一种基于深度学习的污水处理过程溶解氧控制方法及系统技术方案

本发明专利技术公开了一种基于深度学习的污水处理过程溶解氧控制方法，包括以下步骤：从历史数据中获取卷积神经网络CNN软测量建模输入变量和输出变量；利用迭代寻优方法获取CNN最佳隐含层节点数；根据获取的输入输出变量样本与最佳隐含层节点数构建CNN模型；通过adam算法对模型进行训练，并用Attention机制获取模型训练重要成分，得到训练后Attention

【技术实现步骤摘要】
一种基于深度学习的污水处理过程溶解氧控制方法及系统


[0001]本专利技术涉及污水处理过程控制的研究领域，特别涉及一种基于深度学习的污水处理过程溶解氧控制方法及系统。

技术介绍

[0002]曝气过程，即向好氧池中通入空气或适当浓度的氧气，是污水处理中的重要过程，其能够促进好氧菌降解、转化污水中的有毒有害污染物质。好氧池中溶解氧浓度过高或过低都会影响污水处理效率。当溶解氧浓度过高时，会增加污水处理泵送能耗并且对微生物絮凝过程起到破坏作用；当溶解氧的浓度过低时，会导致污泥膨胀，甚至是生物处理效率大幅下降或完全失效，因此，精准且平稳地控制污水处理过程中的溶解氧浓度对污水处理效率至关重要。
[0003]PID控制作为经典工业控制方法，广泛适用于稳定的工业生产生活过程控制。而污水处理系统属于复杂的非线性系统，过程复杂多变，特别是水质波动较大时，控制器参数无法进行自适应调整优化，对污水处理过程中关键参数(如溶解氧)调控滞后、精确度低。因此，需要一种将深度学习模型与PID控制器结合起来的方法，利用深度学习来对PID控制器参数进行动态调整优化，实现对污水处理过程中溶解氧的快速、精准控制。

技术实现思路

[0004]本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于深度学习的污水处理过程溶解氧控制方法及系统，基于活性污泥处理过程中的仿真基准1号(BSM1)模型中的PID控制器,充分利用卷积神经网络(CNN)的空间特征提取能力与注意力机制(Attention)中的重要成分获取能力,利用Attention
‑
CNN模型来动态调整PID控制器的三个参数,创建基于Attention
‑
CNN
‑
PID的溶解氧复合控制器，对污水处理过程中的溶解氧浓度进行精准且平稳的控制，提高污水处理效率。
[0005]本专利技术的第一目的在于提供一种基于深度学习的污水处理过程溶解氧控制方法。
[0006]本专利技术的第二目的在于提供一种基于深度学习的污水处理过程溶解氧控制系统。
[0007]本专利技术的第一目的通过以下的技术方案实现：
[0008]一种基于深度学习的污水处理过程溶解氧控制方法，其特征在于，包括以下步骤：
[0009]通过PID控制器获取历史数据，从历史数据中确定卷积神经网络CNN软测量模型的输入变量和输出变量，其中所述输入变量包括输入变量为溶解氧实际值与期望值的误差e及误差变化率ec，输出变量为PID控制器的三个参数：P、 I、D；
[0010]利用迭代寻优方法获取CNN软测量模型的最佳隐含层节点数；
[0011]根据获取的输入变量和输出变量样本与最佳隐含层节点数构建卷积神经网络CNN软测量模型；
[0012]通过adam学习率算法对CNN软测量模型进行训练，并用Attention机制获取CNN软测量模型训练的重要成分，进而得到Attention
‑
CNN模型，对 Attention
‑
CNN模型进行训
练，得到训练后的Attention
‑
CNN模型；
[0013]通过训练后的Attention
‑
CNN模型对PID控制器的P、I、D三个参数进行动态调整，并获得溶解氧控制结果。
[0014]进一步地，所述利用迭代寻优方法获取卷积神经网络的最佳隐含层节点数，具体为：
[0015]第一步、设置CNN隐含层节点数的范围为8～1024,步长设置为32；
[0016]第二步、将CNN网络的初始训练误差用max_mse表示，设置max_mse＝2000，把当前所选取的隐含层节点数为m(i)时对应的每个输出变量的均方误差之和记作mse(i)，其中i表示所选取的隐含层节点的顺序；
[0017]第三步、将”rand(
‘
state
’
,0)”命令输入到命令行，以保证每次迭代寻优时网络的初始化状态相同；
[0018]第四步、当mse(i)<max_mse时，则将max_mse的值赋值给当前的mse(i)，并将此时选取的隐含层节点数m(i)记为de_m(i)；
[0019]第五步、当所有候选的隐含层节点数目全部轮完一遍时，此时的max_mse 即为训练的最小误差，对应的de_m(i)即为最佳隐含层节点数。
[0020]进一步地，所述根据获取的输入变量和输出变量样本与最佳隐含层节点数构建卷积神经网络CNN软测量模型，具体如下：
[0021]第一步、采集PID控制器的500组离线数据，并将其输入Attention
‑
CNN模型，其中模型的输入变量为溶解氧实际值与期望值的误差e及误差变化率ec，输出变量为P、I、D三个参数；
[0022]第二步、根据深度神经网络训练集与测试集为8:2的比例，将前400组数据作为Attention
‑
CNN模型的训练集，后100组数据作为测试集；
[0023]第三步、将e和ec按照1*2*1的方式输入Attention
‑
CNN模型；
[0024]第四步、确定迭代寻优方法选择出的最佳隐含层节点数为Attention
‑
CNN模型的隐含层节点数；
[0025]第五步、利用adam算法和400组训练数据来训练Attention
‑
CNN模型；
[0026]第六步、利用100组测试数据来测试训练好的Attention
‑
CNN模型。
[0027]进一步地，所述Attention
‑
CNN模型的由七层结构构成。
[0028]进一步地，所述Attention
‑
CNN模型的七层结构具体如下：
[0029]模型的第一层为输入层，负责将输入样本导入到CNN网络，输入样本表示为：
[0030]T＝(T1,T2,
……
T
n
)；
[0031]其中，T
n
表示第n个输入变量；
[0032]模型的第二层为卷积层，该层在数据块上做卷积运动，负责提取输入层的空间特征，经过卷积层的输出可以表示为：
[0033][0034]其中，和分别为卷积层中第j个神经元的输出与第i个神经元的输入，表示卷积层中的卷积核，f为卷积层的激活函数；
[0035]第三层为池化层，该层通过最大池化的方式利用down函数对卷积层的输出进行降
采样，经过池化层的输出可以表示为：
[0036][0037]其中，和分别为池化层中第m个神经元的输出与输入，为降采样函数的系数；
[0038]第四层同为卷积层，其卷积过程与第二层相同；
[0039]第五层为注意力层，注意力层根据不同的目标值为不同的信号段生成权重系数，并以加权平均值的形式组合来自不同信号段的信息，使重要的参数具有较本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的污水处理过程溶解氧控制方法，其特征在于，包括以下步骤：通过PID控制器获取历史数据，从历史数据中确定卷积神经网络CNN软测量模型的输入变量和输出变量，其中所述输入变量包括输入变量为溶解氧实际值与期望值的误差e及误差变化率ec，输出变量为PID控制器的三个参数：P、I、D；利用迭代寻优方法获取CNN软测量模型的最佳隐含层节点数；根据获取的输入变量和输出变量样本与最佳隐含层节点数构建卷积神经网络CNN软测量模型；通过adam学习率算法对CNN软测量模型进行训练，并用Attention机制获取CNN软测量模型训练的重要成分，进而得到Attention
‑
CNN模型，对Attention
‑
CNN模型进行训练，得到训练后的Attention
‑
CNN模型；通过训练后的Attention
‑
CNN模型对PID控制器的P、I、D三个参数进行动态调整，并获得溶解氧控制结果。2.根据权利要求1所述的一种基于深度学习的污水处理过程溶解氧控制方法，其特征在于，所述利用迭代寻优方法获取卷积神经网络的最佳隐含层节点数，具体为：第一步、设置CNN隐含层节点数的范围为8～1024,步长设置为32；第二步、将CNN网络的初始训练误差用max_mse表示，设置max_mse＝2000，把当前所选取的隐含层节点数为m(i)时对应的每个输出变量的均方误差之和记作mse(i)，其中i表示所选取的隐含层节点的顺序；第三步、将”rand(
‘
state
’
,0)”命令输入到命令行，以保证每次迭代寻优时网络的初始化状态相同；第四步、当mse(i)<max_mse时，则将max_mse的值赋值给当前的mse(i)，并将此时选取的隐含层节点数m(i)记为de_m(i)；第五步、当所有候选的隐含层节点数目全部轮完一遍时，此时的max_mse即为训练的最小误差，对应的de_m(i)即为最佳隐含层节点数。3.根据权利要求1所述的一种基于深度学习的污水处理过程溶解氧控制方法，其特征在于，所述根据获取的输入变量和输出变量样本与最佳隐含层节点数构建卷积神经网络CNN软测量模型，具体如下：第一步、采集PID控制器的500组离线数据，并将其输入Attention
‑
CNN模型，其中模型的输入变量为溶解氧实际值与期望值的误差e及误差变化率ec，输出变量为P、I、D三个参数；第二步、根据深度神经网络训练集与测试集为8:2的比例，将前400组数据作为Attention
‑
CNN模型的训练集，后100组数据作为测试集；第三步、将e和ec按照1*2*1的方式输入Attention
‑
CNN模型；第四步、确定迭代寻优方法选择出的最佳隐含层节点数为Attention
‑
CNN模型的隐含层节点数；第五步、利用adam算法和400组训练数据来训练Attention
‑
CNN模型；第六步、利用100组测试数据来测试训练好的Attention
‑
CNN模型。4.根据权利要求1所述的一种基于深度学习的污水处理过程溶解氧控制方法，其特征在于，所述Attention
‑
CNN模型的由七层结构构成。
5.根据权利要求4所述的一种基于深度学习的污水处理过程溶解氧控制方法，其特征在于，所述Attention
‑
CNN模型的七层结构具体如下：模型的第一层为输入层，负责将输入样本导入到CNN网络，输入样本表示为：T＝(T1,T2,
……
T
n
)；其中，T
n
表示第n个输入变量；模型的第二层为卷积层，该层在数据块上做卷积运动，负责提取输入层的空间特征，经过卷积层的输出可以表示为：其中，和分别为卷积层中第j个神经元的输出与第i个神经元的输入，表示卷积层中的卷积核，f为卷积层的激活函数；第三层为池化层，该层通过最大池化的方式利用down函数对卷积层的输出进行降采样，经过池化层的输出可以表示为：其中，和分别为池化层中第m个神经元的输出与输入，为降采样函数的系数；第四层同为卷积层，其卷积过程与第二层相同；第五层为注意...

【专利技术属性】
技术研发人员：黄明智，牛国强，易晓辉，陈长二，应光国，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：