为2014-2018年科学基金对自动化领域重点项目的资助情况, 图 4为重点项目资助数量和资助金额的变化曲线.由图 4可知, 2014-2017年重点项目资助数量历年差别不大, 最多相差3个项目, 但是资助金额逐年下降. 2018年资助数量和资助金额大幅提高.由表 4可知, 自动化领域重点项目的资助金额占学部和全委的比例在2014-2016年基本不变. 2017年资助金额占学部和全委的比例有明显下降, 资助项目数量也略有减少, 但是资助率却有大幅提高, 说明项目申请数量较以前大幅较少. 2018年重点项目的资助率, 无论是项目数量还是项目金额, 都大幅提高, 但是项目资助率却大幅下降, 说明项目申请数量有大幅提高.

    表 4  重点项目资助情况
    Table 4  Funding of key projects
    年份 项目数量 金额(万元) 资助金额比例 自动化学科资助率
    信息部占全委比例 自动化占学部比例 自动化占全委比例 项数 金额
    2018 32 9 120.00 13.63 % 32.57 % 4.44 % 25.20 % 23.66 %
    2017 18 5 160.00 12.83 % 20.24 % 2.60 % 37.50 % 35.82 %
    2016 21 5 480.00 13.12 % 24.36 % 3.20 % 30.43 % 25.85 %
    2015 21 6 080.00 14.06 % 24.22 % 3.41 % 33.87 % 30.79 %
    2014 19 6 800.00 13.68 % 24.29 % 3.32 % 24.36 % 24.57 %
    下载: 导出CSV 
    | 显示表格
    图 4  自动化领域重点项目历年资助情况
    Fig. 4  Annual funding of key projects in automation field

    表 5为2014-2018年科学基金对自动化领域海外及港澳学者合作研究项目的资助情况, 图 5为海外及港澳学者合作研究项目资助数量和资助金额的变化曲线.由图 5可知, 海外及港澳学者合作研究项目资助数量波动较大.由表 5可知, 自动化领域海外及港澳学者合作研究项目的资助金额占学部和全委的比例波动较大, 没有明显的变化趋势, 海外及港澳学者合作研究项目的资助率, 无论是项目数量还是项目金额, 呈逐年递减的趋势.

    表 5  海外及港澳学者合作研究项目资助情况
    Table 5  Overseas and Hong Kong-Macau scholar cooperation research projects funding
    年份 项目数量 金额(万元) 资助金额比例 自动化学科资助率
    信息部占全委比例 自动化占学部比例 自动化占全委比例 项数 金额
    2018 3 54.00 19.67 % 5.08 % 1.00 % 13.04 % 5.08 %
    2017 3 54.00 20.00 % 4.41 % 0.88 % 17.65 % 5.66 %
    2016 6 432.00 17.78 % 42.86 % 7.62 % 28.57 % 32.00 %
    2015 4 72.00 16.46 % 7.69 % 1.27 % 36.36 % 11.19 %
    2014 5 280.00 15.66 % 26.92 % 4.22 % 35.71 % 43.75 %
    下载: 导出CSV 
    | 显示表格
    图 5  自动化领域海外及港澳学者合作研究项目历年资助情况
    Fig. 5  Overseas and Hong Kong-Macau scholar cooperative research projects in automation

    表 6以科学基金对自动化领域重大研究计划、重大项目、国家杰出青年科学基金、重点项目四个方面的资助情况为依据, 统计了上述四类项目在自动化各二级领域项目资助情况.由表 6可以看出科学基金对自动化领域的项目资助中, 对控制理论与技术(F0301)领域资助项目最多、资助比例最大; 对系统工程理论与技术(F0304)、检测技术与装置(F0306)、机器人学与机器人技术(F0309)领域资助项目数量呈逐年增多的趋势; 其余领域的资助情况基本保持平稳.

    表 6  2014-2018年自动化学科二级领域项目资助情况
    Table 6  Subsidies for automation subject secondary field projects in 2014-2018
    二级领域年份 F03 F0301 F0302 F0303 F0304 F0305 F0306 F0307 F0308 F0309 F0310
    2018 0 12 0 0 5 0 2 3 4 5 7
    2017 1 21 7 1 4 0 15 1 0 2 0
    2016 0 13 5 2 2 2 11 4 0 0 0
    2015 2 12 10 2 2 2 4 1 2 2 0
    2014 7 13 3 1 2 0 3 3 0 2 0
    (包括重大研究计划、重大项目、国家杰出青年科学基金、重点项目四个方面的资助情况)
    下载: 导出CSV 
    | 显示表格

    自动化学科经过几十年的发展, 基础理论已经发展成熟, 广泛应用到工业、农业、军事、交通运输、商业、医疗等方面.过去的几年里, 在科学基金的大力资助下, 自动化学科在诸多方面取得了一些重要的进步.在学科或交叉学科研究中, 将自下而上的资助与基金委及专家遴选的优先发展需求相结合, 使得科学基金资助的许多领域后来成为国家优先发展领域.

    《自动化学报》是国内自动化领域最具影响力学术期刊, 每年都会评选年度优秀论文, 获评论文均为创新性强, 学术水平高, 对推动自动化领域发展有较大影响的理论性论文或对解决比较重要应用问题有较大价值的应用型论文, 获奖论文也反映了我国学者对自动化领域的研究方向和研究重点.参考2014-2017年自动化学科二级领域的获资助情况, 以及《自动化学报》公布的近几年年度优秀论文, 按照二级学科分类, 将国内自动化领域研究现状归纳如下.

    1) 控制理论与工程.近几年, 无论是在经典控制理论, 还是在智能控制、平行控制、机器人系统、系统仿真等方面, 我国都取得了重要进展.在经典控制理论方面, 我国学者首次对二阶非线性不确定系统具体给出了PID控制器参数设计的选取范围, 从理论上证明了相应闭环控制系统的全局稳定性及跟踪性能的渐进最优性.智能控制主要用于应对高复杂度及不确定性环境, 我国智能控制研究起步较晚, 但是经过科研人员的不懈攻关, 取得了长足进步, 并在桥梁、隧道等大型基础设施建设中得到广泛应用.平行控制与平行管理在理论框架、核心技术、应用示范等方面取得了丰硕的研究成果, 并且已成功应用于应急管理、企业生产管理、交通管理、农业生产管理等领域.机器人技术在现代社会具有广泛应用, 如:工业机器人、服务机器人及特种机器人等.目前, 我国机器人技术不断突破, 取得重大成就, 工程机械行业开始智能化升级, 工业机器人逐渐产业化, 特种机器人品种和应用场景不断增加.仿真科学与技术可以用于武器研究、作战指挥、军事训练等, 因此在国防和军工领域的具有重要应用价值.目前, 仿真科学与技术为我国飞行器设计相关领域做出了重要贡献, 并取得了令世界瞩目的成就.

    2) 模式识别与智能系统.我国主要在模式分类和机器学习方面取得重要进展, 在多媒体分析领域, 如:地理、社会事件、描述生成、跨社会等领域取得大量研究成果, 脑机接口技术不断成熟, 研究成果已经开始应用于医疗、娱乐及军事等领域.

    3) 系统工程.我国在系统理论与方法、流程工业自动化和智能交通系统都有重要进展.系统理论与方法方面, 我国在复杂网络、多个体系统、系统工程等方向取得诸多成果.流程工业自动化方面, 我国科研学者在石油化工、钢铁、有色冶金等多个领域获得重大突破.智能交通系统方面, 无论是轨道交通、地面公共交通, 还是城市停车、交通流理论, 抑或交通信号控制、交通规划与设计、交通大数据等方向, 我国取得了一批国际领先的研究成果, 达到了世界先进研究水平.

    4) 导航、制导与控制.随着我国定位导航技术不断成熟, 复杂环境中的航空器/航天器控制逐渐成为了科研的重心.航空器/航天器系统具有强非线性、大不确定性、参数快速变化、强耦合等特点, 我国正在分析和探讨将智能控制方法应用于航空器/航天器, 进而推进我国航空航天事业进入智能自主时代.

    5) 检测技术与自动化装置.检测技术与自动化装置方面, 目前在动态系统故障诊断与容错控制和分布式能源并网等方面均取得了重要进展.对于动态系统故障诊断与容错控制, 我国学者对微小故障诊断、间歇故障诊断、闭环系统的故障诊断等进行了大量研究, 并且取得了突破性成果.对于分布式能源并网, 在国家的大力支持下, 在电力公司、高校、研究机构和企业的广泛合作下, 微网体系、能源互联网及储能领域也取得一些进展.

    交叉学科研究非常重要, 因为新的领域和学科往往诞生在已有学科的边界.自动化学科除了在以上传统方向上有了重要发展之外, 还在交叉学科和新兴应用方面具有旺盛的生命力, 科学基金已成功资助了大量的交叉学科研究, 有下面几点值得关注.

    1) 社会计算.广义而言, 社会计算是面向社会科学的计算理论和方法, 狭义而言, 则是面向社会活动、社会过程、社会组织及其作用和效应的计算理论和方法.近年来我国对社会计算的研究成果丰硕, 在社会组织发现, 社会媒体分析, 以及社会计算等方面展开了广泛而深入的研究[5].

    2) 信息物理融合系统.信息物理融合系统是一项革命性的技术, 其整合了信息系统和物理系统, 使传统的集中式生产变为分布式协同生产, 对行业之间进行了重组和融合, 已被广泛应用于制造业、智能电网、智能交通、智慧医疗等多个领域[6].

    3) 无人机、无人车、无人船领域.无人机、无人车、无人船是国防及军工领域的研究重点, 对维护国家权益、提高军事、民用、国防科技水平具有重要的意义.作为全新的军事装备, 必将催生新的作战方式.目前, 我国对于无人机、无人车、无人船等领域的研究取得了阶段性成果, 并且开始逐渐应用于军事和民用领域[7].

    4) 智慧农业等新兴应用方面.智慧农业包括农业信息感知, 农业大数据分析、智能农业决策体系等研究方向, 利用先进的信息技术和机器人技术, 实现智能化的完成播种、施肥、灌溉、除虫和采摘等任务, 既提高了生产效率, 又节约了自然资源.

    科学基金在我国自动化学科的国际化方面扮演着重要角色.在科学基金和其他渠道的资助下, 我国已经成为仅次于美国的第二科学论文大国, 而且科学基金资助发表的论文质量要高于中国的平均水平, 这显示科学基金在提升中国论文质量方面发挥了重要作用.

    科学基金资助自由选题研究, 意味着它常常为一些新领域最早提供资助, 因此它也引领着自动化学科的发展.虽然我国在自动化学科的个别领域已经达到或者引领世界先进水平, 但是总体上和世界先进水平还有较大差距.由于2018年部分统计数据未公布, 本文总结了近2014-2017年各国家对自动化学科的研究成果贡献量, 如图 6-9所示.

    图 6  2014年各国家研究成果贡献量热度图
    Fig. 6  Calorimetric map of national research achievements contribution in 2014
    图 7  2015年各国家研究成果贡献量热度图
    Fig. 7  Calorimetric map of the contribution of national research achievements in 2015
    图 8  2016年各国家研究成果贡献量热度图
    Fig. 8  Calorimetric map of contributions of national research achievements in 2016
    图 9  2017年各国家研究成果贡献量热度图
    Fig. 9  Calorimetric map of contributions of national research achievements in 2017

    图 6-9可以看出, 中国和美国是对自动化领域贡献量最多的两个国家, 并且常年保持领先.英国、德国、澳大利亚等国家一直在追赶中、美两国, 贡献量逐年上升, 尤其是英国, 在2017年的贡献量几乎与美国持平.

    收集近几年的关键词热词, 根据它们的共现矩阵生成关键词图谱, 如图 10-13所示.

    图 10  2014年关键词热度图
    Fig. 10  Keyword thermal map 2014
    图 11  2015年关键词热度图
    Fig. 11  Keyword thermal map 2015
    图 12  2016年关键词热度图
    Fig. 12  Keyword thermal map 2016
    图 13  2017年关键词热度图
    Fig. 13  Keyword thermal map 2017

    由近几年的热点关键词可以看出, 我国学者在自动化领域的研究既有非常复杂和细化的研究对象, 如: muti-agent systems、nonlinear systems; 同时, 也有越来越实际的应用, 如: smart grid、hyperspectral image、classification.

    下面, 以控制科学与工程的二级学科作为分类依据, 分别对自动化领域国内外科研水平进行对比概述.

    1) 在控制理论与工程方面, 我国的控制学者已在国际控制理论研究中占据了重要位置.不过, 在将控制理论应用于重大实际需求、多学科交叉领域研究以及科研创新等方面, 我国学者与国外同行相比仍有较大差距.智能控制领域, 我国在部分研究方向已达到国际领先, 如电力系统非线性控制和鲁棒控制, 国内研究水平无论在理论上还是工业应用上都属于国际先进水平; 但整体上看, 智能控制理论多由国外学者提出, 国内研究主要集中在其工程应用上.平行控制由我国学者率先提出, 因此一直在保持该领域的领先地位, 国外也逐渐开始对平行控制展开研究, 目前还较为初步和分散[8].我国机器人研究内容基本与国外相同, 主要在隧道、桥梁等大型基础设施的建设方面具有优势, 但无论是产业结构、产业规模、应用领域还是科研水平, 都与国外存在显著差异, 在高端应用领域, 国外机器人占据着绝对优势.系统仿真领域, 我国在某些方面已处于国际领先地位, 如飞行器设计仿真、汽车新能源动力系统建模和状态估计等; 但是在工程应用领域方面仍落后于国外, 尤其是在制造领域的应用.

    2) 在模式识别与智能系统方面, 国内学者在低秩学习、分类器集成、多示例多标签学习等处于国际前沿水平, 但在深度学习应用方面仍处于跟跑阶段, 缺少开拓性工作.在脑机接口理论研究方面, 国内外旗鼓相当.但在脑机接口应用方面, 无论是神经科学家数量, 还是传感器设备、应用领域, 国外均具有较大优势.生物信息学方面, 我国已经开始在基因组学、合成生物学、中医药系统生物学与网络药理学等领域取得国际领先的成果, 但是总体水平较国际先进水平仍有滞后[9].

    3) 在系统工程方面, 复杂网络的研究工作一直保持稳步上升, 但主要成果多为国外研究成果的推广、延伸与应用, 缺少创新性理论成果.流程工业自动化方面, 我国原创性成果逐渐增多, 并且已经取得部分国际领先的成果, 如工艺过程模型和先进控制、生产优化、企业生产经营决策支持等方面, 但在产学研合作方面, 仍需向国外同行学习.智能交通方面, 虽然我国对该领域的研究起步较晚, 但经过近几年的持续攻关, 理论研究和应用都取得了突破性的进展, 贡献了大量国际领先的研究成果[10].

    4) 在导航、制导与控制方面, 我国已经取得了极大进展.在工程实践方面, 自抗扰控制和全系数自适应控制这两类我国科学家原创的控制方法在航天或航空任务中得到广泛应用.在高超声速飞行器领域, 虽然形成了非常丰富的理论研究成果, 但在试验次数方面, 与美国相比仍有较大差距.总之, 这些先进控制方法的应用广度和应用深度上, 还有待提高.

    5) 在检测技术与自动化装置方面, 我国在动态系统的容错控制和智能电网的研究方面有了显著的进展, 已经处于国际领先水平, 但仍有许多问题需要解决, 如动态系统早期微小故障检测、动态系统的预测与维护中的多目标函数优化以及将火力发电厂的控制融入智能电网等问题.

    自动化学科未来的研究重点, 一方面要在已有的研究方向持续推进, 另一方面要重点关注交叉学科的兴起, 以及不断涌现的创新性应用.

    生物信息学属于典型的交叉学科, 我国在该领域已经进入国际前沿行列, 伴随着相关学科的发展, 我国在生物信息学领域的研究和应用必将取得更多国际领先的成果.

    人工智能是当前的热门研究领域, 研究重点是人类认知行为的信息处理机制, 具有认知功能的新型计算架构, 自主运动体的高效感知与增强智能, 复杂任务规划与推理决策等方面的基础理论和关键技术.该领域的突破与进展将为社会带来重大变革, 推动人类社会进入智能时代, 因此该领域也是各国互相赶超的重点方向.

    智能机器人能够极大地提高工作效率, 为人类生产生活带来极大的便利, 我国应抓紧制定符合智能机器人发展路线图, 指明智能机器人研究方向、发展目标, 积极推进核心技术的研发、机器人产业化体系的建立与更加广泛的行业应用.

    复杂系统的研究对象往往是国家重大战略需求的相关领域, 而平行控制与平行管理方法对复杂系统行为分析和管控问题十分有效.为保持我国在平行控制与平行管理研究领域的领先优势, 应继续提炼复杂系统的科学问题, 加强基础理论研究, 解决复杂系统中的科学问题; 在此基础上, 不断扩大应用行业和应用领域, 逐渐形成全行业规模化应用.

    流程工业发展趋势是在两化深度融合基础上实现制造过程智能化和绿色化.以人工智能驱动的自动化为主要内容, 借助云计算、大数据、物联网等技术, 推动全流程精准建模和分析, 打造贯穿全流程生产、全供应链运营、全生命周期管控的一体化控制决策平台, 进而提升生产效率, 提高企业经济效益和社会效益, 最终实现流程工业升级转型.

    信息物理融合系统具有重要的战略地位, 正在我们生活中扮演越来越重要的角色.今后的研究重点是进一步完善信息物理融合系统理论体系, 开展相关支撑技术的深入研究, 实现信息物理融合系统技术的应用推广, 这将是我国自动化领域学者的重大机遇.

    在过去的25年里, 科学基金在中国的基础研究和科学系统发展中一直处于中心地位, 并在中国科研体系的持续健康发展中发挥关键作用.在科学基金的资助下, 经过几代自动化领域专家学者的不懈努力, 我国在自动化领域取得了丰硕的成果, 并为经济增长做出了重要贡献.科技的进步会促进社会经济的发展, 直接影响人民生活水平和综合国力, 因此一个国家的科技发展水平也就决定了其发达程度, 而自动化技术与科技发展密切相关.在新历史时期, 我国在自动化领域的研究更多地转向基础理论的研究和新兴交叉方向的研究, 并希望以此作为突破口, 对自动化强国进行追赶与超越, 争取早日成为自动化科技强国, 广大自动化领域的学者仍需再接再厉, 为我国的科技发展作出更大的贡献.

    致谢: 本文部分数据及观点引自《2016-2017控制科学与工程学科发展报告》, 谨向报告编写者及中国自动化学会致以谢意.
  • 图  1  城市污水处理过程简图

    Fig.  1  Schematic of MWWTPs

    图  2  基于数据驱动的城市污水处理过程运行指标模型设计框架

    Fig.  2  Data-driven based operation indices modeling framework of MWWTPs

    图  3  城市污水处理过程操作变量设定值寻优算法设计框架

    Fig.  3  Optimization algorithms designing framework for set-point values of operation variables in MWWTPs

    表  1  基于机理的城市污水处理过程运行指标建模方法比较

    Table  1  Comparison of mechanism-based operation indices modeling methods in MWWTPs

    文献 过程运行指标 建模方法 是否实际应用 优缺点
    Pallavhee等[31] 出水 COD、出水氨氮 ASM1 在工程设计、工艺改造、在线监测方面
    有着广泛应用. 但是涉及反应过程复杂、
    参数众多且辨识困难、模型阶次较高,
    不易直接进行污水处理过程运行指标
    的设计、优化和控制.
    Mannina等[32] 出水 COD、出水 TSS、出水总氮 ASM1、ASM2、GIUE
    彭永臻等[33] 过程运行费用 活性污泥反应机理
    El Shorbagy等[34] 脱氮过程能耗 ASM1
    Sun等[35] 好氧池曝气能耗 ASM2
    Chen等[36] 出水水质、能耗 ASM2d
    Shen等[49] 出水水质 BSM1 适应于评价优化算法及控制策略.
    但是忽略外界干扰因素, 难以准确
    反映真实污水处理过程.
    Nopens等[50] 出水水质 BSM2
    Maere等[51] 曝气能耗 BSM1
    王藩等[52] 出水水质、能耗 BSM1
    Sweetapple等[53] 出水水质、操作成本、温室气体排放 BSM2
    Plósz[54] 出水水质 反硝化过程动力学 能够简单描述污水处理过程化学、
    物理、生化机理, 但是难以保证
    模型准确性.
    De Gussem等[55] 曝气能耗 流体动力学、ASM2d
    Yang等[56] 出水水质、曝气能耗 流体动力学
    下载: 导出CSV

    表  2  基于数据驱动的城市污水处理过程运行指标建模方法比较

    Table  2  Comparison of data-driven based operation indices modeling methods of MWWTPs

    文献 过程运行指标 建模方法 是否实际应用 优缺点
    Yoo等[63] 出水 BOD 主元分析方法 具有计算简单、快速的优点.
    但是要建立表征因果关系的准确模型,
    模型精度不够理想.
    Dürrenmatt等[64] 出水水质 最小二乘回归分析、随机树
    Zeng等[65] 泵送能耗、泵送系统流量 混合整数非线性回归、贪婪电磁像算法
    Filipe等[66] 泵送能耗 自回归分析
    Asadi等[67] 出水水质、曝气能耗 聚类分析、多元自适应回归分析
    Manu等[75] 出水水质 支持向量机、自适应模糊推理 有较强的非线性系统拟合能力.
    但是仅包含单个过程运行指标,
    难以反映污水处理全流程动态特性.
    Qiao等[76] 出水总磷 深度信念网络
    Chen等[77] 出水水质 专家知识推理、反向传播神经网络
    蒙西等[78] 出水 BOD 类脑模块化神经网络
    王丽娟[79] 曝气能耗 神经网络、主元分析
    Zhang等[80] 泵送能耗 神经网络
    Torregrossa等[81] 泵送能耗 模糊逻辑
    Qiao等[82] 曝气能耗、出水水质 模糊神经网络 利于评价全流程的污水处理过程,
    便于优化多个操作变量的设定值.
    Zhang等[83] 每日能耗、出水水质 支持向量机、反向传播算法
    韩红桂等[84] 曝气能耗、泵送能耗、出水水质 自适应回归核函数
    下载: 导出CSV

    表  3  城市污水处理过程单运行指标的操作变量设定值寻优算法比较

    Table  3  Comparison of optimization algorithms for set-point values of operation variables with single operation indices in MWWTPs

    文献 目标函数 约束条件 操作变量 优化方法 是否实际应用 优缺点
    Amand等[86] 曝气能耗 硝态氮平均
    日流量
    线性规划算法 算法计算过程简单,
    容易实现. 但是仅涉及
    单个操作变量, 难以用
    于全流程优化运行.
    Martin等[87] 过程能耗 硝态氮 进化算法
    Duzinkiewicz等[88] 曝气能耗、
    泵送能耗
    溶解氧 遗传算法
    Sharma等[89] 搅拌机能耗 搅拌机转速 进化算法
    张平等[91] 曝气能耗 物料平衡方程、出水
    氨氮、出水总氮
    溶解氧浓度、
    污泥浓度
    混合遗传算法、惩罚
    函数法、乘子法
    能够避免产生脱离现实
    的解. 但是带约束条
    件的优化设定问题的求
    解更复杂、更困难.
    韩广等[92] 曝气能耗、
    泵送能耗
    出水达标排放 溶解氧、硝态氮 梯度下降法、格朗日乘
    子法、最大最小函数法
    许玉格等[93] 鼓风能耗、
    泵送能耗
    出水达标排放 溶解氧、硝态氮 人工免疫算法
    刘载文等[94] 鼓风能耗、
    泵送能耗
    出水达标排放 溶解氧、硝态氮 遗传算法
    Ruano等[95] 泵送能耗 出水 pH 值和出水氨氮 曝气流量、
    内循环流量
    模糊逻辑推理
    下载: 导出CSV

    表  4  城市污水处理过程多运行指标的操作变量设定值寻优算法比较

    Table  4  Comparison of optimization algorithms for set-point values of operation variables with multiple operation indices in MWWTPs

    文献 目标函数 操作变量 优化方法 是否实际应用 优缺点
    Qiao等[97] 系统能耗、出水水质 溶解氧、硝态氮 加权求和法、基于梯度的
    自适应动态规划算法
    便于利用现有的成熟的优
    化方法进行问题求解, 但
    是难以实现多个互相矛盾
    的过程运行指标之间的折衷.
    Vega等[98] 曝气能耗、泵送能耗、出水水质 溶解氧、硝态氮 加权求和法、序列
    二次规划算法
    史雄伟等[99] 出水氨氮、出水BOD、
    出水COD和运行成本
    溶解氧、硝态氮 加权求和法、粒子群算法
    Schlüter等[100] 过程操作性能、经济成本 冷凝器冷却流量、
    外回流量
    动态加权求和、蚁群算法
    Yetilmezsoy等[101] 甲烷速率、出水基质
    浓度、净运营成本
    底物利用率 动态加权求和、非
    线性规划算法
    Hakanen等[105] 系统能耗、出水水质 溶解氧、硝态氮 多目标优化算法 能够同时产生多个非支配
    解. 但是当污水处理过程
    入水负荷、入水组分浓度、
    微生物活性等发生波动时,
    算法搜索效率降低.
    Reifsnyder等[106] 曝气能耗、出水水质 手动阀开度 多准则优化算法
    杨壮等[107] 系统能耗、出水水质 溶解氧、硝态氮 基于分解的多目标进化算法
    Hreiz等[108] 运行成本、氮排放量 溶解氧、硝态氮 基于精英选择的多目标遗传算法
    Zhang等[83] 出水水质、系统能耗 溶解氧、硝态氮 反向传播算法、多
    目标优化方法
    能够实现操作变量设定值
    的动态寻优. 但是环境剧
    烈变化时, 算法寻优结果不理想.
    Egea等[109] 系统能耗、出水水质 曝气罐曝气系数、
    内循环流量
    基于散点搜索的多目标优化
    Qiao等[110] 曝气能耗、泵送能耗、出水水质 溶解氧、硝态氮 自适应多目标差分进化算法
    De Faria等[111] 出水质量、运营成本、环境影响 外加碳源、
    外加药品
    多目标进化算法
    下载: 导出CSV
  • [1] Habib R Z, Thiemann T, Al Kendi R. Microplastics and wastewater treatment plants—A review. Journal of Water Resource and Protection, 2020, 12(1): 1−35 doi: 10.4236/jwarp.2020.121001
    [2] 生态环境部. 2017中国生态环境状况公报 [Online], 获取自: http://www.mee.gov.cn/xxgk2018/xxgk/xxgk15/201912/t20191231_754132.html, 2020年7月10日
    [3] Lu J Y, Wang X M, Liu H Q, Yu H Q, Li W W. Optimizing operation of municipal wastewater treatment plants in China: The remaining barriers and future implications. Environment International, 2019, 129: 273−278 doi: 10.1016/j.envint.2019.05.057
    [4] Ben W W, Zhu B, Yuan X J, Zhang Y, Yang M, Qiang Z M. Occurrence, removal and risk of organic micropollutants in wastewater treatment plants across China: Comparison of wastewater treatment processes. Water Research, 2018, 130: 38−46 doi: 10.1016/j.watres.2017.11.057
    [5] He Y, Zhu Y S, Chen J H, Huang M S, Wang P, Wang G H, et al. Assessment of energy consumption of municipal wastewater treatment plants in China. Journal of Cleaner Production, 2019, 228: 399−404 doi: 10.1016/j.jclepro.2019.04.320
    [6] 张安龙, 谢飞, 罗清, 王先宝, 马蕊, 程丙军, 等. 中国城镇污水处理厂节能降耗研究进展. 环境科学与技术, 2018, 41(S1): 116−119

    Zhang An-Long, Xie Fei, Luo Qing, Wang Xian-Bao, Ma Rui, Cheng Bing-Jun, et al. Research progress on energy saving and consumption reduction of urban sewage treatment plant in China. Environmental Science & Technology, 2018, 41(S1): 116−119
    [7] 乔俊飞, 薄迎春, 韩广. 基于ESN的多指标DHP控制策略在污水处理过程中的应用. 自动化学报, 2013, 39(7): 1146−1151

    Qiao Jun-Fei, Bo Ying-Chun, Han Guang. Application of ESN-based multi indices dual heuristic dynamic programming on wastewater treatment process. Acta Automatica Sinica, 2013, 39(7): 1146−1151
    [8] Longo S, Hospido A, Lema J M, Mauricio-Iglesias M. A systematic methodology for the robust quantification of energy efficiency at wastewater treatment plants featuring data envelopment analysis. Water Research, 2018, 141: 317−328 doi: 10.1016/j.watres.2018.04.067
    [9] 水资源-能源关系: 机遇与挑战 [Online], 获取自: http://www.tanpaifang.com/tanguwen/2014/0619/33887.html, 2020年7月10日
    [10] 能源战略2050. [Online], 获取自: https://www.docin.com/p-1690461385.html, 2020年7月10日
    [11] Rivera-Jaimes J A, Postigo C, Melgoza-Alemán R M, Aceña J, Barceló D, de Alda M L. Study of pharmaceuticals in surface and wastewater from Cuernavaca, Morelos, Mexico: Occurrence and environmental risk assessment. Science of the Total Environment, 2018, 613−614: 1263−1274 doi: 10.1016/j.scitotenv.2017.09.134
    [12] Hreiz R, Latifi M A, Roche N. Optimal design and operation of activated sludge processes: State-of-the-art. Chemical Engineering Journal, 2015, 281: 900−920 doi: 10.1016/j.cej.2015.06.125
    [13] Ostace G S, Baeza J A, Guerrero J, Guisasola A, Cristea V M, Agachi P Ş, et al. Development and economic assessment of different WWTP control strategies for optimal simultaneous removal of carbon, nitrogen and phosphorus. Computers & Chemical Engineering, 2013, 53: 164−177
    [14] Han H G, Liu Z, Hou Y, Qiao J F. Data-driven multiobjective predictive control for wastewater treatment process. IEEE Transactions on Industrial Informatics, 2020, 16(4): 2767−2775 doi: 10.1109/TII.2019.2940663
    [15] 彭永臻, 郭建华. 活性污泥膨胀机理、成因及控制. 北京: 科学出版社, 2012. 62−73

    Peng Yong-Zhen, Guo Jian-Hua. Mechanism, Cause and Control of Activated Sludge Bulking. Beijing: Science Press, 2012. 62−73
    [16] Gómez-Brandón M, Podmirseg S M. Biological waste treatment. Waste Management & Research: The Journal for A Sustainable Circular Economy, 2013, 31(8): 773−774
    [17] Balakrishnan S, Eckenfelder W W. Nitrogen relationships in biological treatment processes-IIII. Denitrification in the modified activated sludge process. Water Research, 1969, 3(3): 177−178, IN1, 179-188 doi: 10.1016/0043-1354(69)90057-8
    [18] Rosen C, Lennox J A. Multivariate and multiscale monitoring of wastewater treatment operation. Water Research, 2001, 35(14): 3402−3410 doi: 10.1016/S0043-1354(01)00069-0
    [19] Henze M, Gujer W, Mino T, Matsuo T, Wentzel M C, Marais G R, et al. Activated sludge model no.2D, ASM2D. Water science and Technology, 1999, 39(1): 165−182 doi: 10.2166/wst.1999.0036
    [20] Jordan M A, Welsh D T, Teasdale P R, Catterall K, John R. A ferricyanide-mediated activated sludge bioassay for fast determination of the biochemical oxygen demand of wastewaters. Water Research, 2010, 44(20): 5981−5988 doi: 10.1016/j.watres.2010.07.042
    [21] Gustaf O, Bob N. Wastewater wreatment systems: Modelling diagnosis and control. Magazine of the International Water Association, 1999, 2: 43−44
    [22] Lin C K, Katayama Y, Hosomi M, Murakami A, Okada M. The characteristics of the bacterial community structure and population dynamics for phosphorus removal in SBR activated sludge processes. Water Research, 2003, 37(12): 2944−2952 doi: 10.1016/S0043-1354(02)00568-7
    [23] Ni B J, Yuan Z G. Recent advances in mathematical modeling of nitrous oxides emissions from wastewater treatment processes. Water Research, 2015, 87: 336−346 doi: 10.1016/j.watres.2015.09.049
    [24] 乔俊飞, 卢超, 王磊, 韩红桂. 城市污水处理过程模型研究综述. 信息与控制, 2018, 47(2): 129−139

    Qiao Jun-Fei, Lu Chao, Wang Lei, Han Hong-Gui. Models of urban wastewater treatment process: An overview. Information and Control, 2018, 47(2): 129−139
    [25] 于广平, 苑明哲, 王宏. 活性污泥法污水处理数学模型的发展和应用. 信息与控制, 2006, 35(5): 614−618, 623 doi: 10.3969/j.issn.1002-0411.2006.05.014

    Yu Guang-Ping, Fan Ming-Zhe, Wang Hong. Development and application of activated sludge mathematical models for wastewater treatment process. Information and Control, 2006, 35(5): 614−618, 623 doi: 10.3969/j.issn.1002-0411.2006.05.014
    [26] Gernaey K V, Rosen C, Jeppsson U. WWTP dynamic disturbance modelling -an essential module for long-term benchmarking development. Water Science and Technology, 2006, 53(4−5): 225−234 doi: 10.2166/wst.2006.127
    [27] Phuc B D H, You S S, Hung B M, Kim H S. Robust control synthesis for the activated sludge process. Environmental Science: Water Research & Technology, 2018, 4(7): 992−1001
    [28] Henze M, Grady C P L, Gujer W, Marais G V R, Matsuo T. Activated Sludge Model No. 1, Technical Report No. 1, IAWPRC, 1987. 195−214
    [29] Henze M, Gujer W, Mino T. Activated Sludge Model No. 2. International Association on Water Pollution Research and Control Scientific and Technical Reports, 1995, 31(2): 1−11 doi: 10.2166/wst.1995.0061
    [30] Gujer W, Henze M, Mino T, van Loosdrecht M. Activated sludge model no. 3. Water Science & Technology, 1999, 39(1): 183−193
    [31] Pallavhee T, Sundaramoorthy S, Sivasankaran M A. Optimal control of small size single tank activated sludge process with regulated aeration and external carbon addition. Industrial & Engineering Chemistry Research, 2018, 57(46): 15811−15823
    [32] Mannina G, Cosenza A, Viviani G. Uncertainty assessment of a model for biological nitrogen and phosphorus removal: Application to a large wastewater treatment plant. Physics and Chemistry of the Earth, Parts A/B/C, 2012, 42−44: 61−69 doi: 10.1016/j.pce.2011.04.008
    [33] 彭永臻, 王宝贞, 王淑莹. 活性污泥法的多变量最优控制I. 基础理论与DO浓度对运行费用的影响. 环境科学学报, 1998, 18(1): 11−19 doi: 10.3321/j.issn:0253-2468.1998.01.002

    Peng Yong-Zhen, Wang Bao-Zhen, Wang Shu-Ying. Multivariable optimal control of activated sludge process: I. Basic theory and effect of DO on operational cost. Acta Scientiae Circumstantiae, 1998, 18(1): 11−19 doi: 10.3321/j.issn:0253-2468.1998.01.002
    [34] El Shorbagy W E, Radif N N, Droste R L. Optimization of A.2O BNR processes using ASM and EAWAG Bio-P models: Model performance. Water Environment Research, 2013, 85(12): 2271−2284 doi: 10.2175/106143013X13596524517102
    [35] Sun J Y, Liang P, Yan X X, Zuo K C, Xiao K, Xia J L, et al. Reducing aeration energy consumption in a large-scale membrane bioreactor: Process simulation and engineering application. Water Research, 2016, 93: 205−213 doi: 10.1016/j.watres.2016.02.026
    [36] Chen W L, Lu X W, Yao C H. Optimal strategies evaluated by multi-objective optimization method for improving the performance of a novel cycle operating activated sludge process. Chemical Engineering Journal, 2015, 260: 492−502 doi: 10.1016/j.cej.2014.08.087
    [37] 杜树新. 污水生化处理过程建模与控制. 控制理论与应用, 2002, 19(5): 660−666 doi: 10.3969/j.issn.1000-8152.2002.05.002

    Du Shu-Xin. Modeling and control of biological wastewater treatment processes. Control Theory & Applications, 2002, 19(5): 660−666 doi: 10.3969/j.issn.1000-8152.2002.05.002
    [38] 董姗燕, 李咏梅, 池春榕, 刘祖文. 基于活性污泥数学模型(ASMs)的污水处理系统不确定性分析研究进展. 化工进展, 2017, 36(12): 4651−4657

    Dong Shan-Yan, Li Yong-Mei, Chi Chun-Rong, Liu Zu-Wen. Research and development on uncertainty analysis in wastewater treatment system based on activated sludge model(ASMs). Chemical Industry and Engineering Progress, 2017, 36(12): 4651−4657
    [39] Spinelli M, Eusebi A L, Vasilaki V, Katsou E, Frison N, Cingolani D, et al. Critical analyses of nitrous oxide emissions in a full scale activated sludge system treating low carbon-to-nitrogen ratio wastewater. Journal of Cleaner Production, 2018, 190: 517−524 doi: 10.1016/j.jclepro.2018.04.178
    [40] Iacopozzi I, Innocenti V, Marsili-Libelli S, Giusti E. A modified activated sludge model no. 3 (ASM3) with two-step nitrification- denitrification. Environmental Modelling & Software, 2007, 22(6): 847−861
    [41] Rieger L, Koch G, Kühni M, Gujer W, Siegrist H. The eawag Bio-P module for activated sludge model no. 3. Water Research, 2001, 35(16): 3887−3903 doi: 10.1016/S0043-1354(01)00110-5
    [42] Zhao H, Hao O J, McAvoy T J. Approaches to modeling nutrient dynamics: ASM2, simplified model and neural nets. Water Science and Technology, 1999, 39(1): 227−234 doi: 10.2166/wst.1999.0048
    [43] Jeppsson U, Alex J, Batstone D J, Benedetti L, Comas J, Copp J B, et al. Benchmark simulation models, quo vadis. Water Science & Technology, 2013, 68(1): 1−15
    [44] Jeppsson U, Pons M N, Nopens I, Alex J, Copp J B, Gernaey K V, et al. Benchmark simulation model no 2: General protocol and exploratory case studies. Water Science & Technology, 2007, 56(8): 67−78
    [45] Jeppsson U, Rosen C, Alex J, Copp J, Gernaey K V, Pons M N, et al. Towards a benchmark simulation model for plant-wide control strategy performance evaluation of WWTPs. Water Science & Technology, 2006, 53(1): 287−295
    [46] Saagi R, Flores-Alsina X, Kroll S, Gernaey K V, Jeppsson U. A model library for simulation and benchmarking of integrated urban wastewater systems. Environmental Modelling & Software, 2017, 93: 282−295
    [47] Rosen C, Jeppsson U, Vanrolleghem P A. Towards a common benchmark for long-term process control and monitoring performance evaluation. Water Science Technology, 2004, 50(11): 41−49 doi: 10.2166/wst.2004.0669
    [48] Gernaey K V, Jørgensen S B. Benchmarking combined biological phosphorus and nitrogen removal wastewater treatment processes. Control Engineering Practice, 2004, 12(3): 357−373 doi: 10.1016/S0967-0661(03)00080-7
    [49] Shen W H, Chen X Q, Corriou J P. Application of model predictive control to the BSM1 benchmark of wastewater treatment process. Computers & Chemical Engineering, 2008, 32(12): 2849−2856
    [50] Nopens I, Benedetti L, Jeppsson U, Pons M N, Alex J, Copp J B, et al. Benchmark simulation model no 2: Finalisation of plant layout and default control strategy. Water Science & Technology, 2010, 62(9): 1967−1974
    [51] Maere T, Verrecht B, Moerenhout S, Judd S, Nopens I. BSM-MBR: A benchmark simulation model to compare control and operational strategies for membrane bioreactors. Water Research, 2011, 45(6): 2181−2190 doi: 10.1016/j.watres.2011.01.006
    [52] 王藩, 王小艺, 魏伟, 许继平, 蒋耘伟, 王灵宇. 基于BSM1的城市污水处理优化控制方案研究. 控制工程, 2015, 22(6): 1224−1229

    Wang Pan, Wang Xiao-Yi, Wei Wei, Xu Ji-Ping, Jiang Yun-Wei, Wang Ling-Yu. Optimal solution to wastewater treatment process control strategy based on benchmark model no. 1. Control Engineering of China, 2015, 22(6): 1224−1229
    [53] Sweetapple C, Fu G T, Butler D. Multi-objective optimisation of wastewater treatment plant control to reduce greenhouse gas emissions. Water Research, 2014, 55: 52−62 doi: 10.1016/j.watres.2014.02.018
    [54] Plósz B G. Optimization of the activated sludge anoxic reactor configuration as a means to control nutrient removal kinetically. Water Research, 2007, 41(8): 1763−1773 doi: 10.1016/j.watres.2007.01.007
    [55] De Gussem K, Fenu A, Wambecq T, Weemaes M. Energy saving on wastewater treatment plants through improved online control: Case study wastewater treatment plant antwerp-south. Water Science & Technology, 2014, 69(5): 1074−1079
    [56] Yang Y, Yang J K, Zuo J L, Li Y, He S, Yang X, et al. Study on two operating conditions of a full-scale oxidation ditch for optimization of energy consumption and effluent quality by using CFD model. Water Research, 2011, 45(11): 3439−3452 doi: 10.1016/j.watres.2011.04.007
    [57] Andraka D. Reliability analysis of activated sludge process by means of biokinetic modelling and simulation results. Water, 2020, 12(1): Article No. 291 doi: 10.3390/w12010291
    [58] Yang C L, Qiao J F, Wang L, Zhu X X. Dynamical regularized echo state network for time series prediction. Neural Computing and Applications, 2019, 31(10): 6781−6794 doi: 10.1007/s00521-018-3488-z
    [59] Corominas L, Garrido-Baserba M, Villez K, Olsson G, Cortés U, Poch M. Transforming data into knowledge for improved wastewater treatment operation: A critical review of techniques. Environmental Modelling & Software, 2018, 106: 89−103
    [60] Lou I, Zhao Y C. Sludge bulking prediction using principle component regression and artificial neural network. Mathematical Problems in Engineering, 2012, 2012: Article No. 237693
    [61] Newhart K B, Holloway R W, Hering A S, Cath T Y. Data-driven performance analyses of wastewater treatment plants: A review. Water Research, 2019, 157: 498−513 doi: 10.1016/j.watres.2019.03.030
    [62] Han H G, Zhu S G, Qiao J F, Guo M. Data-driven intelligent monitoring system for key variables in wastewater treatment process. Chinese Journal of Chemical Engineering, 2018, 26(10): 2093−2101 doi: 10.1016/j.cjche.2018.03.027
    [63] Yoo C K, Vanrolleghem P A, Lee I B. Nonlinear modeling and adaptive monitoring with fuzzy and multivariate statistical methods in biological wastewater treatment plants. Journal of Biotechnology, 2003, 105(1−2): 135−163 doi: 10.1016/S0168-1656(03)00168-8
    [64] Dürrenmatt D J, Gujer W. Data-driven modeling approaches to support wastewater treatment plant operation. Environmental Modelling & Software, 2012, 30: 47−56
    [65] Zeng Y H, Zhang Z J, Kusiak A, Tang F, Wei X P. Optimizing wastewater pumping system with data-driven models and a greedy electromagnetism-like algorithm. Stochastic Environmental Research and Risk Assessment, 2016, 30(4): 1263−1275 doi: 10.1007/s00477-015-1115-4
    [66] Filipe J, Bessa R J, Reis M, Alves R, Póvoa P. Data-driven predictive energy optimization in a wastewater pumping station. Applied Energy, 2019, 252: Article No. 113423 doi: 10.1016/j.apenergy.2019.113423
    [67] Asadi A, Verma A, Yang K, Mejabi B. Wastewater treatment aeration process optimization: A data mining approach. Journal of Environmental Management, 2017, 203: 630−639 doi: 10.1016/j.jenvman.2016.07.047
    [68] Huang W, Oh S K, Pedrycz W. Hybrid fuzzy wavelet neural networks architecture based on polynomial neural networks and fuzzy set/relation inference-based wavelet neurons. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(8): 3452−3462 doi: 10.1109/TNNLS.2017.2729589
    [69] Kobayashi M. Decomposition of rotor hopfield neural networks using complex numbers. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(4): 1366−1370 doi: 10.1109/TNNLS.2017.2657781
    [70] Kang Q, Shi L, Zhou M C, Wang X S, Wu Q D, Wei Z. A distance-based weighted undersampling scheme for support vector machines and its application to imbalanced classification. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(9): 4152−4165 doi: 10.1109/TNNLS.2017.2755595
    [71] Gangopadhyay A, Chatterjee O, Chakrabartty S. Extended polynomial growth transforms for design and training of generalized support vector machines. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(5): 1961−1974 doi: 10.1109/TNNLS.2017.2690434
    [72] Tanaka G, Nakane R, Takeuchi T, Yamane T, Nakano D, Katayama Y, et al. Spatially arranged sparse recurrent neural networks for energy efficient associative memory. IEEE Transactions on Neural Networks and Learning Systems, 2020, 31(1): 24−38 doi: 10.1109/TNNLS.2019.2899344
    [73] Miller M W, Elliott M, DeArmond J, Kinyua M, Wett B, Murthy S, et al. Controlling the COD removal of an a-stage pilot study with instrumentation and automatic process control. Water Science & Technology, 2017, 75(11): 2669−2679
    [74] Chen W C, Chang N B, Shieh W K. Advanced hybrid fuzzy-neural controller for industrial wastewater treatment. Journal of Environmental Engineering, 2001, 127(11): 1048−1059 doi: 10.1061/(ASCE)0733-9372(2001)127:11(1048)
    [75] Manu D S, Thalla A K. Artificial intelligence models for predicting the performance of biological wastewater treatment plant in the removal of kjeldahl nitrogen from wastewater. Applied Water Science, 2017, 7(7): 3783−3791 doi: 10.1007/s13201-017-0526-4
    [76] Qiao J F, Wang G M, Li W J, Li X L. A deep belief network with PLSR for nonlinear system modeling. Neural Networks, 2018, 104: 68−79 doi: 10.1016/j.neunet.2017.10.006
    [77] Chen Z B, Nie S K, Ren N Q, Chen Z Q, Wang H C, Cui M H. Improving the efficiencies of simultaneous organic substance and nitrogen removal in a multi-stage loop membrane bioreactor-based PWWTP using an on-line knowledge-based expert system. Water Research, 2011, 45(16): 5266−5278 doi: 10.1016/j.watres.2011.07.032
    [78] 蒙西, 乔俊飞, 韩红桂. 基于类脑模块化神经网络的污水处理过程关键出水参数软测量. 自动化学报, 2019, 45(5): 906−919

    Meng Xi, Qiao Jun-Fei, Han Hong-Gui. Soft measurement of key effluent parameters in wastewater treatment process usings brain-like modular neural networks. Acta Automatica Sinica, 2019, 45(5): 906−919
    [79] 王丽娟. 基于主元分析和神经网络的污水处理能耗分析. 计算机技术与发展, 2011, 21(3): 243−245 doi: 10.3969/j.issn.1673-629X.2011.03.062

    Wang Li-Juan. Analysis of sewage treatment aeration energy consumption based on PCA and BP networks. Computer Technology and Development, 2011, 21(3): 243−245 doi: 10.3969/j.issn.1673-629X.2011.03.062
    [80] Zhang Z J, Kusiak A, Zeng Y H, Wei X P. Modeling and optimization of a wastewater pumping system with data-mining methods. Applied Energy, 2016, 164: 303−311 doi: 10.1016/j.apenergy.2015.11.061
    [81] Torregrossa D, Hansen J, Hernández-Sancho F, Cornelissen A, Schutz G, Leopold U. A data-driven methodology to support pump performance analysis and energy efficiency optimization in waste water treatment plants. Applied Energy, 2017, 208: 1430−1440 doi: 10.1016/j.apenergy.2017.09.012
    [82] Qiao J F, Zhang W. Dynamic multi-objective optimization control for wastewater treatment process. Neural Computing and Applications, 2018, 29(11): 1261−1271 doi: 10.1007/s00521-016-2642-8
    [83] Zhang R, Xie W M, Yu H Q, Li W W. Optimizing municipal wastewater treatment plants using an improved multi-objective optimization method. Bioresource Technology, 2014, 157: 161−165 doi: 10.1016/j.biortech.2014.01.103
    [84] 韩红桂, 张璐, 乔俊飞. 基于多目标粒子群算法的污水处理智能优化控制. 化工学报, 2017, 68(4): 1474−1481

    Han Hong-Gui, Zhang Lu, Qiao Jun-Fei. Intelligent optimal control for wastewater treatment based on multi-objective particle swarm algorithm. CIESC Journal, 2017, 68(4): 1474−1481
    [85] Santín I, Pedret C, Vilanova R. Applying variable dissolved oxygen set point in a two level hierarchical control structure to a wastewater treatment process. Journal of Process Control, 2015, 28: 40−55 doi: 10.1016/j.jprocont.2015.02.005
    [86] Amand L, Carlsson B. Optimal aeration control in a nitrifying activated sludge process. Water Research, 2012, 46(7): 2101−2110 doi: 10.1016/j.watres.2012.01.023
    [87] Martín J M, Vega P, Revollar S. Set-point optimization for enhancing the MPC control of the n-removal process in WWTP’s. In: Proceedings of the 2012 World Automation Congress 2012. Puerto Vallarta, Mexico: IEEE, 2012. 1−6
    [88] Duzinkiewicz K, Brdys M A, Kurek W, Piotrowski R. Genetic hybrid predictive controller for optimized dissolved-oxygen tracking at lower control level. IEEE Transactions on Control Systems Technology, 2009, 17(5): 1183−1192 doi: 10.1109/TCST.2008.2004499
    [89] Sharma A K, Guildal T, Thomsen H R, Jacobsen B N. Energy savings by reduced mixing in aeration tanks: Results from a full scale investigation and long term implementation at avedoere wastewater treatment plant. Water Science & Technology, 2011, 64(5): 1089−1095
    [90] Chachuat B, Roche N, Latifi M A. Optimal aeration control of industrial alternating activated sludge plants. Biochemical Engineering Journal, 2005, 23(3): 277−289 doi: 10.1016/j.bej.2005.01.012
    [91] 张平, 苑明哲, 王宏. 前置反硝化污水生化处理过程优化控制. 信息与控制, 2008, 37(1): 113−118 doi: 10.3969/j.issn.1002-0411.2008.01.019

    Zhang Ping, Yuan Ming-Zhe, Wang Hong. Optimization control for pre-denitrification type of biological treatment process for wastewater. Information and control, 2008, 37(1): 113−118 doi: 10.3969/j.issn.1002-0411.2008.01.019
    [92] 韩广, 乔俊飞, 韩红桂, 柴伟. 基于Hopfield神经网络的污水处理过程优化控制. 控制与决策, 2014, 29(11): 2085−2088

    Han Guang, Qiao Jun-Fei, Han Hong-Gui, Chai Wei. Optimal control for wastewater treatment process based on Hopfield neural network. Control and Decision, 2014, 29(11): 2085−2088
    [93] 许玉格, 宋亚龄, 罗飞, 张雍涛, 曹涛. 基于人工免疫算法的污水处理系统节能优化. 华南理工大学学报(自然科学版), 2013, 41(8): 34−40

    Xu Yu-Ge, Song Ya-Ling, Luo Fei, Zhang Yong-Tao, Cao Tao. Energy-saving optimization of wastewater treatment system based on artificial immune algorithm. Journal of South China University of Technology (Natural Science Edition), 2013, 41(8): 34−40
    [94] 刘载文, 张春芝, 王小艺, 薛福霞, 程志强. 基于遗传算法的污水处理过程优化控制方法. 计算机与应用化学, 2007, 24(7): 959−962 doi: 10.3969/j.issn.1001-4160.2007.07.026

    Liu Zai-Wen, Zhang Chun-Zhi, Wang Xiao-Yi, Xue Fu-Xia, Cheng Zhi-Qiang. Method of optimal control for wastewater treatment process based on genetic algorithms. Computers and Applied Chemistry, 2007, 24(7): 959−962 doi: 10.3969/j.issn.1001-4160.2007.07.026
    [95] Ruano M V, Ribes J, Seco A, Ferrer J. An advanced control strategy for biological nutrient removal in continuous systems based on pH and ORP sensors. Chemical Engineering Journal, 2012, 183: 212−221 doi: 10.1016/j.cej.2011.12.064
    [96] Sadeghassadi M, Macnab C J B, Gopaluni B, Westwick D. Application of neural networks for optimal-setpoint design and MPC control in biological wastewater treatment. Computers & Chemical Engineering, 2018, 115: 150−160
    [97] Qiao J F, Bo Y C, Chai W, Han H G. Adaptive optimal control for a wastewater treatment plant based on a data-driven method. Water Science & Technology, 2013, 67(10): 2314−2320
    [98] Vega P, Revollar S, Francisco M, Martín J M. Integration of set point optimization techniques into nonlinear MPC for improving the operation of WWTPs. Computers & Chemical Engineering, 2014, 68: 78−95
    [99] 史雄伟, 乔俊飞, 苑明哲. 基于改进粒子群优化算法的污水处理过程优化控制. 信息与控制, 2011, 40(5): 698−703

    Shi Xiong-Wei, Qiao Jun-Fei, Yuan Ming-Zhe. Optimal control for wastewater treatment process based on improved particle swarm optimization algorithm. Information and Control, 2011, 40(5): 698−703
    [100] Schlüter M, Egea J A, Antelo L T, Alonso A A, Banga J R. An extended ant colony optimization algorithm for integrated process and control system design. Industrial & Engineering Chemistry Research, 2009, 48(14): 6723−6738
    [101] Yetilmezsoy K. Integration of kinetic modeling and desirability function approach for multi-objective optimization of UASB reactor treating poultry manure wastewater. Bioresource Technology, 2012, 118: 89−101 doi: 10.1016/j.biortech.2012.05.088
    [102] Wu M Y, Li K, Kwong S, Zhang Q F, Zhang J. Learning to decompose: A paradigm for decomposition-based multiobjective optimization. IEEE Transactions on Evolutionary Computation, 2019, 23(3): 376−390 doi: 10.1109/TEVC.2018.2865931
    [103] Flores-Alsina X, Arnell M, Amerlinck Y, Corominas L, Gernaey K V, Guo L S, et al. Balancing effluent quality, economic cost and greenhouse gas emissions during the evaluation of (plant-wide) control/operational strategies in WWTPs. Science of the Total Environment, 2014, 466−467: 616−624 doi: 10.1016/j.scitotenv.2013.07.046
    [104] Cadet C, Béteau J F, Hernandez S C. Multicriteria control strategy for cost/quality compromise in wastewater treatment plants. Control Engineering Practice, 2004, 12(3): 335−347 doi: 10.1016/S0967-0661(03)00134-5
    [105] Hakanen J, Sahlstedt K, Miettinen K. Wastewater treatment plant design and operation under multiple conflicting objective functions. Environmental Modelling & Software, 2013, 46: 240−249
    [106] Reifsnyder S, Garrido-Baserba M, Cecconi F, Wong L, Ackman P, Melitas N, et al. Relationship between manual air valve positioning, water quality and energy usage in activated sludge processes. Water Research, 2020, 173: Article No. 115537 doi: 10.1016/j.watres.2020.115537
    [107] 杨壮, 杨翠丽, 顾锞, 乔俊飞. 多目标进化算法的污水处理过程优化控制. 控制理论与应用, 2020, 37(1): 169−175 doi: 10.7641/CTA.2019.80408

    Yang Zhuang, Yang Cui-Li, Gu Ke, Qiao Jun-Fei. Multi-objective evolutionary algorithm for wastewater treatment process optimization control. Control Theory & Applications, 2020, 37(1): 169−175 doi: 10.7641/CTA.2019.80408
    [108] Hreiz R, Roche N, Benyahia B, Latifi M A. Multi-objective optimal control of small-size wastewater treatment plants. Chemical Engineering Research and Design, 2015, 102: 345−353 doi: 10.1016/j.cherd.2015.06.039
    [109] Egea J A, Gracia I. Dynamic multiobjective global optimization of a waste water treatment plant for nitrogen removal. IFAC Proceedings Volumes, 2012, 45(2): 374−379 doi: 10.3182/20120215-3-AT-3016.00066
    [110] Qiao J F, Hou Y, Han H G. Optimal control for wastewater treatment process based on an adaptive multi-objective differential evolution algorithm. Neural Computing and Applications, 2017, 31(7): 2537−2550
    [111] De Faria A B B, Ahmadi A, Tiruta-Barna L, Sperandio M. Feasibility of rigorous multi-objective optimization of wastewater management and treatment plants. Chemical Engineering Research and Design, 2016, 115: 394−406 doi: 10.1016/j.cherd.2016.09.005
    [112] Han H G, Wu X L, Zhang L, Tian Y, Qiao J F. Self-organizing RBF neural network using an adaptive gradient multiobjective particle swarm optimization. IEEE Transactions on Cybernetics, 2019, 49(1): 69−82 doi: 10.1109/TCYB.2017.2764744
    [113] Li F J, Qiao J F, Han H G, Yang C L. A self-organizing cascade neural network with random weights for nonlinear system modeling. Applied Soft Computing, 2016, 42: 184−193 doi: 10.1016/j.asoc.2016.01.028
    [114] Han H G, Qiao J F. A structure optimisation algorithm for feedforward neural network construction. Neurocomputing, 2013, 99: 347−357 doi: 10.1016/j.neucom.2012.07.023
    [115] Poch M, Comas J, Porro J, Garrido-Baserba M, Corominas L, Pijuan M. Where are we in wastewater treatment plants data management? A review and a proposal. In: Proceedings of the 7th International Congress on Environmental Modelling and Software: Bold Visions for Environmental Modeling. San Diego, USA: iEMSs, 2014. 221−234
    [116] 李文静, 李萌, 乔俊飞. 基于互信息和自组织RBF神经网络的出水BOD软测量方法. 化工学报, 2019, 70(2): 687−695

    Li Wen-Jing, Li Meng, Qiao Jun-Fei. Effluent BOD soft measurement based on mutual information and self-organizing RBF neural network. CIESC Journal, 2019, 70(2): 687−695
    [117] Wilén B M, Liebana R, Persson F, Modin O, Hermansson M. The mechanisms of granulation of activated sludge in wastewater treatment, its optimization, and impact on effluent quality. Applied Microbiology and Biotechnology, 2018, 102(12): 5005−5020 doi: 10.1007/s00253-018-8990-9
    [118] 李永明, 史旭东, 熊伟丽. 基于工况识别的污水处理过程多目标优化控制. 化工学报, 2019, 70(11): 4325−4336

    Li Yong-Ming, Shi Xu-Dong, Xiong Wei-Li. Condition recognition based intelligent multi-objective optimal control for wastewater treatment. CIESC Journal, 2019, 70(11): 4325−4336
    [119] Aulinas M, Nieves J C, Cortés U, Poch M. Supporting decision making in urban wastewater systems using a knowledge-based approach. Environmental Modelling & Software, 2011, 26(5): 562−572
    [120] Castillo A, Cheali P, Gómez V, Comas J, Poch M, S in, G. An integrated knowledge-based and optimization tool for the sustainable selection of wastewater treatment process concepts. Environmental Modelling & Software, 2016, 84: 177−192
    [121] Rizzo D B, Blackburn M R. Harnessing expert knowledge: Defining Bayesian network model priors from expert knowledge only—prior elicitation for the vibration qualification problem. IEEE Systems Journal, 2019, 13(2): 1895−1905 doi: 10.1109/JSYST.2019.2892942
    [122] Garrido-Baserba M, Reif R, Hernández F, Poch M. Implementation of a knowledge-based methodology in a decision support system for the design of suitable wastewater treatment process flow diagrams. Journal of Environmental Management, 2012, 112: 384−391 doi: 10.1016/j.jenvman.2012.08.013
    [123] Han H G, Zhang L, Liu H X, Yang C L, Qiao J F. Intelligent optimal control system with flexible objective functions and its applications in wastewater treatment process. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2019. DOI: 10.1109/TSMC.2019.2927631
    [124] Azzouz R, Bechikh S, Said L B. A dynamic multi-objective evolutionary algorithm using a change severity-based adaptive population management strategy. Soft Computing, 2017, 21(4): 885−906 doi: 10.1007/s00500-015-1820-4
    [125] Chen G Y, Li J H. A diversity ranking based evolutionary algorithm for multi-objective and many-objective optimization. Swarm and Evolutionary Computation, 2019, 48: 274−287 doi: 10.1016/j.swevo.2019.03.009
    [126] Zhang S H, Wang J Y, Guo Z H. Research on combined model based on multi-objective optimization and application in time series forecast. Soft Computing, 2019, 23(22): 11493−11521 doi: 10.1007/s00500-018-03690-w
    [127] Barabasz B, Barrett S, Siwik L, Łoś M, Podsiadło K, Woźniak M. Speeding up multi-objective optimization of liquid fossil fuel reserve exploitation with parallel hybrid memory integration. Journal of Computational Science, 2019, 31: 126−136 doi: 10.1016/j.jocs.2019.01.001
    [128] Singh H K, Isaacs A, Ray T. A Pareto corner search evolutionary algorithm and dimensionality reduction in many-objective optimization problems. IEEE Transactions on Evolutionary Computation, 2011, 15(4): 539−556 doi: 10.1109/TEVC.2010.2093579
    [129] Yang C L, Qiao J F, Ahmad Z, Nie K Z, Wang L. Online sequential echo state network with sparse RLS algorithm for time series prediction. Neural Networks, 2019, 118: 32−42 doi: 10.1016/j.neunet.2019.05.006
    [130] 乔俊飞, 韩改堂, 周红标. 基于知识的污水生化处理过程智能优化方法. 自动化学报, 2017, 43(6): 1038−1046

    Qiao Jun-Fei, Han Gai-Tang, Zhou Hong-Biao. Knowledge-based intelligent optimal control for wastewater biochemical treatment process. Acta Automatica Sinica, 2017, 43(6): 1038−1046
    [131] 钱锋, 杜文莉, 钟伟民, 唐漾. 石油和化工行业智能优化制造若干问题及挑战. 自动化学报, 2017, 43(6): 893−901

    Qian Feng, Du Wen-Li, Zhong Wei-Min, Tang Yang. Problems and challenges of smart optimization manufacturing in petrochemical industries. Acta Automatica Sinica, 2017, 43(6): 893−901
    [132] 桂卫华, 阳春华, 陈晓方, 王雅琳. 有色冶金过程建模与优化的若干问题及挑战. 自动化学报, 2013, 39(3): 197−207 doi: 10.1016/S1874-1029(13)60022-1

    Gui Wei-Hua, Yang Chun-Hua, Chen Xiao-Fang, Wang Ya-Lin. Modeling and optimization problems and challenges arising in nonferrous metallurgical processes. Acta Automatica Sinica, 2013, 39(3): 197−207 doi: 10.1016/S1874-1029(13)60022-1
    [133] 柴天佑. 复杂工业过程运行优化与反馈控制. 自动化学报, 2013, 39(11): 1744−1757 doi: 10.3724/SP.J.1004.2013.01744

    Chai Tian-You. Operational optimization and feedback control for complex industrial processes. Acta Automatica Sinica, 2013, 39(11): 1744−1757 doi: 10.3724/SP.J.1004.2013.01744
  • 加载中
图(3) / 表(4)
计量
  • 文章访问数:  1489
  • HTML全文浏览量:  457
  • PDF下载量:  388
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-05-09
  • 录用日期:  2020-08-05
  • 刊出日期:  2020-10-29

目录

/

返回文章
返回