一种基于知识的鲁棒型出水氨氮软测量方法技术

本发明专利技术提出一种基于知识的鲁棒型出水氨氮软测量方法，属于污水处理领域。由于城市污水处理过程机理复杂、不确定干扰严重，当前出水氨氮浓度检测困难且难以建立精确的数学模型，迫切需要研究一种鲁棒型软测量方法。本发明专利技术利用基于建模误差概率密度函数分布的模糊神经网络建立了出水氨氮浓度的软测量模型：首先构建基于建模误差概率密度函数分布的鲁棒性准则；然后基于自适应梯度下降算法调整模糊神经网络的参数，直到模型满足处理信息的需求。本发明专利技术实现对出水氨氮浓度的准确测量，有助于提升城市污水处理过程出水氨氮浓度的监控水平，是污水处理过程稳定、高效运行的必要保障。

A knowledge-based robust soft sensing method for ammonia nitrogen in effluent

The invention provides a knowledge-based robust soft measurement method for ammonia nitrogen in effluent, which belongs to the field of sewage treatment. Because of the complex mechanism and the serious disturbance of uncertainty in the process of urban sewage treatment, it is difficult to detect the concentration of ammonia nitrogen in the effluent and to establish an accurate mathematical model, so it is urgent to study a robust soft sensing method. The invention uses fuzzy neural network based on probability density function distribution of modeling error to establish a soft measurement model of ammonia nitrogen concentration in effluent: firstly, the robustness criterion based on probability density function distribution of modeling error is constructed; secondly, the parameters of fuzzy neural network are adjusted based on adaptive gradient descent algorithm until the model meets the requirements of processing information. The invention realizes the accurate measurement of the ammonia nitrogen concentration of the effluent, helps to improve the monitoring level of the ammonia nitrogen concentration of the effluent of the urban sewage treatment process, and is the necessary guarantee for the stable and efficient operation of the sewage treatment process.

【技术实现步骤摘要】
一种基于知识的鲁棒型出水氨氮软测量方法
本专利技术利用基于建模误差概率密度函数分布的模糊神经网络建立城市污水处理过程出水氨氮浓度的软测量模型，实现对城市污水处理过程出水氨氮浓度的实时测量；出水氨氮的浓度反映了污水处理过程中含氮污染物的去除效果，其准确测量对于城市污水处理过程的运行监控十分重要，是城市污水处理过程实现稳定高效运行的必要保障。本专利技术既属于污水处理领域，又属于检测

技术介绍
随着由氮磷污染引起的城市水体富营养化问题日益严重，国家对城市污水处理过程氮磷的排放要求及相关法规也日趋严格。城市污水处理厂被用来去除城市污水中的有机污染物以及减少氮磷的排放，对于防治水污染以及改善城市水环境至关重要。其中，出水水质指标的准确测量是城市污水处理过程维持稳定高效运行以保证出水水质稳定达标的必要保障。因此，本专利技术具有广阔的应用前景。出水氨氮的浓度，作为污水处理过程的关键出水水质指标之一，反映了污水处理过程的含氮污染物的去除效果，其实时准确测量有助于提升污水处理过程运行监控的水平。然而，由于城市污水处理过程的入水流量、入水污染物成本文档来自技高网...

【技术保护点】
1.一种基于知识的鲁棒型出水氨氮软测量方法，其特征在于，包括如下步骤：/n步骤1：特征变量的选取/n软测量模型特征变量的选取分为主要变量的选取和辅助变量的选取，以出水氨氮浓度为主要变量；基于城市污水处理过程的机理分析结合经验知识，确定好氧末段溶解氧DO、好氧末端总固体悬浮物TSS、出水酸碱度pH、出水氧化还原电位ORP、出水硝态氮NO3-N为辅助变量；/n步骤2:设计用于预测出水氨氮浓度的特征模型/n对从城市污水处理厂获得的样本数据进行归一化处理，方法如下：/n

【技术特征摘要】
1.一种基于知识的鲁棒型出水氨氮软测量方法，其特征在于，包括如下步骤：
步骤1：特征变量的选取
软测量模型特征变量的选取分为主要变量的选取和辅助变量的选取，以出水氨氮浓度为主要变量；基于城市污水处理过程的机理分析结合经验知识，确定好氧末段溶解氧DO、好氧末端总固体悬浮物TSS、出水酸碱度pH、出水氧化还原电位ORP、出水硝态氮NO3-N为辅助变量；
步骤2:设计用于预测出水氨氮浓度的特征模型
对从城市污水处理厂获得的样本数据进行归一化处理，方法如下：



其中，d表示原序列数据，表示归一化后的数据，dmin为原数据序列中的最小数，dmax为原数据序列中的最大数，经过归一化处理后，所有的样本数据都被归一化到[0,1]之间；用于出水氨氮浓度软测量的模糊神经网络(FNN)拓扑结构分为四层：输入层、径向基函数(RBF)层、归一化层、输出层；输入为好氧末段溶解氧DO、好氧末端总固体悬浮物TSS、出水酸碱度pH、出水氧化还原电位ORP、出水硝态氮NO3-N，输出为出水氨氮浓度；
确定FNN拓扑结构为5-r-r-1的连接方式，即输入层神经元个数为5，RBF层与归一化层神经元个数皆为r，输出神经元为1个；输入层与RBF层以及RBF层与归一化层之间的连接权值赋值为1，归一化层与输出层之间的连接权值初始化为[-2,2]区间的随机数；FNN的输入向量为x＝[x1,x2,...,x5]；FNN的期望输出为：



其中，cj＝[c1j,c2j,...,c5j]T与σj＝[σ1j,σ2j,...,σ5j]T分别为第j个RBF神经元的中心向量和宽度向量；cij与σij分别是向量cj与σj的第i个元素，wl是第l个归一化神经元与输出神经元之间的连接权值，其中T表示矩阵的转置；
步骤3：设计模型性能指标如下



其中，e是实际建模误差,Γ(e)是建模误差e的概率密度函数(PDF)，Γtarget(e)是目标概率密度函数；根据城市污水处理过程特点，考虑输入输出数据受高斯噪声干扰的情况，选择服从零均值高斯分布的概率密度函数作为Γtarget(e)，



其中，σg是目标PDF的核宽度；
步骤4：神经网络训练
步骤4.1：设共有K个训练样本，模型输入为x(1),x(2),...,x(k),...,x(K)，对应的期望输出为y(1),y(2),...,y(k),...,y(K)，给定FNN的RBF层与归一化层的神经元的个数r，初始目标PDF宽度σg设为0.06，性能指标的期望值设为Jd，Jd∈[0.01,0.001]，中心值cij初始化为[-2,2]区间的随机数，宽度值σij初始化为[0,1]区间的随机数，权值wl初始化为[-2,2]区间的随机数,给定最大学习步数tmax；
步骤4.2：设置学习步数t＝1；
步骤4.3：样本序列号k＝1；
步骤4.4：根据公式(2)计算FNN的输出
步骤4.5：计算第k个样本的建模误差e(k)，



步骤4.6：样...

【专利技术属性】
技术研发人员：乔俊飞，权利敏，杨翠丽，蒙西，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11