CN116243604A - 污水脱氮过程自适应神经网络滑模控制方法、装置及介质 - Google Patents

污水脱氮过程自适应神经网络滑模控制方法、装置及介质 Download PDF

Info

Publication number
CN116243604A
CN116243604A CN202310183530.3A CN202310183530A CN116243604A CN 116243604 A CN116243604 A CN 116243604A CN 202310183530 A CN202310183530 A CN 202310183530A CN 116243604 A CN116243604 A CN 116243604A
Authority
CN
China
Prior art keywords
neural network
sliding mode
adaptive
denitrification process
self
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.)
Pending
Application number
CN202310183530.3A
Other languages
English (en)
Inventor
刘乙奇
邱铸毅
于广平
刘坚
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202310183530.3A priority Critical patent/CN116243604A/zh
Publication of CN116243604A publication Critical patent/CN116243604A/zh
Pending legal-status Critical Current

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
    • 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)
  • 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)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种污水脱氮过程自适应神经网络滑模控制方法、装置及介质，其中方法包括：确定污水处理系统的状态方程的函数形式；设计滑模面s；根据滑模面s，采用神经网络逼近滑模控制器的控制率u*；设计神经网络权值自适应率
Figure DDA0004103076620000011
以及求控制率输出u；采用遗传算法对影响控制器性能的参数进行整定。本发明通过将神经网络同滑模控制相结合，无须数学模型的依赖，仅需要测量缺氧段硝态氮浓度的状态，即可完成控制要求。同时避免了由较大的模型不确定使得切换增益过大造成的控制信号抖振，适用于模型存在较大未知部分的控制场合。本发明可广泛应用于自动化和水处理领域。

Description

污水脱氮过程自适应神经网络滑模控制方法、装置及介质
技术领域
本发明涉及自动化和水处理领域，尤其涉及一种污水脱氮过程自适应神经网络滑模控制方法、装置及介质。
背景技术
硝态氮浓度是污水处理流程中重要的控制变量，对其控制效果的优劣对微生物活性、能耗、出水总氮含量等都有直接影响。然而城市污水脱氮过程中有大量的生化反应，其反应机理复杂、物质与能量传递过程具有高维复杂性、非线性、强耦合、大滞后等特征，稳定该过程非常困难，同时也难以精确的进行数学建模。
滑模变结构控制是一种特殊的非线性控制方法，可以根据当前系统的状态实时切换控制量，使得系统的状态能到达滑动模态并沿着预设的滑模面运动到平衡点，且系统性能完全由滑模面决定，而与被控对象参数和扰动无关，对系统不确定和外部扰动具有较强的鲁棒性。然而滑模控制在实际应用中也存在不可避免的问题，那就是抖振现象。抖振现象的产生是由于实际系统中的切换一般存在空间滞后、时间滞后、系统惯性等各种问题，实际滑模运动会在滑模面附近反复运动，产生抖振现象。其次滑模控制依赖于系统模型，对于非线性系统，滑模控制甚至需要精确的数学模型来获得等效的控制率。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种污水脱氮过程自适应神经网络滑模控制方法、装置及介质。
本发明所采用的技术方案是：
一种污水脱氮过程自适应神经网络滑模控制方法，包括以下步骤：
确定污水处理系统的状态方程的函数形式；
设计滑模面s；
根据滑模面s，采用神经网络逼近滑模控制器的控制率u*；
设计神经网络权值自适应率
Figure BDA0004103076550000011
以及求控制率输出u；
采用遗传算法对影响控制器性能的参数进行整定。
进一步地，所述确定污水处理系统的状态方程的函数形式，包括：
污水脱氮过程具有非线性和不确定性的特点，考虑以下非线性二阶系统表示该过程：
Figure BDA0004103076550000021
其中，x＝[x1,x2]T∈R为系统的状态变量，u∈R为系统输入，y∈R为系统输出，α(x)和β(x)为未知光滑函数，
Figure BDA0004103076550000022
Figure BDA0004103076550000023
为已知的平滑函数。
进一步地，所述设计滑模面s，包括：
定义向量xd、e及滑模面s如下：
Figure BDA0004103076550000024
其中，参数λ>0，期望的轨迹向量xd已知且连续，yd为期望的跟踪信号，e为误差，于是：
Figure BDA0004103076550000025
其中
Figure BDA0004103076550000026
进一步地，所述采用神经网络逼近滑模控制率u*，包括：
假定非线性函数α(x)，β(x)已知，则滑模控制器设计为：
Figure BDA0004103076550000027
其中，当参数ε>0时，则
Figure BDA0004103076550000028
将u＝u*代入公式(3)，有：
Figure BDA0004103076550000029
Figure BDA00041030765500000210
取李雅普诺夫函数为
Figure BDA0004103076550000031
则：
Figure BDA0004103076550000032
可见，当污水处理系统跟踪误差的收敛速度与ε有关，ε值越小，
Figure BDA0004103076550000033
值越负；
当非线性函数α(x)，β(x)未知时，公式(4)中的u*则无法实现；由公式(4)可得u*为关于x、s、ε、v的连续函数，故通过RBF神经网络训练来逼近控制率u*，神经网络的输入z为：
Figure BDA0004103076550000034
Figure BDA0004103076550000035
进一步地，对于任意常数μ0>0，存在理想的整数l*和理想权值向量W*，使得对所有l≥l*，有：
Figure BDA0004103076550000036
/>
Figure BDA0004103076550000037
Figure BDA0004103076550000038
其中，h(z)为高斯基函数，j为网络隐含层第j个节点，z为网络输入，b和c为高斯基函数参数；μl为网络的逼近误差，且满足μl≤μ0，μ0为任意常数。
进一步地，所述设计神经网络权值自适应率
Figure BDA0004103076550000039
以及求控制率输出u，包括：
神经网路权值W*是未知的，需要在控制器设计中进行估计，即：
Figure BDA0004103076550000041
其中，u为网络输出，
Figure BDA0004103076550000042
为W*的估计值，网络权值的自适应率设计为：
Figure BDA0004103076550000043
其中，Γ＝ΓT>0是自适应增益矩阵，σ>0为常量。
进一步地，所述采用遗传算法对影响控制器性能的参数进行整定，包括：
利用遗传算法对影响控制器收敛性的高斯基函数参数b、滑模面参数λ和网络初始权值
Figure BDA0004103076550000044
进行整定。
进一步地，遗传算法优化参数的要素包括种群初始化、确定解码方法、确定适应度函数、选择操作、交叉操作、变异操作，具体如下：
①种群初始化
采用长度为L位二进制编码串分别表示为欲寻优的参数个数，再将分别表示参数变量的3个L位长的二进制编码串连接在一起，组成一个二进制编码，从而构成一个个体染色体；
②确定解码方法
解码时，需将染色体切断为3个L位长的二进制编码串，然后分别转换为对应的十进制整数代码，记为mi(i＝1,2,3)，解码公式为：
Figure BDA0004103076550000045
③确定适应度函数
考虑控制系统的稳定性、准确性和快速性三个指标，以误差、调节时间、超调量作为约束条件，定义下式作为参数选择的目标函数：
Figure BDA0004103076550000046
其中e(t)为系统跟踪误差，t为时间，δ1、δ2为权值；
④选择操作
选用轮盘赌法作为适应度比例的选择策略，对每个个体i的选择概率pi为：
Figure BDA0004103076550000047
Figure BDA0004103076550000051
/>
其中，N为种群个体数目，F为个体的适应度值，i、j＝(1,…N)，k为系数；
⑤交叉操作
采用实数交叉法作为交叉操作的方法，第k个染色体ak和第l个染色体al在j位的交叉操作方法如下：
Figure BDA0004103076550000052
式中，b是[0,1]间的随机数；
⑥变异操作
aij表示选取第i个个体的第j个基因进行变异，具体如下：
Figure BDA0004103076550000053
Figure BDA0004103076550000054
其中，amax、amin分别为基因aij的上界和下界；r2为随机数；g为当前迭代次数；Gmax是最大进化次数；r为[0,1]间的随机数。
本发明所采用的另一技术方案是：
一种污水脱氮过程自适应神经网络滑模控制装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
本发明所采用的另一技术方案是：
一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
本发明与现有的技术相比，具有如下优点与有益效果：
1、本发明能够通过将神经网络同滑模控制相结合，无须数学模型的依赖，仅需要测量缺氧段硝态氮浓度的状态，即可完成控制要求。
2、本发明选用的RBF神经网络能较好的对系统的不确定性进行补偿，很好的克服了抖振。
3、本发明选用遗传算法对影响控制器性能的主要参数进行寻优，提高了控制器跟踪的准确性和稳定性。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1是本发明实施例中一种污水脱氮过程自适应神经网络滑模控制方法的控制框图；
图2是本发明实施例中遗传算法优化控制器参数的流程图；
图3是本发明实施例一的适应度函数随迭代次数的变化曲线；
图4是本发明实施例一的阶跃响应曲线示意图；
图5是本发明实施例一的阶跃响应局部放大情况示意图；
图6是本发明实施例二的适应度函数随迭代次数的变化曲线示意图；
图7是本发明实施例二的方波响应曲线示意图；
图8是本发明实施例二的方波响应局部放大情况示意图；
图9是本发明实施例三的适应度函数随迭代次数的变化曲线示意图；
图10是本发明实施例三的正弦响应曲线示意图；
图11是本发明实施例三的正弦响应局部放大情况示意图；
图12是本发明实施例四的含噪声的方波响应曲线示意图；
图13是本发明实施例四的含噪声的方波响应曲线局部放大情况示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
针对现有技术的问题，采用径向基网络(RBFNN)和滑模控制相结合的方式，通过RBF网络的自适应学习能力和快速逼近性能够较大的补偿系统不确定性带来的影响，同时由滑模控制对外部干扰进行抑制。将两者结合后的自适应神经网络滑模控制，即保持了常规滑模控制器的优点，又柔化了控制信号，很好的削弱了抖振现象。同时选用遗传算法对控制器参数进行整定，进一步提高控制器收敛性和稳定性。
实施例一
本实施例提供一种基于遗传算法优化的自适应神经网络滑模控制方法，能够实现对污水处理过程中硝态氮浓度的有效控制，本实例仿真平台为国际水协提出的基准模拟模型No.2(BSM2)。该方法包括以下步骤：首先是确定系统状态方程的函数形式，其次是构建滑模面S，滑模面的设计需满足可达条件，即系统状态轨迹能在有限时间到达滑模面s(t)＝0上，同时需具备滑动模态且滑动模态应具有良好的动态品质，然后根据李亚普诺夫稳定判据确定神经网络权值自适应率
Figure BDA0004103076550000071
得到网络的输出，即控制率u，最后通过遗传算法对影响控制器性能的参数进行整定。其中，在本实施例中，字符上面带有小点代表表示微分的意思，例如/>
Figure BDA0004103076550000072
为/>
Figure BDA0004103076550000073
的微分，/>
Figure BDA0004103076550000074
为yd的微分。
如图1所示，本实施例的一种基于遗传算法优化的自适应神经网络滑模控制方法，包括如下步骤：
(1)、确定系统状态方程的函数形式；
城市污水脱氮过程具有非线性和不确定性的特点，考虑以下非线性二阶系统表示该过程：
Figure BDA0004103076550000081
其中x＝[x1,x2]T∈R为系统的状态变量，u∈R为系统输入，y∈R为系统输出，α(x)和β(x)为未知光滑函数，
Figure BDA0004103076550000082
Figure BDA0004103076550000083
为已知的平滑函数。
(2)、设计滑模面s；
定义向量xd、e及滑模函数s如下：
Figure BDA0004103076550000084
其中，参数λ>0，期望的轨迹向量xd已知且连续，yd为期望的跟踪信号，e为误差。于是：
Figure BDA0004103076550000085
其中
Figure BDA0004103076550000086
(3)、采用神经网络逼近滑模控制率u*；
假定非线性函数α(x)，β(x)已知，则滑模控制器设计为：
Figure BDA0004103076550000087
其中，当参数ε>0时，则
Figure BDA0004103076550000088
将u＝u*代入公式(3)，有：
Figure BDA0004103076550000089
Figure BDA00041030765500000810
/>
取李雅普诺夫函数为
Figure BDA0004103076550000091
则：
Figure BDA0004103076550000092
可见，当污水处理系统跟踪误差的收敛速度与ε有关，ε值越小，
Figure BDA0004103076550000093
值越负；
当非线性函数α(x)，β(x)未知时，公式(4)中的u*则无法实现。由公式(4)可得u*为关于x、s、ε、v的连续函数，故通过RBF神经网络训练来逼近u*，神经网络的输入z为：
Figure BDA0004103076550000094
Figure BDA0004103076550000095
对于任意常数μ0>0，存在理想的整数l*和理想权值向量W*，使得对所有l≥l*，有
Figure BDA0004103076550000096
Figure BDA0004103076550000097
其中，h(z)为高斯基函数，j为网络隐含层第j个节点，z为网络输入，b和c为高斯基函数参数；μl为网络的逼近误差，且满足μl≤μ0，μ0为任意常数。
Figure BDA0004103076550000098
(4)、设计神经网络权值自适应率
Figure BDA0004103076550000099
以及求控制率输出u；
一般来说理想的神经网路权值W*是未知的，需要在控制器设计中进行估计，即
Figure BDA00041030765500000910
其中，u为网络输出，
Figure BDA00041030765500000911
为W*的估计值，网络权值的自适应率设计为：
Figure BDA00041030765500000912
其中，Γ＝ΓT>0是自适应增益矩阵，σ>0为常量。
(5)、采用遗传算法对影响控制器性能的参数进行整定。
参见图2，利用遗传算法对影响控制器收敛性的高斯基函数参数b、滑模面参数λ和网络初始权值
Figure BDA0004103076550000101
进行整定，遗传算法优化参数的要素包括种群初始化、确定解码方法、确定适应度函数、选择操作、交叉操作、变异操作：
①种群初始化
采用长度为L位二进制编码串分别表示为欲寻优的参数个数，再将分别表示参数变量的3个L位长的二进制编码串连接在一起，组成一个二进制编码，从而构成一个个体染色体。
②确定解码方法
解码时，需将染色体切断为3个L位长的二进制编码串，然后分别转换为对应的十进制整数代码，记为mi(i＝1,2,3)。解码公式为：
Figure BDA0004103076550000102
③确定适应度函数
考虑控制系统的稳定性、准确性和快速性三个指标，以误差、调节时间、超调量作为约束条件，定义下式作为参数选择的目标函数
Figure BDA0004103076550000103
其中e(t)为系统跟踪误差，t为时间，δ1、δ2为权值。
④选择操作
选用轮盘赌法作为适应度比例的选择策略，对每个个体i的选择概率pi为
Figure BDA0004103076550000104
Figure BDA0004103076550000105
其中，N为种群个体数目，F为个体的适应度值，i、j＝(1,…N)，k为系数。
⑤交叉操作
采用实数交叉法作为交叉操作的方法，第k个染色体ak和第l个染色体al在j位的交叉操作方法如下：
Figure BDA0004103076550000111
式中，b是[0,1]间的随机数。
⑥变异操作
aij表示选取第i个个体的第j个基因进行变异，具体如下：
Figure BDA0004103076550000112
Figure BDA0004103076550000113
其中，amax、amin分别为基因aij的上界和下界；r2为随机数；g为当前迭代次数；Gmax是最大进化次数；r为[0,1]间的随机数。
本实施例中以国际水协提供的BSM2基准仿真模型对污水厂的污水处理过程进行了全工艺的模拟，仿真时间为50d，对应污水厂运行50天的数据，给定阶跃信号作为硝态氮(SNO2)浓度的期望值，控制架构如图1所示，通过遗传算法对控制器中高斯基函数参数b、滑模面参数λ和网络初始权值
Figure BDA0004103076550000114
进行优化。取种群规模和迭代次数为20，交叉概率为0.4，变异概率为0.01，得到优化结果分别为/>
Figure BDA0004103076550000115
Figure BDA0004103076550000116
Figure BDA0004103076550000117
图3中给出了每代中适应度值随迭代次数的变化曲线。图4比较了控制信号为阶跃信号情况下，PID控制器、未通过遗传算法优化的自适应神经网络控制器(RBF-SMC)以及遗传算法优化后的自适应神经网络滑模控制器(GA-RBF-SMC)这三种控制器的控制性能，可见三种控制器最终都能稳定收敛，但三者达到稳态花费的调节时间存在较大差异，由图5对跟踪结果进行放大可见，PID控制器的调节时间为9.2d，RBF-SMC为1.18d，GA-RBF-SMC为0.93d，且整体上GA-RBF-SMC有着小于前两者的稳态误差，故GA-RBF-SMC控制器在对阶跃信号的跟踪上有着更强的快速性、稳定性和准确性。
实施例二
仍然采用实施例一中的仿真平台BSM2，不同的是将给定信号更改为正弦信号作为SNO2浓度的期望值，用遗传算法优化得到控制器参数分别为
Figure BDA0004103076550000118
Figure BDA0004103076550000121
λ＝6.0554，b＝12.4335，每代中适应度值随迭代次数的变化曲线如图6所示。由图7和图8可见，GA-RBF-SMC控制器对信号的跟踪具有较好的收敛性和快速性，同时相较于传统的PID控制器在稳定性和准确性方面也有很大的提升，具有能够根据给定信号进行自适应调节的能力。
实施例三
仍然采用实施例一中的仿真平台BSM2，不同的是将给定信号更改为方波信号作为SNO2浓度的期望值，用遗传算法优化得到控制器参数分别为
Figure BDA0004103076550000122
Figure BDA0004103076550000123
λ＝6.0554，b＝12.4335，每代中适应度值随迭代次数的变化曲线如图9所示。由图10和图11可见，三种控制器的控制信号最终都能收敛，但其中传统PID控制器的调节时间和上升时间较慢，RBF-SMC控制器在固定参数的情况下不足以应对信号快速变动的情况(存在较大误差)。而优化过的GA-RBF-SMC保留了控制器的快速收敛性的同时，提高了控制器的稳定性和准确性。
实施例四
仍然采用实施例一中的仿真平台BSM2，不同的是将给定信号更改为方波信号作为SNO2浓度的期望值，与实施例三不同的是在系统运行的第30天往系统的输入中叠加区间为[-30，30]的随机噪声信号，沿用实施例三中用遗传算法优化得到的控制器参数，即
Figure BDA0004103076550000124
Figure BDA0004103076550000125
Figure BDA0004103076550000126
λ＝6.0554，b＝12.4335。由图12和图13可见，传统PID控制器存在较大的稳态误差且在扰动下存在较大误差，未经优化的RBF-SMC收敛速度较慢但具备一定的抗扰能力。优化后的GA-RBF-SMC在收敛速度和抗扰能力上有很大提升，能够根据克服噪声信号的影响。
通过以上实施例可以看出，GA-RBF-SMC(基于遗传算法优化的自适应神经网络滑模控制器)相较于传统PID控制器不仅在稳定性、准确性、快速性三项指标上有了较大提升，同时具备更强的抗扰能力，能够克服输入信号和噪声变化的影响。且由于控制器中RBF神经网络能较好的对系统的不确定性进行补偿，仅需要测量缺氧段硝态氮浓度的状态，即可完成控制要求。因此本发明所提出的控制方法不仅适用于污水处理系统，也适用其它具有较大非线性和不确定性的系统，可通过改良优化算法进一步提高控制器的控制性能。
本实施例还提供一种污水脱氮过程自适应神经网络滑模控制装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现图1所示方法。
本实施例的一种污水脱氮过程自适应神经网络滑模控制装置，可执行本发明方法实施例所提供的一种污水脱氮过程自适应神经网络滑模控制方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种污水脱氮过程自适应神经网络滑模控制方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种污水脱氮过程自适应神经网络滑模控制方法，其特征在于，包括以下步骤：
确定污水处理系统的状态方程的函数形式；
设计滑模面s；
根据滑模面s，采用神经网络逼近滑模控制器的控制率u*；
设计神经网络权值自适应率
Figure FDA0004103076510000011
以及求控制率输出u；
采用遗传算法对影响控制器性能的参数进行整定。
2.根据权利要求1所述的一种污水脱氮过程自适应神经网络滑模控制方法，其特征在于，所述确定污水处理系统的状态方程的函数形式，包括：
污水脱氮过程具有非线性和不确定性的特点，考虑以下非线性二阶系统表示该过程：
Figure FDA0004103076510000012
其中，x＝[x1,x2]T∈R为系统的状态变量，u∈R为系统输入，y∈R为系统输出，α(x)和β(x)为未知光滑函数，
Figure FDA0004103076510000013
Figure FDA0004103076510000014
为已知的平滑函数。
3.根据权利要求1所述的一种污水脱氮过程自适应神经网络滑模控制方法，其特征在于，所述设计滑模面s，包括：
定义向量xd、e及滑模面s如下：
Figure FDA0004103076510000015
其中，参数λ>0，期望的轨迹向量xd已知且连续，yd为期望的跟踪信号，e为误差，于是：
Figure FDA0004103076510000016
其中
Figure FDA0004103076510000017
4.根据权利要求3所述的一种污水脱氮过程自适应神经网络滑模控制方法，其特征在于，所述采用神经网络逼近滑模控制率u*，包括：
假定非线性函数α(x)，β(x)已知，则滑模控制器设计为：
Figure FDA0004103076510000021
其中，当参数ε>0时，则
Figure FDA0004103076510000022
将u＝u*代入公式(3)，有：
Figure FDA0004103076510000023
Figure FDA0004103076510000024
/>
取李雅普诺夫函数为
Figure FDA0004103076510000025
则：
Figure FDA0004103076510000026
可见，当污水处理系统跟踪误差的收敛速度与ε有关，ε值越小，
Figure FDA00041030765100000210
值越负；
当非线性函数α(x)，β(x)未知时，公式(4)中的u*则无法实现；由公式(4)可得u*为关于x、s、ε、v的连续函数，故通过RBF神经网络训练来逼近控制率u*，神经网络的输入z为：
Figure FDA0004103076510000027
Figure FDA0004103076510000028
5.根据权利要求4所述的一种污水脱氮过程自适应神经网络滑模控制方法，其特征在于，对于任意常数μ0>0，存在理想的整数l*和理想权值向量W*，使得对所有l≥l*，有：
Figure FDA0004103076510000029
Figure FDA0004103076510000031
Figure FDA0004103076510000032
其中，h(z)为高斯基函数，j为网络隐含层第j个节点，z为网络输入，b和c为高斯基函数参数；μl为网络的逼近误差，且满足|μl|≤μ0，μ0为任意常数。
6.根据权利要求5所述的一种污水脱氮过程自适应神经网络滑模控制方法，其特征在于，所述设计神经网络权值自适应率
Figure FDA0004103076510000033
以及求控制率输出u，包括：
神经网路权值W*是未知的，需要在控制器设计中进行估计，即：
Figure FDA0004103076510000034
其中，u为网络输出，
Figure FDA0004103076510000035
为W*的估计值，网络权值的自适应率设计为：
Figure FDA0004103076510000036
其中，Γ＝ΓT>0是自适应增益矩阵，σ>0为常量。
7.根据权利要求1所述的一种污水脱氮过程自适应神经网络滑模控制方法，其特征在于，所述采用遗传算法对影响控制器性能的参数进行整定，包括：
利用遗传算法对影响控制器收敛性的高斯基函数参数b、滑模面参数λ和网络初始权值
Figure FDA0004103076510000037
进行整定。
8.根据权利要求7所述的一种污水脱氮过程自适应神经网络滑模控制方法，其特征在于，遗传算法优化参数的要素包括种群初始化、确定解码方法、确定适应度函数、选择操作、交叉操作、变异操作，具体如下：
①种群初始化
采用长度为L位二进制编码串分别表示为欲寻优的参数个数，再将分别表示参数变量的3个L位长的二进制编码串连接在一起，组成一个二进制编码，从而构成一个个体染色体；
②确定解码方法
解码时，需将染色体切断为3个L位长的二进制编码串，然后分别转换为对应的十进制整数代码，记为mi(i＝1,2,3)，解码公式为：
Figure FDA0004103076510000041
③确定适应度函数
考虑控制系统的稳定性、准确性和快速性三个指标，以误差、调节时间、超调量作为约束条件，定义下式作为参数选择的目标函数：
Figure FDA0004103076510000042
其中e(t)为系统跟踪误差，t为时间，δ1、δ2为权值；
④选择操作
选用轮盘赌法作为适应度比例的选择策略，对每个个体i的选择概率pi为：
Figure FDA0004103076510000043
Figure FDA0004103076510000044
其中，N为种群个体数目，F为个体的适应度值，i、j＝(1,…N)，k为系数；
⑤交叉操作
采用实数交叉法作为交叉操作的方法，第k个染色体ak和第l个染色体al在j位的交叉操作方法如下：
Figure FDA0004103076510000045
式中，b是[0,1]间的随机数；
⑥变异操作
aij表示选取第i个个体的第j个基因进行变异，具体如下：
Figure FDA0004103076510000046
Figure FDA0004103076510000047
其中，amax、amin分别为基因aij的上界和下界；r2为随机数；g为当前迭代次数；Gmax是最大进化次数；r为[0,1]间的随机数。
9.一种污水脱氮过程自适应神经网络滑模控制装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-8任一项所述方法。
10.一种计算机代码自动生成装置，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-8任一项所述方法。
CN202310183530.3A 2023-02-28 2023-02-28 污水脱氮过程自适应神经网络滑模控制方法、装置及介质 Pending CN116243604A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310183530.3A CN116243604A (zh) 2023-02-28 2023-02-28 污水脱氮过程自适应神经网络滑模控制方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310183530.3A CN116243604A (zh) 2023-02-28 2023-02-28 污水脱氮过程自适应神经网络滑模控制方法、装置及介质

Publications (1)

Publication Number Publication Date
CN116243604A true CN116243604A (zh) 2023-06-09

Family

ID=86625790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310183530.3A Pending CN116243604A (zh) 2023-02-28 2023-02-28 污水脱氮过程自适应神经网络滑模控制方法、装置及介质

Country Status (1)

Country Link
CN (1) CN116243604A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117092908A (zh) * 2023-10-19 2023-11-21 中国标准化研究院 基于遗传算法的废水处理设备智能控制方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117092908A (zh) * 2023-10-19 2023-11-21 中国标准化研究院 基于遗传算法的废水处理设备智能控制方法及系统
CN117092908B (zh) * 2023-10-19 2024-01-02 中国标准化研究院 基于遗传算法的废水处理设备智能控制方法及系统

Similar Documents

Publication Publication Date Title
CN101576734B (zh) 基于动态径向基神经网络的溶解氧的控制方法
CN1060915A (zh) 应用人工神经网络的通用过程控制
Han et al. Research on an online self-organizing radial basis function neural network
CN116243604A (zh) 污水脱氮过程自适应神经网络滑模控制方法、装置及介质
CN113689029A (zh) 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法
CN113138555A (zh) 一种基于遗传算法优化的grnn电主轴热误差建模方法
CN112947627B (zh) 一种基于ddpg-模糊pid的温度控制方法
CN116149166B (zh) 一种基于改进白鲸算法的无人救援艇航向控制方法
CN113189881A (zh) 一种污水处理多目标优化控制方法及系统
CN115689070A (zh) 基于帝王蝶算法优化bp神经网络模型的能源预测方法
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法
Innocentini et al. Modeling stochastic gene expression under repression
KR20200057836A (ko) 온실의 다중창 제어장치 및 그 제어방법
CN111427261A (zh) 一种基于猫群算法的pid参数整定方法
CN111474850A (zh) 基于改进正弦余弦算法优化pid液压调平系统控制方法
CN113919217B (zh) 自抗扰控制器自适应参数整定方法及装置
CN112879220B (zh) 风机控制方法、系统和可读存储介质
Liu et al. A review of learning algorithm for radius basis function neural network
Patnaik Design considerations in hybrid neural optimization of fed-batch fermentation for PHB production by Ralstonia eutropha
Yang et al. A survey: limited data problem and strategy of reinforcement learning
Normandin et al. Optimizing control of a continuous stirred tank fermenter using a neural network
Mesquita et al. In silico metabolic flux data flexibilization for advanced bioreactor control applications
CN110197022B (zh) 面向流式大数据的并行概率变分软测量建模方法
CN117492371B (zh) 有源电力滤波器模型预测控制的优化方法、系统和设备
CN115313411B (zh) 一种电网无功优化控制方法和装置

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