【技术实现步骤摘要】
一种用于MBR膜污染在线监测方法及系统
本专利技术涉及火电厂废水处理
，特别涉及一种用于MBR膜污染在线监测方法及系统。
技术介绍
目前，膜生物反应器(MembraneBioreactor，MBR)是污水生物处理技术和膜技术有机结合产生的一种高效废水处理工艺，其利用微生物在膜生物反应器中对污水中的有机物粒子进行降解分离处理，达到净化水质的目的。该技术能够有效提高出水水质的品质，避免传统生物处理方式中存在的污泥膨胀和低污泥浓度等各种不利因素。研究表明膜生物反应器在废水处理过程中，膜与混合液中的菌体、固体颗粒、有机物、盐等物质发生的物理反应和化学反应，使这些微粒不断累积在膜表面和膜孔道内，膜孔半径不断减小，最终导致膜的污染。膜污染严重影响MBR膜分离单元的性能，造成膜通量降低、透水率减少、跨膜压差增大等，使MBR膜的出水水质降低和使用寿命缩短，阻碍了膜的推广使用。因此，正确预测膜的污染状况并及时对膜进行清洗维护很有必要。膜通量是表征膜污染的重要参数，通过膜通量大小预测膜的污染程度，做到及时对MBR膜的清洗。因此，开展膜通量的快速及时获取，实现MBR膜污染在线监测是火电厂废水处理行业一个亟待解决的问题。
技术实现思路
本专利技术的目的是提供了一种用于MBR膜污染在线监测方法及系统，克服膜污染判断过程中具有明显滞后效应的缺陷，实现快速、精确的在线膜污染监测过程。通过本专利技术可以实现的技术目的不限于上文已经特别描述的内容，并且本领域技术人员将从下面的详细描述中更加清楚地理解本...
【技术保护点】
1.一种用于MBR膜污染在线监测方法，其特征在于，所述膜污染在线监测方法包括：/n获取当前时刻来水中的MBR膜污染影响参数数据；/n将当前时刻的MBR膜污染影响参数数据输入到当前最优的LSTM循环神经网络模型中，得到当前时刻的膜通量预测结果；其中，LSTM循环神经网络模型主要基于MBR膜污染影响因素和膜通量的历史数据构成的训练数据集，根据主成分分析、LSTM循环神经网络算法建立而成；/n其中，所述当前最优的LSTM循环神经网络模型的建立方法具体包括：/n获取训练样本，所述训练样本包括由MBR膜污染影响因素和MBR膜通量构成的历史数据，具有多个输入和一个输出；所述输入为MBR膜污染影响因素；所述输出为MBR膜通量；/n训练样本输入特征参数优化，采用主成分分析算法对所述训练样本中的MBR膜污染影响因素进行处理，得到与MBR膜通量相关的主成分；/n建立LSTM循环神经网络模型，所述LSTM循环神经网络模型为多输入单输出的三层模型；所述第一层为输入层，其对应于训练数据集中MBR膜污染影响因素的参数时间序列；所述第二层为隐含层，其为LSTM循环网络结构；所述第三层为输出层，其对应于MBR膜通量预...
【技术特征摘要】
1.一种用于MBR膜污染在线监测方法，其特征在于，所述膜污染在线监测方法包括：
获取当前时刻来水中的MBR膜污染影响参数数据；
将当前时刻的MBR膜污染影响参数数据输入到当前最优的LSTM循环神经网络模型中，得到当前时刻的膜通量预测结果；其中，LSTM循环神经网络模型主要基于MBR膜污染影响因素和膜通量的历史数据构成的训练数据集，根据主成分分析、LSTM循环神经网络算法建立而成；
其中，所述当前最优的LSTM循环神经网络模型的建立方法具体包括：
获取训练样本，所述训练样本包括由MBR膜污染影响因素和MBR膜通量构成的历史数据，具有多个输入和一个输出；所述输入为MBR膜污染影响因素；所述输出为MBR膜通量；
训练样本输入特征参数优化，采用主成分分析算法对所述训练样本中的MBR膜污染影响因素进行处理，得到与MBR膜通量相关的主成分；
建立LSTM循环神经网络模型，所述LSTM循环神经网络模型为多输入单输出的三层模型；所述第一层为输入层，其对应于训练数据集中MBR膜污染影响因素的参数时间序列；所述第二层为隐含层，其为LSTM循环网络结构；所述第三层为输出层，其对应于MBR膜通量预测序列，基于主成分分量训练得到膜通量预测结果，并对比训练数据集中的实际膜通量数据，计算LSTM模型误差函数，并反向训练计算，不断优化LSTM网络模型，最终得到最优的LSTM网络模型。
2.根据权利要求1所述的膜污染在线监测方法，其特征在于，所述训练样本对为输入时间序列信号和输出时间序列信号组成的时间序列集(X,Y)；
所述输入时间序列信号为所述训练样本的输入值；所述输入时间序列信号为X＝[xi]m＝[xij]mⅹp，i＝1,2,…,t,…m，j＝1,2,……p，m为训练样本的样本个数，p为所述MBR膜污染影响因素参数个数；所述MBR膜污染影响因素参数主要包括污泥浓度、温度、跨膜压差、pH值、污泥混合液浓度、曝气强度、颗粒粒度、COD污泥负荷等；
所述输出时间序列信号为所述样本对的输出值；所述输出时间序列信号为Y＝[yi]mⅹ1，i＝1,2,…,t,…m，m为所述训练样本中MBR膜通量的样本个数。
3.根据权利要求1所述的膜污染在线监测方法，其特征在于，训练样本输入特征参数优化，采用主成分分析算法对所述训练样本中的MBR膜污染影响因素进行处理，得到与MBR膜通量相关的主成分，具体包括：
计算所述训练样本中所述MBR膜污染影响参数的相关系数矩阵R：
其中，rab为所述训练样本中xa与xb的相关系数，rab＝rba，为变量xa的样本均值，为变量xb的样本均值；
根据特征方程|λI-R|＝0，计算特征值，所述特征值为λj,j＝1,2,...,p，并按从大到小的顺序排序所述特征值，λ1≥λ2≥…≥λp，其中，I表示单位矩阵；
计算每个所述特征值λj,j＝1,2,...,p对应的特征向量ej,j＝1,2,...,p；其中，||ej||＝1；
根据所述特征值，计算累计贡献率，选取所述累计贡献率达85％～95％的特征值，并所述累计贡献率达85％～95％的特征值的个数被确定为所述主成分分量的个数；所述累计贡献率的计算公式为：
根据所述特征值以及所述特征向量，计算主成分载荷；所述主成分载荷的计算公式为
根据所述主成分载荷，确定主成分矢量矩阵；所述主成分矢量矩阵为Z＝[zil]m×q：
4.根据权利要求1所述的膜污染在线监测方法，其特征在于，所述根据所述与MBR膜通量相关的主成分，建立LSTM循环神经网络模型，具体包括：
建立LSTM循环神经网络结构：LSTM网络结构的输入神经元个数为主成分分量的个数；LSTM结构的输出神经元个数为MBR膜通量；LSTM隐含层的个数需要通过LSTM网络的迭代训练确定最佳的隐含层神经元个数，LSTM隐含层采用LSTM单元，该单元具有三个门和一个状态更新单元，所述三个门分别为输入门、遗忘门、输出门，输入门用来决定当前时刻网络的输入有多少保存到单元状态中；遗忘门决定上一时刻党员的状态有多少信息保留到当前时刻；输出门用来控制单元状态有多少输出到当前输出值；
训练LSTM循环神经网络模型：训练过程包括前向计算每个神经元的输出值、反向计算每个神经元的误差值以及计算每个神经元之间权重梯度和偏置梯度，训练的参数共有8组，分别是遗忘门的权重矩阵Wfh、Wfx和偏置项bf、输入门的权重矩阵Wih、Wix和偏置项bi、输出门的权重矩阵Woh、Wox和偏置项bo、计算单元状态的权重矩阵Wch、Wcx和偏置项bc；
所述前向计算每个神经元的输出值，计算每个门的输出值，其前向计算公式为：
遗忘门，ft＝σ(netf,t)＝σ(Wf·[ht-1,xt]+bf)
输入门，it＝σ(neti,t)＝σ(Wi·[ht-1,xt]+bi)
状态更新单元信息，输出门，ot＝σ(neto,t)＝σ(Wo·[ht-1,xt]+bo)
隐含层最终输出，
全连接层的输出，yt＝Wyht+by
其中，netf,t、neti,t、neto,t为LSTM网络中ft、it、ct、ot的加权输入；Wf是遗忘门的权重矩阵；ht-1是上一时刻LSTM网络的输出值；xt为当前时刻的输入向量；bf是遗忘门的偏置项；Wi是输入门的权重矩阵；bi是输入门的偏置项；为当前输入的单元状态；Wc是状态更新单元的权重矩阵；bc是状态更新单元的偏置项；Wo是输出门的权重矩阵；bo是输出门的偏置项；Wy是隐含层至全连接层的权重矩阵；by是隐含层到全连接层的偏置项；表示两个矩阵按元素相乘；tanh是双曲正切激活函数；σ(·)表示sigmoid函数
所述LSTM反向计算就是计算每个神经元的误差值，其沿着两个误差传播的方向，一个是沿时间的反向传播，从当前时刻开始，计算每个时刻的误差项；另一个是将误差项向上一层传播，在t时刻，LSTM网络的输出值为ht，那么t时刻的误差项δt为：
其中，E为网络所有样本误差，
δf,t、δi,t、δo,t为LSTM网络中ft、it、ct、ot对应的误差项，其计算公式为：
netf,t＝Wf·[ht-1,xt]+bf＝Wfhht-1+Wfxxt+bfneti,t＝Wi·[ht-1,xt]+bi＝Wihht-1+Wixxt+bi
neto,t＝Wo·[ht-1,xt]+bo＝Wohht-1+Woxxt+bo
误差项沿时间轴方向的反向传播为：沿时间轴方向传播的误差项主要是计算相邻的前一时刻的误差项，t-1时刻的误差项δt-1为：
根据LSTM网络中各个门的计算过程，ft、it、ot是ht-1的函数，通过全导数公式上式可转化为：
根据遗忘门、输入门、状态更新单元信息、输出门及隐含层最终输出计算公式，可得到：
同时根据ft、it、ot以及netf,t、neti,t、neto,t的计算公式，得到对应的偏导数：
将上述公式带入到t-1时刻的误差项δt-1中，得到：
根据误差项沿着时间轴反向传播上一时刻的规律，得到误差项沿着时间轴反向传播到任意k时刻的公式
另一个反向传播是将误差项向上一层传播，当前为第l层，则第l-1层的误差项就是误差函数E对l-1层加权输入的导数：
是网络在t时刻的输入xt的函数，而为的函数，借助全导数公式求出第l-1层的误差项
所述计算每个神经元之间的权重和偏置梯度，LSTM网络的梯度是根据过去各个时刻的权重梯度叠加而得到，在已知误差项δf,t、δi,t、以及δo,t的情况下...
【专利技术属性】
技术研发人员：袁照威，孟磊，谷小兵，李叶红，夏爽，
申请(专利权)人：大唐环境产业集团股份有限公司，
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。