一种基于加权模糊规则的石化污水可生化性分类评价方法技术

一种基于加权模糊规则的石化污水可生化性分类评价方法属于炼化污水处理与资源化利用领域。针对当前石化污水处理过程污水可生化性无法在线评价的问题，本发明专利技术设计了一种基于加权模糊规则的石化污水可生化性分类评价模型，实现了对石化污水处理过程污水可生化性的实时评价；结果表明该评价模型能够快速、准确地评价污水可生化性，具有较高的分类评价精度，对环境差异具有较好的适应能力，保证了污水处理过程安全稳定运行。水处理过程安全稳定运行。水处理过程安全稳定运行。

【技术实现步骤摘要】
一种基于加权模糊规则的石化污水可生化性分类评价方法


[0001]本专利技术设计了一种基于加权模糊规则的石化污水可生化性分类评价方法，实现了对石化污水处理过程污水可生化性的实时准确评价。污水可生化性作为评价污水成分的指标之一，是选择不同工艺处理和操作策略的重要依据。准确评价石化污水可生化性对石化污水处理过程监控和控制至关重要，对石化污水处理过程中的节约能耗和安全稳定运行有着重要影响，是先进制造
的重要分支，属于炼化污水处理与资源化利用领域。

技术介绍

[0002]污水处理过程可实现污染物去除以及淡水资源循环利用，已经成为我国污水资源综合利用的战略举措之一。随着我国石油化工行业对水资源的需求量不断增加，导致石化污水产生量越来越大，做好石化污水处理工作保证石化污水处理厂高效稳定运行，不但具有较好的经济效益，而且能够显著提高环境和社会效益。因此，对石化污水处理过程进行研究有重要的意义，为科学进行污水处理提供支撑。
[0003]污水可生化性也称污水的生物可降解性，即污水中有机污染物被微生物降解的难易程度，其是评价污水成分的指标之一。石化污水可生化性评价是污水处理工艺选择和过程调控的重要依据。然而，局限于关键水质指标检测频率以及类别，普遍使用的水质指标评价法难以获得实时准确的评价结果。无法满足石化污水处理厂的实际需求。因此，利用智能手段进行精确评价是当前研究重点。
[0004]本专利技术设计了一种基于加权模糊规则的石化污水可生化性分类评价方法，主要通过分析污水处理过程特点，充分挖掘数据隐藏的信息，利用污水可生化性的特征变量，并进行相应预处理，基于加权模糊规则建立污水可生化性的分类评价模型，并利用在线数据对模型参数进行调整，实现了对污水可生化性的在线评价。

技术实现思路

[0005]本专利技术获得了一种基于加权模糊规则的石化污水可生化性分类评价方法，该评价模型以污水可生化性的四种类别为待分类评价变量，以氧化还原电位ORP、酸碱度pH、氨氮NH4‑
N、初沉池化学需氧量COD、进水总磷TP、进水悬浮物SS、进水生化需氧量BOD为特征变量，通过将加权模糊规则映射成模糊神经网络，实现污水可生化性类别与特征变量之间的非线性映射，解决了石化污水可生化性难以实时准确评价的问题，缩短了污水可生化性的评价周期，有效提高了污水可生化性评价的精度。
[0006]本专利技术采用了如下的技术方案及实现步骤：
[0007]1.一种基于加权模糊规则的石化污水可生化性分类评价方法，包括以下步骤：
[0008](1)确定待分类评价变量和相关变量：本专利技术主要针对石化污水处理过程中污水可生化性进行分类评价，确定氧化还原电位ORP、酸碱度pH、氨氮NH4‑
N、初沉池化学需氧量COD、进水总磷TP、进水悬浮物SS、进水生化需氧量BOD共7个变量为污水可生化性特征变量，以污水可生化性四种类别即难降解、部分可降解、较易降解、易降解为待分类评价变量，四
种类别分别定义为第1～4类；
[0009](2)设计用于评价石化污水可生化性的加权模糊规则：
[0010]①
根据特征变量的采样周期，其中酸碱度pH和氧化还原电位ORP采样周期为15分钟，分别表示为τ1和τ2，获得的变量分别定义为x1(t1),x2(t2)，其中t1,t2分别为采样时刻，氨氮NH4‑
N、初沉池化学需氧量COD采样周期为2小时，分别表示为τ3和τ4，获得的变量分别定义为x3(t3),x4(t4)，其中t3,t4分别为采样时刻，生化需氧量BOD，进水悬浮物SS，总磷TP采样周期为1天，分别表示为τ5,τ6,τ7，获得的变量分别定义为x5(t5),x6(t6),x7(t7)，其中t5,t6,t7分别为采样时刻，τ
i
为正整数，i＝1,2,
…
,7，定义t0为初始采样时刻，则各变量对应的采样时刻为t
i
＝t0+cτ
i
，c＝0,1,
…
,n
c
；
[0011]②
提取石化污水处理相关数据的模糊规则，所提取的初始规则如下：
[0012]R1:如果x1(t1)是L[v1(t)]and x2(t2)是S[v2(t)]，则y是C1[w1(t)].
[0013]R2:如果x1(t1)是M[v3(t)]and x3(t3)是L[v4(t)]and x4(t4)是M[v5(t)]，则y是C2[w2(t)].
[0014]R3:如果x2(t2)是M[v6(t)]and x4(t4)是M[v7(t)]and x5(t5)是L[v8(t)]，则y是C3[w3(t)].
[0015]R4:如果x4(t4)是L[v9(t)]and x6(t6)是M[v
10
(t)]，则y是C4[w4(t)].
[0016]R5:如果x1(t1)是M[v
11
(t)]and x5(t5)是L[v
12
(t)]and x7(t7)是M[v
13
(t)]，则y是C4[w5(t)].
[0017]其中，y表示待分类评价变量，C1、C2、C3和C4分别表示污水可生化性第1～4类，v
o
(t)表示模糊规则前提条件的局部权重，w
p
(t)为规则R
k
的全局权重，o＝1,2,
…
,13，p＝1,2,
…
,5，k＝1,2,
…
,5；S、M和L为模糊语言变量，表示特征变量x
i
(t
i
)模糊划分后的三个模糊子集，每个模糊子集的隶属函数计算公式为：
[0018][0019][0020][0021]其中，μ1[x
i
(t
i
)]、μ2[x
i
(t
i
)]和μ3[x
i
(t
i
)]分别为模糊子集S、M和L的隶属函数；
[0022](3)将加权模糊规则映射为模糊神经网络：将五个加权模糊规则及相应推理机制映射成一个模糊神经网络，其中加权模糊规则中的局部权重和全局权重对应于神经网络的连接权值，该网络的拓扑结构分为三层：术语层、规则层、分类层；确定神经网络13
‑5‑
4的连接方式，即术语层神经元13个，规则层神经元为5个，分类层神经元为4个；对模糊神经网络
的权值进行随机赋值；模糊神经网络的输入表示为x(t)＝[x1(t1),x2(t2),
…
,x7(t7)]，神经网络的期望输出表示为y
d
(t)＝[y
d1
(t)，y
d2
(t)，y
d3
(t)，y
d4
(t)]，实际输出表示为y(t)＝[y1(t),y2(t),y3(t),y4(t)]，y
dq
(t)和y
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于加权模糊规则的石化污水可生化性分类评价方法，其特征在于，包括以下步骤：(1)确定待分类评价变量和相关变量：针对石化污水处理过程中污水可生化性进行分类评价，确定氧化还原电位ORP、酸碱度pH、氨氮NH4‑
N、初沉池化学需氧量COD、进水总磷TP、进水悬浮物SS、进水生化需氧量BOD共7个变量为污水可生化性特征变量，以污水可生化性四种类别即难降解、部分可降解、较易降解、易降解为待分类评价变量，四种类别分别定义为第1～4类；(2)设计用于评价石化污水可生化性的加权模糊规则：
①
根据特征变量的采样周期，其中酸碱度pH和氧化还原电位ORP采样周期为15分钟，分别表示为τ1和τ2，获得的变量分别定义为x1(t1),x2(t2)，其中t1,t2分别为采样时刻，氨氮NH4‑
N、初沉池化学需氧量COD采样周期为2小时，分别表示为τ3和τ4，获得的变量分别定义为x3(t3),x4(t4)，其中t3,t4分别为采样时刻，生化需氧量BOD，进水悬浮物SS，总磷TP采样周期为1天，分别表示为τ5,τ6,τ7，获得的变量分别定义为x5(t5),x6(t6),x7(t7)，其中t5,t6,t7分别为采样时刻，τ
i
为正整数，i＝1,2,
…
,7，定义t0为初始采样时刻，则各变量对应的采样时刻为t
i
＝t0+cτ
i
，c＝0,1,
…
,n
c
；
②
提取石化污水处理相关数据的模糊规则，所提取的初始规则如下：R1:如果x1(t1)是L[v1(t)]and x2(t2)是S[v2(t)]，则y是C1[w1(t)].R2:如果x1(t1)是M[v3(t)]and x3(t3)是L[v4(t)]and x4(t4)是M[v5(t)]，则y是C2[w2(t)].R3:如果x2(t2)是M[v6(t)]and x4(t4)是M[v7(t)]and x5(t5)是L[v8(t)]，则y是C3[w3(t)].R4:如果x4(t4)是L[v9(t)]and x6(t6)是M[v
10
(t)]，则y是C4[w4(t)].R5:如果x1(t1)是M[v
11
(t)]and x5(t5)是L[v
12
(t)]and x7(t7)是M[v
13
(t)]，则y是C4[w5(t)].其中，y表示待分类评价变量，C1、C2、C3和C4分别表示污水可生化性第1～4类，v
o
(t)表示模糊规则前提条件的局部权重，w
p
(t)为规则R
k
的全局权重，o＝1,2,
…
,13，p＝1,2,
…
,5，k＝1,2,
…
,5；S、M和L为模糊语言变量，表示特征变量x
i
(t
i
)模糊划分后的三个模糊子集，每个模糊子集的隶属函数计算公式为：个模糊子集的隶属函数计算公式为：
其中，μ1[x
i
(t
i
)]、μ2[x
i
(t
i
)]和μ3[x
i
(t
i
)]分别为模糊子集S、M和L的隶属函数；(3)将加权模糊规则映射为模糊神经网络：将五个加权模糊规则及相应推理机制映射成一个模糊神经网络，其中加权模糊规则中的局部权重和全局权重对应于神经网络的连接权值，该网络的拓扑结构分为三层：术语层、规则层、分类层；确定神经网络13
‑5‑
4的连接方式，即术语层神经元13个，规则层神经元为5个，分类层神经元为4个；对模糊神经网络的权值进行随机赋值；模糊神经网络的输入表示为x...

【专利技术属性】
技术研发人员：伍小龙，王梓先，张家昌，韩红桂，吕冲，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：