一种基于人工神经网络算法的混凝投药控制方法和系统技术方案

本发明专利技术涉及一种基于人工神经网络算法的混凝投药控制方法和系统，所述方法包括以下步骤：S1、建立神经网络；S2、混凝投药样本数据获取及预处理，得到样本值；S3、初始化神经网络权值，在神经网络模型输入样本值；S4、计算输入层、隐含层、输出层和承接层数值；S5、计算神经网络的函数误差并更新神经网络权值，对神经网络进行训练，完成神经网络的学习；S6、判断更新后的权值是否满足设定的精度或训练次数，并通过训练好的模型进行实际投药量预测。实现了混凝投药工艺的全自动化和生产运行参数的在线监测，为水厂安全生产提供了保障，达到了节约药耗、减少人工、降低操作人员劳动强度的目的。

【技术实现步骤摘要】

本专利技术涉及水厂净化工艺领域，更具体的说，是涉及一种基于人工神经网络算法的混凝投药控制方法和系统。
技术介绍
自来水厂净化工艺流程中，主要包括投药和配药两个部分，而混凝投药是净化工艺中最重要的处理工艺，它使水中的各种悬浮颗粒、杂质以及致病微生物聚结和粘结，以便出厂水达到居民生活水质要求。混凝投药作为自来水厂水处理工艺中的核心工艺，其混凝沉淀的效果直接影响着出厂水质。混凝投药是一个复杂的物理化学反应过程，具有非线性、多输入因子(源水流量、源水浊度、温度、PH值、药浓度等)、不确定性、时变性、模糊性等特点，很难准确地建立反应过程的数学模型，且目前国内尚无有效的控制手段来解决精确投药的问题，因此有必要研究和开发一套具有自适应、自学习能力的混凝投药控制系统，加速我国自来水厂自动化的进程。
技术实现思路
有鉴于此，有必要针对上述问题，提供一种基于人工神经网络算法的混凝投药控制方法和系统，实现了混凝投药工艺的全自动化和生产运行参数的在线监测，为水厂安全生产提供了保障，达到了节约药耗、减少人工、降低操作人员劳动强度的目的。为了实现上述目的，本专利技术的技术方案如下：一种基于人工神经网络算法的混凝投药控制方法，包括以下步骤：S1、建立神经网络，所述神经网络的数学模型和训练公式为：x(k)＝f(W1u(k-1)+W3xc(k))xc(k)＝x(k-1)+α*xc(k-1)y(k)＝g(W2x(k))式中，u(k-1)为神经网络输入层节点的输入，x(k)为神经网络隐含层节点的输出，y(k)为神经网络输出层节点的输出，xc(k)为反馈状态向量，W1、W2、W3分别为神经网络的承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值，g()为输出层神经元的传递函数，f()为隐含层神经元的传递函数；α为反馈权值；k为神经元序号；S2、混凝投药样本数据获取及预处理，得到样本值；S3、初始化神经网络权值，在神经网络模型输入样本值；S4、计算输入层、隐含层、输出层和承接层数值；S5、计算神经网络的函数误差并更新神经网络权值，对神经网络进行训练，完成神经网络的学习；S6、判断更新后的权值是否满足设定的精度或训练次数，并通过训练好的模型进行实际投药量预测，并控制投药。作为优选的，所述步骤S1中，f()为sigmoid函数，W1、W2、W3分别为n×n、n×r、m×n的矩阵。作为优选的，所述步骤S3中，采用限幅滤波加滑动平均滤波的复合算法对混凝投药的样本数据进行数字滤波预处理。作为优选的，所述样本数据包括源水流量、源水浊度、温度、滤前水浊度和药流量。作为优选的，所述限幅滤波算法具体为： Y n = X n , | X n - X n - 1 | ≤ Δ X X n - 1 , | X n - X n - 1 | > Δ X ]]>式中：Yn为第n次采样的滤波器的输出；Xn为第n次采样值；Xn-1为第n-1次采样值；ΔX为采样允许的最大偏差值；所述滑动平均滤波算法具体为： Y n = 1 N Σ i = 0 N X n - 1 ]]>式中，N为滑动滤波长度，通过上两式结合得到复合算法，对样本数据进行数字滤波预处理。作为优选的，所述步骤S6中具体包括，定义神经网络误差函数： E ( k ) = 1 2 ( y d ( k ) - y ( k ) ) T ( y d ( k ) - y ( k ) ) ]]>式中，yd(k)为神经网络的第k个期望输出，根据梯度下降法，权值的调整公式为： 本文档来自技高网...

【技术保护点】
一种基于人工神经网络算法的混凝投药控制方法，其特征在于，包括以下步骤：S1、建立神经网络，所述神经网络的数学模型和训练公式为：x(k)＝f(W1u(k‑1)+W3xc(k))xc(k)＝x(k‑1)+α*xc(k‑1)y(k)＝g(W2x(k))式中，u(k‑1)为神经网络输入层节点的输入，x(k)为神经网络隐含层节点的输出，y(k)为神经网络输出层节点的输出，xc(k)为反馈状态向量，W1、W2、W3分别为神经网络的承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值，g()为输出层神经元的传递函数，f()为隐含层神经元的传递函数；α为反馈权值；k为神经元序号；S2、混凝投药样本数据获取及预处理，得到样本值；S3、初始化神经网络权值，在神经网络模型输入样本值；S4、计算输入层、隐含层、输出层和承接层数值；S5、计算神经网络的函数误差并更新神经网络权值，对神经网络进行训练，完成神经网络的学习；S6、判断更新后的权值是否满足设定的精度或训练次数，并通过训练好的模型进行实际投药量预测，并控制投药。

【技术特征摘要】
1.一种基于人工神经网络算法的混凝投药控制方法，其特征在于，包括以下步骤：S1、建立神经网络，所述神经网络的数学模型和训练公式为：x(k)＝f(W1u(k-1)+W3xc(k))xc(k)＝x(k-1)+α*xc(k-1)y(k)＝g(W2x(k))式中，u(k-1)为神经网络输入层节点的输入，x(k)为神经网络隐含层节点的输出，y(k)为神经网络输出层节点的输出，xc(k)为反馈状态向量，W1、W2、W3分别为神经网络的承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值，g()为输出层神经元的传递函数，f()为隐含层神经元的传递函数；α为反馈权值；k为神经元序号；S2、混凝投药样本数据获取及预处理，得到样本值；S3、初始化神经网络权值，在神经网络模型输入样本值；S4、计算输入层、隐含层、输出层和承接层数值；S5、计算神经网络的函数误差并更新神经网络权值，对神经网络进行训练，完成神经网络的学习；S6、判断更新后的权值是否满足设定的精度或训练次数，并通过训练好的模型进行实际投药量预测，并控制投药。2.根据权利要求1所述的基于人工神经网络算法的混凝投药控制方法，其特征在于，所述步骤S1中，f()为sigmoid函数，W1、W2、W3分别为n×n、n×r、m×n的矩阵。3.根据权利要求1所述的基于人工神经网络算法的混凝投药控制方法，其特征在于，所述步骤S3中，采用限幅滤波加滑动平均滤波的复合算法对混凝投 药的样本数据进行数字滤波预处理。4.根据权利要求3所述的基于人工神经网络算法的混凝投药控制方法，其特征在于，所述样本数据包括源水流量、源水浊度、温度、滤前水浊度和药流量。5.根据权利要求4所述的基于人工神经网络算法的混凝投药控制方法，其特征在于，所述限幅滤波算法具体为：式中：Yn为第n次采样的滤波器的输出；Xn为第n次采样值；Xn-1为第n-1次采样值；ΔX为采样允许的最大偏差值；所述滑动平均滤波算法具体为：式中，N为滑动滤波长度，通过上两式结合得到复合算法，对样本数据进行数字滤波预...

【专利技术属性】
技术研发人员：贾宝良，杨晓林，罗熠，张慧，鲁立，饶小康，黄灿，
申请(专利权)人：武汉长江仪器自动化研究所有限公司，
类型：发明
国别省市：湖北;42