一种基于模糊神经网络的氨氮浓度软测量方法既属于控制领域，又属于水处理领域。针对当前污水处理过程出水氨氮浓度难以实时测量、迫切需要研究出水氨氮浓度的实时检测方法来提升城市污水处理厂自动化水平的问题，本发明专利技术基于城市污水处理生化反应特性，采用一种基于快速二次型学习算法的模糊神经网络建立了氨氮浓度的软测量模型，解决了出水氨氮浓度难以实时测量的问题；结果表明该软测量模型能够快速、准确地预测污水处理出水氨氮的浓度，有利于提升污水处理过程出水氨氮浓度质量监控水平，确保城市污水处理厂高效稳定的运行。
【技术实现步骤摘要】
一种基于模糊神经网络的氨氮浓度软测量方法
本专利技术涉及城市污水处理过程出水水质氨氮浓度的实时测量，基于城市污水处理生化反应特性，利用一种基于快速二次型学习算法的模糊神经网络建立了氨氮浓度的软测量模型，实现了对城市污水处理过程关键水质参数氨氮浓度的预测；氨氮浓度的实时检测有益于解决制约出水氨氮实时测量困难的难题，确保关键水质排放实时达标；实现氨氮浓度的在线预测是实现城市污水处理过程脱氮控制的基础环节，是先进制造
的重要分支，既属于控制领域，又属于水处理领域。
技术介绍
水资源问题已成为世界各国政府首要关注的议题，2015年世界经济论坛发布的《2015年全球风险报告》中指出：水资源供应危机是未来10年社会风险中最核心的风险之一，一旦发生将会对全球经济和社会造成根本性破坏。联合国《2014年世界水资源综合评估报告》也指出：水资源短缺将严重制约21世纪全球经济与社会的可持续发展，并可能导致国家间冲突。我国属于严重缺水的国家，水资源人均占有量约为世界人均占有量的四分之一。改革开放以来，随着城市化、工业化进程的提速，社会对淡水资源的需求量日益增大，同时对水环境的破坏也愈加严重。国家中长期发展规划中提出要抑制异常工况的发生，确保污水处理水质达标；研究并推广高效、低能耗的污水处理新技术；因此，本专利技术具有广阔的应用前景；城市污水处理的目标就是使出水水质达到国家排放标准，如GB18918主要涉及的参数有化学需氧量、生化需氧量、悬浮物、氨氮、总氮和总磷。其中水质参数氨氮是引起水体富营养化、导致藻类大量繁殖的主要因子，是水环境污染和水体富营养化问题的主要因素，控制水体富营养化的一项重要举措就是将富含氨氮的污水进行处理，并且严格限制出水中氨氮的排放。目前污水处理厂多采用基于氨氮化学性质的测定方法、基于电极法等物理方法的测定方法和基于过程机理预测模型的测定方法等，但是以上方法不能实时测量氨氮浓度，导致城市污水处理过程难以实现闭环控制。因此，研究有效的氨氮浓度实时监测方法已成为污水控制领域研究的重要课题，并且具有重要的意义；本专利技术涉及了一种出水水质氨氮浓度智能软测量方法，该方法利用基于快速二次型学习算法的模糊神经网络建立辅助变量与氨氮浓度之间的软测量模型，有效地缩短了氨氮浓度的测量时间，提高了测量精度，并大大的降低了测量成本，为污水处理厂提供了一种快速高效的测量手段，以保证城市污水处理过程的效率和处理效果。
技术实现思路
本专利技术获得了一种基于模糊神经网络的出水氨氮浓度软测量方法，通过设计出水氨氮浓度的软测量模型，根据污水处理过程实时采集的数据实现出水氨氮浓度软测量模型的在线校正，实现了出水氨氮浓度的实时测量，解决了城市污水处理过程出水氨氮浓度难以实时测量的问题，提高了城市污水处理厂精细化管理和水质质量实时监控的水平，保障污水处理过程正常运行；本专利技术采用了如下的技术方案及实现步骤：1.一种基于模糊神经网络的出水氨氮浓度软测量方法，其特征在于，包括以下步骤：(1)确定软测量模型的辅助变量：采集城市污水处理厂实际水质参数数据，选取与出水氨氮浓度相关性强的水质变量：进水总磷TP、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS、出水pH以及温度作为出水氨氮浓度预测的辅助变量；(2)设计用于出水氨氮浓度的模糊神经网络拓扑结构，模糊神经网络分为四层：输入层、RBF层、归一化层、输出层；确定拓扑结构为6-P-P-1的连接方式，其中输入层神经元个数为6，RBF层神经元个数为P个，归一化层神经元个数为P个，P为大于2的正整数，输出层神经元个数为1个；输入层与RBF层以及RBF与归一化层之间的权值都赋值为1，归一化层与输出层之间的权值进行随机赋值，赋值区间为[-1,1]；设共有S个训练样本，第t时刻模糊神经网络输入为x(t)＝[x1(t)，x2(t)，x3(t)，x4(t)，x5(t)，x6(t)]，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)；出水氨氮浓度软测量模型计算方式依次为：①输入层：该层由6个神经元组成，每个神经元的输出为：ui(t)＝xi(t),i＝1,2,…,6；(1)其中，ui(t)表示输入层第i个神经元t时刻的输出，xi(t)为输入层第i个神经元t时刻的输入；②RBF层：RBF层由P个神经元组成，每个神经元的输出为：其中，cj(t)＝[c1j(t),c2j(t),…,c6j(t)]表示RBF层第j个神经元t时刻的中心值，cij(t)表示RBF层第j个神经元t时刻中心值的第i个元素，σj(t)＝[σ1j(t),σ2j(t),…,σ6j(t)]表示RBF层第j个神经元t时刻的中心宽度，σij(t)表示RBF层第j个神经元t时刻中心宽度的第i个元素，表示RBF层第j个神经元t时刻的输出；③归一化层：归一化层由P个神经元组成，每个神经元的输出为：其中，vl(t)表示归一化层第l个神经元t时刻的输出，为RBF层神经元输出值之和,表示RBF层第l个神经元t时刻的输出,cil(t)表示RBF层第l个神经元t时刻中心值的第i个元素，σil(t)表示RBF层第l个神经元t时刻中心宽度的第i个元素；④输出层：输出层输出为：其中，w(t)＝[w1(t),w2(t),…,wP(t)]表示归一化层与输出层间t时刻的连接权值向量，wl(t)表示归一化层第l个神经元与输出层神经元t时刻的连接权值，v(t)＝[v1(t),v2(t),…,vP(t)]T表示归一化层t时刻的输出向量，T表示转置，y(t)为输出层神经元的输出；定义模糊神经网络的均方根误差函数为：S表示模糊神经网络输入的训练样本数；(3)出水氨氮浓度软测量模型校正，具体为：①给定出水氨氮浓度软测量模型RBF层与归一化层神经元个数P，出水氨氮浓度软测量模型输入为x(1)，x(2)，…，x(t)，…，x(S)，对应的期望输出为y(1)，y(2)，…，y(t)，…，y(S)，期望误差值设为Ed，Ed小于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(t)中每个变量的赋值区间为[0,1]，j＝1，2，…，P；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)计算出水氨氮浓度软测量模型输出y(t)，运用快速二次型学习算法调整计算中心值cj(t)，中心宽度σj(t)以及权值w(t)的增量；ΔΘ(t)＝(Ψ(t)+λ(t)×I)-1×Ω(t)；(6)其中，Θ(t)＝[c1(t),c2(t)，…，cP(t)，σ1(t),σ2(t)，…，σP(t)，w(t)]为模糊神经网络t时刻的参数向量，并且：Ω(t)＝jT(t)e(t)；(7)Ψ(t)＝jT(t)j(t)；(8)e(t)＝y(t)-yd(t)；(9)Ω(t)是t时刻模糊神经网络梯度向量，Ψ(t)为t时刻模糊神经网络Hessian矩阵，jT(t)为j(t)的转置，e(t)为t时刻预测模型输出y(t)与期望输出yd(t)之间的误差，Jacobian向量j(t)和学习率λ(t)为λ(t)＝μλ(t-1)；(11)μ∈(0,0.1)表示影响因子，λ(1)＝0.1；④调整出水氨氮浓度软测量模型的参数；Θ(t+1)本文档来自技高网...
【技术保护点】
一种基于模糊神经网络的氨氮浓度软测量方法，其特征在于，包括以下步骤：(1)确定软测量模型的辅助变量：采集城市污水处理厂实际水质参数数据，选取与出水氨氮浓度相关性强的水质变量：进水总磷TP、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS、出水pH以及温度作为出水氨氮浓度预测的辅助变量；(2)设计用于出水氨氮浓度的模糊神经网络拓扑结构，模糊神经网络分为四层：输入层、RBF层、归一化层、输出层；确定拓扑结构为6‑P‑P‑1的连接方式，其中输入层神经元个数为6，RBF层神经元个数为P个，归一化层神经元个数为P个，P为大于2的正整数，输出层神经元个数为1个；输入层与RBF层以及RBF与归一化层之间的权值都赋值为1，归一化层与输出层之间的权值进行随机赋值，赋值区间为[‑1,1]；设第t时刻模糊神经网络输入为x(t)＝[x1(t)，x2(t)，x3(t)，x4(t)，x5(t)，x6(t)]，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)；出水氨氮浓度软测量模型计算方式依次为：①输入层：该层由6个神经元组成，每个神经元的输出为：ui(t)＝xi(t),i＝1,2,…,6； (1)其中，ui(t)表示输入层第i个神经元t时刻的输出，xi(t)为输入层第i个神经元t时刻的输入；②RBF层：RBF层由P个神经元组成，每个神经元的输出为：其中，cj(t)＝[c1j(t),c2j(t),…,c6j(t)]表示RBF层第j个神经元t时刻的中心值，cij(t)表示RBF层第j个神经元t时刻中心值的第i个元素，σj(t)＝[σ1j(t),σ2j(t),…,σ6j(t)]表示RBF层第j个神经元t时刻的中心宽度，σij(t)表示RBF层第j个神经元t时刻中心宽度的第i个元素，表示RBF层第j个神经元t时刻的输出；③归一化层：归一化层由P个神经元组成，每个神经元的输出为：其中，vl(t)表示归一化层第l个神经元t时刻的输出，为RBF层神经元输出值之和,表示RBF层第l个神经元t时刻的输出,cil(t)表示RBF层第l个神经元t时刻中心值的第i个元素，σil(t)表示RBF层第l个神经元t时刻中心宽度的第i个元素；④输出层：输出层输出为：y(t)=w(t)v(t)=Σl=1Pwl(t)e-Σi=16(xi(t)-cil(t))22σil2(t)Σj=1Pe-Σi=16(xi(t)-cij(t))22σij2(t),i=1,2,...,6;l=1,2,...,P;---(4)]]>其中，w(t)＝[w1(t),w2(t),…,wP(t)]表示归一化层与输出层间t时刻的连接权值向量，wl(t)表示t时刻归一化层第l个神经元与输出层神经元之间的连接权值，v(t)＝[v1(t),v2(t),…,vP(t)]T表示归一化层t时刻的输出向量，T表示转置，y(t)为输出层神经元的输出；定义模糊神经网络的均方根误差函数为：E(t)=12SΣt=1S(yd(t)-y(t))2;---(5)]]>S表示模糊神经网络输入的训练样本数；(3)出水氨氮浓度软测量模型校正，具体为：①给定出水氨氮浓度软测量模型RBF层与归一化层神经元个数P，出水氨氮浓度软测量模型输入为x(1)，x(2)，…，x(t)，…，x(S)，对应的期望输出为y(1)，y(2)，…，y(t)，…，y(S)，期望误差值设为Ed，Ed小于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(t)中每个变量的赋值区间为[0,1]，j＝1，2，…，P；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)计算出水氨氮浓度软测量模型输出y(t)，运用快速二次型学习算法调整计算中心值cj(t)，中心宽度σj(t)以及权值w(t)的增量；ΔΘ(t)＝(Ψ(t)+λ(t)×I)‑1×Ω(t)； (6)其中，Θ(t)＝[c1(t),c2(t)，…，cP(t)，σ1(t),σ2(t)，…，σP(t)，w(t)]为模糊神经网络t时刻的参数向量，并且：Ω(t)＝jT(t)e(t)； (7)Ψ(t)＝jT(t)j(t)； (8)e(t)＝y(t)‑yd(t)； (9)Ω(t)是t时刻模糊神经网络梯度向量，Ψ(t)为t时刻模糊神经网络Hessian矩阵，jT(t)为j(t)的转置，e(t)为t时刻软测量模型预测输出y(t)与期望输出yd(t)之间的误差，Jacobian向量j(t)和学习率λ(t)为j(...
【技术特征摘要】
1.一种基于模糊神经网络的氨氮浓度软测量方法，其特征在于，包括以下步骤：(1)确定软测量模型的辅助变量：采集城市污水处理厂实际水质参数数据，选取与出水氨氮浓度相关性强的水质变量：进水总磷TP、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS、出水pH以及温度作为出水氨氮浓度预测的辅助变量；(2)设计用于出水氨氮浓度的模糊神经网络拓扑结构，模糊神经网络分为四层：输入层、RBF层、归一化层、输出层；确定拓扑结构为6-P-P-1的连接方式，其中输入层神经元个数为6，RBF层神经元个数为P个，归一化层神经元个数为P个，P为大于2的正整数，输出层神经元个数为1个；输入层与RBF层以及RBF与归一化层之间的权值都赋值为1，归一化层与输出层之间的权值进行随机赋值，赋值区间为[-1,1]；设第t时刻模糊神经网络输入为x(t)＝[x1(t)，x2(t)，x3(t)，x4(t)，x5(t)，x6(t)]，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)；出水氨氮浓度软测量模型计算方式依次为：①输入层：该层由6个神经元组成，每个神经元的输出为：ui(t)＝xi(t),i＝1,2,…,6；(1)其中，ui(t)表示输入层第i个神经元t时刻的输出，xi(t)为输入层第i个神经元t时刻的输入；②RBF层：RBF层由P个神经元组成，每个神经元的输出为：其中，cij(t)表示RBF层第j个神经元t时刻中心值的第i个元素，σij(t)表示RBF层第j个神经元t时刻中心宽度的第i个元素，表示RBF层第j个神经元t时刻的输出；③归一化层：归一化层由P个神经元组成，每个神经元的输出为：其中，vl(t)表示归一化层第l个神经元t时刻的输出，为RBF层神经元输出值之和,表示RBF层第l个神经元t时刻的输出,cil(t)表示RBF层第l个神经元t时刻中心值的第i个元素，σil(t)表示RBF层第l个神经元t时刻中心宽度的第i个元素；④输出层：输出层输出为：其中，w(t)＝[w1(t),w2(t),…,wP(t)]表示归一化层与输出层间t时刻的连接权值向量，wl(t)表示t时刻归一化层第l个神经元与输出层神经元之间的连接权值，v(t)＝[v1(t),v2(t),…,vP(t)]T表示归一化层t时刻的输出向量，T表示转置，y(t)为输出层神经元的输出；定义模糊神经网络的均方根误差函数为：S表示模糊...
【专利技术属性】
技术研发人员：韩红桂，葛鹭明，乔俊飞，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。