CN106706491A - 膜生物反应器‑mbr出水透水率的智能检测方法 - Google Patents
膜生物反应器‑mbr出水透水率的智能检测方法 Download PDFInfo
- Publication number
- CN106706491A CN106706491A CN201611023366.6A CN201611023366A CN106706491A CN 106706491 A CN106706491 A CN 106706491A CN 201611023366 A CN201611023366 A CN 201611023366A CN 106706491 A CN106706491 A CN 106706491A
- Authority
- CN
- China
- Prior art keywords
- output
- neuron
- layer
- water outlet
- permeability rate
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 102
- 239000012528 membrane Substances 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 title abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 39
- 239000010865 sewage Substances 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 3
- 238000005842 biochemical reaction Methods 0.000 claims abstract description 3
- 230000035699 permeability Effects 0.000 claims description 77
- 210000002569 neuron Anatomy 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 229910002651 NO3 Inorganic materials 0.000 claims description 5
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 210000004205 output neuron Anatomy 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000007935 neutral effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000004836 empirical method Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000000691 measurement method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000009991 scouring Methods 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 16
- 230000003993 interaction Effects 0.000 abstract description 7
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 239000010802 sludge Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- FGIUAXJPYTZDNR-UHFFFAOYSA-N potassium nitrate Chemical compound [K+].[O-][N+]([O-])=O FGIUAXJPYTZDNR-UHFFFAOYSA-N 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N2015/086—Investigating permeability, pore-volume, or surface area of porous materials of films, membranes or pellicules
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Pure & Applied Mathematics (AREA)
- Biochemistry (AREA)
- Dispersion Chemistry (AREA)
- Immunology (AREA)
- Geometry (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Analytical Chemistry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
- Activated Sludge Processes (AREA)
Abstract
膜生物反应器‑MBR出水透水率的智能检测方法属于污水处理水质参数在线检测领域。本发明基于MBR膜污水处理过程中的生化反应特征,使用特征分析方法,提出5个和出水透水率相关性强的过程变量,设计了出水透水率软测量技术,并将出水透水率软测量技术嵌入至智能检测系统,开发出易于操作的人机交互软件;同时,基于功能需求设计了MBR膜污水处理过程智能检测系统,将出水透水率智能检测系统硬件平台、操作软件以及出水透水率软测量技术进行集成,形成完整的出水透水率智能检测系统;该智能检测方法能够快速、准确地预测膜污水处理过程出水透水率的大小,弥补了国内外MBR膜污水处理过程出水透水率实时检测的空白。
Description
技术领域
本发明属于污水处理水质参数在线检测领域,首次搭建了针对膜生物反应器-MBR出水透水率的智能检测系统。该方法包括搭建出水透水率智能检测系统硬件平台和获取相关的过程变量以及出水透水率智能检测系统设计和软硬件功能集成开发,并实现出水透水率的在线智能检测与检测结果的实时显示。
背景技术
根据《中国污水处理行业市场前瞻与投资战略规划分析报告》显示,截至2015年底,全国设市城市、县累计建成污水处理厂3717座,污水处理能力1.57亿立方米/日,较2014年新增约800万立方米/日。2015年,全国城镇污水处理厂累计处理污水480.6亿立方米,比2014年增长8.1%;运行负荷率达到84.1%,比2014年增长1.5个百分点。污水处理量的增长速度高于污水处理能力的增加速度,运行负荷率也快速增长,说明污水处理需求快速增加。并且国家发展规划中提出要研究推广低能耗、高效的污水处理技术,应用MBR膜处理污水作为一种新型污水处理技术应用前景十分广泛;因此,本发明具有重大的研究意义和应用价值。
传统的污水处理过程中污泥产出量大,处理不当会对环境造成严重污染。此外传统的活性污泥法处理污水具有占地面积大、处理水质不理想、管理操作复杂等缺点。膜生物反应器技术用膜工艺取代传统活性污泥法中的二沉池,融合了传统的生物处理技术中的生物降解功能和膜高效的分离功能,是一种新型的、高效的污水处理技术,具有出水水质高、污泥产量小、占地面积小、管理方便等优点,适合污水处理的实际应用。但在膜处理污水的长期过程中,膜污染问题不可避免,膜污染问题会造成膜的出水水质降低和使用寿命缩短,这阻碍了膜的进一步大规模应用,通常以出水透水率的大小来预测膜的污染程度。出水透水率不能直接测量,水厂一般采用计算的方法估计出水透水率的大小,这导致了预测结果具有严重的滞后性,不能实现对出水透水率的精确在线预测。因此,研究新技术解决难以获取变量的的实时预测问题,已成为污水控制领域研究的重要课题,并且具有重要的现实意义。
根据我们多年来的研究与调查发现,采用基于神经网络的软测量技术可以实现膜处理污水过程中出水透水率准确、实时的检测,同时能大幅节省污水处理厂成本,但国内外针对出水透水率的智能检测方法,尚未形成完整的理论体系,基于智能手段的出水透水率检测系统在国内外尚属空白。因此,基于智能方法搭建包括软、硬件平台在内的出水透水率智能检测方法,在填补国内外技术空白与整合污水处理产业链等方面,具有很高的开发及应用价值。
发明内容
一种基于模糊神经网络的膜生物反应器-MBR出水透水率的智能检测方法,其特点在于,包括以下步骤:
(1)确定目标变量和特征变量;以膜生物反应器-MBR污水处理系统为研究对象,对水质数据进行特征分析,提取产水流量、产水压力、单池膜擦洗气量、厌氧区ORP和好氧区硝酸盐作为特征变量,以出水透水率作为目标变量;
(2)建立出水透水率软测量模型;利用模糊神经网络设计MBR处理污水过程中预测出水透水率的软测量模型,出水透水率软测量模型的拓扑结构分为四层:输入层、RBF层、归一化层、输出层;拓扑结构为5-R-R-1的连接方式,输入层与RBF层之间的连接权值为1,归一化层与输出层之间的连接权值随机赋值,赋值区间[-1,1],模糊神经网络的期望输出表示为yd(t),实际输出表示为y(t);基于模糊神经网络的出水透水率的软测量方法计算依次为:
①输入层:该层由5个神经元组成,其输出为,
x(t)=[x1(t),x2(t),…,x5(t)]T (1)
其中,x(t)表示t时刻输入层的输出,x1(t)表示t时刻产水流量的值、x2(t)表示t时刻产水压力的值、x3(t)表示t时刻单池膜擦洗气量的值、x4(t)表示t时刻厌氧区ORP的值、x5(t)表示t时刻好氧区硝酸盐的值;
②RBF层:该层由R个神经元组成,每个神经元的输出为,
其中是t时刻RBF层第j个神经元的输出,cj(t)为t时刻第j个RBF层神经元的中心 向量,cj(t)=[c1j(t),c2j(t),…,cij(t)],i=1,2,…5,cij(t)表示RBF层t时刻第j个神经元中心值的第i个元素,为t时刻第j个RBF层神经元的宽度向量, dij(t)表示RBF层t时刻第j个神经元宽度值的第i个元素;
③归一化层:该层的神经元个数和RBF层相同,为R个,每个神经元的输出为,
其中vj(t)是t时刻归一化层第j个神经元的输出,是t时刻RBF层第j个神经元的输出,为RBF输出之和;
④输出层:输出层输出为透水率软测量模型的实际输出,
y(t)是t时刻输出神经元的输出,wj(t)表示t时刻归一化层第j个神经元与输出神经元之间的权值,定义模糊神经网络软测量模型输出y(t)与期望输出yd(t)的误差函数e(t)为:
e(t)=yd(t)-y(t) (5)
(3)MBR出水透水率软测量模型校正,过程如下:
①给定神经网络RBF层与规则层神经元个数R,R为自然数,R通过经验法确定,出水透水率的软测量模型的训练输入为x(1),x(2),…,x(t),…,x(N),对应的期望输出yd(1),yd(2),…,yd(t),…,yd(N),软测量模型的训练样本为N组,期望误差设为Ed,迭代步数设为s,计算代价函数值E(t),定义停止标准,当E(t)<Ed,令t=0;
定义网络的代价函数E(t),
②设置学习步数s=s+1;计算出膜出水透水率智能特征模型输出y(t),误差e(t),计算向量J(t),其中,
拟海瑟矩阵Q(t)计算公式为,
Q(t)=JT(t)J(t) (8)
梯度向量g(t)计算公式为,
g(t)=JT(t)e(t) (9)
其中,误差关于各个参数的偏导数计算如下;
计算误差关于中心的偏导数
计算误差关于宽度的偏导数
计算误差关于权值的偏导数
③采用自适应二阶算法更新模糊神经网络的参数,
Δ(t+1)=Δ(t)+(Q(t)+λ(t)I)-1g(t) (13)
其中,Δ=[w1(t),…wR(t),c11(t),…c51(t),…,c1j(t),…c5j(t),…c1R(t),…c5R(t),d11(t),…d51(t)…,d1j(t),…d5j(t),…d1R(t),…d5R(t)],wj(t)表示t时刻归一化层第j个神经元与输出神经元之间的权值,cij(t)是RBF层的中心,dij(t)是RBF层的宽度;
其中,自适应学习率λ(t)为,
λ(t)=θ||e(t)||+(1-θ)||g(t)|| (14)
0<θ<1是实参数,e(t)是误差向量;
④计算代价函数E(t),当满足精度E(t)<Ed,迭代停止,否则跳转到步骤②;
将测试样本数据作为训练后的模糊神经网络的输入,模糊神经网络的输出即为膜出水透水率的软测量值;
(4)搭建MBR出水透水率智能检测系统硬件平台和获取相关的过程变量;出水透水率智能检测系统预测结果的稳定性依赖于系统的稳定性和相关变量数据的准确性,本发明提出的出水透水率智能检测的硬件系统结构和出水透水率特征变量的实时获取技术,实现了 出水透水率特征变量数据的实时获取和出水透水率的精确预测;
硬件平台按照出水透水率智能检测系统功能需要和污水处理流程设计要求,主体包括沉砂池、污水调节池、生化反应池和生物膜池等;此外,根据出水透水率相关性变量的需要,需要的采集仪表包括流量仪、ORP检测仪、硝酸盐检测仪、压力器;此外WTW3430的显示主机以及安装相应软件的电脑,作为数据的接收和处理平台以及显示平台;
MBR在处理污水过程中,采取运行7分钟停止1分钟的工作模式,本发明采集泵开始运行后的3到5分钟数据,避免了现场数据的不完整性和巨大波动对预测精度造成影响,然后将采集的数据通过现场总线传至上位机中,完成相关变量的有效获取;上位机上安装相应的基于OPC标准的组态软件,PLC以总线RS485的方式连接到服务器上,组态和PLC的变量关联;数据传输的具体过程为PLC把仪表采集的信号进行A/D转换后传给上位机后,采集的仪表信号通过OPC服务实时采集至OPC客户端;其次,软测量检测软件中的数据分发模块实时读取OPC客户端的数据并把其分发至:①出水透水率软测量模型,作为模糊神经网络的输入数据;②PC机硬盘的某路径下,形成数据文件,实现采集数据的实时存储,方便以后的查询工作;
(5)MBR出水透水率智能检测系统设计和软硬件功能集成开发;本发明创新的关键是搭建和开发软硬件平台,并把软硬件平台和出水透水率软测量模型集成完整的出水透水率智能检测系统;检测系统中的数据采集模块、数据传输模块、数据存储模块和人机交互模块主要体现在数据的获取、传输、存储和显示中,该过程主要涉及了设备、总线、网络和计算机之间的接口设置,计算机界面和后台程序的链接设置,以及智能检测模块和实际检测仪表的数据转换设置;人机交互模块主要实现对出水透水率预测过程的实时检测和管理,从界面预测出水透水率的大小,将出水透水率的变化及时反馈客户端,人机交互设备指触摸屏和打印设备,触摸屏在其开发环境下,通过配置通信口完成和预测系统以及打印机的通信,开发的出水透水率智能检测系统可实现的主要功能包括①对出水透水率相关参数的查询、②出水透水率软测量模型基本参数的设定、③显示未来一段时间内出水透水率的预测曲线。
本发明采用软件行业中的构件技术把出水透水率软测量模型封装为功能模块,增强了模型的复用性,弥补国内外出水透水率智能检测技术向实际系统操作中人机交互界面推广 的空白;本发明采用.NET平台进行软件开发,便于创建ActiveX控件,扩大了软件的可使用环境范围;采用现场总线(Profibus-DP)技术建立全流程系统通讯网络,实现各模块间信息传递;同时本发明提出的出水透水率智能检测系统实现了中控室和现场各个数据采集点的连接,构成了集中管理的预测系统,系统的拓展容易,各部分功能独立,可以根据实际预测需要增加软、硬件模块并与其它系统进行融合,可实现系统的稳定性和可靠性并保证了出水透水率的预测精度。
与污水处理软测量行业发展现状相比,本发明具有以下创新:
(1)开展相关变量数据实时获取的技术研究
将实时获得的相关过程变量数据进行时间同步,并通过协调通讯标准并将数据传输给上位机,从而确保数据的实时性和准确性。
(2)开发出水透水率的软测量模型
构建出水透水率软测量模型,实现对出水透水率的实时预测,并且本发明采用软件行业中的构件技术把软测量模型封装为功能模块,增强了模型的复用性,适合实际中的应用。
(3)开发出水透水率智能检测软件
设计人机交互界面和后台运行智能检测软件,实现数据采集模块、数据传输模块、数据存储模块、以及检测模块等的数据传输。
(4)集成出水透水率智能检测系统
根据污水处理过程的要求实现数据采集模块、数据传输模块、数据存储模块、以及检测模块等的封装,将出水透水率智能检测技术与搭建及开发的软硬件平台集成,完成出水透水率智能检测系统设计。
附图说明
图1为出水透水率智能检测系统整体架构图;
图2为出水透水率软测量软件架构;
图3为模糊神经网络结构图;
图4为出水透水率软测量模型仿真误差曲线;
图5为出水透水率软测量模型预测结果图,其中红色实线为出水透水率实际计算值, 黑色为软测量模型的预测值;
图6为出水透水率智能检测系统集成架构图;
具体实施方式
(1)出水透水率软测量技术研究的具体实施
①通过安置在工艺现场的在线检测仪表采集输入变量,需采集的变量的包括5种,参数信息及采集位置如表1所示。
表1采集的过程变量类型
②使用模糊神经网络建立出水透水率的软测量模型,采用实时采集的数据对模糊神经网络进行训练和测试。选择80组数据进行测试。采集的数据如表2所示。
③对建立的出水透水率软测量模型进行校正,得到的仿真误差曲线图和预测结果图分别为图4、图5所示。
(2)出水透水率智能检测系统设计与软硬件功能集成的具体实施
实际污水处理厂中搭建的硬件平台环境中硬件部分的WTW 3430仪表通过USB接口与载有出水透水率智能检测系统软件的PC机进行连接并将数据实时传输至智能检测平台中。MBR在处理污水过程中,采取运行7分钟停止1分钟的工作模式,因此本发明采集泵开始运行后的3到5分钟数据,避免了现场数据的不完整性和巨大波动对预测精度造成影响,然后将采集的数据通过现场总线传至上位机中,完成相关变量的有效获取。上位机上安装相应的基于OPC标准的组态软件,PLC以总线RS485的方式连接到服务器上,组态和PLC的变量关联。数据传输的具体过程为PLC把仪表采集的信号进行A/D转换后传给上位机后,采集的仪表信号通过OPC服务实时采集至OPC客户端;其次,软测量检测软件中的数据分发模块实时读取OPC客户端的数据并把其分发至:①出水透水率软测量模 型,作为模糊神经网络的输入数据;②PC机硬盘的某路径下,形成数据文件,实现采集数据的实时存储,方便以后的查询工作。
本发明使用软件行业中的构件技术把出水透水率软测量模型封装为功能模块,通过软测量模型的设计和仪表硬件及通讯设计,将出水透水率软测量模型嵌入至智能检测系统中,经过信息传输将预测结果至前台人机交互界面,实现出水透水率智能检测系统设计,从而实现出水透水率的实时在线检测。
表2软测量模型测试数据
Claims (2)
1.膜生物反应器-MBR出水透水率的智能检测方法,其特点在于,包括以下步骤:
(1)确定目标变量和特征变量;以膜生物反应器-MBR污水处理系统为研究对象,对水质数据进行特征分析,提取产水流量、产水压力、单池膜擦洗气量、厌氧区ORP和好氧区硝酸盐作为特征变量,以出水透水率作为目标变量;
(2)建立出水透水率软测量模型;利用模糊神经网络设计MBR处理污水过程中预测出水透水率的软测量模型,出水透水率软测量模型的拓扑结构分为四层:输入层、RBF层、归一化层、输出层;拓扑结构为5-R-R-1的连接方式,输入层与RBF层之间的连接权值为1,归一化层与输出层之间的连接权值随机赋值,赋值区间[-1,1],模糊神经网络的期望输出表示为yd(t),实际输出表示为y(t);基于模糊神经网络的出水透水率的软测量方法计算依次为:
①输入层:该层由5个神经元组成,其输出为,
x(t)=[x1(t),x2(t),…,x5(t)]T (1)
其中,x(t)表示t时刻输入层的输出,x1(t)表示t时刻产水流量的值、x2(t)表示t时刻产水压力的值、x3(t)表示t时刻单池膜擦洗气量的值、x4(t)表示t时刻厌氧区ORP的值、x5(t)表示t时刻好氧区硝酸盐的值;
②RBF层:该层由R个神经元组成,每个神经元的输出为,
其中是t时刻RBF层第j个神经元的输出,cj(t)为t时刻第j个RBF层神经元的中心向量,cj(t)=[c1j(t),c2j(t),…,cij(t)],i=1,2,…5,cij(t)表示RBF层t时刻第j个神经元中心值的第i个元素,为t时刻第j个RBF层神经元的宽度向量,dij(t)表示RBF层t时刻第j个神经元宽度值的第i个元素;
③归一化层:该层的神经元个数和RBF层相同,为R个,每个神经元的输出为,
其中vj(t)是t时刻归一化层第j个神经元的输出,是t时刻RBF层第j个神经元的输出,为RBF输出之和;
④输出层:输出层输出为出水透水率软测量模型的实际输出,
y(t)是t时刻输出神经元的输出,wj(t)表示t时刻归一化层第j个神经元与输出神经元之间的权值,定义模糊神经网络软测量模型输出y(t)与期望输出yd(t)的误差函数e(t)为:
e(t)=yd(t)-y(t) (5)
(3)MBR出水透水率软测量模型校正,过程如下:
①给定神经网络RBF层与规则层神经元个数R,R为自然数,R通过经验法确定,出水透水率的软测量模型的训练输入为x(1),x(2),…,x(t),…,x(N),对应的期望输出yd(1),yd(2),…,yd(t),…,yd(N),软测量模型的训练样本为N组,期望误差设为Ed,迭代步数设为s,计算代价函数值E(t),定义停止标准,当E(t)<Ed,令t=0;
定义网络的代价函数E(t),
②设置学习步数s=s+1;计算出水透水率智能特征模型输出y(t),误差e(t),计算向量J(t),其中,
拟海瑟矩阵Q(t)计算公式为,
Q(t)=JT(t)J(t) (8)
梯度向量g(t)计算公式为,
g(t)=JT(t)e(t) (9)
其中,误差关于各个参数的偏导数计算如下;
计算误差关于中心的偏导数
计算误差关于宽度的偏导数
计算误差关于权值的偏导数
③采用自适应二阶算法更新模糊神经网络的参数,
Δ(t+1)=Δ(t)+(Q(t)+λ(t)I)-1g(t) (13)
其中,Δ=[w1(t),…wR(t),c11(t),…c51(t),…,c1j(t),…c5j(t),…c1R(t),…c5R(t),d11(t),…d51(t)…,d1j(t),…d5j(t),…d1R(t),…d5R(t)],wj(t)表示t时刻归一化层第j个神经元与输出神经元之间的权值,cij(t)是RBF层的中心,dij(t)是RBF层的宽度;
其中,自适应学习率λ(t)为,
λ(t)=θ||e(t)||+(1-θ)||g(t)|| (14)
0<θ<1是实参数,e(t)是误差向量;
④计算代价函数E(t),当满足精度E(t)<Ed,迭代停止,否则跳转到步骤②;
将测试样本数据作为训练后的模糊神经网络的输入,模糊神经网络的输出即为膜出水透水率的软测量值。
2.一种基于模糊神经网络的膜生物反应器-MBR出水透水率的智能检测方法,其特征在于,
硬件平台包括沉砂池、污水调节池、生化反应池和生物膜池;采集仪表包括流量仪、ORP检测仪、硝酸盐检测仪、压力器;
在处理污水过程中,采取运行7分钟停止1分钟的工作模式,采集开始后的3到5分钟数据采集的数据通过现场总线传至上位机中;上位机上安装相应的基于OPC标准的组态软件,PLC以总线RS485的方式连接到服务器上,组态和PLC的变量关联;数据传输的具体过程为PLC把仪表采集的信号进行A/D转换后传给上位机后,采集的仪表信号通过OPC服务实时采集至OPC客户端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611023366.6A CN106706491B (zh) | 2016-11-21 | 2016-11-21 | 膜生物反应器-mbr出水透水率的智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611023366.6A CN106706491B (zh) | 2016-11-21 | 2016-11-21 | 膜生物反应器-mbr出水透水率的智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106706491A true CN106706491A (zh) | 2017-05-24 |
CN106706491B CN106706491B (zh) | 2024-01-23 |
Family
ID=58941117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611023366.6A Active CN106706491B (zh) | 2016-11-21 | 2016-11-21 | 膜生物反应器-mbr出水透水率的智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106706491B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108375534A (zh) * | 2018-02-06 | 2018-08-07 | 北京工业大学 | Mbr膜污染智能预警方法 |
CN109473182A (zh) * | 2018-11-12 | 2019-03-15 | 北京北排科技有限公司 | 一种基于深度信念网络的mbr膜透水率智能检测方法 |
CN110231141A (zh) * | 2019-06-12 | 2019-09-13 | 江苏新宜中澳环境技术有限公司 | 一种多孔介质模型模拟膜生物反应器中的膜组器的方法 |
CN112488286A (zh) * | 2019-11-22 | 2021-03-12 | 大唐环境产业集团股份有限公司 | 一种用于mbr膜污染在线监测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6330553B1 (en) * | 1997-04-09 | 2001-12-11 | Yamaha Hatsudoki Kabushiki Kaisha | Autonomic system for updating fuzzy neural network and control system using the fuzzy neural network |
CN101944275A (zh) * | 2010-08-26 | 2011-01-12 | 天津市环境保护科学研究院 | 中空纤维设备的膜污染诊断与预警决策系统 |
CN102262147A (zh) * | 2011-07-15 | 2011-11-30 | 华南理工大学 | 一种废水处理系统出水cod的软测量方法和系统 |
CN102707026A (zh) * | 2012-06-06 | 2012-10-03 | 天津大学 | 一种用于再生水厂原水水质的在线预警系统及其控制方法 |
CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
CN104933310A (zh) * | 2015-06-19 | 2015-09-23 | 河海大学 | 基于ga-lssvm模型预测膜蒸馏水处理系统中膜污染趋势的方法 |
CN104965971A (zh) * | 2015-05-24 | 2015-10-07 | 北京工业大学 | 一种基于模糊神经网络的氨氮浓度软测量方法 |
CN105510546A (zh) * | 2015-12-27 | 2016-04-20 | 北京工业大学 | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 |
CN105574326A (zh) * | 2015-12-12 | 2016-05-11 | 北京工业大学 | 一种基于自组织模糊神经网络的出水氨氮浓度软测量方法 |
CN105675838A (zh) * | 2016-04-15 | 2016-06-15 | 北京工业大学 | 基于数据驱动的a2/o流程出水总磷智能检测方法 |
CN106096730A (zh) * | 2016-06-09 | 2016-11-09 | 北京工业大学 | 一种基于递归rbf神经网络的mbr膜透水率的智能检测方法 |
-
2016
- 2016-11-21 CN CN201611023366.6A patent/CN106706491B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6330553B1 (en) * | 1997-04-09 | 2001-12-11 | Yamaha Hatsudoki Kabushiki Kaisha | Autonomic system for updating fuzzy neural network and control system using the fuzzy neural network |
CN101944275A (zh) * | 2010-08-26 | 2011-01-12 | 天津市环境保护科学研究院 | 中空纤维设备的膜污染诊断与预警决策系统 |
CN102262147A (zh) * | 2011-07-15 | 2011-11-30 | 华南理工大学 | 一种废水处理系统出水cod的软测量方法和系统 |
CN102707026A (zh) * | 2012-06-06 | 2012-10-03 | 天津大学 | 一种用于再生水厂原水水质的在线预警系统及其控制方法 |
CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
CN104965971A (zh) * | 2015-05-24 | 2015-10-07 | 北京工业大学 | 一种基于模糊神经网络的氨氮浓度软测量方法 |
CN104933310A (zh) * | 2015-06-19 | 2015-09-23 | 河海大学 | 基于ga-lssvm模型预测膜蒸馏水处理系统中膜污染趋势的方法 |
CN105574326A (zh) * | 2015-12-12 | 2016-05-11 | 北京工业大学 | 一种基于自组织模糊神经网络的出水氨氮浓度软测量方法 |
CN105510546A (zh) * | 2015-12-27 | 2016-04-20 | 北京工业大学 | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 |
CN105675838A (zh) * | 2016-04-15 | 2016-06-15 | 北京工业大学 | 基于数据驱动的a2/o流程出水总磷智能检测方法 |
CN106096730A (zh) * | 2016-06-09 | 2016-11-09 | 北京工业大学 | 一种基于递归rbf神经网络的mbr膜透水率的智能检测方法 |
Non-Patent Citations (3)
Title |
---|
ABDÜSSELAM ALTUNKAYNAK 等: "Prediction of specific permeate flux during crossflow microfiltration of polydispersed colloidal suspensions by fuzzy logic models" * |
汤佳 等: "基于遗传算法优化的RBF神经网络在MBR膜污染仿真预测中的研究" * |
闫宏英 等: "MBR膜污染的智能模拟预测方法研究" * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108375534A (zh) * | 2018-02-06 | 2018-08-07 | 北京工业大学 | Mbr膜污染智能预警方法 |
CN109473182A (zh) * | 2018-11-12 | 2019-03-15 | 北京北排科技有限公司 | 一种基于深度信念网络的mbr膜透水率智能检测方法 |
CN109473182B (zh) * | 2018-11-12 | 2021-10-19 | 北京北排科技有限公司 | 一种基于深度信念网络的mbr膜透水率智能检测方法 |
CN110231141A (zh) * | 2019-06-12 | 2019-09-13 | 江苏新宜中澳环境技术有限公司 | 一种多孔介质模型模拟膜生物反应器中的膜组器的方法 |
CN110231141B (zh) * | 2019-06-12 | 2021-05-11 | 江苏新宜中澳环境技术有限公司 | 一种多孔介质模型模拟膜生物反应器中的膜组器的方法 |
CN112488286A (zh) * | 2019-11-22 | 2021-03-12 | 大唐环境产业集团股份有限公司 | 一种用于mbr膜污染在线监测方法及系统 |
CN112488286B (zh) * | 2019-11-22 | 2024-05-28 | 大唐环境产业集团股份有限公司 | 一种用于mbr膜污染在线监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106706491B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103886369B (zh) | 一种基于模糊神经网络的出水总磷tp预测方法 | |
CN102854296B (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
Côte et al. | Dynamic modelling of the activated sludge process: improving prediction using neural networks | |
CN109133351A (zh) | 膜生物反应器-mbr膜污染智能预警方法 | |
AU2021101438A4 (en) | Adaptive control method and system for aeration process | |
CN102262147A (zh) | 一种废水处理系统出水cod的软测量方法和系统 | |
CN101923083B (zh) | 基于支持向量机和神经网络的污水化学需氧量软测量方法 | |
CN103606006B (zh) | 基于自组织t‑s模糊神经网络的污泥沉降指数软测量方法 | |
CN106706491A (zh) | 膜生物反应器‑mbr出水透水率的智能检测方法 | |
CN110110466B (zh) | 一种机器学习和工艺仿真的污水处理目标参数预测方法 | |
CN105510546A (zh) | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 | |
CN110320335B (zh) | 一种关于污水处理出水水质指标的多元鲁棒软测量方法 | |
CN106096730A (zh) | 一种基于递归rbf神经网络的mbr膜透水率的智能检测方法 | |
CN103632032A (zh) | 一种城市污水处理过程出水指标在线软测量预测方法 | |
CN106682316A (zh) | 一种基于尖峰径向基神经网络的出水总磷实时监测系统 | |
CN107402586A (zh) | 基于深度神经网络的溶解氧浓度控制方法及系统 | |
Zhu et al. | A data-derived soft-sensor method for monitoring effluent total phosphorus | |
CN109473182A (zh) | 一种基于深度信念网络的mbr膜透水率智能检测方法 | |
CN116029612A (zh) | 一种基于深度学习的城镇污水厂外加碳源精准控制方法 | |
CN104914227A (zh) | 基于多高斯核自优化相关向量机的污水水质软测量方法 | |
CN107247888A (zh) | 基于储备池网络的污水处理出水总磷tp软测量方法 | |
CN110929809B (zh) | 一种特征自增强的循环神经网络的污水关键水质指标软测量方法 | |
Yetilmezsoy et al. | Adaptive neuro-fuzzy inference-based modeling of a full-scale expanded granular sludge bed reactor treating corn processing wastewater | |
CN106405030A (zh) | 一种基于rbf神经网络的出水总磷检测装置及检测方法 | |
CN102778548B (zh) | 一种污水处理过程污泥膨胀指数预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |