污水脱氮过程自适应神经网络滑模控制方法、装置及介质制造方法及图纸

本发明专利技术公开了一种污水脱氮过程自适应神经网络滑模控制方法、装置及介质，其中方法包括：确定污水处理系统的状态方程的函数形式；设计滑模面s；根据滑模面s，采用神经网络逼近滑模控制器的控制率u

【技术实现步骤摘要】
污水脱氮过程自适应神经网络滑模控制方法、装置及介质


[0001]本专利技术涉及自动化和水处理领域，尤其涉及一种污水脱氮过程自适应神经网络滑模控制方法、装置及介质。

技术介绍

[0002]硝态氮浓度是污水处理流程中重要的控制变量，对其控制效果的优劣对微生物活性、能耗、出水总氮含量等都有直接影响。然而城市污水脱氮过程中有大量的生化反应，其反应机理复杂、物质与能量传递过程具有高维复杂性、非线性、强耦合、大滞后等特征，稳定该过程非常困难，同时也难以精确的进行数学建模。
[0003]滑模变结构控制是一种特殊的非线性控制方法，可以根据当前系统的状态实时切换控制量，使得系统的状态能到达滑动模态并沿着预设的滑模面运动到平衡点，且系统性能完全由滑模面决定，而与被控对象参数和扰动无关，对系统不确定和外部扰动具有较强的鲁棒性。然而滑模控制在实际应用中也存在不可避免的问题，那就是抖振现象。抖振现象的产生是由于实际系统中的切换一般存在空间滞后、时间滞后、系统惯性等各种问题，实际滑模运动会在滑模面附近反复运动，产生抖振现象。其次滑模控制依赖于系统模型，对于非线性系统，滑模控制甚至需要精确的数学模型来获得等效的控制率。

技术实现思路

[0004]为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术的目的在于提供一种污水脱氮过程自适应神经网络滑模控制方法、装置及介质。
[0005]本专利技术所采用的技术方案是：
[0006]一种污水脱氮过程自适应神经网络滑模控制方法，包括以下步骤：
[0007]确定污水处理系统的状态方程的函数形式；
[0008]设计滑模面s；
[0009]根据滑模面s，采用神经网络逼近滑模控制器的控制率u
*
；
[0010]设计神经网络权值自适应率以及求控制率输出u；
[0011]采用遗传算法对影响控制器性能的参数进行整定。
[0012]进一步地，所述确定污水处理系统的状态方程的函数形式，包括：
[0013]污水脱氮过程具有非线性和不确定性的特点，考虑以下非线性二阶系统表示该过程：
[0014][0015]其中，x＝[x1,x2]T
∈R为系统的状态变量，u∈R为系统输入，y∈R为系统输出，α(x)和β(x)为未知光滑函数，和β(x)为未知光滑函数，为已知的平滑函数。
[0016]进一步地，所述设计滑模面s，包括：
[0017]定义向量x
d
、e及滑模面s如下：
[0018][0019]其中，参数λ>0，期望的轨迹向量x
d
已知且连续，y
d
为期望的跟踪信号，e为误差，于是：
[0020][0021]其中
[0022]进一步地，所述采用神经网络逼近滑模控制率u
*
，包括：
[0023]假定非线性函数α(x)，β(x)已知，则滑模控制器设计为：
[0024][0025]其中，当参数ε>0时，则
[0026]将u＝u*代入公式(3)，有：
[0027][0028][0029]取李雅普诺夫函数为则：
[0030][0031]可见，当污水处理系统跟踪误差的收敛速度与ε有关，ε值越小，值越负；
[0032]当非线性函数α(x)，β(x)未知时，公式(4)中的u
*
则无法实现；由公式(4)可得u
*
为关于x、s、ε、v的连续函数，故通过RBF神经网络训练来逼近控制率u
*
，神经网络的输入z为：
[0033][0034][0035]进一步地，对于任意常数μ0>0，存在理想的整数l
*
和理想权值向量W
*
，使得对所有l≥l
*
，有：
[0036][0037][0038][0039]其中，h(z)为高斯基函数，j为网络隐含层第j个节点，z为网络输入，b和c为高斯基函数参数；μ
l
为网络的逼近误差，且满足μ
l
≤μ0，μ0为任意常数。
[0040]进一步地，所述设计神经网络权值自适应率以及求控制率输出u，包括：
[0041]神经网路权值W
*
是未知的，需要在控制器设计中进行估计，即：
[0042][0043]其中，u为网络输出，为W
*
的估计值，网络权值的自适应率设计为：
[0044][0045]其中，Γ＝Γ
T
>0是自适应增益矩阵，σ>0为常量。
[0046]进一步地，所述采用遗传算法对影响控制器性能的参数进行整定，包括：
[0047]利用遗传算法对影响控制器收敛性的高斯基函数参数b、滑模面参数λ和网络初始权值进行整定。
[0048]进一步地，遗传算法优化参数的要素包括种群初始化、确定解码方法、确定适应度函数、选择操作、交叉操作、变异操作，具体如下：
[0049]①
种群初始化
[0050]采用长度为L位二进制编码串分别表示为欲寻优的参数个数，再将分别表示参数变量的3个L位长的二进制编码串连接在一起，组成一个二进制编码，从而构成一个个体染色体；
[0051]②
确定解码方法
[0052]解码时，需将染色体切断为3个L位长的二进制编码串，然后分别转换为对应的十进制整数代码，记为m
i
(i＝1,2,3)，解码公式为：
[0053][0054]③
确定适应度函数
[0055]考虑控制系统的稳定性、准确性和快速性三个指标，以误差、调节时间、超调量作为约束条件，定义下式作为参数选择的目标函数：
[0056][0057]其中e(t)为系统跟踪误差，t为时间，δ1、δ2为权值；
[0058]④
选择操作
[0059]选用轮盘赌法作为适应度比例的选择策略，对每个个体i的选择概率p
i
为：
[0060][0061][0062]其中，N为种群个体数目，F为个体的适应度值，i、j＝(1,
…
N)，k为系数；
[0063]⑤
交叉操作
[0064]采用实数交叉法作为交叉操作的方法，第k个染色体a
k
和第l个染色体a
l
在j位的交叉操作方法如下：
[0065][0066]式中，b是[0,1]间的随机数；
[0067]⑥
变异操作
[0068]a
ij
表示选取第i个个体的第j个基因进行变异，具体如下：
[0069][0070][0071]其中，a
max
、a
min
分别为基因a
ij
的上界和下界；r2为随机数；g为当前迭代次数；G
max
是最大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种污水脱氮过程自适应神经网络滑模控制方法，其特征在于，包括以下步骤：确定污水处理系统的状态方程的函数形式；设计滑模面s；根据滑模面s，采用神经网络逼近滑模控制器的控制率u
*
；设计神经网络权值自适应率以及求控制率输出u；采用遗传算法对影响控制器性能的参数进行整定。2.根据权利要求1所述的一种污水脱氮过程自适应神经网络滑模控制方法，其特征在于，所述确定污水处理系统的状态方程的函数形式，包括：污水脱氮过程具有非线性和不确定性的特点，考虑以下非线性二阶系统表示该过程：其中，x＝[x1,x2]
T
∈R为系统的状态变量，u∈R为系统输入，y∈R为系统输出，α(x)和β(x)为未知光滑函数，(x)为未知光滑函数，为已知的平滑函数。3.根据权利要求1所述的一种污水脱氮过程自适应神经网络滑模控制方法，其特征在于，所述设计滑模面s，包括：定义向量x
d
、e及滑模面s如下：其中，参数λ>0，期望的轨迹向量x
d
已知且连续，y
d
为期望的跟踪信号，e为误差，于是：其中4.根据权利要求3所述的一种污水脱氮过程自适应神经网络滑模控制方法，其特征在于，所述采用神经网络逼近滑模控制率u
*
，包括：假定非线性函数α(x)，β(x)已知，则滑模控制器设计为：其中，当参数ε>0时，则将u＝u*代入公式(3)，有：将u＝u*代入公式(3)，有：
取李雅普诺夫函数为则：可见，当污水处理系统跟踪误差的收敛速度与ε有关，ε值越小，值越负；当非线性函数α(x)，β(x)未知时，公式(4)中的u
*
则无法实现；由公式(4)可得u
*
为关于x、s、ε、v的连续函数，故通过RBF神经网络训练来逼近控制率u
*
，神经网络的输入z为：，神经网络的输入z为：5.根据权利要求4所述的一种污水脱氮过程自适应神经网络滑模控制方法，其特征在于，对于任意常数μ0>0，存在理想的整数l
*
和理想权值向量W
*
，使得对所有l≥l
*
，有：，有：，有：其中，h(z)为高斯基函数，j为网络隐含层第j个节点，z为网络输入，b和c为高斯基函数参数；μ
l
为网络的逼近误差，且满足|μ
l
|≤μ0，μ0为任意常数。6.根据权利要求5所述的一种污水脱氮过程自适应神经网络滑模控制方法，其特征在于，所述设计神经网络权值自适应率以及求控制率输出u，包括：神经网路权值W
*
是未知的，需要在控制器设计中进行估计，即：其中，u为网络输出，为W
*
的估计值，网络权值的自适应...

【专利技术属性】
技术研发人员：刘乙奇，邱铸毅，于广平，刘坚，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：