System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术基于滑模观测器的溶解氧智能鲁棒控制方法实现污水处理过程中溶解氧浓度的精确控制,溶解氧浓度是城市污水处理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
1、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城市污水处理工艺。溶解氧是城市污水处理过程重要的被控变量,与所有活性污泥微生物的生化反应过程都密切相关,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。城市污水处理过程是一个具有强扰动和复杂非线性的复杂工业过程,给溶解氧的稳定控制带来了极大的挑战。
2、本专利技术设计了一种基于滑模观测器的溶解氧智能鲁棒控制方法,主要通过设计一种自适应预估模糊神经网络预测生化反应过程第五分区溶解氧浓度变化量,提高神经网络对溶解氧浓度动态变化的逼近性能;为了削弱污水处理过程中扰动对溶解氧浓度控制的影响,设计了滑模观测器主动抑制扰动。本专利技术不仅降低了污水处理运行过程中入水流量、水质波动以及工况环境变化等一系列强扰动对控制性能的影响,而且以较高精度逼近溶解氧浓度动态变化,使溶解氧浓度满足生化反应需求,保证污水处理过程的安全稳定运行。
技术实现思路
1、本专利技术获得了一种基于滑模观测器的溶解氧智能鲁棒控制方法,该方法采用自适应预估模糊神经网络预测第五分区溶解氧浓度的动态变化,同时利用对溶解氧
2、本专利技术采用了如下的技术方案及实现步骤:
3、1.一种基于滑模观测器的溶解氧浓度智能鲁棒控制方法,其特征在于:建立基于自适应预估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,构建基于滑模观测器的城市污水处理生化反应过程扰动信息估计模型,设计基于滑模观测器的智能鲁棒控制器,实现溶解氧浓度的准确控制;包括以下步骤:
4、(1)提取城市污水处理生化反应过程溶解氧浓度变化特征
5、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,并且易受入水流量、水质波动以及工况环境变化的影响,生化反应池第五分区溶解氧浓度控制模型为:
6、
7、其中,so,5(t)表示t时刻生化反应池第五分区的溶解氧浓度,h(so,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,kla5(t)表示t时刻生化反应池第五分区的氧传递系数,de(t)表示t时刻城市污水处理生化反应过程中入水流量、水质波动以及工况环境变化引起的外部干扰,de(t)的动力学表达式为:
8、
9、其中,q4(t)是第四分区的流速,q4(t)在不同的天气条件下具有不同的值,so,4表示生化反应池第四分区的溶解氧浓度,取值为2mg/l;
10、(2)建立城市污水处理生化反应过程溶解氧浓度预测模型
11、设计自适应预估模糊神经网络预测模型,实现对城市污水处理过程生化反应池第五分区溶解氧浓度变化量h(so,5(t))的预测,自适应预估模糊神经网络的结构分为四层:输入层、隶属函数层、规则层和输出层,网络结构为2-l-l-1,l为大于1的正整数且初始值为3;具体为:
12、输入层:输入层包括2个神经元,g(t)=[g1(t),g2(t)]t为t时刻自适应预估模糊神经网络的输入向量,g1(t)=so,5(t),g2(t)=kla5(t),t表示向量的转置;
13、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:
14、
15、其中,μij(t)表示t时刻隶属函数层第j个神经元的输出值,i=1,2,j=1,2,…,l,gi(t)表示输入层输入向量g(t)中的第i个变量,cij(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,aij(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;
16、规则层:规则层有l个神经元,规则层每个神经元的输出为:
17、
18、其中,γj(t)为t时刻规则层第j个神经元的输出值;
19、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:
20、
21、其中,为t时刻第五分区溶解氧浓度变化量的预测值,w(t)=[w1(t),…,wl(t)]为t时刻自适应预估模糊神经网络的输出权值向量,w1(t)为t时刻自适应预估模糊神经网络规则层第1个神经元的输出权值,wl(t)为t时刻自适应预估模糊神经网络规则层第l个神经元的输出权值,γ(t)=[γ1(t),…,γl(t)]t为t时刻自适应预估模糊神经网络规则层神经元的输出向量,γ1(t)为t时刻自适应预估模糊神经网络规则层第1个神经元的输出值,γl(t)为t时刻自适应预估模糊神经网络规则层第l个神经元的输出值;
22、设计城市污水处理生化反应过程第五分区溶解氧浓度预估器:
23、
24、其中,为t时刻第五分区溶解氧浓度预估值的导数,so,5d(t)表示t时刻溶解氧浓度的设定值,ε(t)为t时刻第五分区溶解氧浓度的预估误差:
25、
26、其中,为t时刻第五分区溶解氧浓度的预估值;
27、利用第五分区溶解氧浓度预估误差ε(t)设计自适应预估模糊神经网络参数自适应律:
28、ξj(t+1)=ξj(t)-0.1[γj(t)|ε(t)|i+2ξj(t)] (8)
29、其中,ξj(t)=[wj(t),cj(t),aj(t)]表示t时刻自适应预估模糊神经网络规则层第j个神经元的参数向量,wj(t)表示t时刻自适应预估模糊神经网络规则层第j个神经元的输出权值,cj(t)表示t时刻自适应预估模糊神经网络规则层第j个神经元的中心,aj(t)表示t时刻自适应预估模糊神经网络规则层第j个神经元的宽度,i表示三维全1的行向量,ξj(t+1)=[wj(t+1),cj(t+1),aj(t+1)]表示t+1时刻自适应预估模糊神经网络规则层第j个神经元的参数向量,wj(t+1)表示t+1时刻自适应预估模糊神经网络规则层第j个神经元的输出权值,cij(t+1)表示t+1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,aij(t+1)表示t+1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;
30、(3)设计城市污水处理生化反应过程扰动信息估计模型
31、构造基于滑模观测器的城市污水处理生化反应过程扰动信息估计模型实现对生化反应过本文档来自技高网...
【技术保护点】
1.一种基于滑模观测器的溶解氧浓度智能鲁棒控制方法,其特征在于:建立基于自适应预估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,构建基于滑模观测器的城市污水处理生化反应过程扰动信息估计模型,设计基于滑模观测器的智能鲁棒控制器,实现溶解氧浓度的准确控制;包括以下步骤:
【技术特征摘要】
1.一种基于滑模观测器的溶解氧浓度智能鲁棒控制方法,其特征在于:建立基于自适应预估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,...
【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:
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。