【技术实现步骤摘要】
本专利技术既属于水处理领域，又是污水处理水质参数在线监测领域的重要分支。本专利技术通过特征分析方法，在mbr膜污水处理过程真实运行数据的基础上提取mbr膜透水率的特征变量，进而利用基于自适应梯度下降算法的模糊神经网络建立软测量模型，以预测污水处理过程中难以直接测量的mbr膜透水率；将所提方法应用于mbr膜污水处理过程，实现了膜透水率的在线准确检测，有效获得了膜的污染状况，提高膜的使用周期和使用效率。
技术介绍
1、污水处理过程中膜透水率检测是衡量膜污染状况的重要指标。由于污水处理过程膜透水率通常非常低，导致膜仅有微小通量，同时膜材料也会随着使用时间的增加而导致膜性能发生变化，因此膜透水率难以实现直接检测。此外，由于污水处理过程中，膜生物反应器污水处理工艺易受到进水水量、水质波动等外部干扰因素的影响，使得膜透水率难以准确测量。因此，如何在快速测量膜透水率的前提下保证膜透水率的测量精度，提高膜透水率的检测效率，是现阶段需要迫切解决的问题。
2、但在膜处理污水的过程中，由于污水中的微粒、胶体粒子或溶质大分子与膜之间存在物理、化学以及机械等作用，使得膜孔径逐渐变小或发生堵塞，导致的膜污染问题不可避免。膜污染问题会造成膜通量和透水率的减少、跨膜压差和膜表面阻力的增大，使膜的出水水质降低、使用寿命缩短，阻碍了膜的进一步大规模应用。因此，正确预测膜的污染状况并对膜进行及时的清洗和维护，降低膜污染的发生频率，提高膜的使用周期和使用效率，是mbr膜污水处理过程中亟需解决的重大挑战。透水率是衡量膜污染状况的重要指标，因此可以通过预测膜透
3、本专利技术涉及了一种膜透水率智能检测方法，该方法通过构造对称抗噪损失函数提高模型的抗噪能力，提出了自适应梯度下降参数更新方法，建立了基于自适应鲁棒模糊神经网络的mbr膜透水率软测量模型，提高了膜透水率检测过程中的的模型参数更新效率，实现了透水率的在线检测和实时校正，保证了膜透水率的检测性能，提高了mbr膜污水处理过程中的检测精度。
技术实现思路
1、本专利技术提出了一种基于自适应鲁棒模糊神经网络的mbr膜透水率的智能检测方法，利用基于自适应梯度下降算法的模糊神经网络建立软测量模型，以预测污水处理过程中难以直接测量的mbr膜透水率；将所提方法应用于mbr膜污水处理过程，实现了膜透水率的在线准确检测，有效获得了膜的污染状况，提高膜的使用周期和使用效率。实现污水处理过程中mbr膜透水率的精确预测，解决了污水处理过程中膜透水率难以直接测量的问题；
2、本专利技术采用了如下的技术方案及实现步骤：
3、1.一种基于自适应鲁棒模糊神经网络的mbr膜透水率的智能检测方法，通过提出对称抗噪损失函数和自适应梯度下降算法，提高了基于自适应鲁棒模糊神经网络软测量模型的抗噪能力，实现了模型参数的动态更新，保证膜透水率的在线、准确检测；包括以下步骤：
4、(1)建立对称抗噪损失函数，具体为：
5、定义对称抗噪损失函数的函数表达式j(t)
6、j(t)＝α*m(t)+(1-α)*s(t) (1)
7、其中，α为自适应权重因子，取值设置为0.7。m(t)和s(t)可表示为
8、
9、
10、其中，n表示样本总数，ypi(t)表示膜透水率预测输出值；yi(t)表示膜透水率真实值；p(t)表示t时刻样本的真实值与总样本数的重合率，q(t)表示t时刻样本的预测值占总样本数的重合率。
11、(2)设计膜透水率软测量模型，利用基于自适应鲁棒模糊神经网络的膜透水率软测量模型如下：
12、基于自适应鲁棒模糊神经网络的膜透水率软测量模型分为四层，输入层、径向基函数层、归一层以及输出层；神经网络为为5-10-10-1的连接方式，即输入层神经元为5个，对应物理量分别为进水氨氮，产水压力、产水流量、跨膜压差、厌氧区氧化还原电位，径向基函数层、归一层神经元为10个，输出层神经元为1个，对应物理量为膜透水率。
13、根据所提对抗损失函数建立基于自适应鲁棒模糊神经网络的膜透水率软测量模型，第i个样本的预测输出值记为ypi(t)，其计算式可表示为
14、ypi(t)＝w(t)vj(t) (4)
15、其中，w(t)表示t时刻输出层与归一层间的连接权值，vj(t)表示归一化层第j个神经元t时刻的输出值，其计算式可表示为
16、
17、其中，φj(t)表示径向基函数层第j个神经元的t时刻输出值，其计算式可表示为
18、
19、其中，cij(t)表示t时刻第j个神经元的第i个隶属度函数的中心值，cj(t)＝[c1j(t),c2j(t),…,cnj(t)]表示t时刻第j个神经元的中心向量；σij(t)表示t时刻第j个神经元的第i个隶属度函数的宽度值，σj(t)＝[σ1j(t),σ2j(t),…,σnj(t)]表示t时刻第j个神经元的宽度向量，ui(t)表示第i个神经元的t时刻输出值，其计算式可表示为
20、ui(t)＝xi(t),i＝1,2,3,4,5 (7)
21、其中，xi(t)表示t时刻网络输入值。
22、(3)设计自适应梯度下降参数更新方法，在任意时刻实时在线更新软测量模型的中心值、宽度值和权值，具体为：
23、①针对软测量模型的中心值cij(t)、宽度值σij(t)和权值wk(t)进行在线训练、更新，计算式可表示为：
24、
25、
26、
27、②设置更新神经网络中心值、宽度值、权值的初始学习率η0为0.3。
28、③采用迭代更新方法对arfnn中心值、宽度值和权重的学习率ηc(t)，ησ(t)，ηw(t)进行更新，可表示为：
29、
30、
31、
32、其中，gc(t+1)表示t+1时刻网络中心值的累计平方梯度，gσ(t+1)表示t+1时刻网络宽度值的累计平方梯度，gw(t+1)表示t+1时刻网络权值的累计平方梯度，其中累计平方梯度即为参数更新的累计和，指参数在当前迭代次数之前的所有梯度的平方之和。
33、其中，gc(t+1)、gσ(t+1)、gw(t+1)计算式可表示为：
34、
35、
36、
37、其中，梯度的计算式可表示为
38、
39、
40、
41、其中，e(本文档来自技高网...
【技术保护点】
1.一种基于自适应鲁棒模糊神经网络的MBR膜透水率的智能检测方法，其特征在于包括以下步骤：
【技术特征摘要】
1.一种基于自适应鲁棒模糊神经网络的mbr膜透...
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。