CN103064290B - 基于自组织径向基神经网络的溶解氧模型预测控制方法 - Google Patents
基于自组织径向基神经网络的溶解氧模型预测控制方法 Download PDFInfo
- Publication number
- CN103064290B CN103064290B CN201310000516.1A CN201310000516A CN103064290B CN 103064290 B CN103064290 B CN 103064290B CN 201310000516 A CN201310000516 A CN 201310000516A CN 103064290 B CN103064290 B CN 103064290B
- Authority
- CN
- China
- Prior art keywords
- neuron
- neural network
- output
- dissolved oxygen
- control
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 64
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 59
- 239000001301 oxygen Substances 0.000 title claims abstract description 59
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 59
- 239000010865 sewage Substances 0.000 claims abstract description 44
- 230000000694 effects Effects 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 122
- 238000005273 aeration Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 239000010802 sludge Substances 0.000 claims description 6
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000001276 controlling effect Effects 0.000 claims 3
- 230000001105 regulatory effect Effects 0.000 claims 3
- 230000008878 coupling Effects 0.000 abstract description 5
- 238000010168 coupling process Methods 0.000 abstract description 5
- 238000005859 coupling reaction Methods 0.000 abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 abstract 2
- 230000004069 differentiation Effects 0.000 abstract 1
- 230000010354 integration Effects 0.000 abstract 1
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000233866 Fungi Species 0.000 description 1
- 241001148470 aerobic bacillus Species 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
基于自组织径向基神经网络的溶解氧模型预测控制方法既属于控制领域，又属于水处理领域。针对污水处理过程高度非线性、强耦合性、时变、大滞后和不确定性严重等特点，该控制方法通过自动调整神经网络结构，提高神经网络的处理能力，建立污水处理过程预测模型，利用模型预测控制方法进行控制，从而提高控制效果，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；实验结果表明该方法能够快速、准确地控制溶解氧浓度，并具有较强的自适应能力，提高污水处理的质量和效率、降低污水处理成本，促进污水处理厂高效稳定运行。
Description
技术领域
本发明利用基于自组织径向基神经网络(SORBFNN)的模型预测控制方法实现污水处理过程中溶解氧(DO)的控制，溶解氧(DO)的浓度直接决定了微生物的供养条件，对出水水质和能耗有着重要影响。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，既属于控制领域，又属于水处理领域。
背景技术
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，本发明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。同时，由于污水处理过程具有滞后特性，精确表述控制变量与控制目标之间的关系十分困难。目前，污水处理过程模型结构复杂、待整定参数过多，可辨识性差，不能动态地反应出操作变量与控制目标之间的蕴含关系，无法用于在线控制。另外，污水中污染物的数量多、含量各异，对检测是一大挑战。因此，必须寻求新的控制方法，以满足污水处理过程控制的需要。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。
本发明设计了一种基于自组织径向基(SORBF)神经网络的模型预测控制方法，通过构建SORBF神经网络模型，利用模型预测的方法实现对污水处理过程中溶解氧(DO)的在线控制。
发明内容
本发明获得了一种溶解氧(DO)浓度的控制方法，该控制器基于自组织径向基(SORBF)神经网络，通过构建SORBF神经网络模型，分析污水处理过程，实时改变神经网络结构，同时利用模型预测的控制方法提高控制能力；解决了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从而达到控制DO 浓度的目的；提高了污水处理过程中DO控制的精度，保障污水处理过程正常运行；
本发明采用了如下的技术方案及实现步骤：
1. 基于SORBF神经网络的溶解氧DO模型预测控制方法的设计，其特征在于，包括以下步骤：
(1) 确定控制对象；本发明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模型预测控制方法的目标函数
其中r是期望输出，y是溶解氧浓度，u是曝气量，ŷ溶解氧浓度预测值，T为公式的转置，ρ1∈[0.5, 1.5]和ρ2∈[0.5, 1.5]是控制参数，
；
；
Hp为预测时域，Hp∈[1, 10]，Hu为控制变量的变化时域，Hu∈[1,5]，Hu ≤ Hp；限制条件：
；
；
；
其中，Δumax是控制器允许的最大曝气调整量，umin是控制器允许的最小曝气量，umax是控制器允许的最大曝气量，ymin是控制对象允许的最小溶解氧浓度，ymax是控制对象允许的最大溶解氧浓度，Δumax，umin、umax、ymin和ymax根据控制系统设备设置；
(3) 设计用于污水处理过程中溶解氧DO预测控制方法的自组织径向基神经网络拓扑结构；网络分为三层：输入层、隐含层、输出层；输入为x(t)，输出为污水处理系统溶解氧浓度预测值ŷ(t)；
初始化RBF神经网络：确定神经网络p-K-1的连接方式，即输入层神经元为p个，隐含层神经元为K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x1(t)，x2(t)，…，xp(t)，神经网络的期望输出表示为y(t)，实际输出表示为ŷ(t)；设第t时刻RBF神经网络输入为x1(t)，x2(t)，…，xp(t)，RBF神经网络的计算功能是：
wk(t)表示隐含层第k个神经元和输出层的连接权值，k=1，2，…，K；θk是隐含层第k个神经元的输出，其计算公式为：
μk表示隐含层第k个神经元中心值，σk表示隐含层第k个神经元的中心宽度；
定义误差函数为：
(4) 训练神经网络，具体为：
①给定一个RBF神经网络，隐含层神经元为较小自然数，如图1，输入为x(t)，进行训练设计计算步骤l=1；
②计算神经元i的活跃度Afk，
其中，k=1,2,…, K，Afk是第k个隐含层神经元的活跃度，K是隐含层神经元数，θk是第k个隐含层神经元的输出；
如活跃度Afk大于活跃度阀值Afo∈[0, 0.2]，分裂神经元k，调整网络结构，设定新神经元的初始参数：
；
其中，α∈[0.95, 1.05]和β∈[0, 0.1]，μk和σk分别是神经元k的中心和方差，新神经元K+1与输出神经元间的连接权值设定为
其中，wk(t)是分裂神经元k与输出层神经元的联结权值，y(t-1)和ŷ(t-1)分别为神经网络t-1时刻的期望输出和实际输出；更新隐含层神经元数K’= K+1；
③计算隐含层神经元X与输出层神经元Y间的连接强度，
假设X和Y是相互连接的神经元，交互信息的强度M(X;Y)依赖于神经元X和Y间的平均信息量，神经元X和Y间的连接强度定义为：
其中，H(X)为X的香农熵，H(Y|X)为Y在X条件下的熵；由公式(10)可知，当神经元X和Y相互独立时，M(X;Y)的值为0；否则，M(X;Y)为正数；所以，M(X; Y)≥0，并且
规则化交互信息的强度
其中0≤m(X; Y) ≤1，通过公式(12)可以计算隐含层神经元X与输出层神经元Y间的连接强度；设定连接强度阀值m0∈[0, 0.1]，在RBF神经网络中，当m(X; Y)大于连接强度阀值m0时则说明神经元X和Y间的信息交互较强，认为X和Y间有连接；当m(X; Y)小于连接强度阀值m0时则表明神经元X和Y间的信息交互强度较弱，在网络结构调整时可忽略神经元X和Y间的连接，从而断开神经元X和Y间的连接，在隐含层找出与神经元X间欧氏距离最近的神经元X-X，调整神经元X-X的参数为：
其中，w＇X-X(t)为结构调整后神经元X-X与输出层神经元Y间的连接权值；更新隐含层神经元数K’’=K’-1；
④调整神经网络的隐含层神经元与输出层之间的连接权值W(t)：
其中，W(t)=[w1(t), w2(t),…, wK’’ (t)]T，η1∈ (0, 0.1]表示神经网络学习率；
⑤重复步骤①-④，l达到计算设定步骤L时停止计算，L∈(20, 100]；根据公式(4)，输出ŷ(t)为神经网络t时刻的实际输出；即为t时刻污水处理系统溶解氧浓度预测值；
(5) 用训练后的神经网络预测出
，同时，利用神经网络预测值计算曝气调整量：
其中，η2∈ (0, 1]表示控制学习率；取Δu(t)的第一个值Δu(t)作为控制器的调整量：
u(t-1)为控制器t-1时刻的控制量；
(6) 利用求解出的u(t)对溶解氧进行控制，u(t)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；
本发明的创造性主要体现在：
(1)本发明针对当前活性污泥法污水处理过程是一个复杂的、动态的生物反应过程，不仅具有非线性、大时变等特点，而且各个因素之间存在强耦合关系，对污水处理过程的精确数学模型难以描述，根据神经网络可以逼近非线性函数的特点，采用了基于自组织径向基神经网络的模型预测方法实现DO浓度的预测，具有实时性好等特点；
(2)本发明采用基于自组织径向基神经网络的模型预测控制方法对污水处理过程DO浓度进行控制，该模型预测控制方法解决了DO浓度难以实时闭环精确控制的问题，避免了当前污水处理厂需要人工经验或基于精确数学模型研制控制器的复杂过程，具有控制精度高、稳定性好等特点。
特别要注意：本发明只是为了描述方便，采用的是对DO浓度的控制，同样该发明也可适用污水处理过程氨氮的控制等，只要采用了本发明的原理进行控制都应该属于本发明的范围。
附图说明
图1是本发明的RBF神经网络拓扑结构；
图2是本发明的控制器结构图；
图3是本发明控制系统结果图
图4是本发明控制系统结果误差图
具体实施方式
本发明获得了一种基于自组织径向基SORBF神经网络的污水处理过程中溶解氧DO浓度的控制器；该控制器通过构建SORBF神经网络模型，分析污水处理过程，实时改变神经网络结构，利用模型预测的方法控制污水处理过程中的曝气量，从而达到控制DO 浓度的目的；
实验数据来自某污水处理厂水质分析日报表；实验样本经数据预处理后剩下400组数据，将全部的400组数据样本分为两部分：其中240组数据用作为训练样本，其余160组数据作为测试样本；
本发明采用了如下的技术方案及实现步骤：
1. 基于SORBF神经网络的溶解氧DO控制器的设计，其特征在于，包括以下步骤：
(1) 确定控制对象；本发明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模型预测控制方法的目标函数
其中r是期望输出，y是溶解氧浓度，u是曝气量，ŷ溶解氧浓度预测值，T为公式的转置，ρ1=0.85和ρ2=0.95是控制参数，
；
；
Hp为预测时域，Hp=5，Hu为控制变量的变化时域，Hu=1；限制条件：
；
；
；
其中，Δumax=100升/分钟，是控制系统设备允许的最大曝气调整量；umin=0升/分钟，是控制系统设备允许的最小曝气量；umax=50000升/分钟，是控制系统设备允许的最大曝气量；ymin=0.001毫克/升，是控制系统设备允许的最小溶解氧浓度；ymax=0.5毫克/升，是控制系统设备允许的最大溶解氧浓度；
(3) 设计用于污水处理过程中溶解氧DO预测控制方法的SORBF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x(t)=[y(t-1), y(t-2), u(t-5), u(t-6)]，输出为污水处理系统溶解氧浓度预测值ŷ(t)；
初始化RBF神经网络：确定神经网络4-K-1的连接方式，即输入层神经元为4个，隐含层神经元为K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(t)，神经网络的期望输出表示为y(t)，实际输出表示为ŷ(t)；设第t时刻RBF神经网络输入为x1(t)，x2(t)，x3(t)，x4(t)，RBF神经网络的计算功能是：
wk(t)表示隐含层第k个神经元和输出层的连接权值，k=1，2，…，K；θk是隐含层第k个神经元的输出，其计算公式为：
μk表示隐含层第k个神经元中心值，σk表示隐含层第k个神经元的中心宽度；
定义误差函数为：
(4) 训练神经网络，具体为：
①给定一个RBF神经网络，隐含层神经元为较小自然数K，一般K取3，如图1，输入为x(t)，进行训练设计计算步骤l=1；w1=0.46，w2=0.21，w3=0.29，w4=0.11；中心值μ1=[-0.43，-0.77，-0.81, 0.16]，μ2=[1.2， 2.6， -2.3， 0.16]，μ3=[1.16， 0.03， 1.15，0.83]；方差σ1=σ2=σ3=0.25；
②计算神经元i的活跃度Afk，
其中，k=1,2,…, K，Afk是第k个隐含层神经元的活跃度，K是隐含层神经元数，θk是第k个隐含层神经元的输出；
如活跃度Afk大于活跃度阀值Afo=0.1，分裂神经元k，调整网络结构，设定新神经元的初始参数：
；
其中，α=0.95和β=0.1，μk和σk分别是神经元k的中心和方差，新神经元K+1与输出神经元间的连接权值设定为
其中，wk(t)是分裂神经元k与输出层神经元的联结权值，y(t-1)和ŷ(t-1)分别为神经网络t-1时刻的期望输出和实际输出；更新隐含层神经元数K’= K+1；
③计算隐含层神经元X与输出层神经元Y间的连接强度，
假设X和Y是相互连接的神经元，交互信息的强度M(X;Y)依赖于神经元X和Y间的平均信息量，神经元X和Y间的连接强度定义为：
其中，H(X)为X的香农熵，H(Y|X)为Y在X条件下的熵；由公式(26)可知，当神经元X和Y相互独立时，M(X;Y)的值为0；否则，M(X;Y)为正数；所以，M(X; Y)≥0，并且
规则化交互信息的强度
通过公式(27)可以计算隐含层神经元X与输出层神经元Y间的连接强度m；设定连接强度阀值m0=0.005，在RBF神经网络中，当m小于m0时表明神经元X和Y间的信息交互强度较弱，在网络结构调整时可忽略神经元X和Y间的连接，从而断开神经元X和Y间的连接，在隐含层找出与神经元X间欧氏距离最近的神经元X-X，神经元X-X的参数为：
其中，
为结构调整后神经元X-X与输出层神经元Y间的连接权值；更新隐含层神经元数K’’=K’-1；
④调整神经网络的隐含层神经元与输出层之间的连接权值W(t)：
其中，W(t)=[w1(t), w2(t),…, wK’’ (t)]T，η1= 0.01；
⑤重复步骤①-④，l达到计算设定步骤L=50时停止计算，根据公式(21)，输出ŷ(t)为神经网络t时刻的实际输出；即为t时刻污水处理系统溶解氧浓度预测值；
(5) 用训练后的神经网络预测出
，同时，利用神经网络预测值计算曝气调整量：
其中，η2= 0.02；取Δu(t)的第一个值Δu(t)作为控制器的调整量：
u(t-1)为控制器t-1时刻的控制量；
(6) 利用求解出的u(t)对溶解氧进行控制，u(t)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；其值如图3，X轴：时间，单位是15分钟/样本，Y轴：溶解氧DO浓度，单位是毫克/升，实线为期望DO浓度值，虚线是实际DO输出浓度值；实际输出DO浓度与期望DO浓度的误差如图4，X轴：时间，单位是15分钟/样本，Y轴：溶解氧DO浓度，单位是毫克/升，结果证明该方法的有效性。
Claims (1)
1.基于自组织径向基神经网络的溶解氧模型预测控制方法，包括确定控制对象；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DO为被控量；
其特征还包括以下步骤：
(1)设计用于污水处理过程中溶解氧DO浓度模型预测控制方法的目标函数；
其中r是溶解氧DO浓度的期望输出，y是溶解氧DO浓度的实测值，u是曝气量，是溶解氧DO浓度的预测值，T为公式的转置，ρ1∈[0.5,1.5]和ρ2∈[0.5,1.5]是控制参数，
r(t)＝[r(t+1),r(t+2),…,r(t+Hp)]T；
Δu(t)＝[Δu(t),Δu(t+1),…,Δu(t+Hu-1)]T； (2)
Hp为预测时域，Hp∈[1,10]，Hu为控制变量的变化时域，Hu∈[1,5]，Hu≤Hp；限制条件：
Δu(t)＝u(t)-u(t-1)；
|Δu(t)|≤Δumax；
umin≤u(t)≤umax；
ymin≤y(t)≤ymax； (3)
其中，Δumax是控制器允许的最大曝气调整量，umin是控制器允许的最小曝气量，umax是控制器允许的最大曝气量，ymin是控制对象允许的最小溶解氧DO浓度，ymax是控制对象允许的最大溶解氧DO浓度，Δumax，umin、umax、ymin和ymax根据控制系统设备设置；
(2)设计用于污水处理过程中溶解氧DO浓度预测控制方法的自组织径向基神经网络拓扑结构；网络分为三层：输入层、隐含层、输出层；输入为x(t)，输出为污水处理系统溶解氧DO浓度预测值
初始化RBF神经网络：确定神经网络p-K-1的连接方式，即输入层神经元为p个，隐含层神经元为K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x1(t)，x2(t)，…，xp(t)，溶解氧浓度的实测值表示为y(t)，RBF神经网络的输出表示为设第t时刻RBF神经网络输入为x1(t)，x2(t)，…，xp(t)，RBF神经网络的计算功能是：
wk(t)表示隐含层第k个神经元和输出层的连接权值，k＝1，2，…，K；θk是隐含层第k个神经元的输出，其计算公式为：
μk表示隐含层第k个神经元中心值，σk表示隐含层第k个神经元的中心宽度；
定义误差函数为：
(3)训练神经网络，具体为：
①给定一个RBF神经网络，隐含层神经元为较小自然数，输入为x(t)，进行训练设计计算步骤l＝1；
②计算神经元i的活跃度Afk，
其中，k＝1,2,…,K，Afk是第k个隐含层神经元的活跃度，K是隐含层神经元数，θk是第k个隐含层神经元的输出；
如活跃度Afk大于活跃度阀值Afo∈[0,0.2]，分裂神经元k，调整网络结构，设定新神经元的初始参数：
μK+1(t)＝αμk(t)+βx(t)；
σK+1(t)＝ασk(t)； (8)
其中，α∈[0.95,1.05]和β∈[0,0.1]，μk和σk分别是神经元k的中心值和中心宽度，μK+1和σK+1分别是新神经元K+1的中心值和中心宽度，新神经元K+1与输出神经元间的连接权值设定为
其中，wk(t)是分裂神经元k与输出层神经元的连接权值，θk是隐含层第k个神经元的输出，θK+1是隐含层新神经元K+1的输出，y(t-1)为t-1时刻溶解氧浓度的实测值，为t-1时刻神经网络的输出值；更新隐含层神经元数K’＝K+1；
③计算隐含层神经元X与输出层神经元Y间的连接强度，假设X和Y是相互连接的神经元，交互信息的强度M(X；Y)依赖于神经元X和Y间的平均信息量，神经元X和Y间的连接强度定义为：
M(X；Y)＝H(X)-H(X|Y)＝H(X)-H(Y|X)； (10)
其中，H(X)为X的香农熵，H(Y|X)为Y在X条件下的熵；由公式(10)可知，当神经元X和Y相互独立时，M(X；Y)的值为0；否则，M(X；Y)为正数；所以，M(X；Y)≥0，并且
M(X；Y)≤min(H(X),H(Y))； (11)
规则化交互信息的强度
其中0≤m(X；Y)≤1，通过公式(12)可以计算隐含层神经元X与输出层神经元Y间的连接强度；设定连接强度阀值m0∈[0,0.1]，在RBF神经网络中，当m(X；Y)大于连接强度阀值m0时则说明神经元X和Y间的信息交互较强，认为X和Y间有连接；当m(X；Y)小于连接强度阀值m0时则表明神经元X和Y间的信息交互强度较弱，在网络结构调整时可忽略神经元X和Y间的连接，从而断开神经元X和Y间的连接，在隐含层找出与神经元X间欧氏距离最近的神经元X-X，调整神经元X-X的参数为：
其中，wX-X(t)为结构调整前神经元X-X与输出层神经元Y间的连接权值，wX(t)为结构调整前神经元X与输出层神经元Y间的连接权值，w'X-X(t)为结构调整后神经元X-X与输出层神经元Y间的连接权值；θX(x(t))为结构调整前神经元X的输出，θX-X(x(t))为结构调整前神经元X-X的输出，θX(x(t))和θX-X(x(t))由公式(5)计算，更新隐含层神经元数K”＝K’-1；
④调整神经网络的隐含层神经元与输出层之间的连接权值W(t)：
其中，W(t)＝[w1(t),w2(t),…,wK”(t)]T，η1∈(0,0.1]表示神经网络学习率；θ(x(t))＝[θ1(x(t)),θ2(x(t)),…,θk(x(t)),…,θK”(x(t))]T，其中θk(x(t))由公式(5)计算，k＝1,2,…,K”，
⑤重复步骤①-④，l达到计算设定步骤L时停止计算，L∈(20,100]；根据公式(4)，输出为神经网络t时刻的输出；即为t时刻污水处理系统溶解氧浓度预测值；
(4)用训练后的神经网络预测出同时，利用神经网络预测值计算曝气调整量：
其中，η2∈(0,1]表示控制学习率；取Δu(t)的第一个值Δu(t)作为控制器的调整量：
u(t)＝u(t-1)+Δu(t)； (16)
u(t-1)为控制器t-1时刻的控制量；
(5)利用求解出的u(t)对溶解氧进行控制，u(t)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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310000516.1A CN103064290B (zh) | 2013-01-01 | 2013-01-01 | 基于自组织径向基神经网络的溶解氧模型预测控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310000516.1A CN103064290B (zh) | 2013-01-01 | 2013-01-01 | 基于自组织径向基神经网络的溶解氧模型预测控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103064290A CN103064290A (zh) | 2013-04-24 |
| CN103064290B true CN103064290B (zh) | 2015-06-17 |
Family
ID=48106963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310000516.1A Active CN103064290B (zh) | 2013-01-01 | 2013-01-01 | 基于自组织径向基神经网络的溶解氧模型预测控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103064290B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103499982B (zh) * | 2013-09-30 | 2016-04-06 | 北京工业大学 | 一种污水处理过程自组织控制方法 |
| CN103853046B (zh) * | 2014-02-14 | 2017-10-10 | 广东工业大学 | 一种压电陶瓷驱动器的自适应学习控制方法 |
| CN103942600B (zh) * | 2014-04-12 | 2017-05-31 | 北京工业大学 | 基于尖峰自组织径向基神经网络的污泥膨胀预测方法 |
| CN105843036A (zh) * | 2016-04-09 | 2016-08-10 | 北京工业大学 | 一种基于神经网络的污水处理过程控制方法 |
| EP3452877B1 (en) * | 2016-05-03 | 2023-04-26 | Vestas Wind Systems A/S | Controlling a wind turbine during a low voltage grid event using mpc |
| CN106406094B (zh) * | 2016-10-16 | 2019-06-14 | 北京工业大学 | 一种基于区间二型模糊神经网络的污水处理溶解氧浓度跟踪控制方法 |
| CN106354014B (zh) * | 2016-10-27 | 2019-03-22 | 北京工业大学 | 一种基于多目标差分进化算法的污水处理优化控制方法 |
| CN106354018B (zh) * | 2016-11-21 | 2019-03-22 | 北京工业大学 | 基于rbf神经网络的溶解氧智能控制系统 |
| CN107169621A (zh) * | 2017-04-01 | 2017-09-15 | 中国农业大学 | 一种水体溶解氧预测方法及装置 |
| CN107402586A (zh) * | 2017-08-29 | 2017-11-28 | 北京易沃特科技有限公司 | 基于深度神经网络的溶解氧浓度控制方法及系统 |
| CN108563118B (zh) * | 2018-03-22 | 2020-10-16 | 北京工业大学 | 一种基于自适应模糊神经网络的溶解氧模型预测控制方法 |
| CN110451661B (zh) * | 2019-09-12 | 2021-07-30 | 南京大学 | 一种污水中微生物类溶解性有机氮的预测模型及其应用 |
| CN110647037B (zh) * | 2019-09-23 | 2022-03-15 | 北京工业大学 | 一种基于二型模糊神经网络的污水处理过程协同控制方法 |
| CN110632067B (zh) * | 2019-10-29 | 2021-12-24 | 中国计量大学 | 基于机器视觉的水体溶解氧检测方法 |
| CN115557600A (zh) * | 2022-07-26 | 2023-01-03 | 成都工业学院 | 一种生化反应的人工神经网络智能曝气装置及其控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101303594A (zh) * | 2008-06-12 | 2008-11-12 | 昆明理工大学 | 基于模糊神经网络控制的植物生长营养液及溶解氧测控系统 |
| CN101576734A (zh) * | 2009-06-12 | 2009-11-11 | 北京工业大学 | 基于动态径向基神经网络的溶解氧的控制方法 |
| CN101833314A (zh) * | 2010-03-30 | 2010-09-15 | 深圳达实智能股份有限公司 | 污水处理控制系统及污水处理控制方法 |
| CN102411308A (zh) * | 2011-12-24 | 2012-04-11 | 北京工业大学 | 基于递归神经网络模型的溶解氧的自适应控制方法 |
| CN102662039A (zh) * | 2012-04-17 | 2012-09-12 | 戴会超 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100456413B1 (ko) * | 2002-06-21 | 2004-11-10 | 에치투엘 주식회사 | 신경회로망 및 역전파 알고리즘에 의한 하폐수처리인공지능제어 시스템 및 방법 |
-
2013
- 2013-01-01 CN CN201310000516.1A patent/CN103064290B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101303594A (zh) * | 2008-06-12 | 2008-11-12 | 昆明理工大学 | 基于模糊神经网络控制的植物生长营养液及溶解氧测控系统 |
| CN101576734A (zh) * | 2009-06-12 | 2009-11-11 | 北京工业大学 | 基于动态径向基神经网络的溶解氧的控制方法 |
| CN101833314A (zh) * | 2010-03-30 | 2010-09-15 | 深圳达实智能股份有限公司 | 污水处理控制系统及污水处理控制方法 |
| CN102411308A (zh) * | 2011-12-24 | 2012-04-11 | 北京工业大学 | 基于递归神经网络模型的溶解氧的自适应控制方法 |
| CN102662039A (zh) * | 2012-04-17 | 2012-09-12 | 戴会超 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 动态结构优化神经网络及其在溶解氧控制中的应用;韩红桂等;《信息与控制》;20100630;第39卷(第3期);第354－360页 * |
| 基于信息强度的RBF神经网络结构设计研究;韩红桂等;《自动化学报》;20120731;第38卷(第7期);第1083－1090页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103064290A (zh) | 2013-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103064290B (zh) | 基于自组织径向基神经网络的溶解氧模型预测控制方法 | |
| CN103499982B (zh) | 一种污水处理过程自组织控制方法 | |
| CN101576734B (zh) | 基于动态径向基神经网络的溶解氧的控制方法 | |
| US9747544B2 (en) | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network | |
| CN102411308B (zh) | 基于递归神经网络模型的溶解氧的自适应控制方法 | |
| CN103744293B (zh) | 基于模糊神经网络的废水处理监控方法和系统 | |
| CN105573115B (zh) | 基于量子遗传算法的污水处理过程节能优化控制方法 | |
| CN103197539B (zh) | 污水处理智能优化控制曝气量的方法 | |
| CN103197544A (zh) | 基于非线性模型预测的污水处理过程多目标控制方法 | |
| CN105404151A (zh) | 污水处理过程动态多目标优化控制方法 | |
| CN104865979A (zh) | 一种污水处理过程自适应广义预测控制方法及系统 | |
| AU2021100130A4 (en) | Intelligent control method and system for sewage treatment aeration based on deep learning | |
| CN108536106B (zh) | 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法 | |
| Qiao et al. | Self-organizing fuzzy control for dissolved oxygen concentration using fuzzy neural network 1 | |
| CN112327615B (zh) | 基于无抖振模糊滑模的污水处理脱氮过程控制方法 | |
| CN103771582B (zh) | 污水处理的曝气控制方法 | |
| CN113189881A (zh) | 一种污水处理多目标优化控制方法及系统 | |
| CN106354019B (zh) | 一种基于rbf神经网络的溶解氧精确控制方法 | |
| CN108563118B (zh) | 一种基于自适应模糊神经网络的溶解氧模型预测控制方法 | |
| Ye et al. | Dissolved oxygen control of the activated sludge wastewater treatment process using adaptive fuzzy PID control | |
| Hirsch et al. | Two-step model based adaptive controller for Dissolved Oxygen control in Sequencing Wastewater Batch Reactor | |
| Swarnalatha | Simulation and Analysis of Ammonium-Based Aeration Control Strategies to Enhance Efficiency in Wastewater Treatment Plant | |
| Zhang et al. | Finite-Time Extended State Observer-based PI Control for Dissolved Oxygen | |
| Huang et al. | Improving nitrogen removal using a fuzzy neural network-based control system in the anoxic/oxic process | |
| Yordanova et al. | Neuro-fuzzy control for anaerobic wastewater treatment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |