基于GA-DBN网络的废水处理智能监控方法及系统技术方案

本发明专利技术公开了基于GA‑DBN网络的废水处理智能监控方法，包括以下步骤：选取废水处理系统合适参数作为输入自变量和输出变量；采用迭代寻优计算获得深度信念网络DBN各层网络最优隐含层节点数；利用遗传算法GA筛选出最优输入自变量；构建基于遗传算法‑深度信念网络GA‑DBN融合模型；对模型进行训练，通过训练后模型对废水处理系统输出变量进行实时软测量，获得诊断结果，并指导废水处理过程优化。本发明专利技术构建的遗传‑深度信念网络GA‑DBN融合模型及系统，可用于预测废水处理系统出水COD和SS浓度等水质参数，实现废水处理系统水质智能监控与诊断，促进废水处理系统高效稳定运行。

Intelligent monitoring method and system of wastewater treatment based on ga-dbn network

【技术实现步骤摘要】
基于GA-DBN网络的废水处理智能监控方法及系统
本专利技术涉及废水处理与控制研究领域，特别涉及一种基于GA-DBN网络的废水处理智能监控方法及系统。
技术介绍
当前废水处理一般都经过一级物化和二级生化等流程，其中一级物化处理主要使用去除SS和少部分COD与BOD；二级生化处理用于去除绝大部分COD与BOD。为了监控废水处理系统稳定性，提升废水排放达标率，需对出水COD和SS等指标进行实时监测。废水处理过程复杂，机理尚未完全清楚，很难用精确的数学模型来有效预测并调控出水水质。为了解决传统控制系统过分依赖精确数学模型的问题，近年来研究者提出建立智能控制系统软测量模型来实时调控优化出水水质。常用废水处理系统软测量模型建立方法有递归偏最小二乘算法、高斯回归、多元线性回归、支持向量回归及人工神经网络、遗传算法和BP网络混合算法等，但上述方法均存在某种程度缺陷，无法准确的反映废水处理过程多参数时变状态下带来的高不确定性或存在过拟合情况。深度学习有更强的特征提取能力，能够组合更复杂的非线性运算，更好的模拟事情演变规律，可用于废水处理系统监控、诊断和优化调控。深度信念网络DBN模型属一种典型深度学习算法，其能够更准确地感知对象演变的内在规律，但难以保证网络最优，在废水处理预测、诊断及优化调控等使用过程存在参数选配及优化等诸多问题，影响算法实施和优化效果。
技术实现思路
本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于GA-DBN网络的废水处理智能监控方法，基于废水处理系统进水指标参数与出水水质、模型控制参数之间的关系，充分利用遗传算法GA宏观搜索最优解的能力和深度信念网络DBN准确感知对象演变内在规律的能力，创建基于GA-DBN的水质软测量模型，对出水COD和出水SS浓度等进行实时软测量，实现废水处理系统智能化监控与诊断，实时调控出水水质。本专利技术的另一目的在于提供一种基于GA-DBN网络的废水处理智能监控系统；本专利技术的目的通过以下的技术方案实现：一种基于GA-DBN网络的废水处理智能监控方法，其特征在于，包括以下步骤：S1、选取废水处理系统合适参数作为输入自变量和输出变量；S2、采用迭代寻优计算获得深度信念网络DBN各层网络最优隐含层节点数；S3、利用遗传算法GA筛选出最优输入自变量；S4、依据深度信念网络DBN各层网络最优隐含层节点数、最优输入自变量，构建基于遗传算法-深度信念网络GA-DBN融合模型；S5、对GA-DBN融合模型进行训练，得到训练后GA-DBN融合模型；S6、通过训练后GA-DBN融合模型对废水处理系统输出变量进行实时软测量，获得诊断结果，并指导废水处理过程优化。进一步地，所述输入自变量包含进水COD、进水流量Q、进水SS、温度T、溶解氧DO、pH；所述输出变量包含出水COD、出水SS浓度。进一步地，所述步骤S2具体为：S201、根据输入自变量和输出变量，估计最佳隐含层节点数的范围为1至X，利用循环，设置每层隐含层节点数c以1为步长，c＝1，2，3……X，循环为for＝1:1:X；S202、将深度信念网络DBN第c次迭代得到的测试集真实值与预测值之间差值的均方误差之和记为mse(c)，设置一个较大的初始误差mse_max，mse_max取值范围为1010～1020；S203、利用rand(‘state’,0)函数固定RBM每次迭代的初始化状态，对深度信念网络DBN进行迭代选优；S204、当mse(c)＜mse_max时，则将此时的mse(c)赋值给mse_max，记为mse_max＝mse(c)，此时的c值赋值给desired_c，记为desired_c＝c；S205、当全部X个候选隐含层节点数迭代完成时，此时的mse_max值即为mse(c)的最小值，也为最小误差，对应的desired_c为最佳隐含层节点数。进一步地，所述步骤S3具体为：S301、采用遗传算法GA对深度信念网络DBN进行优化，初始化种群数目，将初始种群数目设置为K；S302、选取测试集出水COD和出水SS浓度均方误差的倒数作为适应度函数，则有：其中，为测试集出水COD预测值；A为测试集出水COD真实值；为测试集出水SS预测值；B为测试集出水SS真实值；n为测试集样本数量；S303、使用遗传算法GA对模型输入自变量进行降维，所述降维包含选用比例选择算子进行选择、选用单点交叉算子进行交叉、选用单点变异算子进行变异；对候选输入自变量进行二进制编码，编码组合为0或1组成的二进制串；S304、利用find函数寻找最优解，即得到最优输入自变量；S305、利用遗传算法GA筛选DBN模型中输入自变量后，提取所筛选输入自变量对应数据，搭建新的DBN模型，所述方法跟优化前DBN建模方法相同。进一步地，所述步骤S5具体为：对GA-DBN融合模型进行预训练和微调；所述预训练为采用对比散度算法对每层的RBM网络结构进行预训练，确定每层RBM网络结构的初始权值和阈值；所述微调为利用反向传播算法对整个GA-DBN融合模型进行反向调整；当所有RBM网络结构完成训练时，多个RBM网络结构被堆叠为深度信念网络，再利用样本数据以反向传播算法自上而下对DBN模型进行微调；其中，所述深度信念网络基本组成单元为RBM网络结构，隐含层向量h和可视层向量v的能量函数为：其中，θ为三个参数{w，b，c}集合，wij为隐单元j与显单元i之间的连接权值，bi为显单元i的偏置，cj为隐单元j的偏置；预训练具体如下：将数据划分为训练集和测试集，训练集数据作为可视层向量v，隐含层向量h计算方式如下所示：其中，σ为sigmoid激活函数，hj为隐单元j的隐含层向量，bj为隐单元j的阈值，Wij为隐单元j与显单元i之间的连接权值；显单元i更新状态v′i如下所示：P(v′i＝1|h)＝σ(ci+∑hjWij)，其中，ci为显单元i的阈值；再计算隐单元j更新状态h′j：网络权值和阈值的更新如下：Wij(2)＝Wij(1)+ε(<vihj>data-<vih′j>model)，bj(2)＝bj(1)+ε(<hj>data-<h′j>model)，ci(2)＝ci(1)+ε(<vi>data-<v′i>model)，其中，ε为RBM学习率，<>data为训练集平均值，<>model为RBM模型期望分布，Wij(1)＝bj(1)＝ci(1)＝0，Wij(2)、bj(2)、ci(2)为网络结构初始权值和阈值；利用反向传播算法自上而下由输出层到输入层依次调优，得到整个DBN模型的权值和阈值，具体如下：采用梯度下降法求解出实际值与期望值之间误差值：E(t)本文档来自技高网...

【技术保护点】
1.基于GA-DBN网络的废水处理智能监控方法，其特征在于，包括以下步骤：/nS1、选取废水处理系统合适参数作为输入自变量和输出变量；/nS2、采用迭代寻优计算获得深度信念网络DBN各层网络最优隐含层节点数；/nS3、利用遗传算法GA筛选出最优输入自变量；/nS4、依据深度信念网络DBN各层网络最优隐含层节点数、最优输入自变量，构建基于遗传算法-深度信念网络GA-DBN融合模型；/nS5、对GA-DBN融合模型进行训练，得到训练后GA-DBN融合模型；/nS6、通过训练后GA-DBN融合模型对废水处理系统输出变量进行实时软测量，获得诊断结果，并指导废水处理过程优化。/n

【技术特征摘要】
1.基于GA-DBN网络的废水处理智能监控方法，其特征在于，包括以下步骤：
S1、选取废水处理系统合适参数作为输入自变量和输出变量；
S2、采用迭代寻优计算获得深度信念网络DBN各层网络最优隐含层节点数；
S3、利用遗传算法GA筛选出最优输入自变量；
S4、依据深度信念网络DBN各层网络最优隐含层节点数、最优输入自变量，构建基于遗传算法-深度信念网络GA-DBN融合模型；
S5、对GA-DBN融合模型进行训练，得到训练后GA-DBN融合模型；
S6、通过训练后GA-DBN融合模型对废水处理系统输出变量进行实时软测量，获得诊断结果，并指导废水处理过程优化。


2.根据权利要求1所述的基于GA-DBN网络的废水处理智能监控方法，其特征在于，所述输入自变量包含进水COD、进水流量Q、进水SS、温度T、溶解氧DO、pH；所述输出变量包含出水COD、出水SS浓度。


3.根据权利要求1所述的基于GA-DBN网络的废水处理智能监控方法，其特征在于，所述步骤S2具体为：
S201、根据输入自变量和输出变量，估计最佳隐含层节点数的范围为1至X，利用循环，设置每层隐含层节点数c以1为步长，c＝1，2，3……X，循环为for＝1:1:X；
S202、将深度信念网络DBN第c次迭代得到的测试集真实值与预测值之间差值的均方误差之和记为mse(c)，设置一个较大的初始误差mse_max，mse_max取值范围为1010～1020；
S203、利用rand(‘state’,0)函数固定RBM每次迭代的初始化状态，对深度信念网络DBN进行迭代选优；
S204、当mse(c)＜mse_max时，则将此时的mse(c)赋值给mse_max，记为mse_max＝mse(c)，此时的c值赋值给desired_c，记为desired_c＝c；
S205、当全部X个候选隐含层节点数迭代完成时，此时的mse_max值即为mse(c)的最小值，也为最小误差，对应的desired_c为最佳隐含层节点数。


4.根据权利要求1所述的基于GA-DBN网络的废水处理智能监控方法，其特征在于，所述步骤S3具体为：
S301、采用遗传算法GA对深度信念网络DBN进行优化，初始化种群数目，将初始种群数目设置为K；
S302、选取测试集出水COD和出水SS均方误差的倒数作为适应度函数，则有：



其中，为测试集出水COD预测值；A为测试集出水COD真实值；为测试集出水SS预测值；B为测试集出水SS真实值；n为测试集样本数量；
S303、使用遗传算法GA对模型输入自变量进行降维，所述降维包含选用比例选择算子进行选择、选用单点交叉算子进行交叉、选用单点变异算子进行变异；对候选输入自变量进行二进制编码，编码组合为0或1组成的二进制串；
S304、利用find函数寻找最优解，即得到最优输入自变量；
S305、利用遗传算法GA筛选DBN模型中输入自变量后，提取所筛选输入自变量对应数据，搭建新的DBN模型，所述方法跟优化前DBN建模方法相同。


5.根据权利要求1所述的基于GA-DBN网络的废水处理智能监控方法，其特征在于，所述步骤S5具体为：
对GA-DBN融合模型进行预训练和微调；所述预训练为采用对比散度算法对每层的RBM结构进行预训练，确定每层RBM结构的初始权值和阈值；所述微调为利用反向传播算法对整个GA-DBN融合模型进行反向调整；
当所有RBM结构完成训练时，多个RBM结构被堆叠为深度信念网络，再利用样本数据以反向传播算法自上而下对DBN模型进行微调；
其中，所述深度信念网络基本组成单元为RBM结构，隐含层向量h和可视层向量v的能量函数为：



其中，θ为三个参数{w，b，c}集合，wij为隐单元j与显单元i之间的连接权值，bi为显单元i的偏置，cj为隐单元j的偏置；
预训练具体如下：
将数据划分为训练集和测试集，训练集数据作为可视层向量v，隐含层向量h计算方式如下所示：



其中，σ为sigmoid激活函数，hj为隐单元j的隐含层向量，bj为隐单元j的阈值，Wij为隐单元j与显单元之间的连接权值；
显单元i更新状态v′i如下所示：
P(v′i＝1|h)＝σ(ci+∑hjWij)，
其中，ci为显单元i的阈值；
再计算隐单元j更新状态h′j：



网络权值和阈值的更新如下：
Wij(2)＝Wij(1)+ε(...

【专利技术属性】
技术研发人员：黄明智，牛国强，易晓辉，李小勇，应光国，石青松，
申请(专利权)人：华南师范大学，广州奇岭环境服务有限公司，
类型：发明
国别省市：广东;44