【技术实现步骤摘要】
一种好氧堆肥智能控制方法及系统
[0001]本专利技术涉及农林固体废弃物资源化利用
，特别是涉及一种好氧堆肥智能控制方法及系统。
技术介绍
[0002]近年来，中国主要农林废弃物产量持续保持增加，农作物秸秆具有丰富的N、P、K及有机质养分，是农业生产过程中重要可再生生物质资源。农林废物资源化利用逐步形成肥料化为主、饲料化和燃料化稳步推进、基料化和原料化为辅的发展格局，好氧堆肥技术是实现农业固体废弃物实现肥料化与基质化的重要技术手段。
[0003]好氧堆肥一般分为静态堆垛发酵、条形翻堆发酵、槽式翻堆发酵和搅拌式容器堆肥发酵。标准的堆肥工艺包括预处理、配料、翻堆鼓风和环境控制等环节，占地面积大、操作复杂。堆肥过程中，诸如温湿度、pH值、TC(Total Carbon，总碳)等堆体状态指标需要依靠化学分析法进行长时间的测定，难于获得实时数据和足够的数据量。又由于堆肥过程中曝气系统具有不确定性和实时性，以及堆体内同时发生物理变化、化学变化和微生物变化，这些反应变化交织在一起使好氧堆肥过程构成一个多变量、强耦合的复杂体系...
【技术保护点】
【技术特征摘要】
1.一种好氧堆肥智能控制方法，其特征在于，应用于好氧堆肥装置，所述好氧堆肥装置包括好氧发酵罐、渗滤液罐、鼓风机和PID控制器；好氧堆肥智能控制方法包括：获取历史通风量数据集、历史鼓风机能耗数据集、历史渗滤液pH数据集、所述好氧发酵罐中的历史氧气浓度数据集、历史氨气浓度数据集、历史温度数据集和历史堆体碳氮比数据集；基于所述历史氧气浓度数据集、所述历史温度数据集和所述历史通风量数据集，对第一TS模糊神经网络进行训练，以确定通风量预测关系式；基于所述历史氧气浓度数据集、所述历史温度数据集和所述历史鼓风机能耗数据集，对第二TS模糊神经网络进行训练，以确定鼓风机能耗预测关系式；基于所述历史氧气浓度数据集、所述历史温度数据集、所述历史氨气浓度数据集和所述历史渗滤液pH数据集，对第三TS模糊神经网络进行训练，以确定渗滤液pH预测关系式；基于所述历史氧气浓度数据集、所述历史温度数据集、所述历史氨气浓度数据集和所述历史堆体碳氮比数据集，对第四TS模糊神经网络进行训练，以确定堆体碳氮比预测关系式；基于所述通风量预测关系式、所述鼓风机能耗预测关系式、所述渗滤液pH预测关系式和所述堆体碳氮比预测关系式，建立好氧堆肥多目标优化模型；对所述好氧堆肥多目标优化模型求解，以得到Pareto最优解；所述Pareto最优解包括所述好氧发酵罐中氧气浓度优化设定值和温度优化设定值；将所述Pareto最优解输入至所述PID控制器，以实现对所述好氧发酵罐内氧气浓度和温度的跟踪控制。2.根据权利要求1所述的好氧堆肥智能控制方法，其特征在于，所述第一TS模糊神经网络包括输入层、模糊层、模糊规则计算层和输出层；所述输入层用于输入所述历史氧气浓度数据集、所述历史温度数据集和所述历史通风量数据集；所述历史氧气浓度数据集和所述历史温度数据集构成优化变量；所述模糊层用于通过隶属度生成函数对所述优化变量进行模糊化处理，以得到模糊隶属度；所述模糊规则计算层用于对所述模糊隶属度进行模糊规则的计算；所述输出层用于接收所述模糊规则计算层输出的所有数据，并根据所述优化变量对应的历史通风量数据对所接收到的数据进行校正，以确定通风量预测值。3.根据权利要求2所述的好氧堆肥智能控制方法，其特征在于，所述通风量预测关系式为：为：为：其中，为通风量预测值；n为模糊规则的个数，为第j条规则对应的模糊层输出，h
j
为对应第j条规则的后件输出；z＝[z
1 z
2 z 3
…ꢀ
z
r
]
T
为第一TS模糊神经网络的输入，即通
风量预测关系式的输入，r为输入的优化变量个数，θ
j
为网络的后件参数，j＝1，2，
…
，n；A
jk
(z(k))表示网络输入z(k)经模糊化后得到的隶属度矩阵，z(k)＝[x1(k) x2(k)]
T
，x1(k)为k时刻氧气浓度数据，x2(k)为k时刻温度数据，z(k)即所述优化变量，且z(k)简记为z
k
。4.根据权利要求1所述的好氧堆肥智能控制方法，其特征在于，所述好氧堆肥多目标优化模型包括目标函数和约束函数；所述目标函数为：MinF(k)＝{f
ae<...
【专利技术属性】
技术研发人员：杨楠，张振宗，于宏兵，于晗，杨桐辉，杨礼，
申请(专利权)人：南开大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。