基于动态径向基神经网络的溶解氧的控制方法技术

本发明专利技术公开了一种基于动态径向基神经网络的溶解氧的控制方法，采用以下步骤：确定控制对象；设计用于污水处理过程中溶解氧ＤＯ控制器的动态ＲＢＦ神经网络拓扑结构；对样本数据进行校正；用校正后的部分数据训练神经网络，利用训练好的ＲＢＦ神经网络对溶解氧（ＤＯ）进行控制，期望ＤＯ浓度与实际输出ＤＯ浓度的误差及误差变化率作为ＲＢＦ神经网络的输入，ＲＢＦ神经网络的输出即为变频器的输入，变频器通过调节电动机的转速达到控制鼓风机的目的，最终控制曝气量，整个控制系统的输出为实际ＤＯ浓度值，提高控制器的控制效果，能够快速、准确地使溶解氧达到期望要求；解决了当前基于开关控制和ＰＩＤ控制自适应能力较差的问题。

【技术实现步骤摘要】

本专利技术利用基于动态径向基(RBF)神经网络的控制器实现污水处理过程中溶解氧(DO)的 控制方法，污水处理过程中溶解氧(DO)的控制作为污水处理的重要环节，是先进制造技术领 域的重要分支，既属于水处理领域，又属于控制领域。
技术介绍
随着国民经济的增长和公众环保意识的增强，污水处理自动化技术迎来了前所未有的发 展机遇。国家中长期科技发展规划中提出要研究并推广高效、低能耗的污水处理新技术。因 此，本专利技术的研究成果具有广阔的应用前景。溶解氧(DO)浓度是目前污水处理中应用最为广泛的运转控制参数，当溶解氧不足或过量 时都会导致污泥生存环境恶化当氧气不足时， 一方面由于好氧池中丝状菌会大量繁殖，最 终产生污泥膨胀，发生异常工况；另一方面由于好氧菌的生长速率降低从而引起出水水质的 下降。而氧气过量(即过量曝气)则会引起悬浮固体沉降性能变差，影响污水处理系统的正常 运行。溶解氧的控制涉及到微生物的生长环境以及处理过程的能耗，因此，溶解氧控制一直 是研究的重点。传统的开关控制或者PID控制，虽然是当前应用较为广泛的控制方法，但是由于氧气的 溶解过程受入水水质、温度和pH值等方面的影响，具有高度非线性、强耦合性、时变、大 滞后和不确定性等特点。采用传统的开关控制或者PID控制方法自适应能力较差，往往不能 取得理想的控制效果。近年来，国内外也有基于模糊和神经网络的智能控制方法研究，很好 地解决了传统的开关控制或者PID控制方法自适应能力较差的问题。伹是仍有一些不足，以 上模糊控制和神经网络控制在应用前必须确定其本身规则数或神经网络结构，在应用过程中 只能修改其参数，不能修改其结构；规模过大的模糊规则或神经网络结构具有较好的学习精 度，但是往往需要较大的存储空间和计算时间；而规模过小的模糊规则或神经网络结构虽具 有较简单的网络结构，但信息处理能力又有限。优良的控制可以节省污水处理运行费用，同时也是减少和应对异常工况发生、保障污水处理过程正常运行的关键。此外，通过提高污水 处理过程自动化水平，还可以有效地减少运行管理和操作人员，降低运行费用。本专利技术设计了一种基于动态径向基(RBF)神经网络的溶解氧控制器，通过构建动态径向基 (RBF)神经网络模型，实现对污水处理过程中溶解氧(DO)的在线控制。
技术实现思路
本专利技术的目的在于通过提供一种，构建动 态径向基(RBF)神经网络模型，分析污水处理过程，实时改变神经网络结构，提高控制器的控 制能力；解决控制器根据环境自动调整的问题，通过控制污水处理过程中的曝气量达到控制 DO浓度的效果；提高污水处理过程中DO控制的精度，保障污水处理过程正常运行；本专利技术采用了如下的技术方案及实现步骤一种，包括以下步骤(1) 确定控制对象；本专利技术主要针对序批式间歇活性污泥系统中溶解氧进行控制，以曝 气量为控制量，溶解氧浓度为被控量；(2) 设计用于污水处理过程中溶解氧DO控制器的动态RBF神经网络拓扑结构；网络分 为三层输入层、隐含层、输出层；输入为溶解氧DO浓度的期望值与实际值的误差和误差 变化率，输出为污水处理系统中变频器的输入量；初始化RBF神经网络确定神经网络^ —"一i的连接方式，即输入层神经元为p个，隐 含层神经元为"个，输出层神经元为l个；对神经网络的权值进行随机赋值；RBF神经网络 的输入表示为^'^'A'"^，神经网络的期望输出表示为y^实际输出表示为y;设第&时刻RBF神经网络输入为^("'^("A RBF神经网络各层的计算功能是输入层，该层由p个神经元组成<formula>formula see original document page 7</formula>分别表示输入层的输入和输出；隐含层，该层由w个神经元组成-<formula>formula see original document page 7</formula>("表示隐含层的输入和输出<formula>formula see original document page 7</formula>表示第A时刻的输入值，。表示隐含层第y个神经元，X("-。.表示。与X("之间的欧式距离， P—)为高斯函数，其形式为<formula>formula see original document page 8</formula>。表示隐含层第j个神经元中心值，《表示隐含层第y个神经元的中心宽度。输出层，该层只有l个神经元<formula>formula see original document page 8</formula>(9^(3)(^:)表示输出层的输出，w)("表示第y个隐含层神经元与输出层神经元之间的联 结权值，KQ为RBF神经网络的实际输出； 定义误差函数为<formula>formula see original document page 8</formula>r为0(W-h(")的转置，附为训练样本总数，训练神经网络的目的是使得式(5)定义 的误差函数达到期望值^;(3)对样本数据进行校正； _ _设f个数据样本JC(l),;c(2)，A，x(0，均值为^，每一个样本的偏差为D^)-x^)-；， 《=1，2，A ，f ，按照Bessel公式计算出标准偏差CT = js 、 ， ~~^~ (7) y=i f — 1若某一个样本X(^)的偏差满足|D (《)I 2 3 o"， "1,2，A ,n (8)则认为样本x(《)是异常数据，应予以剔除，得到校正后的数据，该数据作为神经网络的训练样本；(4)用校正后的部分数据训练神经网络，在训练过程中利用模型输出敏感度分析对神经 网络的冗余隐神经元进行修剪，利用最临近插值法对隐含层神经元进行增加；以简化神经网 络结构，提高神经网络的性能。动态RBF神经网络调整具体步骤为①训练给定初始神经网络达到预先设定训练步骤m;记下训练过程中每个隐含层神经元 的输出权值wf，M^,A ，W，找出最大值和最小值；通过计算参数wf，M《，A ,M^对于网络输出_y的灵敏度； 第_/(7 = 1，2，八，")个隐神经元输出在训练附步中的最大值是~，最小值是^.，则假定 < 以指定频率C7y在内振荡，艮口 《)=0) + ~ /2) + (~ - ^ /2) sin(cj/力) (9) 其中，5(7)=2;2"/附，c^指定频率，m是总训练步骤。结合式(5)，神经网络的输出少表 示为-少O) = c^(3)o) = i ox^)2)o) ， c/ = i，2，a ,") (io)③计算各个神经元的灵敏度如果要计算第yC/二l,2，A ，w)个隐神经元的灵敏度，则该神经元对应的傅立叶系数为1 T 1 Tj乂 =一 J"/X s)cos(Q7)"<is ， =—J"/(^)sin(ezr乂"(is (11)其中，s的取值范围是;由RBF神经网络的各隐含层神经元的输出之间没有相互作用，傅立叶振幅值主要集中在基频上，采用下式计算第X乂-1,2,A ，w)个隐神经元的灵敏度； (w-i)<2 本文档来自技高网...

【技术保护点】
一种基于动态径向基神经网络的溶解氧的控制方法，其特征在于，包括以下步骤：　（１）确定控制对象；针对序批式间歇活性污泥系统中溶解氧进行控制，以曝气量为控制量，溶解氧浓度为被控量；　（２）设计用于污水处理过程中溶解氧ＤＯ控制器的动态ＲＢＦ神经网络拓扑结构；网络分为三层：输入层、隐含层、输出层；　初始化ＲＢＦ神经网络：确定神经网络ｐ－ｎ－１的连接方式，即输入层神经元为ｐ个，隐含层神经元为ｎ个，输出层神经元为１个；对神经网络的权值进行随机赋值；ＲＢＦ神经网络的输入表示为ｘ↓［１］，ｘ↓［２］，Λ，ｘ↓［ｐ］，神经网络的期望输出表示为ｙ↓［ｄ］，实际输出表示为ｙ；设第ｋ时刻ＲＢＦ神经网络输入为ｘ↓［１］（ｋ），ｘ↓［２］（ｋ），Λ，ｘ↓［ｐ］（ｋ），ＲＢＦ神经网络各层的计算功能是：　输入层，该层由ｐ个神经元组成：　Ｉｎ↓［ｉ］↑［（１）］（ｋ）＝ｘ↓［ｉ］（ｋ），Ｏｕｔ↓［ｉ］↑［（１）］（ｋ）＝Ｉｎ↓［ｉ］↑［（１）］（ｋ），（ｉ＝１，２，Λ，ｐ）；（２）　Ｉｎ↓［ｉ］↑［（１）］（ｋ），Ｏｕｔ↓［ｉ］↑［（１）］（ｋ）分别表示输入层的输入和输出；　隐含层，该层由ｎ个神经元组成：　Ｉｎ↓［ｊ］↑［（２）］（ｋ）＝‖ｘ（ｋ）－ｃ↓［ｊ］‖，Ｏｕｔ↓［ｊ］↑［（２）］（ｋ）＝φ↓［ｊ］（Ｉｎ↓［ｊ］↑［（２）］（ｋ）），（ｉ＝１，２，Λ，ｐ.ｊ＝１，２，Λ，ｎ）；　（３）　Ｉｎ↓［ｊ］↑［（２）］（ｋ），Ｏｕｔ↓［ｊ］↑［（２）］（ｋ）表示隐含层的输入和输出，ｘ（ｋ）＝［ｘ↓［１］（ｋ），ｘ↓［２］（ｋ），Λ，ｘ↓［ｐ］（ｋ）］↑［Ｔ］表示第ｋ时刻的输入值，ｃ↓［ｊ］表示隐含层第ｊ个神经元，‖ｘ（ｋ）－ｃ↓［ｊ］‖表示ｃ↓［ｊ］与ｘ（ｋ）之间的欧式距离，φ（.）为高斯函数，其形式为：　φ（‖ｘ（ｋ）－ｃ↓［ｊ］‖）＝ｅ↑［（－‖ｘ（ｋ）－ｃ↓［ｊ］‖↑［２］／δ↓［ｊ］↑［２］）］　（４）　ｃ↓［ｊ］表示隐含层第ｊ个神经元中心值，δ↓［ｊ］表示隐含层第ｊ个神经元的中心宽度。输出层，该层只有１个神经元：　ｙ（ｋ）＝Ｏｕｔ↑［（３）］（ｋ）＝＊ｗ↓［ｊ］↑［３］（ｋ）Ｏｕｔ↓［ｊ］↑［（２）］（ｋ），（ｊ＝１，２，Λ，ｎ）　（５）　Ｏｕｔ↑［（３）］（ｋ）表示输出层的输出，ｗ↓［ｊ］↑［３］（ｋ）表示第ｊ个隐含层神经元与输出层神经元之间的联结权值，ｙ（ｋ）为神经网络的实际输出；　定义误差函数为　Ｅ＝１／ｍ＊（ｙ（ｋ）－ｙ↓［ｄ］...

【技术特征摘要】

【专利技术属性】
技术研发人员：乔俊飞，韩红桂，郭迎春，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：11[中国|北京]