一种基于自组织模糊终端滑模控制的溶解氧有限时间控制方法技术

本发明专利技术提出了一种基于自组织模糊终端滑模控制的溶解氧有限时间控制方法，实现了溶解氧浓度的精确控制。该方法设计了基于规则密度和重要性的自组织模糊神经网络预测生化反应过程中溶解氧浓度的动态变化，建立了基于积分终端滑模面的终端滑模控制器，实现对溶解氧浓度的有限时间精准控制；通过设计自适应律和鲁棒控制项来降低不确定性和预测误差对控制性能的影响，解决溶解氧控制精度较低的问题。实验结果表明该方法能够在有限时间内实现溶解氧浓度的精准控制。氧浓度的精准控制。氧浓度的精准控制。

【技术实现步骤摘要】
一种基于自组织模糊终端滑模控制的溶解氧有限时间控制方法


[0001]本专利技术基于自组织模糊终端滑模的有限时间控制方法实现污水处理过程中溶解氧浓度的精确控制，溶解氧浓度是污水生化反应过程中关键控制参数之一，对污水处理过程出水水质有重要影响，该专利技术既属于水研究领域，又属于智能控制领域。

技术介绍

[0002]随着城市化进程的加快和人民生活水平的提高，各种生活垃圾对水资源的污染越来越严重。污水处理厂的建立对改善城市环境具有重要意义。目前，活性污泥法已广泛应用于污水处理工艺。在污水处理厂中，溶解氧浓度会直接影响好氧区微生物的生长和活性，同时溶解氧浓度会对出水水质以及运行成本造成一定影响。此外，溶解氧浓度是影响污水处理厂中氨氮和硝态氮去除率的关键因素，准确的将其控制在合理范围内是污水处理过程能否正常运行的前提。因此，本专利技术的研究成果对保证污水处理厂的稳定运行具有重要意义。
[0003]在实际的污水处理厂中，如果溶解氧浓度不能及时做出调整以满足生化反应需求，则会影响污水处理过程的正常运行。因此，为了确保污水处理过程的稳定运行，所设计的溶解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种溶解氧浓度自组织模糊终端滑模控制方法，其特征在于：建立基于自组织模糊神经网络的城市污水处理生化反应过程溶解氧浓度预测模型，设计基于积分终端滑模面的自组织模糊终端滑模控制器，实现对溶解氧浓度的有限时间精确控制；包括以下步骤：(1)提取城市污水处理生化反应过程溶解氧浓度变化特征：城市污水处理生化反应过程溶解氧浓度随时间变化波动较大，生化反应池第五分区溶解氧浓度控制模型为：其中，S
O,5
(t)表示t时刻生化反应池第五分区的溶解氧浓度，S
O,4
(t)表示t时刻生化反应池第四分区的溶解氧浓度，g(S
O,5
(t))表示t时刻生化反应池第五分区溶解氧浓度的变化量，K
L
a5(t)表示t时刻生化反应池第五分区的氧传递系数；(2)建立城市污水处理生化反应过程溶解氧浓度预测模型：设计自组织模糊神经网络预测模型，实现生化反应过程第五分区溶解氧浓度变化量g(S
O,5
(t))的预测，自组织模糊神经网络分为四层：输入层、隶属函数层、规则层和输出层，网络结构为4
‑
l
‑
l
‑
1,l为大于1的正整数且初始值为6；具体为：输入层：输入层包括4个神经元，h(t)＝[h1(t),h2(t),h3(t),h4(t)]
T
为t时刻模糊神经网络的输入向量，h1(t)＝S
O,5
(t)，h2(t)＝K
L
a5(t)，h3(t)＝e(t)，e(t)为t时刻溶解氧浓度设定值S
O,5d
(t)与实际值S
O,5
(t)的误差，h4(t)＝s(t)，s(t)是t时刻的终端滑模面，T表示向量的转置；e(t)＝S
O,5d
(t)
‑
S
O,5
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)隶属函数层：隶属函数层有l个神经元，采用高斯函数作为隶属函数，隶属函数层的输出为：其中，μ
ij
(t)表示t时刻隶属函数层第j个神经元的输出值，i＝1,2,3,4，j＝1,2,
…
,l，h
i
(t)为输入层输入向量h(t)中的第i个变量，c
ij
(t)表示t时刻输入层第i个神经元和隶属函数层第j个神经元的中心值，a
ij
(t)表示t时刻输入层第i个神经元和隶属函数层第j个神经元的宽度值；规则层：规则层有l个神经元，规则层每个神经元的输出为：其中，为t时刻规则层第j个神经元的输出值；输出层：输出层的输出为t时刻第五分区溶解氧浓度变化量的预测值输出层：输出层的输出为t时刻第五分区溶解氧浓度变化量的预测值其中，w(t)＝[w1(t),
…
,w
l
(t)]为t时刻模糊神经网络的输出权值向量，w1(t)为t时刻模糊神经网络规则层第1个神经元的输出权值，w
l
(t)为t时刻模糊神经网络规则层第l个神
经元的输出权值，为t时刻模糊神经网络规则层神经元的输出向量，为t时刻模糊神经网络规则层第1个神经元的输出值，为t时刻模糊神经网络规则层第l个神经元的输出值；规则层神经元增长阶段：计算t时刻控制系统跟踪误差阈值k
e
(t)：k
e
(t)＝max(0.95
t
×
0.1,0.02)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)其中，max()是求最大值的函数；计算t时刻输入层输入向量与隶属函数层神经元中心之间的马氏距离阈值k
d
(t)：k
d
(t)＝max(0.98
t
,0.2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)计算t时刻输入层输入向量与隶属函数层神经元中心之间的马氏距离M
j
(t)：其中，c
j
(t)＝[c
1j
...

【专利技术属性】
技术研发人员：韩红桂，冯成成，孙浩源，刘峥，乔俊飞，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：