CN106682316A - 一种基于尖峰径向基神经网络的出水总磷实时监测系统 - Google Patents

Abstract

一种基于尖峰径向基神经网络的出水总磷实时监测系统属于水领域和数据检测领域，污水处理是一个变量繁多，过程复杂的生化反应过程，为了提高污水处理装置的运行效率、保证出水质量、降低运行成本，本发明系统主要由污水处理实时数据采集系统、FAMEVIEW数据监测系统和尖峰径向基神经网络在线测量系统三部分组成。数据通过采集上传至监控界面，实时监控水质和运行工况；将数据传输到后台运行的尖峰径向基神经网络模块为水质预测提供依据。本发明通过数据监测和实时分析，得出水水质参数的预测值，不但可以预知出水水质，采取人工加药、曝气等措施减少可能造成的水体污染，而且将学习算法应用到实际污水处理过程中，为预测控制方法提供应用平台。

Description

一种基于尖峰径向基神经网络的出水总磷实时监测系统

技术领域

本发明属于水领域和数据检测领域，利用FAMEVIEW组态和尖峰径向基神经网络数据挖掘模型建立污水处理智能监测系统，该系统由组态OPC技术软硬件通讯、FAMEVIEW污水处理监测系统、神经网络在线数据挖掘模块三部分组成，实现对污水处理全流程参数实时监测和对出水总磷在线预测。

背景技术

近年来随着城市化、工业化的发展，世界各国水环境受污染程度越来越严重。污水不达标排放不仅严重影响着居民的日常生活，也对水环境造成了极大的破坏。随着国家对环境和水资源问题的重视，我国积极推动污水处理设施建设，增强城市污水处理能力。中国环境保护部发布的《2015年中国环境状况公报》显示，截至2015年底，全国城市污水处理厂处理能力1.4亿立方米/日，全年累计处理污水量达410.3亿立方米，全国城市污水处理率达到91.97％。然而污水处理过程复杂、出水水质参数测量周期长、实时测量难度大，污水处理仍存在信息化、自动化、智能化程度低的问题，所以研究基于神经网络的污水处理智能监测系统可以将先进网络算法应用于实际监测系统中，从而降低运行成本，减少水质污染。

根据污水处理过程，采用FAMEVIEW设计污水处理工艺流程，FAMEVIEW软件提供了友好的人机交互界面,强大的通信功能,已广泛应用于过程控制系统的实时监测中。但是它的数据处理能力较弱,难以实现神经网络、深度学习等复杂预测跟踪算法。MATLAB语言提供了强大的科学运算能力,可以解决数字信号处理、模拟仿真、深度学习等建模预测控制问题。因此，将具有强大计算能力的MATLAB与友好人机交互界面的FAMEVIEW组态系统结合，通过OPC(OLE for Process Control)技术实现优势互补完成算法与实际监测界面有机连接，实现对污水处理过程的出水参数预测。

污水处理监测系统中，出水磷含量是十分重要水质检测参数。磷含量的超标会引起江河湖泊的富营养化问题，造成生态失衡，破坏自然界生态平衡。然而在我国有近50％的城镇水厂无法达到国家要求的磷排放标准，其原因是出水总磷无法实时获取，污水处理厂无法根据磷含量及时调整处理工艺。目前，出水含磷检测主要通过人工采样化学实验的方法实施总磷检测，但化学方法操作繁琐、耗费时间长且成本十分高昂，并不适合大规模推广安装。因此，如何实时、可靠、低成本的检测污水处理过程中关键水质参数仍是水处理行业面临的主要问题。

神经网络具有非常强大的学习能力和自适应能力，可以通过污水处理过程数据分析，实时、准确的预测出水总磷，及时采取加药等措施降低出水水质污染。因此，本发明设计了基于神将网络和组态的污水处理智能监测系统，不但能实时监测污水处理各流程并在线预测出水总磷含量变化，而且可以将神经网络理论引入实际污水处理过程中，具有很高的开发及应用价值。

发明内容

本发明基于污水处理厂实际污水处理流程，建立基于FAMEVIEW的组态监测系统，并通过OPC连通FAMEVIEW与MATLAB通信接口，将MATLAB中运行的先进算法嵌套于污水处理智能检测中，采用基于数据驱动的神经网络方法预测污水处理过程总磷实际值。本发明的流程如图1所示，其流程如下：

1.污水处理总磷智能监测系统设计

1.1数据采集

依据污水处理厂实际运行工况，由现场设备在污水处理厂采集实时监测数据，保存并传至神经网络以供分析预测。

1.2监测系统界面设计

污水处理过程主要分为三个阶段，一级处理，主要构筑物有格栅和初沉池。格栅的作用是去除污水中的大块漂浮物，初沉池的作用是去除无机颗粒和部分有机物质。二级处理，主要构建物是生化反应池，去除水中呈胶体和溶解状态的有机污染物。三级处理，主要构建物是二沉池，目的在于进一步去除二级处理未能去除的污染物质，其中包括微生物未能降解的有机物和氮、磷等能够导致水体富营养化的可溶性无机物质。

根据其工艺流程，设计出组态人工交互界面，完成对工艺过程及生产设备的自动检测和控制。污水处理监测界面主要分为主界面、格栅、初沉池、曝气池、二沉池、报警、实时曲线、报表、预测分析等，并在此基础上设置变量监测报警、趋势曲线等功能。

1.3基于组对象的OPC数据通讯连接

OPC是OLE for Process Control的缩写,即把OLE应用于工业控制领域。它采用客户/服务器体系,其目标是在客户和服务器之间建立一种通信和数据交换的工业标准机制,将OPC作为一种数据交换的主要方法为所有的供货商接受、采用和执行,最终解决终端用户对多供货商产品之间的互操作问题。只要遵循OPC标准,数据交互对两者来说都是透明的。客户/服务器间形成即插即用的简单规范的链接关系,不同的客户软件能够访问任意的数据源。

OPC数据存取服务器主要由服务器对象(Server)、组对象(Group)和数据项对象(Item)组成，服务器对象拥有服务器的所有信息,同时也是组对象的容器。组对象拥有本组的所有信息,同时包容并在逻辑上组织OPC数据项。OPC数据项是服务器端定义的对象,通常指向设备的一个寄存器单元，OPC数据项不提供对外接口,客户不能直接对之进行操作,所有操作都通过组对象进行。客户可对组对象进行读写,还可设置客户端的数据更新速率，当服务器缓冲区内数据发生改变时,OPC将向客户发出通知,客户得到通知后再进行必要的处理,而无需浪费大量的时间进行查询。MATLAB与组态监测系统通讯框图如图4所示。

实现OPC过程数据访问必须遵循下列步骤:

首先,OPC客户要能够连接到服务器上,并建立OPC组(Group)和OPC数据项(Item)；

第二,客户通过对其建立的Group和Item进行访问实现对过程数据的访问,客户可以选择设备或缓冲区作为其访问的数据源。客户的过程数据访问包括过程数据的读取、更新、写入等等。

第三,完成通知,当服务器响应客户的过程数据访问请求,并处理完毕时通知客户。FAMEVIEW提供了标准的OPC接口,既可作为OPC客户端,也可以作为OPC服务器,它可以方便地与其它具有OPC标准接口的工业应用程序或外部控制设备连接,实现数据交互。这里将FAMEVIEW作为OPC服务器,与作为OPC客户端的MATLAB相连,为其提供读写FAMEVIEW内部各个变量的功能。组对象的创建和管理由组态在后台进行,用户只需指定服务器,就可以通过直接浏览来察看所有可用的数据项，其项目名为各个变量的名字。符合OPC标准的客户端都可以读取FAMEVIEW实时数据库中的数据。

2.基于尖峰径向基神经网络的总磷预测系统设计

通过辅助变量提取，选取神经网络模型输入为进水总磷TP、温度T、好氧前端DO、TSS与pH值。

2.1建立基于尖峰径向基神经网络的出水总磷软测量模型

神经网络结构一般由输入层、隐含层、输出层组成，通过调整其内部大量节点之间相互连接的关系，达到信息处理等功能。建立神经网络：

(1)数据归一化处理，计算公式为

z₁＝(D₁-D_1,min)/(D_1,max-D_1,min), (7)

式中，z₁为归一化后进水总磷数据组；D₁为归一化前污水处理进水总磷实测数据组；D_1,min为数组中的最小值，为数组中的最大值；D₂，D₃，D₄，D₅为归一化前的温度T、好氧前端DO、悬浮物浓度TSS与pH值的实测数据组，z₂，z₃，z₄，z₅为根据(1)式归一化后的温度T、好氧前端DO、悬浮物浓度TSS与pH值的数据组，取z₁，z₂，z₃，z₄，z₅每组数据的前L组成训练数据组为：x₁，x₂，x₃，x₄，x₅和y；取剩余的L′组数据成测试数据：x₁′，x₂′，x₃′，x₄′，x₅′和y′。

(2)径向基神经网络总磷预测模型的建立；采用径向基神经网络数据挖掘分析辅助变量对出水总磷TP的影响，径向基神经网络结构一般由输入层、隐含层、输出层组成，通过调整其内部大量节点之间相互连接的关系，达到信息处理等功能，网络的拓扑结构为5-m-1，网络输入层的神经元个数为5，网络隐含层的神经元个数为m，初始个数为6，输出层神经元个数为1；输入层权值赋值为1，给定各组训练数据x₁，x₂，x₃，x₄，x₅的第t个数据作为出水总磷的预测模型输入，t＝1,2,…,L，神经网络各层计算公式为：

①输入层

该层含有5个神经元，输入层神经元的输出为：

u_i(t)＝x_i(t), (8)其中，u_i(t)是第i个输入层节点在t时刻的输出，i＝1,2,…5，并且输入向量为x(t)＝[x₁(t),x₂(t),…,x₅(t)]，t＝1,2,…,L；

②隐含层

该层对输入信息进行处理，且传递函数为径向基函数，常选择标准的高斯函数，在t时刻隐含层第j个神经元的输出为：

其中，式中c_j(t)＝[c_j1(t)，c_j2(t)，…，c_j5(t)]为RBF层第j个神经元的中心向量；c_ji(t)∈[-2,2]为随机取值，σ_j(t)为第j个节点的宽度，j的最大值为m，m初始值为6，σ_j(t)∈[0.01,2]，为该范围内的随机值；

③输出层

该层只有一个输出节点，在t时刻RBF神经网络的输出为：

其中，y(t)是输出层在t时刻的输出，w_j(t)是隐含层与输出层之间的连接权值，w_j(t)由式(22)计算得到；θ_j(t)由式(9)可得，将计算得出的y(t)进行数据反归一化得出预测值；

(3)基于尖峰信息的神经元自组织机制

根据生物尖峰神经元膜电位随时间变化的特点，自组织径向基神经网络的隐含层神经元的尖峰强度定义如下：

其中，ss_j(t)是隐含层第j个神经元的尖峰强度，k，k_τ为常量，θ_j为式(3)隐含层神经元的输出，Λ为大于零的正值，本发明实施例取值为7，k＝2,k_τ＝0.17以上参数表征为尖峰强度输出函数曲线，参数的设定只影响隐含层神经元个数，不影响网络输出的效果；

①隐含层神经元增加阶段

根据隐含层尖峰强度定义，当神经网络满足

其中，ss₀取值0到0.1的值，本发明实施例取值0.1，表示隐含层第j(j＝1,2,…,m)个神经元的兴奋阈值，E_d是预先设定的训练误差，本发明实施例取值0.01，当两个条件同时满足时，第j个隐含层神经元将会分裂同时新的神经元将被加入；

新增加的神经元参数定义为：

其中，c_j(t),σ_j(t)为第j个分裂前神经元的中心和宽度，c_j-r(t),σ_j-r(t)为新增加r(r＝1,2,…,N_new)个神经元的中心和宽度，N_new为神经元增加过程中计算得到的个数，α_r∈[0.95,1.05]，β_r∈[0,0.1]，推荐α_r＝0.95，β_r＝0.05，γ_r＝1/N_new，w_j-r(t)，w_j(t)为新增加的隐含层神经元r和分裂前第j神经元的连接权值，N_new为新增加的神经元的个数，θ_j-r(t)为新增神经元的隐含层输出值；

②隐含层神经元删减阶段

为了删除冗余的神经元，当隐含层神经元的尖峰强度满足

ss_j(t)≤ss_r, (14)

其中，ss_r是隐含层第j(j＝1,2,…,m)个神经元的静息电位设定值，取值范围为(0,E_d)，本发明实施例取值为0.03；

神经元参数设置为：

其中，j’为与隐含层神经元j欧氏距离最近的隐含层神经元，c’_j’(t),c_j’(t)为隐含层神经元j’在神经元j删除后和删除前的中心，σ’_j’(t),σ_j’(t)为隐含层神经元j’在神经元j删除后和删除前的宽度，w’_j’(t),w_j’(t)为神经元删除后和删除前的输出连接权值；

(4)总磷预测模型参数校正

①预测径向基神经网络隐含层个数为j，为自然数，出水总磷预测模型输入为X(1)，X(2)，…，X(t)，…，X(L)，对应的y(1)，y(2)，…，y(t)，…，y(L)，期望误差E_d，E_d小于0.01，定义出水总磷预测模型输出y(t)与期望输出d(t)之间的误差函数为；

y(t)为数组y的第t个模型预测输出数据，d(t)为第t个实际期望输出，L为样本个数，m为隐含层神经元个数，Q为L和m的总计算个数mL；

②学习步数l＝1，由公式(2)、(3)、(4)计算出水总磷预测输出y(t)；采用梯度下降法求得中心c_ji(t)、宽度σ_j(t)以及权值w_j(t)的增量；

其中i＝1,2,…,5；j＝1,2,…,m；Δc_ji(t)、Δσ_j(t)(t)和Δw_j(t)分别为出水总磷TP预测模型中心值、宽度和权值的增量；

③调整出水总磷TP预测模型的参数；

c_ji(t)＝c′_ji(t)+λΔc_ji(t), (20)

b_j(t)＝b′_j(t)+λΔb_j(t), (21)

w_j(t)＝w′_j(t)+λΔw_j(t), (22)

其中，c_ji′(t)、b_j′(t)和w_j′(t)分别为出水总磷TP预测模型调整前的中心值、宽度和以及权值，c_ji(t)、b_j(t)和w_j(t)分别为出水总磷TP预测模型调整后的中心值、宽度和以及权值，调整前的参数值由计算所得，λ∈(0,0.1)表示学习率，本发明实施例取值0.05，只影响收敛速度，不影响收敛精度；

④学习步数l增加1，如果步数l<L，则转向步骤②进行继续训练，如果l＝L，转向步骤⑤；

⑤计算出水总磷TP预测模型的性能：

为第l已知的样本实际输出值，y(l)为神经网络预测样本输出值，可由式(10)可得；

⑥如果E小于或等于期望误差E_d时停止计算；否则转向步骤②继续训练；

(5)出水总磷预测

依据污水处理过程中的采集的进水总磷TP、温度T、好氧前端DO、TSS与pH值等过程变量，通过神经网络数据分析，模型输出即为出水总磷的预测值。

3.污水处理监测界面功能集成

工控组态软件广泛应用于工业过程控制，污水处理智能监测系统其总体结构如图5所示。通过数据采集、传输、记录，实时显示在人工交互界面，将异常数据剔除后并选取辅助变量后，传至MATLAB后台运行的神经网络测量预测分析，得到实时预测值和趋势曲线图，将网络预测的出水总磷返回至监测界面，为决策者提供决策依据，从而最大限度的减少污水排放，降低水污染对环境的影响。

本发明的创造性主要体现在：

(1)本发明针对污水处理过程出水总磷无法实时获取、耗费时间长、成本高、安装维护困难等问题，设计了一种基于FAMEVIEW和尖峰径向基神经网络的出水总磷在线预测系统，将具有强大计算能力的MATLAB平台与具有友好人机交互界面的FAMEVIEW组态系统结合，通过组对象的OPC(OLE for Process Control)技术实现优势互补完成算法与实际监测界面有机连接，实现对污水处理过程的出水参数预测，系统主要包括污水处理主界面、格栅、初沉池、曝气池、二沉池、报警、实时曲线、报表、预测分析等，并在此基础上设置变量监测报警、趋势曲线等功能，并通过建立模型、数据分析实时获取出水总磷预测值，解决了出水总磷难以在线测量的问题。

(2)污水处理过程是一个复杂的、动态的、时变的过程，出水总磷与污水处理过程中的相关变量具有非线性、强耦合等特点，而且难以用精确数学模型描述，因此采用了基于尖峰机制的径向基神经网络可以逼近非线性函数的优点，选取合适数目的神经网络建立了出水总磷TP预测模型，选取神经网络模型输入为进水总磷TP、温度T、好氧前端DO、悬浮物浓度TSS与pH值，运用实际污水处理厂实测数据对出水总磷预测模型参数进行校正，实现了出水总磷TP预测模型对出水总磷TP浓度的预测，具有预测精度高，对环境差异具有很好的适应能力等特点，实时预测出水总磷。

附图说明

图1污水处理流程智能监测系统整体流程图

图2污水处理智能监测系统主界面

图3污水处理数据挖掘预测分析图

图4 MATLAB与组态监测系统通讯框图

图5污水处理智能监测系统结构图

具体实施方式

1.污水处理智能监测系统设计的具体实施

通过实验室中试平台和实际污水处理厂搭建满足硬件平台，设计组态监测系统，通过OPC技术将监测系统中数据传至后台MATLAB运行的神经网络智能检测模块，实现数据通讯。具体实施步骤如下：

基于组对象的OPC数据通讯：

首先，选择监测组态软件作为OPC服务器，设置服务器名Luchao-Lenovo、9个组对象和项目名，

第二，在MATALB中，定位使用的OPC服务器。创建OPC数据存取对象，并能够连接到服务器上，对象参数为温度T、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS、出水pH、进水总磷TP、出水氨氮等。

第三，选取OPC数据存取组对象，建立Group和Item进行访问实现对过程数据的访问，设置数据的保持间隔1s和次数。

通过对MATLAB设置，显示“已连接”服务器，即可以对OPC服务器——监测组态软件采集的实时数据进行访问。

2.出水总磷神经网络预测模块与监测系统集成的具体实施

本次实验数据来自北京市某污水处理厂水质分析日报表，污水处理厂工艺流程规范、稳定，实验采取温度T、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS、出水pH、进水总磷TP等9组实验检测数据为实验样本，经过过滤异常数据后采取290组为实验数据，其具体实施步骤如下：

2.1主元分析法选取辅助变量

(1)自变量集合为X＝[x₁,…,x_p]，将数据做标准化处理，X经标准化后的数据矩阵记为E₀，因变量y经标准化后的数据矩阵记为F₀。

(2)从E₀与F₀中分别提取一个成分t₁与u₁。在提取成分时，需要满足t₁与u₁在尽可能大地携带各自数据矩阵中信息的同时，其相关程度最大。从而保证了自变量成t₁对因变量成分u₁的解释能力最强。如果成分t₁与u₁未能满足要求，则继续用残差矩阵E₁与F₁提取第二个成分t₂与u₂，直至提取出的主元数满足算法停止的要求。有

u_i＝b_it_i (3)其中，T，P，E分别为自变量集合X的得分矩阵、负荷矩阵与残差矩阵，α为可供筛选的辅助变量个数，式(3)表示成分t_i与u_i的相关性，其中相关系数

(3)利用交叉有效性来确定最终需要提取的主成分数。

首先，将所有n个样本点除去某个样本点t，并使用h个成分拟合一个回归方程，之后，将被排除的样本点代入该方程，得到y在样本点i上的拟合值对t＝1,2,…,n重复上述测试，可得到y的预测误差平方和为

其次，采用所有的n个样本点，拟合含h个成分的回归方程；记此时第t个样本点拟合值为可得到y的误差平方和为

对变量y，定义交叉有效性

当只选取一个主元时而随着提取的主元数的增加，当时，认为可以停止算法，此时的h即为最佳主元数。通过辅助变量提取，选取神经网络模型输入为进水总磷TP、温度T、好氧前端DO、TSS与pH值。

2.2建立基于尖峰径向基神经网络的出水总磷软测量模型

神经网络结构一般由输入层、隐含层、输出层组成，通过调整其内部大量节点之间相互连接的关系，达到信息处理等功能。建立神经网络：

(1)数据归一化处理，计算公式为

z₁＝(D₁-D_1,min)/(D_1,max-D_1,min), (7)

式中，z₁为归一化后进水总磷数据组；D₁为归一化前污水处理进水总磷实测数据组；D_1,min为数组中的最小值，为数组中的最大值；D₂，D₃，D₄，D₅为归一化前的温度T、好氧前端DO、悬浮物浓度TSS与pH值的实测数据组，z₂，z₃，z₄，z₅为根据(1)式归一化后的温度T、好氧前端DO、悬浮物浓度TSS与pH值的数据组，取z₁，z₂，z₃，z₄，z₅每组数据的前150组成训练数据组为：x₁，x₂，x₃，x₄，x₅和y；取剩余140组数据成测试数据：x₁′，x₂′，x₃′，x₄′，x₅′和y′；

(2)径向基神经网络总磷预测模型的建立；采用径向基神经网络数据挖掘分析辅助变量对出水总磷TP的影响，径向基神经网络结构一般由输入层、隐含层、输出层组成，通过调整其内部大量节点之间相互连接的关系，达到信息处理等功能，网络的拓扑结构为5-10-1，网络输入层的神经元个数为5，网络隐含层的神经元个数为10，隐含层神经元个数是由尖峰机制神经网络自组织训练后得到，输出层神经元个数为1；输入层权值赋值为1，给定各组训练数据x₁，x₂，x₃，x₄，x₅的第t个数据作为出水总磷的预测模型输入，t＝1,2,…,150，神经网络各层计算公式为：

①输入层

该层含有5个神经元，输入层神经元的输出为：

u_i(t)＝x_i(t), (8)

其中，u_i(t)是第i个输入层节点在t时刻的输出，i＝1,2,…5，并且输入向量为x(t)＝[x₁(t),x₂(t),…,x₅(t)]，t＝1,2,…,150；

②隐含层

该层对输入信息进行处理，且传递函数为径向基函数，常选择标准的高斯函数，在t时刻隐含层第j个神经元的输出为：

其中，式中c_j(t)＝[c_j1(t)，c_j2(t)，…，c_j5(t)]为RBF层第j个神经元的中心向量；c_ji(t)∈[-2,2]为随机取值，σ_j(t)为第j个节点的宽度，j的最大值为m，m初始值为6，σ_j(t)∈[0.01,2]，为该范围内的随机值；

③输出层

该层只有一个输出节点，在t时刻RBF神经网络的输出为：

其中，y(t)是输出层在t时刻的输出，w_j(t)是隐含层与输出层之间的连接权值，w_j(t)由式(16)计算得到；θ_j(t)由式(3)可得，将计算得出的y(t)进行数据反归一化得出预测值；

(3)基于尖峰信息的神经元自组织机制

根据生物尖峰神经元膜电位随时间变化的特点，自组织径向基神经网络的隐含层神经元的尖峰强度定义如下：

其中，ss_j(t)是隐含层第j个神经元的尖峰强度，k＝2,k_τ＝0.17为常量，θ_j为式(3)隐含层神经元的输出，Λ为大于零的正值，推荐取值为7，以上参数表征为尖峰强度输出函数曲线，参数的设定只影响隐含层神经元个数，不影响网络输出的效果；

①隐含层神经元增加阶段

根据隐含层尖峰强度定义，当神经网络满足

其中，ss₀取值0到0.1的值，推荐取值0.1，表示隐含层第j(j＝1,2,…,m)个神经元的兴奋阈值，E_d是预先设定的训练误差，推荐取值0.01，当两个条件同时满足时，第j个隐含层神经元将会分裂同时新的神经元将被加入；

新增加的神经元参数定义为：

其中，c_j(t),σ_j(t)为第j个分裂前神经元的中心和宽度，c_j-r(t),σ_j-r(t)为新增加r(r＝1,2,…,N_new)个神经元的中心和宽度，N_new为神经元增加过程中计算得到的个数，α_r∈[0.95,1.05]，β_r∈[0,0.1]，推荐α_r＝0.95，β_r＝0.05，γ_r＝1/N_new，w_j-r(t)为新增加的隐含层神经元r的连接权值，w_j(t)分裂前第j神经元的连接权值，N_new为新增加的神经元的个数，θ_j-r(t)为新增神经元的隐含层输出值；

②隐含层神经元删减阶段

为了删除冗余的神经元，当隐含层神经元的尖峰强度满足

ss_j(t)≤ss_r, (14)

其中，ss_r是隐含层第j(j＝1,2,…,m)个神经元的静息电位设定值，取值范围为(0,E_d)，推荐取值为0.03；

神经元参数设置为：

其中，j’为与隐含层神经元j欧氏距离最近的隐含层神经元，c’_j’(t),c_j’(t)为隐含层神经元j’在神经元j删除后和删除前的中心，σ’_j’(t),σ_j’(t)为隐含层神经元j’在神经元j删除后和删除前的宽度，w’_j’(t),w_j’(t)为神经元删除后和删除前的输出连接权值；

(4)总磷预测模型参数校正

①预测径向基神经网络隐含层个数为j，为自然数，出水总磷预测模型输入为X(1)，X(2)，…，X(t)，…，X(140)，对应的y(1)，y(2)，…，y(t)，…，y(140)，期望误差E_d，E_d小于0.01，定义出水总磷预测模型输出y(t)与期望输出d(t)之间的误差函数为；

y(t)为数组y的第t个模型预测输出数据，d(t)为第t个实际期望输出，L为样本个数，m为隐含层神经元个数，Q为L和m的总计算个数mL；神经元输出权值为w₁＝0.43，w₂＝1.51，w₃＝0.71，w₄＝1.46，w₅＝0.43，w₆＝0.51，w₇＝0.24，w₈＝1.65，w₉＝0.42，w₁₀＝0.18；中心和宽度为随机值；

②学习步数l＝1，由公式(2)、(3)、(4)计算出水总磷预测输出y(t)；采用梯度下降法求得中心c_ji(t)、宽度σ_j(t)以及权值w_j(t)的增量；

其中i＝1,2,…,9；j＝1,2,…,10；Δc_ji(t)、Δσ_j(t)(t)和Δw_j(t)分别为出水总磷TP预测模型中心值、宽度和权值的增量；

③调整出水总磷TP预测模型的参数；

c_ji(t)＝c′_ji(t)+λΔc_ji(t), (20)

b_j(t)＝b′_j(t)+λΔb_j(t), (21)

w_j(t)＝w′_j(t)+λΔw_j(t), (22)

其中，c_ji′(t)、b_j′(t)和w_j′(t)分别为出水总磷TP预测模型调整前的中心值、宽度和以及权值，c_ji(t)、b_j(t)和w_j(t)分别为出水总磷TP预测模型调整后的中心值、宽度和以及权值；λ∈(0,0.1)表示学习率，推荐取值0.05，只影响收敛速度，不影响收敛精度；

④学习步数l增加1，如果步数l<L，则转向步骤②进行继续训练，如果l＝L，转向步骤⑤；

⑤计算出水总磷TP预测模型的性能：

⑥如果E小于或等于期望误差E_d时停止计算；否则转向步骤②继续训练；

(5)出水总磷预测

依据污水处理过程中的采集的进水总磷TP、温度T、好氧前端DO、TSS与pH值等过程变量，通过数据采集、传输、记录，实时显示在人工交互界面，将异常数据剔除后并选取辅助变量后，传至MATLAB后台运行的神经网络测量预测分析，将测试样本数据x₁′，x₂′，…，x₅′作为出水总磷TP预测模型输入，出水总磷TP预测模型的输出即为出水总磷的预测值；预测结果如图3所示，X轴：样本数，单位是个/样本，Y轴：出水总磷TP浓度，单位是毫克/升，实线是预测TP输出浓度值；并将实验结果与实际总磷输出对比，表明基于尖峰径向基神经网络出水总磷TP预测方法的有效性。

Claims (2)

1.一种基于尖峰径向基神经网络的出水总磷实时监测系统，其特征在于包括以下步骤：

污水处理总磷智能监测系统设计

污水处理监测界面分为主界面、初沉池、曝气池、二沉池、报表、报警、实时曲线、预测分析、登陆界面；所述主界面、初沉池、曝气池、二沉池为信息实时显示监测界面；所述报表界面记录历史数据信息；所述报警界面记录数据报警并将发生时间、数值、报警等级等信息实时反馈在报警界面；所述实时曲线界面和预测界面记录实时数据曲线和预测趋势曲线；

基于组对象的OPC数据通讯

所述监测系统通过OPC技术与MATLAB连接，调用实际污水处理厂采集的实时数据；选取数据挖掘所需辅助变量，设置Server、Group、Item上传至运行的MATLAB神经网络数据分析程序；径向基神经网络通过训练神经网络中心和宽度，预测分析通过OPC上传的数据，将运行结果反馈至污水处理监测系统，依据分析结果人工实施故障检测，完成污水处理智能监测系统的设计。

2.一种基于尖峰径向基神经网络的出水总磷实时监测方法，其特征在于包括以下步骤：

(1)确定预测总磷的辅助变量；选取神经网络模型输入为进水总磷TP、温度T、好氧前端DO、悬浮物浓度TSS与pH值；

(2)数据归一化处理，计算公式为

z₁＝(D₁-D_1,min)/(D_1,max-D_1,min), (1)

式中，z₁为归一化后进水总磷数据组；D₁为归一化前污水处理进水总磷实测数据组；D_1,min为数组中的最小值，为数组中的最大值；D₂，D₃，D₄，D₅为归一化前的温度T、好氧前端DO、悬浮物浓度TSS与pH值的实测数据组，z₂，z₃，z₄，z₅为根据(1)式归一化后的温度T、好氧前端DO、悬浮物浓度TSS与pH值的数据组，取z₁，z₂，z₃，z₄，z₅每组数据的前L组成训练数据组为：x₁，x₂，x₃，x₄，x₅和y；取剩余的L′组数据成测试数据：x₁′，x₂′，x₃′，x₄′，x₅′和y′；

(3)径向基神经网络总磷预测模型的建立；采用径向基神经网络数据挖掘分析辅助变量对出水总磷TP的影响，径向基神经网络结构由输入层、隐含层、输出层组成，网络的拓扑结构为5-m-1，网络输入层的神经元个数为5，网络隐含层的神经元个数为m，输出层神经元个数为1；输入层权值赋值为1，给定各组训练数据x₁，x₂，x₃，x₄，x₅的第t个数据作为出水总磷的预测模型输入，t＝1,2,…,L，神经网络各层计算公式为：

①输入层

该层含有5个神经元，输入层神经元的输出为：

u_i(t)＝x_i(t), (2)

其中，u_i(t)是第i个输入层节点在t时刻的输出，i＝1,2,…5，并且输入向量为x(t)＝[x₁(t),x₂(t),…,x₅(t)]，t＝1,2,…,L；

②隐含层

该层对输入信息进行处理，且传递函数为径向基函数，常选择标准的高斯函数，在t时刻隐含层第j个神经元的输出为：

其中，式中c_j(t)＝[c_j1(t)，c_j2(t)，…，c_j5(t)]为RBF层第j个神经元的中心向量；c_ji(t)∈[-2,2]为随机取值，σ_j(t)为第j个节点的宽度，j的最大值为m，m初始值为6，σ_j(t)∈[0.01,2]，为该范围内的随机值；

③输出层

该层只有一个输出节点，在t时刻RBF神经网络的输出为：

其中，y(t)是输出层在t时刻的输出，w_j(t)是隐含层与输出层之间的连接权值，w_j(t)由式(16)计算得到；θ_j(t)由式(3)可得，将计算得出的y(t)进行数据反归一化得出预测值；

(4)基于尖峰信息的神经元自组织机制

根据生物尖峰神经元膜电位随时间变化的特点，自组织径向基神经网络的隐含层神经元的尖峰强度定义如下：

其中，ss_j(t)是隐含层第j个神经元的尖峰强度，k＝2,k_τ＝0.17为常量，θ_j为式(3)隐含层神经元的输出，Λ为大于零的正值，以上参数表征为尖峰强度输出函数曲线；

①隐含层神经元增加阶段

根据隐含层尖峰强度定义，当神经网络满足

其中，ss₀取值0到0.1的值，表示隐含层第j(j＝1,2,…,m)个神经元的兴奋阈值，E_d是预先设定的训练误差，当两个条件同时满足时，第j个隐含层神经元将会分裂同时新的神经元将被加入；

新增加的神经元参数定义为：

其中，c_j(t),σ_j(t)为第j个分裂前神经元的中心和宽度，c_j-r(t),σ_j-r(t)为新增加r(r＝1,2,…,N_new)个神经元的中心和宽度，N_new为神经元增加过程中计算得到的个数，α_r∈[0.95,1.05]，β_r∈[0,0.1]，推荐α_r＝0.95，β_r＝0.05，γ_r＝1/N_new，w_j-r(t)为新增加的隐含层神经元r的连接权值，w_j(t)分裂前第j神经元的连接权值，N_new为新增加的神经元的个数，θ_j-r(t)为新增神经元的隐含层输出值；

②隐含层神经元删减阶段

为了删除冗余的神经元，当隐含层神经元的尖峰强度满足

ss_j(t)≤ss_r, (8)其中，ss_r是隐含层第j(j＝1,2,…,m)个神经元的静息电位设定值，取值范围为(0,E_d)；

神经元参数设置为：

其中，j’为与隐含层神经元j欧氏距离最近的隐含层神经元，c’_j’(t),c_j’(t)为隐含层神经元j’在神经元j删除后和删除前的中心，σ’_j’(t),σ_j’(t)为隐含层神经元j’在神经元j删除后和删除前的宽度，w’_j’(t),w_j’(t)为神经元删除后和删除前的输出连接权值；

(5)总磷预测模型参数校正

①预测径向基神经网络隐含层个数为j，为自然数，出水总磷预测模型输入为X(1)，X(2)，…，X(t)，…，X(L)，对应的y(1)，y(2)，…，y(t)，…，y(L)，期望误差E_d，E_d小于0.01，定义出水总磷预测模型输出y(t)与期望输出d(t)之间的误差函数为；

y(t)为数组y的第t个模型预测输出数据，d(t)为第t个实际期望输出，L为样本个数，m为隐含层神经元个数，Q为L和m的总计算个数mL；

②学习步数l＝1，由公式(2)、(3)、(4)计算出水总磷预测输出y(t)；采用梯度下降法求得中心c_ji(t)、宽度σ_j(t)以及权值w_j(t)的增量；

其中i＝1,2,…,5，5为输入维数；隐含层个数j＝1,2,…,m；Δc_ji(t)、Δσ_j(t)和Δw_j(t)分别为出水总磷TP预测模型中心值、宽度和权值的增量；

③调整出水总磷TP预测模型的参数；

其中，c_ji′(t)、b_j′(t)和w_j′(t)分别为出水总磷TP预测模型调整前的中心值、宽度和以及权值，c_ji(t)、b_j(t)和w_j(t)分别为出水总磷TP预测模型调整后的中心值、宽度和以及权值，调整前的参数值由计算所得，λ∈(0,0.1)表示学习率；

④学习步数l增加1，如果步数l<L，则转向步骤②进行继续训练，如果l＝L，转向步骤⑤；

④计算出水总磷TP预测模型的性能：

为第l已知的样本实际输出值，y(l)为神经网络预测样本输出值，可由式(4)可得；

⑥如果E小于或等于期望误差E_d时停止计算；否则转向步骤②继续训练；

(6)出水总磷预测和监测系统功能集成

依据污水处理过程中的采集的进水总磷TP、温度T、好氧前端DO、TSS与pH值等过程变量，通过神经网络数据分析，得出出水总磷的预测值。