一种基于自组织神经网络的污水处理过程控制方法技术

技术编号:14845774 阅读:90 留言:0更新日期:2017-03-17 12:06
本发明专利技术公开了一种基于自组织神经网络的污水处理过程控制方法,属于水处理和智能信息控制领域。该方法主要包括两个部分:自组织机制对模糊规则的调整与T-S模糊神经网络自适应学习控制部分。基本T-S模糊神经网络控制器;模糊机制的自组织调整;神经网络的自适应学习;得到k时刻的模糊规则m,并完成k时刻的污水处理过程控制。本方法能够根据环境状态实时的对控制器内部结构进行调整,实现对目标的稳定控制。利用自组织机制对控制器结构进行实时的调整使控制器能够更好的满足环境的需要;利用智能控制方法对污水处理过程进行稳定控制,使出水水质满足排放标准。该方法克服了固定网络结构控制器对环境适应差的缺点。

【技术实现步骤摘要】

本专利技术针对污水处理过程容易受到环境变化的影响这一问题,在BSM1平台上利用自组织T-S模糊神经网络的方法,对污水处理过程中溶解氧浓度与硝态氮浓度进行控制。T-S模糊神经网络是神经网络的一种,隶属于智能信息处理
自组织神经网络能够根据实际情况的不同自行对其内部结构进行调整,从而适应环境的变化。基于自组织T-S模糊神经网络的污水处理控制技术不但属于水处理领域,还属于智能信息控制领域。
技术介绍
由于当今社会高新技术的快速发展,对利益的盲目追求,导致水资源环境被过度利用甚至被破坏。污水的排放不仅对居民的日常生活有着严重的影响,而且严重危害着大自然的生态平衡。为了营造和谐的生活环境,稳定生态平衡,我国各地纷纷建立污水处理厂,从而降低污水排放量,实现水的循环利用,进而保护水资源,目前,污水处理厂采用的控制方法比较落后,难以对污水处理过程进行精确的控制,从而造成对资源的浪费,甚至产生出水不达标的问题,所以研究合适的控制方法对污水处理厂运营意义重大,是未来提高污水处理效果的必然的发展趋势。因此,本专利技术的研究成果具有广阔的应用前景。在污水处理过程中,主要的控制变量是第五分区的溶解氧浓度和第二分区的硝态氮浓度,溶解氧浓度和硝态氮浓度的高低影响处理过程中硝化过程和反硝化过程的进行,硝化和反硝化过程的进行对污水排放能否达标有着至关重要的影响。因此,对溶解氧的浓度和硝态氮浓度的稳定控制对于出水水质的达标,以及污水处理厂的稳定运行是非常有必要的。传统的PID控制方法虽然被广泛的应用到了各工业领域中,但是由于污水处理过程是一个具有高度非线性、大滞后、大时变、多变量耦合等特点的复杂系统,将传统的PID控制方法应用到此类复杂系统中,易出现鲁棒性差,控制精度低以及参数无法在线实时调整的问题,从而导致控制效果不理想。传统的神经网络智能控制方法,由于其内部结构的固定,难以对环境的改变进行及时的响应,从而导致控制效果的不理想。自组织T-S模糊神经网络不但具有非常强大的学习能力和自适应特性,能够对非线性系统进行高精度逼近,而且能够及时的对环境的变化进行响应;另一方面T-S模糊神经网络还兼具模糊理论的模糊知识,从而能够进一步提升控制效果。本专利技术提出一种自组织T-S模糊神经网络的污水处理过程控制方法,在满足出水水质达标的基础上,提高控制精度以及在异常环境下实现系统的稳定控制。
技术实现思路
基于自组织T-S模糊神经网络的污水处理过程控制方法,主要包括两个部分:自组织机制对模糊规则的调整与T-S模糊神经网络自适应学习控制部分。本方法利用自组织机制对当前环境的状态进行响应,通过神经网络的自适应性和学习能力对污水处理过程进行控制,使得误差最小化。本专利技术采用了如下的技术方案及实现步骤:基于自组织T-S模糊神经网络的污水处理过程控制方法,其特征在于,包括以下步骤:步骤1基本T-S模糊神经网络控制器将k时刻的溶解氧浓度及硝态氮浓度与二者的浓度设定值进行对比作差,可定义误差为:edo(k)=rdo-ydo(k)(1)eno(k)=rno-yno(k)(2)将k时刻的溶解氧浓度误差edo(k)或硝态氮浓度误差eno(k)与k-1时刻的溶解氧浓度误差edo(k-1)或硝态氮浓度误差eno(k-1)分别进行对比作差,可定义误差变化量为:e·do(k)=edo(k)-edo(k-1)---(3)]]>e·no(k)=eno(k)-eno(k-1)---(4)]]>式中rdo和rno分别为溶解氧浓度和硝态氮浓度的期望值,ydo(k)和yno(k)分别为k时刻溶解氧浓度和硝态氮浓度的实际测量值,edo(k)和eno(k)分别为k时刻溶解氧浓度和硝态氮浓度与其设定值的误差值,edo(k-1)和eno(k-1)分别为k-1时刻溶解氧浓度和硝态氮浓度与其设定值的误差值,和分别为k时刻溶解氧浓度或硝态氮浓度的误差变化量,步骤1.1T-S模糊神经网络的前件部分进行的是模糊规则的推理过程,输入量有两个,一个是k时刻的溶解氧浓度的误差值edo(k)或硝态氮浓度的误差值eno(k),另一个是溶解氧浓度的误差变化量或硝态氮浓度的误差变化量则T-S模糊神经网络前件部分的输入为:xdo(k)=x1(k)x2(k)=edo(k)e·do(k)---(5)]]>xon(k)=x1(k)x2(k)=eno(k)e·no(k)---(6)]]>则前件部分的输出为:yjrule(k)=Πinexp(-(xi(k)-cij(k))2(σij(k))2)/Σj=1mΠinexp(-(xi(k)-cij(k))2(σij(k))2)---(7)]]>式中,n代表的是输入变量的总数,m代表模糊规则总数,代表第j条模糊规则的输出,xi代表第i个输入变量,cij为第i个输入的第j个隶属度函数的中心值,σij为第i个输入的第j个隶属度函数的宽度值,xdo(k)为k时刻控制溶解氧浓度时的输入量,xno(k)为k时刻控制硝态氮浓度时的输入量,步骤1.2T-S模糊神经网络的后件部分进行的是控制器的输出过程,输入量与前件部分的输入量相同,后件部分的输出则为:yout(k)=Σj=1m(yjrule(k)Σi=1nwjixi(k))---(8)]]>式中,yout为T-S模糊神经网络控制器的总输出,wji为后件部分第i个输入到第j个隐含层神经元的连接权值,m为后件网络隐含层神经元总数(与前件部分模糊规则数相同);步骤2模糊机制的自组织调整不同的模糊规则存储着污水处理过程中所产生的不同信息,对于固定结构的模糊神经网络来说,由于模糊规则数是固定不变的,所以需要人工进行不断地调整已选出合适的模糊规则,然而如果模糊规则数太多,会使系统的逻辑关系过于庞大,计算量呈指数级递增;如果模糊规则数太少,使得网络的表达性下降,因此选择合适的模糊规则数对于整个模糊神经网络的性能尤为重要;通过将自组织机制引入到T-S模糊神经网络中,自组织的根据处理的实际情况对控制器结构进行调整、学习和记忆,从而选择出合适的模糊规则数,模糊规则的选择方法如下:步骤2.1由于每条模糊规则都存储着处理过程中不同的知识,从而根据不同的处理情况进行相应的反应,根据强度的不同来判断模糊规则的激活程度,因此选取激活强度本文档来自技高网
...

【技术保护点】
一种基于自组织神经网络的污水处理过程控制方法,其特征在于,包括以下步骤:步骤1基本T‑S模糊神经网络控制器将k时刻的溶解氧浓度及硝态氮浓度与二者的浓度设定值进行对比作差,可定义误差为:edo(k)=rdo‑ydo(k)           (1)eno(k)=rno‑yno(k)           (2)将k时刻的溶解氧浓度误差edo(k)或硝态氮浓度误差eno(k)与k‑1时刻的溶解氧浓度误差edo(k‑1)或硝态氮浓度误差eno(k‑1)分别进行对比作差,可定义误差变化量为:e·do(k)=edo(k)-edo(k-1)---(3)]]>e·no(k)=eno(k)-eno(k-1)---(4)]]>式中rdo和rno分别为溶解氧浓度和硝态氮浓度的期望值,ydo(k)和yno(k)分别为k时刻溶解氧浓度和硝态氮浓度的实际测量值,edo(k)和eno(k)分别为k时刻溶解氧浓度和硝态氮浓度与其设定值的误差值,edo(k‑1)和eno(k‑1)分别为k‑1时刻溶解氧浓度和硝态氮浓度与其设定值的误差值,和分别为k时刻溶解氧浓度或硝态氮浓度的误差变化量,步骤1.1T‑S模糊神经网络的前件部分进行的是模糊规则的推理过程,输入量有两个,一个是k时刻的溶解氧浓度的误差值edo(k)或硝态氮浓度的误差值eno(k),另一个是溶解氧浓度的误差变化量或硝态氮浓度的误差变化量则T‑S模糊神经网络前件部分的输入为:xdo(k)=x1(k)x2(k)=edo(k)e·do(k)---(5)]]>xno(k)=x1(k)x2(k)=eno(k)e·no(k)---(6)]]>则前件部分的输出为:yjrule(k)=Πinexp(-(xi(k)-cij(k))2(σij(k))2)/Σj=1mΠinexp(-(xi(k)-cij(k))2(σij(k))2)---(7)]]>式中,n代表的是输入变量的总数,m代表模糊规则总数,代表第j条模糊规则的输出,xi代表第i个输入变量,cij为第i个输入的第j个隶属度函数的中心值,σij为第i个输入的第j个隶属度函数的宽度值,xdo(k)为k时刻控制溶解氧浓度时的输入量,xno(k)为k时刻控制硝态氮浓度时的输入量,步骤1.2T‑S模糊神经网络的后件部分进行的是控制器的输出过程,输入量与前件部分的输入量相同,后件部分的输出则为:yout(k)=Σj=1m(yjrule(k)Σi=1nwjixi(k))---(8)]]>式中,yout为T‑S模糊神经网络控制器的总输出,wji为后件部分第i个输入到第j个隐含层神经元的连接权值,m为后件网络隐含层神经元总数(与前件部分模糊规则数相同);步骤2模糊机制的自组织调整不同的模糊规则存储着污水处理过程中所产生的不同信息,对于固定结构的模糊神经网络来说,由于模糊规则数是固定不变的,所以需要人工进行不断地调整已选出合适的模糊规则,然而如果模糊规则数太多,会使系统的逻辑关系过于庞大,计算量呈指数级递增;如果模糊规则数太少,使得网络的表达性下降,因此选择合适的模糊规则数对于整个模糊神经网络的性能尤为重要;通过将自组织机制引入到T‑S模糊神经网络中,自组织的根据处理的实际情况对控制器结构进行调整、学习和记忆,从而选择出合适的模糊规则数,模糊规则的选择方法如下:步骤2.1由于每条模糊规则都存储着处理过程中不同的知识,从而根据不同的处理情况进行相应的反应,根据强度的不同来判断模糊规则的激活程度,因此选取激活强度最大的模糊规则:p(k)=max(Πinexp(-(xi(k)-cij)2/(σij)2))---(9)]]>对贡献最大的模糊规则进行判断是否满足当前环境的变化,因此定义阈值r,则自组织机制为:式中,p(k)为k时刻最大的激活强度;步骤2.2在k时刻,模糊规则的变化导致整个控制器内部结构的改变,进而需要对模糊规则进行相应的调整,调整过程分为两部分:模糊规则不变时,对所有模糊规则的中心值进行调整:c(k)=Nc(k-1)+x(k)N+1---(11)]]>模糊规则增加时,对新增模糊规则进行初始化:cj+1(k)=x(k)σj+1(k)=σ(k-1)wj+1(k)=w(j=1)---(12)]]>式中,N为输入样本总数,c(k)和c(k‑1)分别为k、k‑1时刻隶属度函数的中心值矩阵,x(k)为k时刻的输入矩阵,cj+1(k)为k时刻新增隶属度函数的中心值矩阵,σj+1(k)为k时刻新增隶属度函数宽度矩阵,wj+1(k)为k时刻后件部分新增隐含层神经元的权值矩阵,σ(k‑1)为k‑1时刻隶属度函...

【技术特征摘要】
1.一种基于自组织神经网络的污水处理过程控制方法,其特征
在于,包括以下步骤:
步骤1基本T-S模糊神经网络控制器
将k时刻的溶解氧浓度及硝态氮浓度与二者的浓度设定值进行对
比作差,可定义误差为:
edo(k)=rdo-ydo(k)(1)
eno(k)=rno-yno(k)(2)
将k时刻的溶解氧浓度误差edo(k)或硝态氮浓度误差eno(k)与k-1
时刻的溶解氧浓度误差edo(k-1)或硝态氮浓度误差eno(k-1)分别进行对
比作差,可定义误差变化量为:
e·do(k)=edo(k)-edo(k-1)---(3)]]>e·no(k)=eno(k)-eno(k-1)---(4)]]>式中rdo和rno分别为溶解氧浓度和硝态氮浓度的期望值,ydo(k)和yno(k)
分别为k时刻溶解氧浓度和硝态氮浓度的实际测量值,edo(k)和eno(k)
分别为k时刻溶解氧浓度和硝态氮浓度与其设定值的误差值,edo(k-1)
和eno(k-1)分别为k-1时刻溶解氧浓度和硝态氮浓度与其设定值的误
差值,和分别为k时刻溶解氧浓度或硝态氮浓度的误差变
化量,
步骤1.1T-S模糊神经网络的前件部分进行的是模糊规则的推理
过程,输入量有两个,一个是k时刻的溶解氧浓度的误差值edo(k)或
硝态氮浓度的误差值eno(k),另一个是溶解氧浓度的误差变化量或硝态氮浓度的误差变化量则T-S模糊神经网络前件部分的
输入为:
xdo(k)=x1(k)x2(k)=edo(k)e·do(k)---(5)]]>xno(k)=x1(k)x2(k)=eno(k)e·no(k)---(6)]]>则前件部分的输出为:
yjrule(k)=Πinexp(-(xi(k)-cij(k))2(σij(k))2)/Σj=1mΠinexp(-(xi(k)-cij(k))2(σij(k))2)---(7)]]>式中,n代表的是输入变量的总数,m代表模糊规则总数,代表第
j条模糊规则的输出,xi代表第i个输入变量,cij为第i个输入的第j
个隶属度函数的中心值,σij为第i个输入的第j个隶属度函数的宽度
值,xdo(k)为k时刻控制溶解氧浓度时的输入量,xno(k)为k时刻控制
硝态氮浓度时的输入量,
步骤1.2T-S模糊神经网络的后件部分进行的是控制器的输出过
程,输入量与前件部分的输入量相同,后件部分的输出则为:
yout(k)=Σj=1m(yjrule(k)Σi=1nwjixi(k))---(8)]]>式中,yout为T-S模糊神经网络控制器的总输出,wji为后件部分第i
个输入到第j个隐含层神经元的连接权值,m为后件网络隐含层神经
元总数(与前件部分模糊规则数相同);
步骤2模糊机制的自组织调整
不同的模糊规则存储着污水处理过程中所产生的不同信息,对于
固定结构的模糊神经网络来说,由于模糊规则数是固定不变的,所以
需要人工进行不断地调整已选出合适的模糊规则,然而如果模糊规则
数太多,会使系统的逻辑关系过于庞大,计算量呈指数级递增;如果
模糊规则数太少,使得网络的表达性下降,因此选择合适的模糊规则
数对于整个模糊神经网络的性能尤为重要;通过将自组织机制引入到
T-S模糊神经网络中,自组织的根据处理的实际情况对控制器结构进
行调整、学习和记忆,从而选择出合适的模糊规则数,模糊规则的选
择方法如下:
步骤2.1由于每条模糊规则都存储着处理过程中不同的知识,从
而根据不同的处理情况进行相应的反应,根据强度的不同来判断模糊
规则的激活程度,因此选取激活强度最大的模糊规则:
p(k)=max(Πinexp(-(xi(k)-cij)2/(σij)2))---(9)]]>对贡献最大的模糊规则进行判断是否满足当前环境的变化,因此
定义阈值r,则自组织机制为:
...

【专利技术属性】
技术研发人员:乔俊飞付文韬韩红桂蒙西王亚清
申请(专利权)人:北京工业大学
类型:发明
国别省市:北京;11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1