CN107025338A - 一种基于递归rbf神经网络的污泥膨胀故障辨识方法 - Google Patents

一种基于递归rbf神经网络的污泥膨胀故障辨识方法 Download PDF

Info

Publication number
CN107025338A
CN107025338A CN201710186738.5A CN201710186738A CN107025338A CN 107025338 A CN107025338 A CN 107025338A CN 201710186738 A CN201710186738 A CN 201710186738A CN 107025338 A CN107025338 A CN 107025338A
Authority
CN
China
Prior art keywords
output
neural networks
rbf neural
neuron
hidden layer
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
Application number
CN201710186738.5A
Other languages
English (en)
Other versions
CN107025338B (zh
Inventor
韩红桂
郭亚男
乔俊飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201710186738.5A priority Critical patent/CN107025338B/zh
Publication of CN107025338A publication Critical patent/CN107025338A/zh
Priority to US15/798,263 priority patent/US11144816B2/en
Application granted granted Critical
Publication of CN107025338B publication Critical patent/CN107025338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/006—Regulation methods for biological treatment
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2303/00—Specific treatment goals
    • C02F2303/12—Prevention of foaming
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/02—Aerobic processes
    • C02F3/12—Activated sludge processes
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Hydrology & Water Resources (AREA)
  • Microbiology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)
  • Activated Sludge Processes (AREA)

Abstract

一种基于递归RBF神经网络的污泥膨胀故障辨识方法属于控制领域，又属于水处理领域。针对污水处理过程中污泥膨胀难以准确检测以及引起污泥膨胀的原因不易辨识的问题，本发明设计了一种基于递归RBF神经网络的污泥膨胀故障辨识方法，利用基于递归RBF神经网络建立污泥容积指数SVI的软测量模型，完成污泥容积指数SVI浓度的实时预测，一旦检测到污泥膨胀的发生，然后采用故障变量辨识CVI算法，准确地辨识引起污泥膨胀的故障变量。该方法能够根据故障变量提前控制污水处理过程，减少了污泥膨胀的发生率。

Description

一种基于递归RBF神经网络的污泥膨胀故障辨识方法
技术领域
本发明基于污水处理过程活性污泥工艺中容易发生污泥膨胀并且原因不易辨识，利用递归RBF神经网络设计了一种污泥膨胀故障辨识方法，实现了故障变量辨识后对污泥膨胀的提前有效调节；污水处理污泥容积指数SVI是表征污泥膨胀的重要参量，污水处理过程污泥容积指数SVI与过程变量的关系是实现有效预测污泥膨胀的基础环节；并且，污泥膨胀故障的辨识对污水处理的稳定安全运行有着重要影响，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。因此，对污泥膨胀故障辨识在污水处理系统中具有重要意义。
背景技术
城市污水处理过程，要保证污水处理系统的可靠性和稳定性。然而，污水处理过程的活性污泥工艺法常常发生污泥膨胀的现象。然而，污水处理过程各变量之间相互影响相互制约，对引起污泥膨胀的故障变量难以辨识，进而不能实施有效的调节控制，严重影响了污水处理过程的稳定运行。基于递归RBF神经网络的污泥膨胀故障辨识方法有利于提高城市污水处理效率、加强城市污水处理厂精细化管理、确保污水处理出水水质达标排放，缓解我国当前污水处理过程常出现的污泥膨胀现象的发生。不但具有较好的经济效益，而且具有显著的环境和社会效益。因此，本发明的研究成果具有广阔的应用前景。
目前，活性污泥法在处理城市污水及造纸、印染、化工等众多工业废水方面得到了普遍应用。但是，污泥膨胀问题一直是活性污泥法工艺中存在的棘手问题，由于泥水不能正常分离，导致污水处理流程工艺失败。污泥膨胀发生频繁，基本上污水处理流程工艺中都存在不同程度的污泥膨胀；污泥膨胀的发生覆盖率高，在德国、英国、南非等国家的污水处理厂调查结果显示，半数以上的污水处理厂存在着污泥容积指数过高、丝状菌过度增长的情况。可见，污泥膨胀是国内外污水处理厂面临的一个普遍的问题，各国的学者对预防和控制污泥膨胀做了大量的研究，虽然取得一些进展，但是到目前为止，并没有对污泥膨胀的有效的控制措施；重点是，一旦发生污泥膨胀，原因不易探究，且需要较长的时间处理工艺的失败。综上所述，污泥膨胀一旦发生，后果不容忽视。因此，对污泥膨胀这种故障现象的提前诊断和预防是解决污泥膨胀本质问题的行之有效的方法，有很高的实际意义。
本发明提出一种基于递归RBF神经网络的污泥膨胀故障辨识方法，通过构建基于递归RBF神经网络污泥容积指数SVI软测量模型，利用梯度下降的参数修正算法保证了递归RBF神经网络的精度。一旦预测出发生污泥膨胀，采用故障变量辨识CVI算法对引起污泥膨胀的故障变量进行辨识，该方法能有效的降低污泥膨胀的发生率，减少了污水处理厂的经济损失。
发明内容
本发明获得了一种基于递归RBF神经网络的污泥膨胀故障辨识方法，该方法通过分析污水处理过程，在众多可测变量中选择一组与污泥容积指数SVI有密切联系又容易测量的变量作为辅助变量，通过构造递归RBF神经网络，实现辅助变量与污泥容积指数SVI之间的映射，实现污泥容积指数SVI的实时测量。一旦预测出发生污泥膨胀，采用故障变量辨识CVI算法对引起污泥膨胀的变量进行辨识，可以有效的提前对污泥膨胀进行调节控制；
本发明采用了如下的技术方案及实现步骤：
1.一种基于递归RBF神经网络的污泥膨胀故障辨识方法，其特征在于通过特征分析获取污泥容积指数SVI的特征值，采用递归RBF神经网络建立污泥容积指数SVI的软测量模型，利用故障变量辨识CVI算法，辨识引起污泥膨胀的故障变量，包括以下步骤：
(1)确定污泥容积指数SVI的输入与输出变量：以活性污泥法污水处理过程为研究对象，对污水处理过程变量进行特征分析，选取与污泥容积指数SVI相关的过程变量为污泥容积指数SVI软测量模型的输入：溶解氧DO浓度，混合悬浮物MLSS浓度，温度T，化学需氧量COD浓度以及总氮TN浓度，污泥容积指数SVI软测量模型的输出为污泥容积指数SVI值；
(2)设计用于污泥容积指数SVI的软测量模型，利用递归RBF神经网络建立污泥容积指数SVI的软测量模型，递归RBF神经网络的拓扑结构分为三层：输入层、隐含层、输出层；神经网络为5-J-1的连接方式，即输入层神经元为5个，隐含层神经元为J个，J为大于2的正整数，输出层神经元为1个；输入层与隐含层之间的连接权值都赋值为1，隐含层与输出层之间的连接权值随机赋值，赋值区间为[-1,1]；设共有N个训练样本，设第t时刻递归RBF神经网络输入为x(t)＝[x1(t)，x2(t)，x3(t)，x4(t)，x5(t)]，x1(t)表示t时刻溶解氧浓度DO，x2(t)表示t时刻混合悬浮物浓度MLSS，x3(t)表示t时刻温度T，x4(t)表示t时刻化学需氧量COD浓度，x5(t)表示t时刻总氮TN浓度，递归RBF神经网络的期望输出表示为yd(t)，实际输出表示为y(t)；基于递归RBF神经网络的污泥容积指数SVI的软测量方法计算方式依次为：
①输入层：该层由5个神经元组成，每个神经元的输出为：
ui(t)＝xi(t) (1)
其中，ui(t)是t时刻第i个神经元的输出,i＝1,2,…,5，xi(t)为t时刻输入层第i个神经元的输入；
②隐含层：隐含层由J个神经元组成，每个神经元的输出为：
其中，cj(t)为t时刻第j个隐含层神经元的中心向量，cj(t)＝[c1j(t),c2j(t),…,c5j(t)]，cij(t)表示隐含层t时刻第j个神经元中心值的第i个元素，||hj(t)-cj(t)||表示hj(t)与cj(t)之间的欧式距离，σj(t)是t时刻第j个隐含层神经元的宽度，hj(t)是t时刻第j个隐含层神经元的输入向量
hj(t)＝[u1(t),u2(t),u3(t),u4(t),u5(t),vj(t)×y(t-1)] (3)
y(t-1)是t-1时刻递归RBF神经网络的输出，vj(t)为t时刻输出神经元与第j个隐含层神经元的反馈连接权值，v(t)＝[v1(t),v2(t),…,vJ(t)]T为t时刻输出神经元与隐含层神经元的反馈连接权值向量，T表示转置；
③输出层：输出层输出为：
其中，w(t)＝[w1(t),w2(t),...,wJ(t)]T为t时刻隐含层与输出层的连接权值向量，wj(t)为t时刻第j个隐含层神经元与输出神经元的连接权值，θ(t)＝[θ1(t),θ2(t),...,θJ(t)]T为t时刻隐含层的输出向量，θj(t)为t时刻第j个隐含层神经元的输出，y(t)为t时刻递归RBF神经网络的输出；
定义递归RBF神经网络的误差为：
其中，yd(t)为t时刻递归RBF神经网络的期望输出，y(t)为t时刻递归RBF神经网络的实际输出；
(3)训练递归RBF神经网络，具体为：
①给定递归RBF神经网络的隐含层神经元个数为J，J为大于2的正整数，递归RBF神经网络的输入为x(1)，x(2)，…，x(t)，…，x(N)，对应的期望输出为yd(1)，yd(2)，…，yd(t)，…，yd(N)，N表示递归RBF神经网络的训练样本数，期望误差值设为Ed，Ed∈(0,0.01)，初始中心值cj(1)中每个变量的赋值区间为[-2,2]，初始中心宽度σj(1)的赋值区间为[0,1]，初始反馈连接权值vj(t)的赋值区间为[0,1]，j＝1，2，…，J；初始权值w(1)中每个变量的赋值区间为[-1,1]；
②设置学习步数s＝1；
③t＝s，根据公式(1)、(2)、(3)、(4)计算递归RBF神经网络的输出y(t)，运用快速下降算法调整递归RBF神经网络的参数为：
vj(t+1)＝vj(t)-ηv(yd(t)-y(t))wj(t)θ(t)y(t-1) (8)
wj(t+1)＝wj(t)-ηw(yd(t)-y(t))θj(t) (9)
其中，ηc为中心c的学习率，ηc∈(0,0.01]；ησ为宽度σ的学习率，ησ∈(0,0.01]；ηv为反馈连接权值v的学习率,ηv∈(0,0.02]；ηw为连接权值w的学习率，ηw∈(0,0.01]；cj(t+1)＝[c1j(t+1),c2j(t+1),…,c5j(t+1)]为t+1时刻第j个隐含层神经元的中心向量；σj(t+1)为t+1时刻第j个隐含层神经元的宽度；vj(t+1)为t+1时刻输出神经元与第j个隐含层神经元的反馈连接权值；wj(t+1)为t+1时刻第j个隐含层神经元与输出神经元的连接权值；
④学习步数s增加1，如果步数s<N，则转向步骤③进行继续训练，如果s＝N转向步骤⑤；
⑤根据公式(5)计算递归RBF神经网络的性能，如果E(t)≥Ed，则转向步骤③进行继续训练，如果E(t)<Ed，则停止训练；
(4)污泥容积指数SVI浓度预测；
将测试样本数据作为训练后的递归RBF神经网络的输入，递归RBF神经网络的输出即为污泥容积指数SVI浓度的软测量值。
(5)污泥膨胀故障变量辨识算法CVI，具体为：
①计算递归RBF神经网络的输出与期望输出的差值，若满足条件：
转向步骤②，若不满足，则停止故障变量辨识过程；
②定义两个公式如下：
其中，IC1(t)为t时刻输入变量间的马氏距离，IC2(t)为t时刻的平方预测误差，M代表输入数据的主要成分个数,θM(t)为t时刻第M个主成分输入数据的隐含层输出向量。δ(t)＝[δ1(t),…,δm(t),…,δM(t)]T为t时刻输入数据的映射，并且δm(t)为
其中，为t时刻对于隐含层的M个主要成分输入数据的中心化的输出向量。K为当前样本个数，为t时刻第m个主成分输入数据的输出向量，ak(t)是常数，并且ak(t)∈(0,0.01]，t时刻M个主要成分的特征值对角矩阵被定义为：
ΛM(t)为t时刻特征值的对角矩阵，满足：
其中，I(t)是单位矩阵，是正则化的协方差矩阵C(t)，l’(t)是一个常数，满足：
Ω(t)＝IC1(t)+l'-1(t)IC2(t) (16)
其中，Ω(t)为t时刻每个输入变量的能量，θk(t)为t时刻第k个样本的隐含层神经元输出向量。
常数向量a(t)＝[a1(t),…aj(t),…aK(t)]T为
其中，G(t)为t时刻输入变量的高斯矩阵，并且λ(t)为特征值
G(t)＝{θi(t)·θj(t)}K×K (19)
λ(t)p(t)＝C(t)p(t) (20)
其中，p(t)为t时刻协方差矩阵C(t)的特征向量；
③对于第i个输入变量，其贡献度指数定义如下：
其中，Gi(t)为t时刻第i个变量的贡献度指数，κi(t)为t时刻第i个变量的贡献度，对于第i个变量t时刻的测试数据xi(t)，计算该测试数据与测试数据和训练数据之间的差异集的互信息得到，κi(t)表达为：
κi(t)＝I(xi(t),VΔ(t)) (22)
I(xi(t),VΔ(t))为t时刻测试数据xi(t)与测试数据和训练数据间的差异集VΔ(t)之间的互信息：
VΔ(t)＝Vtr(t)-Vte(t) (23)
其中，Vtr(t)，Vte(t)分别为t时刻训练数据集和测试数据集的独立数据集：
Vtr(t)＝D-1(t)G(t) (24)
Vte(t)＝Dte -1(t)Gte(t) (25)
其中，D(t)为t时刻Φ(t)的协方差矩阵：
D(t)＝E{Φ(t)ΦT(t)} (26)
Φ(t)＝[θ(t-K+1),…,θ(t-1),θ(t)]T (27)
其中，Φ(t)为t时刻隐含层输出矩阵，θ(t-K+1)为递归RBF神经网络t-K+1时刻的隐含层神经元输出向量；
④对于变量i，若t时刻贡献度指标Gi(t)满足条件：
G1(t)+…Gi(t)≥0.8 (28)
则变量1,…,i为t时刻引起污泥膨胀的故障变量。
本发明的创造性主要体现在：
(1)本发明针对当前污水处理过程中频繁发生的污泥膨胀现象并且原因不易探究，提出了一种基于递归RBF神经网络的污泥膨胀故障辨识方法，不仅能够预测污泥膨胀的发生，还能辨识引起污泥膨胀的故障变量。根据实际污水处理厂工作报表提取了与污泥容积指数SVI浓度相关的5个相关变量：溶解氧浓度DO，混合悬浮物浓度MLSS，温度T，化学需氧量COD以及总氮TN，实现了污泥容积指数SVI浓度的预测，解决了污泥膨胀的在线预测问题。
(2)本发明采用故障变量辨识CVI算法，有效的辨识引起污泥膨胀的故障变量，从而，实现了提前对污泥膨胀的有效调节控制；辨识故障变量具有精度高，对污水处理过程发生的污泥膨胀有良好的调节作用；
特别要注意：本发明采用与污泥容积指数SVI相关的6个特征变量建立其软测量模型，只要采用了本发明的相关变量及递归RBF神经网络进行污泥容积指数SVI检测方法研究都应属于本发明的范围。
附图说明
图1是本发明的递归RBF神经网络初始结构拓扑图；
图2是本发明的污泥容积指数SVI的预测结果图，其中蓝色实线为递归RBF神经网络的预测值，红色实线为污泥容积指数SVI的实际输出值；
图3是本发明污泥容积指数SVI的预测误差图；
图4是本发明IC1(t)变化值图；
图5是本发明IC2(t)变化值图；
图6是本发明对应IC1(t)和IC2(t)变化的标记故障点，其中绿色实线对应IC1(t)的变化标记的故障点，红色实线对应IC2(t)的变化标记的故障点；
图7是本发明输入变量的贡献度指数值图；
表1-12是本发明实验数据，表1-5为训练样本输入，表6-10为预测样本输入，表11为污泥容积指数SVI实际输出值，表12为污泥容积指数SVI预测输出值。
具体实施方式
本发明选取污泥容积指数SVI的特征变量为混合悬浮物浓度MLSS、温度T、溶解氧浓度DO、化学需氧量COD以及总氮TN，以上单位均为毫克/升；
实验数据来自某污水处理厂2014年水质分析日报表；剔除异常实验样本后剩余100组可用数据，其中60组用作训练数据，其余40组作为测试数据；本发明采用了如下的技术方案及实现步骤：
基于递归RBF神经网络的污泥膨胀故障辨识算法具体步骤如下：
1.一种基于递归RBF神经网络的污泥膨胀故障辨识方法，其特征在于通过特征分析获取污泥容积指数SVI的特征值，采用递归RBF神经网络建立污泥容积指数SVI的软测量模型，利用故障变量辨识CVI算法，辨识引起污泥膨胀的故障变量，包括以下步骤：
(1)确定污泥容积指数SVI的输入与输出变量：以活性污泥法污水处理过程为研究对象，对污水处理过程变量进行特征分析，选取与污泥容积指数SVI相关的过程变量为污泥容积指数SVI软测量模型的输入：溶解氧DO浓度，混合悬浮物MLSS浓度，温度T，化学需氧量COD浓度以及总氮TN浓度，污泥容积指数SVI软测量模型的输出为污泥容积指数SVI值；
(2)设计用于污泥容积指数SVI的软测量模型，利用递归RBF神经网络建立污泥容积指数SVI的软测量模型，递归RBF神经网络的拓扑结构分为三层：输入层、隐含层、输出层；神经网络为5-5-1的连接方式，即输入层神经元为5个，隐含层神经元为5个，输出层神经元为1个；输入层与隐含层之间的连接权值都赋值为1，隐含层与输出层之间的连接权值随机赋值，赋值区间为[-1,1]；设共有N个训练样本，设第t时刻递归RBF神经网络输入为x(t)＝[x1(t)，x2(t)，x3(t)，x4(t)，x5(t)]，x1(t)表示t时刻溶解氧浓度DO，x2(t)表示t时刻混合悬浮物浓度MLSS，x3(t)表示t时刻温度T，x4(t)表示t时刻化学需氧量COD浓度，x5(t)表示t时刻总氮TN浓度，递归RBF神经网络的期望输出表示为yd(t)，实际输出表示为y(t)；基于递归RBF神经网络的污泥容积指数SVI的软测量方法计算方式依次为：
①输入层：该层由5个神经元组成，每个神经元的输出为：
ui(t)＝xi(t) (29)
其中，ui(t)是t时刻第i个神经元的输出,i＝1,2,…,5，xi(t)为t时刻输入层第i个神经元的输入；
②隐含层：隐含层由J个神经元组成，每个神经元的输出为：
其中，cj(t)为t时刻第j个隐含层神经元的中心向量，cj(t)＝[c1j(t),c2j(t),…,c5j(t)]，cij(t)表示隐含层t时刻第j个神经元中心值的第i个元素，||hj(t)-cj(t)||表示hj(t)与cj(t)之间的欧式距离，σj(t)是t时刻第j个隐含层神经元的宽度，hj(t)是t时刻第j个隐含层神经元的输入向量
hj(t)＝[u1(t),u2(t),u3(t),u4(t),u5(t),vj(t)×y(t-1)] (31)
y(t-1)是t-1时刻递归RBF神经网络的输出，vj(t)为t时刻输出神经元与第j个隐含层神经元的反馈连接权值，v(t)＝[v1(t),v2(t),…,vJ(t)]T为t时刻输出神经元与隐含层神经元的反馈连接权值向量，T表示转置；
③输出层：输出层输出为：
其中，w(t)＝[w1(t),w2(t),...,wJ(t)]T为t时刻隐含层与输出层的连接权值向量，wj(t)为t时刻第j个隐含层神经元与输出神经元的连接权值，θ(t)＝[θ1(t),θ2(t),...,θJ(t)]T为t时刻隐含层的输出向量，θj(t)为t时刻第j个隐含层神经元的输出，y(t)为t时刻递归RBF神经网络的输出；
定义递归RBF神经网络的误差为：
其中，yd(t)为t时刻递归RBF神经网络的期望输出，y(t)为t时刻递归RBF神经网络的实际输出；
(3)训练递归RBF神经网络，具体为：
①给定递归RBF神经网络的隐含层神经元个数为J，J为大于2的正整数，递归RBF神经网络的输入为x(1)，x(2)，…，x(t)，…，x(N)，对应的期望输出为yd(1)，yd(2)，…，yd(t)，…，yd(N)，N表示递归RBF神经网络的训练样本数，期望误差值设为Ed，Ed∈(0,0.01)，初始中心值cj(1)中每个变量的赋值区间为[-2,2]，初始中心宽度σj(1)的赋值区间为[0,1]，初始反馈连接权值vj(t)的赋值区间为[0,1]，j＝1，2，…，J；初始权值w(1)中每个变量的赋值区间为[-1,1]；
②设置学习步数s＝1；
③t＝s，根据公式(1)、(2)、(3)、(4)计算递归RBF神经网络的输出y(t)，运用快速下降算法调整递归RBF神经网络的参数为：
vj(t+1)＝vj(t)-ηv(yd(t)-y(t))wj(t)θ(t)y(t-1) (36)
wj(t+1)＝wj(t)-ηw(yd(t)-y(t))θj(t) (37)
其中，ηc为中心c的学习率，ηc∈(0,0.01]；ησ为宽度σ的学习率，ησ∈(0,0.01]；ηv为反馈连接权值v的学习率,ηv∈(0,0.02]；ηw为连接权值w的学习率，ηw∈(0,0.01]；cj(t+1)＝[c1j(t+1),c2j(t+1),…,c5j(t+1)]为t+1时刻第j个隐含层神经元的中心向量；σj(t+1)为t+1时刻第j个隐含层神经元的宽度；vj(t+1)为t+1时刻输出神经元与第j个隐含层神经元的反馈连接权值；wj(t+1)为t+1时刻第j个隐含层神经元与输出神经元的连接权值；
④学习步数s增加1，如果步数s<N，则转向步骤③进行继续训练，如果s＝N转向步骤⑤；
⑤根据公式(33)计算递归RBF神经网络的性能，如果E(t)≥Ed，则转向步骤③进行继续训练，如果E(t)<Ed，则停止训练；
(4)污泥容积指数SVI浓度预测；
将测试样本数据作为训练后的递归RBF神经网络的输入，递归RBF神经网络的输出即为污泥容积指数SVI浓度的软测量值。污泥容积指数SVI预测效果如图2所示，X轴：预测样本数，单位是个，Y轴：污泥容积指数SVI预测输出，单位是毫克/升，红色实线为污泥容积指数SVI浓度实际输出值，蓝色实线是污泥容积指数SVI浓度预测输出值；污泥容积指数SVI实际输出与预测输出的误差如图3，X轴：样本数，单位是个，Y轴：污泥容积指数SVI预测误差，单位是毫克/升；
(5)污泥膨胀故障变量辨识算法CVI，具体为：
①计算递归RBF神经网络的输出与期望输出的差值，若满足条件：
转向步骤②，若不满足，则停止故障变量辨识过程；
②定义两个公式如下：
其中，IC1(t)为t时刻输入变量间的马氏距离，IC2(t)为t时刻的平方预测误差，M代表输入数据的主要成分个数,θM(t)为t时刻第M个主成分输入数据的隐含层输出向量。δ(t)＝[δ1(t),…,δm(t),…,δM(t)]T为t时刻输入数据的映射，并且δm(t)为
其中，为t时刻对于隐含层的M个主要成分输入数据的中心化的输出向量。K为当前样本个数，为t时刻第m个主成分输入数据的输出向量，ak(t)是常数，并且，ak(t)∈(0,0.01]，t时刻M个主要成分的特征值对角矩阵被定义为：
ΛM(t)为t时刻特征值的对角矩阵，满足：
其中，l’(t)是一个常数，I(t)是单位矩阵，是正则化的协方差矩阵C(t)，满足：
Ω(t)＝IC1(t)+l'-1(t)IC2(t) (44)
其中，Ω(t)为t时刻每个输入变量的能量。θk(t)为t时刻第k个隐含层神经元输出向量.
常数向量a(t)＝[a1(t),…aj(t),…aK(t)]T为
其中，G(t)为t时刻输入变量的高斯矩阵，并且λ(t)为特征值
G(t)＝{θi(t)·θj(t)}K×K (47)
λ(t)p(t)＝C(t)p(t) (48)
其中，p(t)为t时刻协方差矩阵C(t)的特征向量；
③对于第i个输入变量，其贡献度指数定义如下：
其中，Gi(t)为t时刻第i个变量的贡献度指数，κi(t)为t时刻第i个变量的贡献度，对于第i个变量t时刻的测试数据xi(t)，计算该测试数据与测试数据和训练数据之间的差异集的互信息得到，κi(t)表达为：
κi(t)＝I(xi(t),VΔ(t)) (50)
I(xi(t),VΔ(t))为t时刻测试数据xi(t)与测试数据和训练数据间的差异集VΔ(t)之间的互信息：
VΔ(t)＝Vtr(t)-Vte(t) (51)
其中，Vtr(t)，Vte(t)分别为t时刻训练数据集和测试数据集的独立数据集：
Vtr(t)＝D-1(t)G(t) (52)
Vte(t)＝Dte -1(t)Gte(t) (53)
其中，D(t)为t时刻Φ(t)的协方差矩阵：
D(t)＝E{Φ(t)ΦT(t)} (54)
Φ(t)＝[θ(t-K+1),…,θ(t-1),θ(t)]T (55)
其中，Φ(t)为t时刻隐含层输出矩阵，θ(t-K+1)为递归RBF神经网络t-K+1时刻的隐含层神经元输出向量；
④对于变量i，若t时刻贡献度指标Gi(t)满足条件：
G1(t)+…Gi(t)≥0.8 (56)
则变量1,…,i为t时刻引起污泥膨胀的故障变量。
IC1(t)变化值如图4所示，X轴：预测样本数，单位是个，Y轴：IC1(t)变化值；IC2(t)变化值如图5所示，X轴：预测样本数，单位是个，Y轴：IC2(t)变化值；对应IC1(t)和IC2(t)变化的标记故障点如图6所示，X轴：样本数，单位是个，Y轴：标记故障点，其中绿色实线对应IC1(t)的变化标记的故障点，红色实线对应IC2(t)的变化标记的故障点；输入变量的贡献度指数如图7所示，X轴：过程变量，Y轴：贡献度指数；
训练数据：
表1.化学需氧量COD的输入值(毫克/升)
317.655 319.9375 322.25 324.5625 326.875 329.1875 331.5 333.8125 336.125 338.4375
340.75 343.0345 347.6875 350 350.1875 350.375 350.5625 350.75 350.9375 351.125
351.3125 351.5 351.6875 351.875 352.0625 352.25 352.4375 352.625 352.8125 353
348.0625 343.125 338.1875 333.25 328.3125 323.375 318.4375 313.5 308.5625 303.625
305.6875 306.75 306.8125 307.875 308.9375 309 310.875 311.75 320.625 329.5
328.375 327.25 326.125 325 323.875 325.75 326.625 328.5 330.375 331.25
表2.溶解氧浓度DO的输入值(毫克/升)
6.845 7.246 6.659 7.239 6.255 6.735 6.481 6.724 6.944 7.434
6.917 7.842 6.128 7.901 7.405 7.647 7.879 7.434 7.179 7.234
6.532 6.543 6.554 6.088 6.974 6.222 7.893 6.058 6.664 7.753
6.695 6.38 7.751 6.112 6.935 7.038 7.506 6.355 6.152 6.222
7.974 6.129 6.853 7.138 6.178 6.555 6.617 7.151 7.924 6.525
6.899 7.194 7.555 7.29 7.044 6.975 6.311 7.014 6.556 6.108
表3.温度T的输入值
表4.混合悬浮物浓度MLSS的输入值(毫克/升)
1286.885 1287.375 1286.5 1285.625 1284.75 1283.875 1283 1282.125 1281.25 1283.375
1289.5 1288.625 1287.75 1287.875 1286 1287.313 1284.625 1283.938 1285.25 1282.563
1281.875 1281.188 1282.5 1283.813 1285.125 1284.438 1287.75 1287.063 1286.375 1285.688
1285 1285.188 1285.375 1287.563 1288.75 1289.938 1290.125 1296.313 1296.5 1296.688
1294.875 1297.063 1297.25 1297.438 1297.625 1297.813 1298 1297.375 1296.75 1296.125
1295.5 1293.875 1284.25 1293.625 1293 1302.375 1311.75 1321.125 1319.5 1329.875
表5.总氮TN的实际输出值(毫克/升)
41.275 41.3125 41.35 41.3875 41.425 42.4625 41.5 43.5375 41.575 44.6125
42.65 41.6875 41.725 44.7625 45.8 42.3125 42.825 43.3375 43.85 44.3625
44.875 45.3875 45.9 46.4125 46.925 47.4375 48.95 48.4625 48.975 49.4875
47.241 49.5375 49.075 48.6125 48.15 47.6875 47.225 46.7625 46.3 45.8375
47.375 48.9125 47.45 43.9875 43.525 44.0625 42.6 42.88125 43.1625 43.44375
43.725 44.00625 44.2875 44.56875 45.85 44.13125 47.4125 46.69375 45.975 46.25625
预测数据：
表6.化学需氧量COD的输入值(毫克/升)
332.125 334 334.8125 335.625 336.4375 337.25 338.0625 338.875 339.6875 340.5
341.3125 342.125 342.9375 341.75 342.5625 343.375 344.1875 343 343.875 344.75
345.625 344.5 346.375 347.25 348.125 349 349.875 349.75 349.625 349.5
349.375 350.25 351.125 359 356.375 353.75 351.125 348.5 345.875 346.25
表7.溶解氧浓度DO的输入值(毫克/升)
6.59875 6.693125 6.7875 7.281875 7.17625 7.070625 6.965 6.859375 6.75375 6.648125
7.5425 6.936875 6.93125 6.725625 7.12 7.178125 6.83625 6.994375 6.9525 6.410625
6.46875 6.526875 7.085 6.643125 6.80125 6.659375 6.8175 6.875625 6.93375 6.991875
7.25 7.3375 7.125 7.1125 7 6.9875 6.975 6.9625 6.95 6.9375
表8.温度T的输入值
23.1381 23.2841 23.4446 23.5598 23.6338 23.6680 23.6751 23.7307 23.7393 23.7535
23.7378 23.7193 23.6766 23.6295 23.6096 23.5570 23.4958 23.4489 23.4048 23.4006
23.3949 23.4048 23.4190 23.4915 23.8191 23.8477 23.8662 23.8905 23.0148 27.2087
27.2933 27.3334 27.317 27.3022 27.2888 27.2681 27.2354 27.1983 27.1584 27.0976
表9.混合悬浮物浓度MLSS的输入值(毫克/升)
1329.25 1338.625 1348 1346.25 1344.5 1342.75 1345 1350.25 1357.5 1355.75
1354.09 1352.25 1350.5 1348.75 1347 1345.25 1343.5 1341.75 1340 1338.25
1336.5 1334.75 1333 1331.25 1329.5 1327.75 1326 1324.25 1322.5 1320.75
1319 1317.25 1315.5 1313.75 1312 1308.688 1305.375 1302.063 1298.75 1295.438
表10.总氮TN的预测值(毫克/升)
46.5375 46.81875 47.1 47.3875 49.675 47.9625 48.25 49.5375 50.825 49.1125
48.4 47.6875 46.975 45.2625 46.55 47.8375 46.125 47.4125 45.7 44.6375
44.575 43.5125 41.45 41.3875 41.325 41.2625 43.2 42.1375 40.075 40.0125
40.95 39.8875 40.825 39.7625 38.7 36.475 36.25 36.025 36.8 37.575
表11.污泥容积指数SVI的实际输出值(毫克/升)
102.1318 104.5506 104.9427 105.2887 106.4809 107.2111 113.4479 119.0132 121.5167 115.047
119.9333 124.776 128.374 125.9713 130.4835 129.933 133.8057 135.4856 135.7096 134.7779
132.6632 136.047 135.7843 133.8904 131.9964 138.4294 144.1786 150.3707 152.1785 149.7829
154.45 154.7836 152.1172 157.832 155.5825 157.7072 158.4782 159.0304 160.8222 157.2703
表12.污泥容积指数SVI的预测输出值(毫克/升)
104.6798 103.4415 106.0121 102.9707 104.3378 105.9182 112.4079 118.0338 122.0289 118.0726
122.6676 127.6083 133.1356 128.6487 133.2567 132.7159 137.5757 138.2312 140.2654 139.2904
137.7872 137.7449 141.9649 139.9922 136.1045 143.3388 147.961 155.0361 159.5865 157.078
159.0946 160.3922 161.725 164.3612 166.4679 166.6599 165.2393 164.7875 163.0705 162.5019

Claims (1)

1.一种基于递归RBF神经网络的污泥膨胀故障辨识方法，其特征在于，包括以下步骤：
(1)确定污泥容积指数SVI的输入与输出变量：以活性污泥法污水处理过程为研究对象，对污水处理过程变量进行特征分析，选取与污泥容积指数SVI相关的过程变量为污泥容积指数SVI软测量模型的输入：溶解氧DO浓度，混合悬浮物MLSS浓度，温度T，化学需氧量COD浓度以及总氮TN浓度，污泥容积指数SVI软测量模型的输出为污泥容积指数SVI值；
(2)设计用于污泥容积指数SVI的软测量模型，利用递归RBF神经网络建立污泥容积指数SVI的软测量模型，递归RBF神经网络的拓扑结构分为三层：输入层、隐含层、输出层；神经网络为5-J-1的连接方式，即输入层神经元为5个，隐含层神经元为J个，J为大于2的正整数，输出层神经元为1个；输入层与隐含层之间的连接权值都赋值为1，隐含层与输出层之间的连接权值随机赋值，赋值区间为[-1,1]；设共有N个训练样本，设第t时刻递归RBF神经网络输入为x(t)＝[x1(t)，x2(t)，x3(t)，x4(t)，x5(t)]，x1(t)表示t时刻溶解氧浓度DO，x2(t)表示t时刻混合悬浮物浓度MLSS，x3(t)表示t时刻温度T，x4(t)表示t时刻化学需氧量COD浓度，x5(t)表示t时刻总氮TN浓度，递归RBF神经网络的期望输出表示为yd(t)，实际输出表示为y(t)；基于递归RBF神经网络的污泥容积指数SVI的软测量方法计算方式依次为：
①输入层：该层由5个神经元组成，每个神经元的输出为：
ui(t)＝xi(t) (1)
其中，ui(t)是t时刻第i个神经元的输出,i＝1,2,…,5，xi(t)为t时刻输入层第i个神经元的输入；
②隐含层：隐含层由J个神经元组成，每个神经元的输出为：
其中，cj(t)为t时刻第j个隐含层神经元的中心向量，cj(t)＝[c1j(t),c2j(t),…,c5j(t)]，cij(t)表示隐含层t时刻第j个神经元中心值的第i个元素，||hj(t)-cj(t)||表示hj(t)与cj(t)之间的欧式距离，σj(t)是t时刻第j个隐含层神经元的宽度，hj(t)是t时刻第j个隐含层神经元的输入向量
hj(t)＝[u1(t),u2(t),u3(t),u4(t),u5(t),vj(t)×y(t-1)] (3)
y(t-1)是t-1时刻递归RBF神经网络的输出，vj(t)为t时刻输出神经元与第j个隐含层神经元的反馈连接权值，v(t)＝[v1(t),v2(t),…,vJ(t)]T为t时刻输出神经元与隐含层神经元的反馈连接权值向量，T表示转置；
③输出层：输出层输出为：
其中，w(t)＝[w1(t),w2(t),...,wJ(t)]T为t时刻隐含层与输出层的连接权值向量，wj(t)为t时刻第j个隐含层神经元与输出神经元的连接权值，θ(t)＝[θ1(t),θ2(t),...,θJ(t)]T为t时刻隐含层的输出向量，θj(t)为t时刻第j个隐含层神经元的输出，y(t)为t时刻递归RBF神经网络的输出；
定义递归RBF神经网络的误差为：
其中，yd(t)为t时刻递归RBF神经网络的期望输出，y(t)为t时刻递归RBF神经网络的实际输出；
(3)训练递归RBF神经网络，具体为：
①给定递归RBF神经网络的隐含层神经元个数为J，J为大于2的正整数，递归RBF神经网络的输入为x(1)，x(2)，…，x(t)，…，x(N)，对应的期望输出为yd(1)，yd(2)，…，yd(t)，…，yd(N)，N表示递归RBF神经网络的训练样本数，期望误差值设为Ed，Ed∈(0,0.01)，初始中心值cj(1)中每个变量的赋值区间为[-2,2]，初始中心宽度σj(1)的赋值区间为[0,1]，初始反馈连接权值vj(t)的赋值区间为[0,1]，j＝1，2，…，J；初始权值w(1)中每个变量的赋值区间为[-1,1]；
②设置学习步数s＝1；
③t＝s，根据公式(1)、(2)、(3)、(4)计算递归RBF神经网络的输出y(t)，运用快速下降算法调整递归RBF神经网络的参数为：
vj(t+1)＝vj(t)-ηv(yd(t)-y(t))wj(t)θ(t)y(t-1) (8)
wj(t+1)＝wj(t)-ηw(yd(t)-y(t))θj(t) (9)
其中，ηc为中心c的学习率，ηc∈(0,0.01]；ησ为宽度σ的学习率，ησ∈(0,0.01]；ηv为反馈连接权值v的学习率,ηv∈(0,0.02]；ηw为连接权值w的学习率，ηw∈(0,0.01]；cj(t+1)＝[c1j(t+1),c2j(t+1),…,c5j(t+1)]为t+1时刻第j个隐含层神经元的中心向量；σj(t+1)为t+1时刻第j个隐含层神经元的宽度；vj(t+1)为t+1时刻输出神经元与第j个隐含层神经元的反馈连接权值；wj(t+1)为t+1时刻第j个隐含层神经元与输出神经元的连接权值；
④学习步数s增加1，如果步数s<N，则转向步骤③进行继续训练，如果s＝N转向步骤⑤；
⑤根据公式(5)计算递归RBF神经网络的性能，如果E(t)≥Ed，则转向步骤③进行继续训练，如果E(t)<Ed，则停止训练；
(4)污泥容积指数SVI浓度预测；
将测试样本数据作为训练后的递归RBF神经网络的输入，递归RBF神经网络的输出即为污泥容积指数SVI浓度的软测量值。
(5)污泥膨胀故障变量辨识算法CVI，具体为：
①计算递归RBF神经网络的输出与期望输出的差值，若满足条件：
转向步骤②，若不满足，则停止故障变量辨识过程；
②定义两个公式如下：
其中，IC1(t)为t时刻输入变量间的马氏距离，IC2(t)为t时刻的平方预测误差，M代表输入数据的主要成分个数,θM(t)为t时刻第M个主成分输入数据的隐含层输出向量，δ(t)＝[δ1(t),…,δm(t),…,δM(t)]T为t时刻输入数据的映射，δm(t)为
其中，为t时刻对于隐含层的M个主要成分输入数据的中心化的输出向量。K为当前样本个数，为t时刻第m个主成分输入数据的输出向量，ak(t)是常数，并且ak(t)∈(0,0.01]，t时刻M个主要成分的特征值对角矩阵被定义为：
ΛM(t)为t时刻特征值的对角矩阵，满足：
其中，l’(t)是一个常数，I(t)是单位矩阵，是正则化的协方差矩阵C(t)，满足：
Ω(t)＝IC1(t)+l'-1(t)IC2(t) (16)
其中，Ω(t)为t时刻每个输入变量的能量，θk(t)为t时刻第k个样本的隐含层神经元输出向量。
常数向量a(t)＝[a1(t),…aj(t),…aK(t)]T为
其中，G(t)为t时刻输入变量的高斯矩阵，并且λ(t)为特征值
G(t)＝{θi(t)·θj(t)}K×K (19)
λ(t)p(t)＝C(t)p(t) (20)
其中，p(t)为t时刻协方差矩阵C(t)的特征向量；
③对于第i个输入变量，其贡献度指数定义如下：
其中，Gi(t)为t时刻第i个变量的贡献度指数，κi(t)为t时刻第i个变量的贡献度，对于第i个变量t时刻的测试数据xi(t)，计算该测试数据与测试数据和训练数据之间的差异集的互信息得到，κi(t)表达为：
κi(t)＝I(xi(t),VΔ(t)) (22)
I(xi(t),VΔ(t))为t时刻测试数据xi(t)与测试数据和训练数据间的差异集VΔ(t)之间的互信息：
VΔ(t)＝Vtr(t)-Vte(t) (23)
其中，Vtr(t)，Vte(t)分别为t时刻训练数据集和测试数据集的独立数据集：
Vtr(t)＝D-1(t)G(t) (24)
Vte(t)＝Dte -1(t)Gte(t) (25)
其中，D(t)为t时刻Φ(t)的协方差矩阵：
D(t)＝E{Φ(t)ΦT(t)} (26)
Φ(t)＝[θ(t-K+1),…,θ(t-1),θ(t)]T (27)
其中，Φ(t)为t时刻隐含层输出矩阵，θ(t-K+1)为递归RBF神经网络t-K+1时刻的隐含层神经元输出向量；
④对于变量i，若t时刻贡献度指标Gi(t)满足条件：
G1(t)+…Gi(t)≥0.8 (28)
则变量1,…,i为t时刻引起污泥膨胀的故障变量。
CN201710186738.5A 2017-03-27 2017-03-27 一种基于递归rbf神经网络的污泥膨胀故障辨识方法 Active CN107025338B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710186738.5A CN107025338B (zh) 2017-03-27 2017-03-27 一种基于递归rbf神经网络的污泥膨胀故障辨识方法
US15/798,263 US11144816B2 (en) 2017-03-27 2017-10-30 Fault identifying method for sludge bulking based on a recurrent RBF neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710186738.5A CN107025338B (zh) 2017-03-27 2017-03-27 一种基于递归rbf神经网络的污泥膨胀故障辨识方法

Publications (2)

Publication Number Publication Date
CN107025338A true CN107025338A (zh) 2017-08-08
CN107025338B CN107025338B (zh) 2020-04-03

Family

ID=59525404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710186738.5A Active CN107025338B (zh) 2017-03-27 2017-03-27 一种基于递归rbf神经网络的污泥膨胀故障辨识方法

Country Status (2)

Country Link
US (1) US11144816B2 (zh)
CN (1) CN107025338B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898215A (zh) * 2018-07-18 2018-11-27 北京工业大学 一种基于二型模糊神经网络的污泥膨胀智能辨识方法
CN111177971A (zh) * 2019-12-13 2020-05-19 沈阳化工大学 一种污泥体积指数分布式软测量方法
CN113962259A (zh) * 2021-10-11 2022-01-21 燕山大学 一种燃料电池系统多模式双层故障诊断方法
CN114314818A (zh) * 2022-03-15 2022-04-12 兰州建投环保节能产业有限公司 一种基于中介物原理的污泥膨胀处理装置
CN114660248A (zh) * 2020-12-22 2022-06-24 中国石油化工股份有限公司 基于多步预测策略的cod预警方法和装置

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7179663B2 (ja) * 2019-03-28 2022-11-29 三菱重工業株式会社 プラント監視装置、プラント監視方法、及びプログラム
CN109948863B (zh) * 2019-03-28 2021-08-03 杭州电子科技大学 基于长短期记忆模型lstm的排水管网窨井液位预测方法
CN110232256B (zh) * 2019-06-28 2022-11-15 东北大学 一种基于kpls和rwfcm的污水处理过程监测方法
CN111079857B (zh) * 2019-12-30 2023-06-02 北京工业大学 一种基于过完备宽度学习模型的污水处理过程故障监测方法
CN111367181B (zh) * 2020-04-07 2022-06-07 北京工业大学 一种用于污水处理系统的混合驱动智能评判控制方法
CN111625762B (zh) * 2020-04-29 2023-07-25 广东省能源集团贵州有限公司 风机故障诊断方法
CN112085254B (zh) * 2020-08-05 2023-06-13 中国地质大学（武汉） 基于多重分形协同度量门控循环单元的预测方法及模型
CN112114103B (zh) * 2020-08-18 2021-07-20 华南理工大学 基于鲁棒自适应典型相关分析的污水厂污泥膨胀检测方法
CN112147885B (zh) * 2020-08-21 2022-06-07 北京工业大学 一种基于执行-评判结构的溶解氧浓度智能优化控制方法
CN112417765B (zh) * 2020-12-02 2024-02-02 华东理工大学 一种基于改进师生网络模型的污水处理过程故障检测方法
CN112948924B (zh) * 2021-02-06 2023-05-26 合肥工业大学 基于覆岩结构的近松散层开采导水裂隙带高度确定方法
CN113052379A (zh) * 2021-03-17 2021-06-29 河北工程大学 一种基于bas-rbf的番茄需水预测方法
CN113077039B (zh) * 2021-03-22 2024-05-28 北京工业大学 基于任务驱动rbf神经网络的出水总氮tn软测量方法
CN113225346A (zh) * 2021-05-12 2021-08-06 电子科技大学 一种基于机器学习的网络运维态势评估方法
CN113627016B (zh) * 2021-08-10 2022-03-25 哈尔滨工业大学 基于前向递归的小行程纳米运动台滞回特性建模方法
CN114296489B (zh) * 2021-12-04 2022-09-20 北京工业大学 基于事件触发的rbf-pid城市固废焚烧过程炉膛温度控制方法
CN114372096B (zh) * 2021-12-24 2023-10-27 华南理工大学 一种针对污泥膨胀的特征提取典型相关分析在线监测方法
CN114636788B (zh) * 2022-02-28 2022-12-16 华南理工大学 基于改进贡献图和格兰杰因果分析的污泥膨胀诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06328091A (ja) * 1993-05-25 1994-11-29 Meidensha Corp 生物学的処理装置の制御システムにおける汚泥容量指標推定方法
CN102494979A (zh) * 2011-10-19 2012-06-13 北京工业大学 一种污泥沉降体积指数svi的软测量方法
CN102778548A (zh) * 2012-06-21 2012-11-14 北京工业大学 一种污水处理过程污泥膨胀指数预测方法
CN103886369A (zh) * 2014-03-27 2014-06-25 北京工业大学 一种基于模糊神经网络的出水总磷tp预测方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06328091A (ja) * 1993-05-25 1994-11-29 Meidensha Corp 生物学的処理装置の制御システムにおける汚泥容量指標推定方法
CN102494979A (zh) * 2011-10-19 2012-06-13 北京工业大学 一种污泥沉降体积指数svi的软测量方法
CN102778548A (zh) * 2012-06-21 2012-11-14 北京工业大学 一种污水处理过程污泥膨胀指数预测方法
CN103886369A (zh) * 2014-03-27 2014-06-25 北京工业大学 一种基于模糊神经网络的出水总磷tp预测方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAN H, QIAO J: "Hierarchical Neural Network Modeling Approach to Predict Sludge Volume Index of Wastewater Treatment Process", 《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY》 *
许少鹏, 韩红桂, 乔俊飞: "基于模糊递归神经网络的污泥容积指数预测模型", 《化工学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898215A (zh) * 2018-07-18 2018-11-27 北京工业大学 一种基于二型模糊神经网络的污泥膨胀智能辨识方法
CN108898215B (zh) * 2018-07-18 2022-06-14 北京工业大学 一种基于二型模糊神经网络的污泥膨胀智能辨识方法
CN111177971A (zh) * 2019-12-13 2020-05-19 沈阳化工大学 一种污泥体积指数分布式软测量方法
CN111177971B (zh) * 2019-12-13 2023-08-22 沈阳化工大学 一种污泥体积指数分布式软测量方法
CN114660248A (zh) * 2020-12-22 2022-06-24 中国石油化工股份有限公司 基于多步预测策略的cod预警方法和装置
CN113962259A (zh) * 2021-10-11 2022-01-21 燕山大学 一种燃料电池系统多模式双层故障诊断方法
CN114314818A (zh) * 2022-03-15 2022-04-12 兰州建投环保节能产业有限公司 一种基于中介物原理的污泥膨胀处理装置

Also Published As

Publication number Publication date
US11144816B2 (en) 2021-10-12
US20180276531A1 (en) 2018-09-27
CN107025338B (zh) 2020-04-03

Similar Documents

Publication Publication Date Title
CN107025338A (zh) 一种基于递归rbf神经网络的污泥膨胀故障辨识方法
CN105510546B (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
CN104965971B (zh) 一种基于模糊神经网络的氨氮浓度软测量方法
CN106096730B (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
Bagheri et al. Modeling and optimization of activated sludge bulking for a real wastewater treatment plant using hybrid artificial neural networks-genetic algorithm approach
CN106295800B (zh) 一种基于递归自组织rbf神经网络的出水总氮tn智能检测方法
CN109133351A (zh) 膜生物反应器-mbr膜污染智能预警方法
CN104182794B (zh) 一种基于神经网络的污水处理过程出水总磷tp软测量方法
CN108469507B (zh) 一种基于自组织rbf神经网络的出水bod软测量方法
CN108898215B (zh) 一种基于二型模糊神经网络的污泥膨胀智能辨识方法
CN102854296A (zh) 一种基于集成神经网络的污水处理软测量方法
CN105574326A (zh) 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
CN109492265B (zh) 基于动态非线性pls软测量方法的废水出水指标预测方法
CN103606006A (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
CN111160776A (zh) 利用分块主成分分析的污水处理过程异常工况检测方法
CN106845142A (zh) 基于改进的粗糙集‑集对分析的水质评价方法
CN110981021B (zh) 一种基于模糊bp神经网络的废水高级氧化处理智能加药系统及方法
WO2021114320A1 (zh) 一种oica和rnn融合模型的污水处理过程故障监测方法
CN102778548B (zh) 一种污水处理过程污泥膨胀指数预测方法
Pai et al. Improving neural network prediction of effluent from biological wastewater treatment plant of industrial park using fuzzy learning approach
Yetilmezsoy et al. Adaptive neuro-fuzzy inference-based modeling of a full-scale expanded granular sludge bed reactor treating corn processing wastewater
Naser et al. Simulation of low TDS and biological units of Fajr industrial wastewater Treatment plant using artificial neural network and principal component analysis hybrid method
Türkmenler et al. Performance assessment of advanced biological wastewater treatment plants using artificial neural networks
CN111204867B (zh) 膜生物反应器-mbr膜污染智能决策方法
CN112819087A (zh) 一种基于模块化神经网络的出水bod传感器异常检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant