基於動態徑向基神經網絡的溶解氧的控制方法

2023-10-19 16:50:17

專利名稱：基於動態徑向基神經網絡的溶解氧的控制方法
技術領域：
本發明利用基於動態徑向基(RBF)神經網絡的控制器實現汙水處理過程中溶解氧(DO)的 控制方法，汙水處理過程中溶解氧(DO)的控制作為汙水處理的重要環節，是先進位造技術領 域的重要分支，既屬於水處理領域，又屬於控制領域。
背景技術：
隨著國民經濟的增長和公眾環保意識的增強，汙水處理自動化技術迎來了前所未有的發 展機遇。國家中長期科技發展規劃中提出要研究並推廣高效、低能耗的汙水處理新技術。因 此，本發明的研究成果具有廣闊的應用前景。
溶解氧(DO)濃度是目前汙水處理中應用最為廣泛的運轉控制參數，當溶解氧不足或過量 時都會導致汙泥生存環境惡化當氧氣不足時， 一方面由於好氧池中絲狀菌會大量繁殖，最 終產生汙泥膨脹，發生異常工況；另一方面由於好氧菌的生長速率降低從而引起出水水質的 下降。而氧氣過量(即過量曝氣)則會引起懸浮固體沉降性能變差，影響汙水處理系統的正常 運行。溶解氧的控制涉及到微生物的生長環境以及處理過程的能耗，因此，溶解氧控制一直 是研究的重點。
傳統的開關控制或者PID控制，雖然是當前應用較為廣泛的控制方法，但是由於氧氣的 溶解過程受入水水質、溫度和pH值等方面的影響，具有高度非線性、強耦合性、時變、大 滯後和不確定性等特點。採用傳統的開關控制或者PID控制方法自適應能力較差，往往不能 取得理想的控制效果。近年來，國內外也有基於模糊和神經網絡的智能控制方法研究，很好 地解決了傳統的開關控制或者PID控制方法自適應能力較差的問題。伹是仍有一些不足，以 上模糊控制和神經網絡控制在應用前必須確定其本身規則數或神經網絡結構，在應用過程中 只能修改其參數，不能修改其結構；規模過大的模糊規則或神經網絡結構具有較好的學習精 度，但是往往需要較大的存儲空間和計算時間；而規模過小的模糊規則或神經網絡結構雖具 有較簡單的網絡結構，但信息處理能力又有限。優良的控制可以節省汙水處理運行費用，同時也是減少和應對異常工況發生、保障汙水處理過程正常運行的關鍵。此外，通過提高汙水 處理過程自動化水平，還可以有效地減少運行管理和操作人員，降低運行費用。
本發明設計了一種基於動態徑向基(RBF)神經網絡的溶解氧控制器，通過構建動態徑向基 (RBF)神經網絡模型，實現對汙水處理過程中溶解氧(DO)的在線控制。

發明內容
本發明的目的在於通過提供一種基於動態徑向基神經網絡的溶解氧的控制方法，構建動 態徑向基(RBF)神經網絡模型，分析汙水處理過程，實時改變神經網絡結構，提高控制器的控 制能力；解決控制器根據環境自動調整的問題，通過控制汙水處理過程中的曝氣量達到控制 DO濃度的效果；提高汙水處理過程中DO控制的精度，保障汙水處理過程正常運行；
本發明採用了如下的技術方案及實現步驟
一種基於動態徑向基神經網絡的溶解氧的控制方法，包括以下步驟
(1) 確定控制對象；本發明主要針對序批式間歇活性汙泥系統中溶解氧進行控制，以曝 氣量為控制量，溶解氧濃度為被控量；
(2) 設計用於汙水處理過程中溶解氧DO控制器的動態RBF神經網絡拓撲結構；網絡分 為三層輸入層、隱含層、輸出層；輸入為溶解氧DO濃度的期望值與實際值的誤差和誤差 變化率，輸出為汙水處理系統中變頻器的輸入量；
初始化RBF神經網絡確定神經網絡^ —"一i的連接方式，即輸入層神經元為p個，隱 含層神經元為"個，輸出層神經元為l個；對神經網絡的權值進行隨機賦值；RBF神經網絡 的輸入表示為^'^'A'"^，神經網絡的期望輸出表示為y^實際輸出表示為y;設第&時
刻RBF神經網絡輸入為^("'^("A RBF神經網絡各層的計算功能是
輸入層，該層由p個神經元組成formula see original document page 7分別表示輸入層的輸入和輸出；
隱含層，該層由w個神經元組成-formula see original document page 7("表示隱含層的輸入和輸出formula see original document page 7表示第A時刻的輸入值，。表示隱含層第y個神經元，X("-。.表示。與X("之間的歐式距離， P—)為高斯函數，其形式為
formula see original document page 8
。表示隱含層第j個神經元中心值，《表示隱含層第y個神經元的中心寬度。
輸出層，該層只有l個神經元
formula see original document page 8
(9^(3)(^:)表示輸出層的輸出，w)("表示第y個隱含層神經元與輸出層神經元之間的聯 結權值，KQ為RBF神經網絡的實際輸出； 定義誤差函數為
formula see original document page 8
r為0(W-h(")的轉置，附為訓練樣本總數，訓練神經網絡的目的是使得式(5)定義 的誤差函數達到期望值^;
(3)對樣本數據進行校正； _ _
設f個數據樣本JC(l),;c(2)，A，x(0，均值為^，每一個樣本的偏差為D^)-x^)-；， 《=1，2，A ，f ，按照Bessel公式計算出標準偏差
CT = js 、 ， ~~^~ (7) y=i f — 1
若某一個樣本X(^)的偏差滿足
|D (《)I 2 3 o"， "1,2，A ,n (8)
則認為樣本x(《)是異常數據，應予以剔除，得到校正後的數據，該數據作為神經網絡的
訓練樣本；
(4)用校正後的部分數據訓練神經網絡，在訓練過程中利用模型輸出敏感度分析對神經 網絡的冗餘隱神經元進行修剪，利用最臨近插值法對隱含層神經元進行增加；以簡化神經網 絡結構，提高神經網絡的性能。
動態RBF神經網絡調整具體步驟為
①訓練給定初始神經網絡達到預先設定訓練步驟m;記下訓練過程中每個隱含層神經元 的輸出權值wf，M^,A ，W，找出最大值和最小值；通過計算參數wf，M《，A ,M^對於網絡輸出_y的靈敏度；
第_/(7 = 1，2，八，")個隱神經元輸出在訓練附步中的最大值是~，最小值是^.，則假
定 < 以指定頻率C7y在["y, ~]內振蕩，艮口
《)=0) + ~ /2) + (~ - ^ /2) sin(cj/力) (9) 其中，5(7)=2;2"/附，c^指定頻率，m是總訓練步驟。結合式(5)，神經網絡的輸出少表 示為-
少O) = c^(3)o) = i ox^)2)o) ， c/ = i，2，a ,") (io)
③計算各個神經元的靈敏度如果要計算第yC/二l,2，A ，w)個隱神經元的靈敏度，則該
神經元對應的傅立葉係數為
1 T 1 T
j乂 =一 J"/X s)cos(Q7)"<is ， =—J"/(^)sin(ezr乂"(is (11)
其中，s的取值範圍是[-;r，;r];由RBF神經網絡的各隱含層神經元的輸出之間沒有相互作
用，傅立葉振幅值主要集中在基頻上，採用下式計算第X乂-1,2,A ，w)個隱神經元的靈敏度； (w-i)
<2 , D2
、一 (AM)
則y個隱神經元的總靈敏度之和為
5"附_57 = |^7; (13)
第y個輸入參數的靈敏度為
二5T)/5V/m —5T (14) ④進行結構調整，若第y個隱含層神經元的顯著性^小於A(預先設定)，則刪除該神經 元；若第y個隱含層神經元的顯著性^.大於^(預先設定)，利用最臨近插值法在該神經元附
近插入新的神經元；插入的新神經元初始條件w3 二丄w3, V= V ， c=c (15)
wg沐 2 / y ， 乂 、^乂
其中，W:w， V ew， C"^分別表示插入新神經元的聯結權值，中心值，中心寬度；
⑤ 繼續訓練神經網絡，然後每隔一定步數重複步驟②-④，直到新神經網絡中所有隱含層 神經元顯著性^處於A和&之間停止結構調整；
⑥ 調整校正網絡中所有的參數
5w々) 辨o) av々)
(16)
其中，/ = l,2，A,w， ^,W,^是正常數，它們取值範圍是
;
⑦ 繼續對樣本數據進行訓練，直到誤差五小於期望誤差^/;
(5)利用訓練好的RBF神經網絡對溶解氧(DO)進行控制，期望D0濃度與實際輸出D0濃度的 誤差及誤差變化率作為RBF神經網絡的輸入，RBF神經網絡的輸出即為變頻器的輸入，變頻器 通過調節電動機的轉速達到控制鼓風機的目的，最終控制曝氣量，整個控制系統的輸出為實 際D0濃度值，
本發明與現有技術相比，具有以下明顯的優勢和有益效果
(1) 本發明針對當前活性汙泥法汙水處理過程是一個複雜的、動態的生物反應過程，不僅 具有非線性、大時變等特點，而且各個因素之間存在強耦合關係，基於精確數學模型的各種 控制方法對汙水處理過程的控制顯得比較困難的問題，根據神經網絡可以逼近非線性函數的 特點，採用了動態RBF神經網絡實現DO濃度的控制，具有實時性好、穩定性好、精度高等特點； 從而省去了當前汙水處理廠需要人工經驗或基於精確數學模型研製其他控制器的複雜過程， 更方便快捷。
(2) 本發明採用模型輸出敏感度分析對RBF神經網絡的結構進行動態調整，該調整方法解 決了RBF神經網絡結構難以確定的問題，避免了RBF神經網絡規模過於複雜而需要較大的存儲 空間和計算時間；規模過小而信息處理能力又有限。
特別要注意本發明只是為了描述方便，採用的是對DO濃度的控制，同樣該發明也可適 用其他系統的控制等，只要採用了本發明的原理進行控制都應該屬於本發明的範圍。


圖1是本發明的RBF神經網絡拓撲結構；
圖2是本發明的控制器結構圖3是本發明控制系統結果圖4是本發明控制系統結果誤差圖。
具體實施例方式
以下結合具體實施方式
，對本發明做進一步說明；
請參閱圖l所示，為本發明的RBF神經網絡拓撲結構；圖2是本發明的控制器結構圖。 本發明獲得了一種基於動態徑向基(RBF)神經網絡的汙水處理過程中溶解氧(DO)濃度的
控制器；該控制器通過分析汙水處理過程，通過控制汙水處理過程中的曝氣量從而達到控制
DO濃度的目的；
實驗數據來自某汙水處理廠水質分析日報表；實驗樣本經數據預處理後剩下200組數據， 將全部的200組數據樣本分為兩部分其中100組數據用作為訓練樣本，其餘100組數據作 為測試樣本；
本發明採用了如下的技術方案及實現步驟
l.基於動態RBF神經網絡的溶解氧DO控制器的設計，包括以下步驟
(1) 確定控制對象；本發明主要針對序批式間歇活性汙泥系統中溶解氧進行控制，以曝 氣量為控制量，溶解氧濃度為被控量；
(2) 設計用於汙水處理過程中溶解氧DO控制器的初始化動態RBF神經網絡確定神經 網絡2-3-l的連接方式，即輸入層神經元為2個，隱含層神經元為3個，輸出層神經元為 l個，圖1給出了初始RBF神經網絡的拓撲結構；對神經網絡的權值進行隨機賦值；RBF神 經網絡的輸入為溶解氧DO濃度的期望值與實際值的誤差和誤差變化率，輸出為汙水處理系 統模型的曝氣量；輸入為溶解氧DO濃度的期望值與實際值的誤差和誤差變化率，輸出為汙 水處理系統中變頻器的輸入，圖2給出了控制器內部結構；
(3) 對樣本數據進行校正；將全部的200組數據樣本分為兩部分其中100組數據用作為
訓練樣本，其餘100組數據作為測試樣本；
(4) 用校正後的部分數據訓練神經網絡，在訓練過程中利用模型輸出敏感度分析對神經 網絡的冗餘隱神經元進行修剪，利用最臨近插值法對隱含層神經元進行增加；以簡化神經網絡結構，提高神經網絡的性能。
動態RBF神經網絡調整具體步驟為
①訓練給定初始神經網絡達到預先設定訓練步驟m;記下訓練過程中每個隱含層神經元
的輸出權值wf，M^，A ，W"3，找出最大值和最小值；通過計算參數wf,W,A ,W:對於網絡輸出 _y的靈敏度；
② 第y'(7-l，2,A,")個隱神經元輸出在訓練附步中的最大值是^，最小值是^.,則假
定W)以指定頻率^.在["乂,^]內振蕩，艮P:
w)3) = (~ + ~ /2) + (~ — ./2) sin(cj,")) (18) 其中，s(y)=2;r/m， e^.指定頻率，m是總訓練步驟。結合式(5)，神經網絡的輸出少表
示為
= Cto(3)0) = iw)0)C^)2)0) ， C/ = 1，2,A ,") (19)
7=1
③ 計算各個神經元的靈敏度如果要計算第jt/'-l，2,A,w;)個隱神經元的靈敏度，則該
神經元對應的傅立葉係數為
4=—J"/Cs)cos(cr,)^s ， B乂. =—J"/(s)sin(cr,)(is (20)
其中，s的取值範圍是[-;r,;r];由RBF神經網絡的各隱含層神經元的輸出之間沒有相 互作用，傅立葉振幅值主要集中在基頻上，採用下式計算第y'C/'-l,2,A，")個隱神經元的靈
敏度；
(w-i)
t (《+《) 則J'個隱祌經元的總靈敏度之和為
S騰—57 = 1^7; (22)
第J'個輸入參數的靈敏度為
:S7;/^m一5T (23)④進行結構調整，若第y個隱含層神經元的顯著性^小於^(預先設定)，則刪除該神經
元；若第y個隱含層神經元的顯著性^.大於^(預先設定)，利用最臨近插值法在該神經元附
近插入新的神經元；插入的新神經元初始條件-
formula see original document page 13
其中，W 3ew， V ew， C^分別表示插入新神經元的聯結權值，中心值，中心寬度；
⑤ 繼續訓練神經網絡，然後每隔一定步數重複步驟②-④，直到新神經網絡中所有隱含層 神經元顯著性處於A和￡2之間停止結構調整；
⑥ 調整校正網絡中所有的參數
w(/ + l) = w(Ol^i,《0 + l)-柳-;;^i， V^ + 1) = V(0-;73M^ '、,' —② 柳) 、0)
(25)
其中，/ = 1,2,A，"， T7i,^，仏是正常數，它們取值範圍是
;
⑦ 繼續對樣本數據進行訓練，直到誤差五小於期望誤差五rf ;
(5)利用訓練好的RB F祌經網絡對模型(l沖的溶解氧(DO)進行控制，DO期望濃度與實際 輸出濃度的誤差及誤差變化率作為訓練好的RBF神經網絡的輸入，RBF神經網絡的輸出即為 變頻器輸入值，變頻器通過調節電動機的轉速達到控制鼓風機的目的，最終控制曝氣量，整 個控制系統的輸出為實際DO濃度值，其值如圖3(X軸時間(分鐘)，Y軸溶解氧DO濃度(毫 克/升))，實線為期望DO濃度值，虛線是實際DO輸出濃度值；實際輸出DO濃度與期望DO濃 度的誤差如圖4(X軸時間(分鐘)，Y軸溶解氧DO濃度(毫克/升))，結果證明該方法的有效 性。
權利要求
1.一種基於動態徑向基神經網絡的溶解氧的控制方法，其特徵在於，包括以下步驟(1)確定控制對象；針對序批式間歇活性汙泥系統中溶解氧進行控制，以曝氣量為控制量，溶解氧濃度為被控量；(2)設計用於汙水處理過程中溶解氧DO控制器的動態RBF神經網絡拓撲結構；網絡分為三層輸入層、隱含層、輸出層；初始化RBF神經網絡確定神經網絡p-n-1的連接方式，即輸入層神經元為p個，隱含層神經元為n個，輸出層神經元為1個；對神經網絡的權值進行隨機賦值；RBF神經網絡的輸入表示為x1，x2，Λ，xp，神經網絡的期望輸出表示為yd，實際輸出表示為y；設第k時刻RBF神經網絡輸入為x1(k)，x2(k)，Λ，xp(k)，RBF神經網絡各層的計算功能是輸入層，該層由p個神經元組成<![CDATA[ In i (1) ( k )= x i ( k ), ]]> top= "128" left = "32"/><![CDATA[ Out i (1) ( k )= In i (1) ( k ), ]]> top= "128" left = "80"/>(i＝1，2，Λ，p)；(2)Ini(1)(k)，Outi(1)(k)分別表示輸入層的輸入和輸出；隱含層，該層由n個神經元組成<![CDATA[ In j (2) ( k )=||x ( k )- c j||, ]]> top= "151" left = "42"/> top= "152" left = "110"/>(i＝1，2，Λ，p.j＝1，2，Λ，n)；(3)Inj(2)(k)，Outj(2)(k)表示隱含層的輸入和輸出，x(k)＝[x1(k)，x2(k)，Λ，xp(k)]T表示第k時刻的輸入值，cj表示隱含層第j個神經元，‖x(k)-cj‖表示cj與x(k)之間的歐式距離， top= "187" left = "53"/>為高斯函數，其形式為cj表示隱含層第j個神經元中心值，δj表示隱含層第j個神經元的中心寬度。輸出層，該層只有1個神經元<![CDATA[ y ( k )= Out (3) ( k )= j=1 n w j 3 ( k ) Out j (2) ( k ), ]]> top= "226" left = "44"/>(j＝1，2，Λ，n) (5)Out(3)(k)表示輸出層的輸出，wj3(k)表示第j個隱含層神經元與輸出層神經元之間的聯結權值，y(k)為神經網絡的實際輸出；定義誤差函數為<![CDATA[ E= 1 m k=1 m (y ( k )- y d ( k )) T ( y (k) - yd (k) )--- ( 6 ) ]]>T為(y(k)-yd(k))的轉置，m為訓練樣本總數，訓練神經網絡的目的是使得式(5)定義的誤差函數達到期望值Ed；(3)對樣本數據進行校正；設t個數據樣本x(1)，x(2)，Λ，x(t)，均值為x，每一個樣本的偏差為D(q)＝x(q)-x，q＝1，2，Λ，t，按照Bessel公式計算出標準偏差<![CDATA[ = j = 1t (x ( q )- x ) 2 t - 1 --- ( 7 ) ]]>若某一個樣本x(q)的偏差滿足|D(q)|≥3σ，q＝1，2，Λ，t； (8)則認為樣本x(q)是異常數據，應予以剔除，得到校正後的數據，該數據作為神經網絡的訓練樣本；(4)用校正後的部分數據訓練神經網絡，在訓練過程中利用模型輸出敏感度分析對神經網絡的冗餘隱神經元進行修剪，利用最臨近插值法對隱含層神經元進行增加；以簡化神經網絡結構，提高神經網絡的性能；具體為①訓練給定初始神經網絡達到預先設定訓練步驟m；記下訓練過程中每個隱含層神經元的輸出權值w13，w23，Λ，wn3，找出最大值和最小值；通過計算參數w13，w23，Λ，wn3對於網絡輸出y的靈敏度；②第j(j＝1，2，Λ，n)個隱神經元輸出在訓練m步中的最大值是bj，最小值是aj，則假定wj3以指定頻率 top= "191" left = "75"/>在[aj，bj]內振蕩，即其中，s(j)＝2π/m， top= "212" left = "73"/>指定頻率，m是總訓練步驟；結合式(5)，神經網絡的輸出y表示為<![CDATA[ y ( s )= Out (3) ( s )= j=1 n w j 3 ( s ) Out j (2) ( s ), ]]> top= "227" left = "39"/>(j＝1，2，Λ，n) (10)③計算各個神經元的靈敏度如果要計算第j(j＝1，2，Λ，n)個隱神經元的靈敏度，則該神經元對應的傅立葉係數為 top= "263" left = "37"/> top= "263" left = "97"/>其中，s的取值範圍是[-π，π]；由RBF神經網絡的各隱含層神經元的輸出之間沒有相互作用，傅立葉振幅值主要集中在基頻上，採用下式計算第j(j＝1，2，Λ，n)個隱神經元的靈敏度；則j個隱神經元的總靈敏度之和為<![CDATA[ Sum_ST= i=1 n ST i--- ( 13 ) ]]>第j個輸入參數的靈敏度為Sj＝STj/Sum_ST(14)④進行結構調整，若第j個隱含層神經元的顯著性Sj小於ε1(預先設定)，則刪除該神經元；若第j個隱含層神經元的顯著性Sj大於ε2(預先設定)，利用最臨近插值法在該神經元附近插入新的神經元；插入的新神經元初始條件<![CDATA[ w new 3= 1 2 w j 3, ]]> top= "163" left = "61"/>vnew＝vj，cnew＝cj(15)其中，vnew3，vnew，cnew分別表示插入新神經元的聯結權值，中心值，中心寬度；⑤繼續訓練神經網絡，然後每隔一定步數重複步驟②-④，直到新神經網絡中所有隱含層神經元顯著性Sj處於ε1和ε2之間停止結構調整；⑥調整校正網絡中所有的參數<![CDATA[ w i ( t + 1 )= w i ( t )- 1 E ( t ) w i ( t ) , ]]> top= "217" left = "22"/><![CDATA[ i ( t + 1 )= i ( t )- 2 E ( t ) i ( t ) , ]]> top= "217" left = "80"/><![CDATA[ v i ( t + 1 )= v i ( t )- 3 E ( t ) v i ( t ) ]]> top= "217" left = "137"/>(16)其中，i＝1，2，Λ，n，η1，η2，η3是正常數，它們取值範圍是
；⑦繼續對樣本數據進行訓練，直到誤差E小於期望誤差Ed；(5)利用訓練好的RBF神經網絡對溶解氧(DO)進行控制，期望DO濃度與實際DO濃度的誤差和誤差變化率作為訓練好的RBF神經網絡的輸入，RBF神經網絡的輸出即為變頻器的輸入值，從而控制電動機的轉速已達到控制鼓風機的目的，最終控制曝氣量，控制系統的輸出為實際DO濃度。
2、根據權利要求1所述的基於動態徑向基神經網絡的溶解氧的控制方法， 其特徵在於所述的輸入為溶解氧DO濃度的期望值與實際值的誤差和誤差變 化率，所述的輸出為汙水處理系統中變頻器的輸入值。
全文摘要
本發明公開了一種基於動態徑向基神經網絡的溶解氧的控制方法，採用以下步驟確定控制對象；設計用於汙水處理過程中溶解氧DO控制器的動態RBF神經網絡拓撲結構；對樣本數據進行校正；用校正後的部分數據訓練神經網絡，利用訓練好的RBF神經網絡對溶解氧(DO)進行控制，期望DO濃度與實際輸出DO濃度的誤差及誤差變化率作為RBF神經網絡的輸入，RBF神經網絡的輸出即為變頻器的輸入，變頻器通過調節電動機的轉速達到控制鼓風機的目的，最終控制曝氣量，整個控制系統的輸出為實際DO濃度值，提高控制器的控制效果，能夠快速、準確地使溶解氧達到期望要求；解決了當前基於開關控制和PID控制自適應能力較差的問題。
文檔編號G05B13/00GK101576734SQ20091008699
公開日2009年11月11日 申請日期2009年6月12日 優先權日2009年6月12日
發明者喬俊飛, 郭迎春, 韓紅桂 申請人:北京工業大學