CN108563118B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108563118B CN108563118B CN201810238153.8A CN201810238153A CN108563118B CN 108563118 B CN108563118 B CN 108563118B CN 201810238153 A CN201810238153 A CN 201810238153A CN 108563118 B CN108563118 B CN 108563118B
- Authority
- CN
- China
- Prior art keywords
- time
- dissolved oxygen
- neural network
- concentration
- fuzzy neural
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明提出了一种基于自适应模糊神经网络溶解氧模型预测控制方法,实现了污水处理过程中溶解氧DO浓度精确在线控制。针对污水处理过程中具有不确定性、非线性、强耦合性,无法建立精确的数学模型,溶解氧DO浓度难以控制的特点,该控制方法通过自适应地调整神经网络参数,提高神经网络的处理能力,建立基于模糊神经网络的预测模型和设计利用模型预测控制方法进行控制,能够提高控制的效果;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具有较好的自适应能力,能够达到溶解氧DO浓度的精确在线控制的目的,提高污水处理的效果、降低了能耗。
Description
技术领域
本发明利用基于自适应模糊神经网络的模型预测控制方法实现污水处理过程中溶解氧DO浓度的控制,溶解氧DO浓度的控制效果直接影响到污水处理厂的出水水质和运行能耗的问题。污水处理系统中溶解氧DO浓度精确在线控制既能够提高污水处理效果,又能够降低运行能耗和成本。溶解氧DO浓度的精确在线控制既属于水处理领域,又属于智能控制领域。
背景技术
近些年来,水资源短缺的问题日益严峻,与此同时,水质恶劣,水体富营养化现象频繁发生。中国环境保护部发布的《2017年中国环境状况公报》指出,全国地表水中,IV~劣V类累计占比达到30%,近十分之一的劣于V类水体丧失水体使用功能;112个重要湖泊中,IV~劣V类累计占比达到34%,108个监测营养状态的湖库中,24.6%的重点湖库呈富营养状态,三分之一湖库水质不达标,并且水质被污染的程度还在不断加剧。如何获取清洁且安全健康的水资源;如何及时有效处理污水并再次利用,成为当今社会急需解决的问题。因此,污水处理技术迎来了前所未有的发展机遇。研究污水处理过程运行控制技术,在保证精确控制的前提下,实现污水处理厂出水水质达标,降低能耗,以及控制运行高效稳定是未来污水处理厂的必然发展趋势。
目前,溶解氧DO浓度的控制是污水处理工艺中最为广泛应用的方法,溶解氧DO浓度直接影响到微生物的生长环境以及污水处理过程中污染物去除和有机物降解的效果,同时,对污水处理厂提高出水水质和降低运行成本都起到了重要作用,因此溶解氧DO浓度的控制是污水处理过程中的重点。
溶解氧DO浓度的传统控制方法主要是采用PID控制,在保持系统三个环节参数不变的情况下,实现溶解氧DO浓度的控制,然而,污水处理过程是一个具有非线性、不确定性、时变性的复杂过程,PID控制器需要大量的经验数据,无法实现有效的控制。因此,寻求一种高效精确的方法将其应用于污水处理过程溶解氧DO浓度控制成为亟待解决的问题;模糊神经网络具有较强的学习和不确定性处理能力,以及抗干扰能力;基于自适应模糊神经网络的模型预测控制方法能够实现对污水处理过程中溶解氧DO浓度的在线控制,提高了控制的精度,同时保障了出水水质和降低了消耗,保障污水处理过程能够高效稳定地运行。
本发明设计了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,通过构建自适应模糊神经网络模型,利用模型预测控制的方法实现溶解氧DO浓度的精确在线控制。
发明内容
本发明获得了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,该控制器是基于自适应模糊神经网络,构建污水处理过程模型,实时改变神经网络参数,同时利用模型预测控制方法达到精确在线控制溶解氧DO浓度的目的;解决了控制器根据环境自动调整的问题;提高了溶解氧DO浓度在线控制的精度;降低了运行能耗;
本发明采用了如下的技术方案及实现步骤:
1.一种基于自适应模糊神经网络的溶解氧DO模型预测控制方法,
针对序批式间歇活性污泥系统中溶解氧DO浓度进行控制,以鼓风机曝气量和内回流量为控制量,溶解氧DO浓度为被控量;
其特征在于,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,ec(t)=[ec(t+1),ec(t+2),…,ec(t+Hp)]T,ec(t)为t时刻溶解氧DO浓度设定值与溶解氧DO浓度预测值的误差向量,ec(t+1)为t+1时刻溶解氧DO浓度设定值与溶解氧DO浓度预测值的误差值,ec(t+2)为t+2时刻溶解氧DO浓度设定值与溶解氧DO浓度预测值的误差值,ec(t+Hp)为t+Hp时刻溶解氧DO浓度设定值与溶解氧DO浓度预测值的误差值,Hp为预测时域,Hp∈[1,10],u(t)=[KLa(t),Qa(t)],u(t)为t时刻鼓风机的曝气和内回流向量,KLa(t)为t时刻鼓风机的曝气量,Qa(t)为t时刻内回流量,Δu(t)=[Δu(t),Δu(t+1),…,Δu(t+Hu-1)]T,Δu(t)为t时刻鼓风机的曝气和内回流调整向量,Δu(t+1)为t+1时刻鼓风机的曝气和内回流调整向量,Δu(t+Hu-1)为t+Hu-1时刻鼓风机的曝气和内回流调整向量,Hu为控制变量的变化时域,Hu∈[1,5](Hp≤Hu),T为公式的转置,α和ρ是控制参数,α∈[0,1],ρ∈[0,1],限制条件:
Δu(t)=u(t+1)-u(t),
|Δu(t)|≤Δumax, (2)
其中,Δumax为控制器允许的最大曝气和内回流调整向量,Δumax根据控制系统设备中鼓风机和内回流阀门进行设置;
(2)设计用于污水处理过程中溶解氧DO浓度预测的自适应模糊神经网络,自适应模糊神经网络的结构分为四层:输入层、径向基RBF层、规则层和输出层,自适应模糊神经网络的输入为x(t)=[y(t-1),y(t-2),Qa(t-5),Qa(t-6),KLa(t-5),KLa(t-6)],y(t-1)为t-1时刻污水处理过程中溶解氧DO浓度的实际值,y(t-2)为t-2时刻污水处理过程中溶解氧DO浓度的实际值,Qa(t-5)为t-5时刻污水处理过程中内回流量,Qa(t-6)为t-6时刻污水处理过程中内回流量,KLa(t-5)为t-5时刻污水处理过程中曝气量,KLa(t-6)为t-6时刻污水处理过程中曝气量,自适应模糊神经网络的输出为溶解氧DO浓度预测值
初始化自适应模糊神经网络:确定神经网络6-7-7-1的连接方式,即输入层神经元为6个,径向基RBF层神经元为7个,规则层神经元为7个;输出层神经元为1个;模糊神经网络输入层到径向基RBF层的连接权值为1,径向基RBF层到规则层的连接权值为1,规则层和输出层间的连接权值在[0,1]范围内进行随机赋值;模糊神经网络的输出表示如下:
其中,为t时刻模糊神经网络的输出,表示为t时刻污水处理过程中溶解氧DO浓度的预测值,wk(t)为t时刻模糊神经网络规则层第k个神经元和输出层的连接权值,k=1,2,…,7;vk(t)为t时刻模糊神经网络规则层第k个神经元的输出,其计算公式为:
其中,φk(t)表示为t时刻模糊神经网络径向基RBF层第k个神经元的输出,φl(t)表示为t时刻模糊神经网络径向基RBF层第l个神经元的输出,l=1,2,…,7;其计算公式为:
其中cl(t)表示t时刻模糊神经网络径向基RBF层第l个神经元中心值向量,σl(t)表示t时刻模糊神经网络径向基RBF层第l个神经元的中心宽度值向量;
(3)训练基于自适应模糊神经网络,具体为:
①给定一个模糊神经网络,径向基RBF层和规则层神经元均为7个,输入为x(t)=[y(t-1),y(t-2),Qa(t-5),Qa(t-6),KLa(t-5),KLa(t-6)],进行训练,并设定计算步数q=1;
②对模糊神经网络的参数进行更新:
其中θ(t)=[w(t),c(t),σ(t)],w(t)为t时刻规则层神经元与输出层神经元间的连接权值向量,c(t)为t时刻模糊神经网络径向基RBF层神经元的中心值向量,σ(t)为t时刻模糊神经网络径向基RBF层神经元的中心宽度值向量,表示为t时刻实际测量的溶解氧DO浓度值与溶解氧DO浓度预测值的误差值,I为单位矩阵;λ为学习率,λ∈(0.001,0.01);
(4)用训练后的自适应模糊神经网络预测溶解氧DO浓度 为t+1时刻污水处理系统溶解氧DO浓度预测值,为t+2时刻污水处理系统溶解氧DO浓度预测值,为t+Hp时刻污水处理系统溶解氧DO浓度预测值,同时,计算曝气和内回流调整向量:
其中,ζ∈(0,1]表示控制学习率,u(t)=[KLa(t)Qa(t)],KLa(t)为t时刻鼓风机的曝气量,Qa(t)为t时刻内回流量,Δu(t)取的第一个值Δu(t)作为控制器的调整向量,即对t时刻的污水处理过程曝气量和内回流量进行调整:
u(t+1)=u(t)+Δu(t), (8)
其中u(t+1)为t+1时刻鼓风机的曝气和内回流向量,Δu(t)为控制器t时刻的控制向量;
(5)利用求解出的u(t)对溶解氧DO浓度进行控制,u(t)即为t时刻变频器和传感器的输入,变频器通过调节电动机的转速达到控制鼓风机的目的,传感器通过调节仪表的开度达到控制阀门的目的,最终控制曝气量和内回流量,整个控制系统的输出为溶解氧DO浓度的实际值。
本发明的创造性主要体现在:
(1)本发明针对污水处理过程具有不确定性、非线性、强耦合性等特点;难以实现对污水处理过程建立精确数学模型,根据神经网络具有较强的学习能力和逼近能力,采用了基于自适应模糊神经网络的溶解氧模型预测控制方法对污水处理过程的溶解氧DO浓度进行在线控制,具有控制精度高,高效稳定等特点;
(2)本发明采用了基于自适应模糊神经网络的溶解氧模型预测控制方法对污水处理过程溶解氧DO浓度进行在线控制,该控制方法较好地解决了非线性系统难以建模和控制的问题,实现了溶解氧DO浓度的精确在线控制;解决了控制污水处理过程溶解氧DO浓度仅依靠人工经验实现的问题,具有精度高,能耗低,稳定性强等特点;
附图说明
图1是本发明的模糊神经网络拓扑结构;
图2是本发明的控制器结构图;
图3是本发明控制系统溶解氧DO浓度结果图
图4是本发明控制系统溶解氧DO浓度误差图
具体实施方式
本发明获得了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,该控制器是基于自适应模糊神经网络,构建污水处理过程模型,实时改变神经网络参数,同时利用模型预测控制方法达到精确在线控制溶解氧DO浓度的目的;解决了控制器根据环境自动调整的问题;提高了溶解氧DO浓度在线控制的精度;降低了运行能耗;
本发明采用了如下的技术方案及实现步骤:
1.一种基于自适应模糊神经网络的溶解氧DO模型预测控制方法,
针对序批式间歇活性污泥系统中溶解氧DO浓度进行控制,以鼓风机曝气量和内回流量为控制量,溶解氧DO浓度为被控量;
其特征在于,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,ec(t)=[ec(t+1),ec(t+2),…,ec(t+Hp)]T,ec(t)为t时刻溶解氧DO浓度设定值与溶解氧DO浓度预测值的误差向量,ec(t+1)为t+1时刻溶解氧DO浓度设定值与溶解氧DO浓度预测值的误差值,ec(t+2)为t+2时刻溶解氧DO浓度设定值与溶解氧DO浓度预测值的误差值,ec(t+Hp)为t+Hp时刻溶解氧DO浓度设定值与溶解氧DO浓度预测值的误差值,Hp为预测时域,Hp=5,u(t)=[KLa(t),Qa(t)],u(t)为t时刻鼓风机的曝气和内回流向量,KLa(t)为t时刻鼓风机的曝气量,Qa(t)为t时刻内回流量,Δu(t)=[Δu(t),Δu(t+1),…,Δu(t+Hu-1)]T,Δu(t)为t时刻鼓风机的曝气和内回流调整向量,Δu(t+1)为t+1时刻鼓风机的曝气和内回流调整向量,Δu(t+Hu-1)为t+Hu-1时刻鼓风机的曝气和内回流调整向量,Hu为控制变量的变化时域,Hu=1,T为公式的转置,α和ρ是控制参数,α=0.85,ρ=0.95,限制条件:
Δu(t)=u(t+1)-u(t),
|Δu(t)|≤Δumax, (10)
其中,Δumax=[ΔKLamax(t),ΔQamax(t)],ΔKLamax(t)=100升/分钟,表示为控制器允许的最大曝气调整量,ΔQamax(t)=500升/分钟,表示为控制器允许的最大内回流调整量,Δumax根据控制系统设备中鼓风机和内回流阀门进行设置;
(2)设计用于污水处理过程中溶解氧DO浓度预测的自适应模糊神经网络,自适应模糊神经网络的结构分为四层:输入层、径向基RBF层、规则层和输出层,自适应模糊神经网络的输入为x(t)=[y(t-1),y(t-2),Qa(t-5),Qa(t-6),KLa(t-5),KLa(t-6)],y(t-1)为t-1时刻污水处理过程中溶解氧DO浓度的实际值,y(t-2)为t-2时刻污水处理过程中溶解氧DO浓度的实际值,Qa(t-5)为t-5时刻污水处理过程中内回流量,Qa(t-6)为t-6时刻污水处理过程中内回流量,KLa(t-5)为t-5时刻污水处理过程中曝气量,KLa(t-6)为t-6时刻污水处理过程中曝气量,自适应模糊神经网络的输出为溶解氧DO浓度预测值
初始化自适应模糊神经网络:确定神经网络6-7-7-1的连接方式,即输入层神经元为6个,径向基RBF层神经元为7个,规则层神经元为7个;输出层神经元为1个;模糊神经网络输入层到径向基RBF层的连接权值为1,径向基RBF层到规则层的连接权值为1,规则层和输出层间的连接权值在[0,1]范围内进行随机赋值;模糊神经网络的输出表示如下:
其中,为t时刻模糊神经网络的输出,表示为t时刻污水处理过程中溶解氧DO浓度的预测值,wk(t)为t时刻模糊神经网络规则层第k个神经元和输出层的连接权值,k=1,2,…,7;vk(t)为t时刻模糊神经网络规则层第k个神经元的输出,其计算公式为:
其中,φk(t)表示为t时刻模糊神经网络径向基RBF层第k个神经元的输出,φl(t)表示为t时刻模糊神经网络径向基RBF层第l个神经元的输出,l=1,2,…,7;其计算公式为:
其中cl(t)表示t时刻模糊神经网络径向基RBF层第l个神经元中心值向量,σl(t)表示t时刻模糊神经网络径向基RBF层第l个神经元的中心宽度值向量;
(3)训练基于自适应模糊神经网络,具体为:
①给定一个模糊神经网络,径向基RBF层和规则层神经元均为7个,输入为x(t)=[y(t-1),y(t-2),Qa(t-5),Qa(t-6),KLa(t-5),KLa(t-6)],进行训练,并设定计算步数q=1;
②对模糊神经网络的参数进行更新:
其中θ(t)=[w(t),c(t),σ(t)],w(t)为t时刻规则层神经元与输出层神经元间的连接权值向量,c(t)为t时刻模糊神经网络径向基RBF层神经元的中心值向量,σ(t)为t时刻模糊神经网络径向基RBF层神经元的中心宽度值向量,表示为t时刻实际测量的溶解氧DO浓度值与溶解氧DO浓度预测值的误差值,I为单位矩阵;λ(t)=0.005,表示为学习率;
(4)用训练后的自适应模糊神经网络预测溶解氧DO浓度 为t+1时刻污水处理系统溶解氧DO浓度预测值,为t+2时刻污水处理系统溶解氧DO浓度预测值,为t+Hp时刻污水处理系统溶解氧DO浓度预测值,同时,计算曝气和内回流调整向量:
其中,ζ=0.02,表示为控制学习率,u(t)=[KLa(t)Qa(t)],KLa(t)为t时刻鼓风机的曝气量,Qa(t)为t时刻内回流量,Δu(t)取的第一个值Δu(t)作为控制器的调整向量,即对t时刻的污水处理过程曝气量和内回流量进行调整:
u(t+1)=u(t)+Δu(t), (16)
其中u(t+1)为t+1时刻鼓风机的曝气和内回流向量,Δu(t)为控制器t时刻的控制向量;
(5)利用求解出的u(t)对溶解氧DO浓度进行控制,u(t)即为t时刻变频器和传感器的输入,变频器通过调节电动机的转速达到控制鼓风机的目的,传感器通过调节仪表的开度达到控制阀门的目的,最终控制曝气量和内回流量,整个控制系统的输出为溶解氧DO浓度的实际值。图3显示系统的溶解氧DO浓度值,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,黑色实线为溶解氧DO浓度设定值,虚线是实际溶解氧DO浓度实际值;溶解氧DO浓度实际值与溶解氧DO浓度设定值的误差如图4,X轴:时间,单位是15分钟/样本,Y轴:溶解氧DO浓度误差值,单位是毫克/升,实验结果证明该方法的有效性。
Claims (1)
1.一种基于自适应模糊神经网络的溶解氧模型预测控制方法,
针对序批式间歇活性污泥系统中溶解氧DO浓度进行控制,以鼓风机曝气量和内回流量为控制量,溶解氧DO浓度为被控量;
其特征在于,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,ec(t)=[ec(t+1),ec(t+2),…,ec(t+Hp)]T,ec(t)为t时刻溶解氧DO浓度设定值与溶解氧DO浓度预测值的误差向量,ec(t+1)为t+1时刻溶解氧DO浓度设定值与溶解氧DO浓度预测值的误差值,ec(t+2)为t+2时刻溶解氧DO浓度设定值与溶解氧DO浓度预测值的误差值,ec(t+Hp)为t+Hp时刻溶解氧DO浓度设定值与溶解氧DO浓度预测值的误差值,Hp为预测时域,Hp∈[1,10],u(t)=[KLa(t),Qa(t)],u(t)为t时刻鼓风机的曝气和内回流向量,KLa(t)为t时刻鼓风机的曝气量,Qa(t)为t时刻内回流量,Δu(t)=[Δu(t),Δu(t+1),…,Δu(t+Hu-1)]T,Δu(t)为t时刻鼓风机的曝气和内回流调整向量,Δu(t+1)为t+1时刻鼓风机的曝气和内回流调整向量,Δu(t+Hu-1)为t+Hu-1时刻鼓风机的曝气和内回流调整向量,Hu为控制变量的变化时域,Hu∈[1,5],其中Hp≤Hu,T为公式的转置,α和ρ是控制参数,α∈[0,1],ρ∈[0,1],限制条件:
Δu(t)=u(t+1)-u(t),
|Δu(t)|≤Δumax, (2)
其中,Δumax为控制器允许的最大曝气和内回流调整向量,Δumax根据控制系统设备中鼓风机和内回流阀门进行设置;
(2)设计用于污水处理过程中溶解氧DO浓度预测的自适应模糊神经网络,自适应模糊神经网络的结构分为四层:输入层、径向基RBF层、规则层和输出层,自适应模糊神经网络的输入为x(t)=[y(t-1),y(t-2),Qa(t-5),Qa(t-6),KLa(t-5),KLa(t-6)],y(t-1)为t-1时刻污水处理过程中溶解氧DO浓度的实际值,y(t-2)为t-2时刻污水处理过程中溶解氧DO浓度的实际值,Qa(t-5)为t-5时刻污水处理过程中内回流量,Qa(t-6)为t-6时刻污水处理过程中内回流量,KLa(t-5)为t-5时刻污水处理过程中曝气量,KLa(t-6)为t-6时刻污水处理过程中曝气量,自适应模糊神经网络的输出为溶解氧DO浓度预测值
初始化自适应模糊神经网络:确定神经网络6-7-7-1的连接方式,即输入层神经元为6个,径向基RBF层神经元为7个,规则层神经元为7个;输出层神经元为1个;模糊神经网络输入层到径向基RBF层的连接权值为1,径向基RBF层到规则层的连接权值为1,规则层和输出层间的连接权值在[0,1]范围内进行随机赋值;模糊神经网络的输出表示如下:
其中,为t时刻模糊神经网络的输出,表示为t时刻污水处理过程中溶解氧DO浓度的预测值,wk(t)为t时刻模糊神经网络规则层第k个神经元和输出层的连接权值,k=1,2,…,7;vk(t)为t时刻模糊神经网络规则层第k个神经元的输出,其计算公式为:
其中,φk(t)表示为t时刻模糊神经网络径向基RBF层第k个神经元的输出,φl(t)表示为t时刻模糊神经网络径向基RBF层第l个神经元的输出,l=1,2,…,7;其计算公式为:
其中cl(t)表示t时刻模糊神经网络径向基RBF层第l个神经元中心值向量,σl(t)表示t时刻模糊神经网络径向基RBF层第l个神经元的中心宽度值向量;
(3)训练基于自适应模糊神经网络,具体为:
①给定一个模糊神经网络,径向基RBF层和规则层神经元均为7个,输入为x(t)=[y(t-1),y(t-2),Qa(t-5),Qa(t-6),KLa(t-5),KLa(t-6)],进行训练,并设定计算步数q=1;
②对模糊神经网络的参数进行更新:
其中θ(t)=[w(t),c(t),σ(t)],w(t)为t时刻规则层神经元与输出层神经元间的连接权值向量,c(t)为t时刻模糊神经网络径向基RBF层神经元的中心值向量,σ(t)为t时刻模糊神经网络径向基RBF层神经元的中心宽度值向量,表示为t时刻实际测量的溶解氧DO浓度值与溶解氧DO浓度预测值的误差值,I为单位矩阵;λ为模糊神经网络参数的学习率,λ∈(0.001,0.01);
(4)用训练后的自适应模糊神经网络预测溶解氧DO浓度 为t+1时刻污水处理系统溶解氧DO浓度预测值,为t+2时刻污水处理系统溶解氧DO浓度预测值,为t+Hp时刻污水处理系统溶解氧DO浓度预测值,同时,计算曝气和内回流调整向量:
其中,ζ∈(0,1]表示控制学习率,Δu(t)取的第一个值Δu(t)作为控制器的调整向量,即对t时刻的污水处理过程曝气量和内回流量进行调整:
u(t+1)=u(t)+Δu(t), (8)
其中u(t+1)为t+1时刻鼓风机的曝气和内回流向量,Δu(t)为控制器t时刻的控制向量;
(5)利用求解出的u(t)对溶解氧DO浓度进行控制,u(t)即为t时刻变频器和传感器的输入,变频器通过调节电动机的转速达到控制鼓风机的目的,传感器通过调节仪表的开度达到控制阀门的目的,最终控制曝气量和内回流量,整个控制系统的输出为溶解氧DO浓度的实际值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810238153.8A CN108563118B (zh) | 2018-03-22 | 2018-03-22 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810238153.8A CN108563118B (zh) | 2018-03-22 | 2018-03-22 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108563118A CN108563118A (zh) | 2018-09-21 |
CN108563118B true CN108563118B (zh) | 2020-10-16 |
Family
ID=63532059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810238153.8A Active CN108563118B (zh) | 2018-03-22 | 2018-03-22 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108563118B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111812968B (zh) * | 2020-06-24 | 2022-04-22 | 合肥工业大学 | 基于模糊神经网络pid控制器的阀位串级控制方法 |
CN112661259A (zh) * | 2020-12-15 | 2021-04-16 | 海天水务集团股份公司 | 一种曝气过程自适应控制方法及系统 |
CN113608444A (zh) * | 2021-08-06 | 2021-11-05 | 东北大学 | 基于自适应预测控制的污水处理控制方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0516895A1 (en) * | 1991-06-04 | 1992-12-09 | Unilever N.V. | A method for the adaptive stochastic control of a process |
JPH09114503A (ja) * | 1995-10-13 | 1997-05-02 | Toshiba Corp | 制御装置 |
US5852817A (en) * | 1991-08-14 | 1998-12-22 | Kabushiki Kaisha Toshiba | Intelligent control apparatus |
CN101694586A (zh) * | 2009-10-20 | 2010-04-14 | 华南理工大学 | 基于混沌优化的支持向量机预测污水处理节能控制系统 |
CN101763036A (zh) * | 2009-12-29 | 2010-06-30 | 江苏大学 | 基于模糊神经网络的赖氨酸发酵过程补料预测控制系统及方法 |
CN103064290A (zh) * | 2013-01-01 | 2013-04-24 | 北京工业大学 | 基于自组织径向基神经网络的溶解氧模型预测控制方法 |
CN103197544A (zh) * | 2013-02-25 | 2013-07-10 | 北京工业大学 | 基于非线性模型预测的污水处理过程多目标控制方法 |
CN103499921A (zh) * | 2013-09-11 | 2014-01-08 | 西安交通大学 | 变结构模糊系统传感器故障诊断方法及其在飞控系统的应用 |
CN103606006A (zh) * | 2013-11-12 | 2014-02-26 | 北京工业大学 | 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 |
CN103744293A (zh) * | 2014-01-27 | 2014-04-23 | 浙江永泰纸业集团股份有限公司 | 基于模糊神经网络的废水处理监控方法和系统 |
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 |
CN106354019A (zh) * | 2016-11-21 | 2017-01-25 | 北京工业大学 | 一种基于rbf神经网络的溶解氧精确控制方法 |
CN107526297A (zh) * | 2009-06-22 | 2017-12-29 | 费希尔-罗斯蒙特系统公司 | 基于连续调度的模型参数的自适应控制器 |
-
2018
- 2018-03-22 CN CN201810238153.8A patent/CN108563118B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0516895A1 (en) * | 1991-06-04 | 1992-12-09 | Unilever N.V. | A method for the adaptive stochastic control of a process |
US5852817A (en) * | 1991-08-14 | 1998-12-22 | Kabushiki Kaisha Toshiba | Intelligent control apparatus |
JPH09114503A (ja) * | 1995-10-13 | 1997-05-02 | Toshiba Corp | 制御装置 |
CN107526297A (zh) * | 2009-06-22 | 2017-12-29 | 费希尔-罗斯蒙特系统公司 | 基于连续调度的模型参数的自适应控制器 |
CN101694586A (zh) * | 2009-10-20 | 2010-04-14 | 华南理工大学 | 基于混沌优化的支持向量机预测污水处理节能控制系统 |
CN101763036A (zh) * | 2009-12-29 | 2010-06-30 | 江苏大学 | 基于模糊神经网络的赖氨酸发酵过程补料预测控制系统及方法 |
CN103064290A (zh) * | 2013-01-01 | 2013-04-24 | 北京工业大学 | 基于自组织径向基神经网络的溶解氧模型预测控制方法 |
CN103197544A (zh) * | 2013-02-25 | 2013-07-10 | 北京工业大学 | 基于非线性模型预测的污水处理过程多目标控制方法 |
CN103499921A (zh) * | 2013-09-11 | 2014-01-08 | 西安交通大学 | 变结构模糊系统传感器故障诊断方法及其在飞控系统的应用 |
CN103606006A (zh) * | 2013-11-12 | 2014-02-26 | 北京工业大学 | 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 |
CN103744293A (zh) * | 2014-01-27 | 2014-04-23 | 浙江永泰纸业集团股份有限公司 | 基于模糊神经网络的废水处理监控方法和系统 |
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 |
CN106354019A (zh) * | 2016-11-21 | 2017-01-25 | 北京工业大学 | 一种基于rbf神经网络的溶解氧精确控制方法 |
Non-Patent Citations (1)
Title |
---|
基于SOTSFNN的溶解氧浓度控制方法;乔俊飞 等;《化工学报》;20160331;第67卷(第3期);第960-965页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108563118A (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN102122134A (zh) | 基于模糊神经网络的溶解氧控制的废水处理方法及系统 | |
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 | |
CN103197544B (zh) | 基于非线性模型预测的污水处理过程多目标控制方法 | |
CN103499982B (zh) | 一种污水处理过程自组织控制方法 | |
CN109669352B (zh) | 基于自适应多目标粒子群的含油污水处理过程优化控制方法 | |
AU2021100130A4 (en) | Intelligent control method and system for sewage treatment aeration based on deep learning | |
CN110647037B (zh) | 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 | |
CN104865979A (zh) | 一种污水处理过程自适应广义预测控制方法及系统 | |
US11709463B2 (en) | Control method based on adaptive neural network model for dissolved oxygen of aeration system | |
CN108536106A (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 | |
CN111580381B (zh) | 一种动态事件驱动控制策略的溶解氧控制方法 | |
Chen et al. | Smart energy savings for aeration control in wastewater treatment | |
CN106354019B (zh) | 一种基于rbf神经网络的溶解氧精确控制方法 | |
CN113189881A (zh) | 一种污水处理多目标优化控制方法及系统 | |
CN109534486B (zh) | 一种基于随机递归小波神经网络的船舶污水处理控制预测系统及预测方法 | |
Qiao et al. | Online-growing neural network control for dissolved oxygen concentration | |
Xu et al. | A novel dissolve oxygen control method based on fuzzy neural network | |
Zhang et al. | Finite-Time Extended State Observer-based PI Control for Dissolved Oxygen | |
CN114879496A (zh) | 一种数据驱动的城市污水处理过程随机采样模型预测控制方法 | |
CN115481720A (zh) | 基于br-narx神经网络的混凝剂加药量的预测方法 | |
CN114879487A (zh) | 一种基于区间二型模糊神经网络的污水处理过程鲁棒模型预测控制方法 | |
Husin et al. | Improving total nitrogen removal using a neural network ammonia-based aeration control in activated sludge process | |
Zhang et al. | Direct adaptive neural network control for wastewater treatment process | |
Aathithya et al. | Control of Dissolved Oxygen Concentration in Waste-Water Treatment Plants Using Fuzzy Logic Control |
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 |