CN110412878B - Pid-rbf稳态估计与lssvm软测量污水bod控制方法 - Google Patents
Pid-rbf稳态估计与lssvm软测量污水bod控制方法 Download PDFInfo
- Publication number
- CN110412878B CN110412878B CN201910821297.0A CN201910821297A CN110412878B CN 110412878 B CN110412878 B CN 110412878B CN 201910821297 A CN201910821297 A CN 201910821297A CN 110412878 B CN110412878 B CN 110412878B
- Authority
- CN
- China
- Prior art keywords
- bod
- control
- rbf
- lssvm
- pid
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
-
- 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)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明针对污水处理生物需氧量(BOD)控制滞后问题,本发明提供了一种基于PID‑RBF稳态估计与最小二乘支持向量机(LSSVM)软测量的污水处理BOD控制方法,首先采用LSSVM对BOD进行软测量,通过采集PID控制下各种状态数据采集,用径向基RBF网络来学习拟合出各状态与该状态下的PID控制器稳态输出值的关系,然后采用训练后的RBF网络估计稳态输出和比例积分微分控制器相结合的方法进行BOD控制,当误差小于等于某预定值时,引入积分控制项,改善控制精度。本发明可以改善传统PID污水BOD控制滞后的缺点,有利于BOD的稳定控制。
Description
技术领域
本发明涉及的是一种污水处理生物需氧量(BOD)领域的控制方法,具体地说,涉及一种基于比例积分微分(PID)-径向基网络(RBF)稳态估计与LSSVM软测量的污水处理BOD控制方法。
背景技术
随着经济社会的快速发展,水污染的问题日益凸显,有关于污水处理控制的技术研究受到越来越多的重视。其中,污水处理过程中BOD存在在线检测困难、大滞后、大惯性和时变等特点,常规PID控制,通过积分控制达到消除稳态误差的过程较长,控制滞后效果不理想,需要寻找优化的控制方案。
发明内容
技术方案:本发明提供了一种基于PID-RBF稳态估计与LSSVM软测量的污水处理BOD控制方法,首先采用LSSVM对BOD进行软测量,利用RBF估计污水处理BOD在不同情况下的控制信号的稳态值,再与比例积分微分控制器结合在一起进行控制,用于改善传统PID污水处理BOD控制滞后的缺点。使得系统响应快、控制精度高,具有良好的动态品质,保证污水处理BOD控制正常、高效和可靠地运行。
本发明提出的基于PID-RBF稳态估计的污水处理BOD控制方法,控制过程分为三个阶段,阶段实现如下:
阶段1建立BOD软测量模型,选取入水BOD、溶解氧DO、污泥浓度、反应时间构成输入向量变量xi,测出水量BOD值为输出yi,设学习样本为{(x1,y1),…,,LSSVM回归通过非线性映射Φ将数据映射到高维特征空间,再在高维特征空间进行线性回归:
式中αi∈R是Lagrange乘子,偏置b∈R,N为样本个数,K(x,xi)为满足Mercer条件的核函数,可采用多种核函数如:
径向基(RBF)核函数:K(x,xi)=exp(-|x-xi|2/σ2)。其中σ为径向基宽度
多项式核函数:K(x,xi)=(xTxi+1)u(u∈N),u为指数
Sigmoid函数:K(x,xi)=tanh(a(xTxi)+c)(a,c∈R),a,c为参数
通过支持向量学习得预测模型,从而预测BOD输出。具体步骤如下:
Step1采集实际运行数据xi和yi,将xi和yi进行归一化处理;
Step2将采集的数据中的70%作为训练样本,剩余30%作为测试样本,采用LSSVM算法进行训练,通过网格优化法对不同模型参数(惩罚系数C、核函数参数)对模型进行学习和交叉验证测试,得到最佳LSSVM模型;
阶段2:先采用LSSVM模型对出水BOD进行软测量,并采用传统的PID控制器进行污水处理BOD控制,采集在不同状态时污水处理BOD控制状态数据xbi=(B*,BI,E,U),包括出水BOD给定当前值B*,入水BOD当前值BI,出水BOD给定与出水BOD当前软测量值的误差E,当前控制输出U以及各状态对应的PID控制器的稳态输出值ybi,用RBF来拟合出各状态与该状态下的PID控制器稳态输出值的关系。
RBF网络是一种品质优良的网络。已经证明RBF网络可在任意精度下逼近任意的非线性函数,且不存在局部最小问题。正则化径向基函数神经网络由单隐层前向网络组成,其中隐层单元输出Ri(x)定义为:
式中ci为径向基中心,σi为宽度系数,其网络输出:
M为RBF隐含节点的个数,wi为隐层单元到网络输出的权值,由N个样本采用模糊C均值(FCM)聚类,聚类中心作为径向基中心ci,径向基宽度系数由每个聚类中样本方差确定:
式中Mi为属于所选取聚类中心ci的样本xbj的个数。权值训练算法采用最小二乘法:
Step1采集实际运行数据xbi和ybi,将xbi和ybi进行归一化处理;
Step2采用FCM算法进行聚类,依据经验确定初始聚类个数,依次增加聚类个数,当聚类指标不再明显改变时,此时的聚类个数为最佳个数M,根据聚类中心确定相应的ci、σi,权值训练算法采用最小二乘法,最后得到RBF网络模型。
阶段3:将训练好的LSSVM软测量和RBF网络用于污水处理BOD控制,实时采集过程状态数据x、xb,归一化后x带入LSSVM模型得到出水BOD软测量值,xb带入RBF模型得到控制器稳态输出估计值,根据误差E的大小选择不同的控制器,当E>ε时采用PD控制,当E≤ε时采用PID控制,ε为预先确定的正数,最后叠加稳态估计值形成控制输出:
U=UPID+UW (8)
其中P为比例系数,TI为积分系数,Td为微分系数,与阶段1相同,ΔE为当前误差与前次误差差值,U为输出控制值,Umax和Umin分别为输出的最大和最小限幅值。采用PID控制的目的是能对一些小扰动随时调节,提高控制的稳态精度。
附图说明
图1为基于PD-RBF稳态估计的污水处理BOD控制系统结构图
具体实施方式:以某序批式活性污泥法污水处理BOD控制系统为例,系统实现分为3个阶段:
阶段1:建立BOD软测量模型,选取入水BOD、溶解氧DO、污泥浓度、反应时间构成输入变量xi,测出水量BOD值为输出yi,采集600个输入输出数据,随机选择其中的420组作为训练数据,剩余的180组数据作为测试数据,选用RBF核函数,用LSSVM来BOD软测量模型。具体步骤如下:
Step1采集实际运行数据xi和yi,将xi和yi进行归一化[0,1]区间处理;
Step2采用LSSVM算法进行训练,通过网格优化法对不同模型参数(惩罚系数C、区间选取[102,106],核函数参数σ,区间选取[10-5,10-1])对LSSVM进行学习和交叉验证测试,得到最佳LSSVM软测量模型;
阶段2:先采用LSSVM模型对出水BOD进行软测量,采用传统的PID控制器进行污水处理BOD控制,采集在不同状态时污水处理BOD控制状态数据xbi`ybi,将xi和yi作为RBF的训练数据,共810组数据,随机选择其中的570组作为训练数据,剩余的240组数据作为测试数据。选用RBF核函数,用LSSVM来拟合出各初始状态与该状态下的PID控制器稳态输出值的关系,具体步骤如下:
Step1采集实际运行数据xbi和ybi,将xbi和ybi进行归一化[0,1]区间处理;
Step2采用FCM算法进行聚类,依据经验确定初始聚类个数为8,依次增加聚类个数,当聚类性能指标指标不再明显改变时,既变化ΔJ<0.01时,此时的聚类个数为最佳个数M,根据聚类中心确定相应的ci、σi,权值训练算法采用最小二乘法。
阶段3:将训练好的LSSVM软测量和RBF网络用于污水处理BOD控制,实时采集过程状态数据x、xb,归一化后x带入LSSVM模型得到出水BOD软测量值,xb带入RBF模型得到控制器稳态输出估计值,根据误差E的大小选择不同的控制器,当E>ε时采用PD控制,当E≤ε时采用PID控制,ε为预先确定的正数,取为0.1,最后叠加稳态估计值形成控制输出。
上述具体实现只是本发明的较佳实现而已,当然,本发明还可有其他多种实施例,在不背离本发明精神及其本质的情况下,熟悉本领域的技术人员当可根据本发明作为各种相应的改变和变形,但这些相应的改变和变形都应属于本发明的权利要求的保护范围。
Claims (1)
1.一种基于PID-RBF稳态估计与最小二乘支持向量机(LSSVM)软测量的污水处理BOD控制方法,其特征在于首先采用LSSVM对出水BOD进行软测量,利用RBF估计PID控制器在不同情况下的控制信号的稳态值,再与PID控制器结合在一起进行控制,控制过程分为三个阶段,阶段实现如下:
阶段1建立BOD软测量模型,选取入水BOD、溶解氧DO、污泥浓度、反应时间构成输入向量变量x,测出水BOD值为输出y,设学习样本为 LSSVM回归通过非线性映射Φ将数据映射到高维特征空间,再在高维特征空间进行线性回归:
式中αi∈R是Lagrange乘子,偏置b∈R,N为样本个数,K(x,xi)为满足Mercer条件的核函数,可采用多种核函数如:
径向基(RBF)核函数:K(x,xi)=exp(-|x-xi|2/σ2),其中σ为径向基宽度
多项式核函数:K(x,xi)=(xTxi+1)u(u∈N),u为指数
Sigmoid函数:K(x,xi)=tanh(a(xTxi)+c)(a,c∈R),a,c为参数
通过支持向量学习得软测量模型,从而对BOD进行软测量;具体步骤如下:
Step1采集实际运行数据xi和yi,将xi和yi进行归一化处理;
Step2将采集的数据中的70%作为训练样本,剩余30%作为测试样本,采用LSSVM算法进行训练,通过网格优化法对不同模型参数惩罚系数C、核函数参数对模型进行学习和交叉验证测试,得到最佳LSSVM软测量模型;
阶段2:先采用LSSVM模型对出水BOD进行软测量,并采用传统的PID控制器进行污水处理BOD控制,采集在不同状态时污水处理BOD控制状态数据xbi=(B*,BI,E,U),包括出水BOD给定当前值B*,入水BOD当前值BI,出水BOD给定与出水BOD当前软测量值的误差E,当前控制输出U以及各状态对应的PID控制器的稳态输出值ybi,用RBF来拟合出各状态与该状态下的PID控制器稳态输出值的关系;
正则化径向基函数神经网络由单隐层前向网络组成,其中隐层单元输出Ri(x)定义为:
式中ci为径向基中心,σi为宽度系数,其网络输出:
M为RBF隐含节点的个数,wi为隐层单元到网络输出的权值,由N个样本采用模糊C均值(FCM)聚类,聚类中心作为径向基中心ci,径向基宽度系数由每个聚类中样本方差确定:
式中Mi为属于所选取聚类中心ci的样本xbj的个数,权值训练算法采用最小二乘法:
Step1采集实际运行数据xbi和ybi,将xbi和ybi进行归一化处理;
Step2采用FCM算法进行聚类,依据经验确定初始聚类个数,依次增加聚类个数,当聚类指标J不再明显改变时,此时的聚类个数为最佳个数M,根据聚类中心确定相应的ci、σi,权值训练算法采用最小二乘法,最后得到RBF网络模型;
阶段3:将训练好的LSSVM软测量和RBF网络用于污水处理BOD控制,实时采集过程状态数据x、xb,归一化后x带入LSSVM模型得到出水BOD软测量值,xb带入RBF模型得到控制器稳态输出估计值,根据误差E的大小选择不同的控制器,当E>ε时采用PD控制,当E≤ε时采用PID控制,ε为预先确定的正数,最后叠加稳态估计值形成控制输出:
U=UPID+UW (8)
其中P为比例系数,TI为积分系数,Td为微分系数,与阶段2相同,ΔE为当前误差与前次误差差值,U为输出控制值,Umax和Umin分别为输出的最大和最小限幅值;采用PID控制的目的是能对一些小扰动随时调节,提高控制的稳态精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910821297.0A CN110412878B (zh) | 2019-09-02 | 2019-09-02 | Pid-rbf稳态估计与lssvm软测量污水bod控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910821297.0A CN110412878B (zh) | 2019-09-02 | 2019-09-02 | Pid-rbf稳态估计与lssvm软测量污水bod控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110412878A CN110412878A (zh) | 2019-11-05 |
CN110412878B true CN110412878B (zh) | 2022-12-02 |
Family
ID=68369940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910821297.0A Active CN110412878B (zh) | 2019-09-02 | 2019-09-02 | Pid-rbf稳态估计与lssvm软测量污水bod控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110412878B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113608443A (zh) * | 2021-08-06 | 2021-11-05 | 东北大学 | 基于增强pi控制的污水处理控制方法 |
CN116165974A (zh) * | 2022-12-14 | 2023-05-26 | 上海市政工程设计研究总院(集团)有限公司 | 污水处理工艺的曝气控制方法、系统、终端及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108469507A (zh) * | 2018-03-13 | 2018-08-31 | 北京工业大学 | 一种基于自组织rbf神经网络的出水bod软测量方法 |
CN109488526A (zh) * | 2018-11-23 | 2019-03-19 | 湖南工业大学 | 基于比例-极限学习机稳态估计的变桨距控制方法 |
CN109962515A (zh) * | 2019-03-15 | 2019-07-02 | 湖南工业大学 | 比例-支持向量机稳态估计超级电容充放电控制方法 |
-
2019
- 2019-09-02 CN CN201910821297.0A patent/CN110412878B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108469507A (zh) * | 2018-03-13 | 2018-08-31 | 北京工业大学 | 一种基于自组织rbf神经网络的出水bod软测量方法 |
CN109488526A (zh) * | 2018-11-23 | 2019-03-19 | 湖南工业大学 | 基于比例-极限学习机稳态估计的变桨距控制方法 |
CN109962515A (zh) * | 2019-03-15 | 2019-07-02 | 湖南工业大学 | 比例-支持向量机稳态估计超级电容充放电控制方法 |
Non-Patent Citations (2)
Title |
---|
基于SVM污水处理过程BOD的智能预测;尚朝奇 等;《有色冶金设计与研究》;20111031;第32卷(第4-5期);第91-93页 * |
污水曝气过程COD软测量及控制策略优化;许玥;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20181015(第10期);B027-333 * |
Also Published As
Publication number | Publication date |
---|---|
CN110412878A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2021101438A4 (en) | Adaptive control method and system for aeration process | |
Bagheri et al. | Modeling and optimization of activated sludge bulking for a real wastewater treatment plant using hybrid artificial neural networks-genetic algorithm approach | |
Haimi et al. | Data-derived soft-sensors for biological wastewater treatment plants: An overview | |
CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
CN108469507B (zh) | 一种基于自组织rbf神经网络的出水bod软测量方法 | |
CN114275912B (zh) | 一种基于自适应神经网络模型的曝气系统溶解氧控制方法 | |
CN102854296A (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
CN109657790B (zh) | 一种基于pso的递归rbf神经网络出水bod预测方法 | |
CN110412878B (zh) | Pid-rbf稳态估计与lssvm软测量污水bod控制方法 | |
CN102262147A (zh) | 一种废水处理系统出水cod的软测量方法和系统 | |
CN109473182B (zh) | 一种基于深度信念网络的mbr膜透水率智能检测方法 | |
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 | |
CN103809436A (zh) | 活性污泥法污水处理过程智能建模方法 | |
Yasmin et al. | Performance comparison of SVM and ANN for aerobic granular sludge | |
Baeza et al. | In-line fast OUR (oxygen uptake rate) measurements for monitoring and control of WWTP | |
CN111125907A (zh) | 一种基于混合智能模型的污水处理氨氮软测量方法 | |
Civelekoglu et al. | Modeling Carbon and Nitrogen Removal in an Industrial Wastewater Treatment Plant Using an Adaptive Network‐Based Fuzzy Inference System | |
Grieu et al. | KSOM and MLP neural networks for on-line estimating the efficiency of an activated sludge process | |
CN201330211Y (zh) | 污水处理厂运行参数自寻优模拟系统 | |
CN109978024A (zh) | 一种基于互联模块化神经网络的出水bod预测方法 | |
CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
CN113222324B (zh) | 一种基于pls-pso-rbf神经网络模型的污水质量监测方法 | |
CN113221436A (zh) | 一种基于改进型rbf神经网络的污水悬浮物浓度软测量方法 | |
CN110412865B (zh) | Pid-lssvm稳态估计污水溶解氧控制方法 | |
CN114462208A (zh) | 一种基于自组织rbfnn的出水bod在线软测量方法 |
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 |