基于自組織t-s模糊神經(jīng)網(wǎng)絡(luò)的污泥沉降指數(shù)軟測量方法
【專利摘要】基于自組織T-S模糊神經(jīng)網(wǎng)絡(luò)的污泥沉降指數(shù)軟測量方法既屬于控制領(lǐng)域，又屬于污水處理領(lǐng)域。污泥沉降指數(shù)SVI的準(zhǔn)確預(yù)測是污水處理過程正常運(yùn)行的保證，本發(fā)明首先以規(guī)則層的輸出量，即規(guī)則層的空間激活強(qiáng)度作為判定模糊規(guī)則是否增加的依據(jù)；其次，在生成新的模糊規(guī)則的基礎(chǔ)上，以隸屬函數(shù)層輸出量作為判定模糊集是否增加的依據(jù)；最后，利用梯度下降算法調(diào)整模型的權(quán)值參數(shù)和高斯函數(shù)的中心值和寬度，獲得一種自組織T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)，并基于SOTSFEN建立了SVI的在線軟測量模型，實(shí)現(xiàn)了SVI的實(shí)時(shí)檢測，為預(yù)防污泥膨脹提供了一種有效方法。
【專利說明】基于自組織T-S模糊神經(jīng)網(wǎng)絡(luò)的污泥沉降指數(shù)軟測量方法【技術(shù)領(lǐng)域】
[0001]本發(fā)明利用自組織T-S模糊遞歸網(wǎng)絡(luò)建立污泥容積指數(shù)SVI的軟測量模型，實(shí)現(xiàn)對污泥沉降指標(biāo)SVI的實(shí)時(shí)預(yù)測。污泥沉降指數(shù)SVI的準(zhǔn)確預(yù)測是污水處理過程正常運(yùn)行的保證，本發(fā)明既屬于控制領(lǐng)域，又屬于污水處理領(lǐng)域。
【背景技術(shù)】
[0002]污水處理是我國政府水資源綜合利用的重要舉措，也是我國可持續(xù)發(fā)展戰(zhàn)略的重要組成部分。目前，全國各城市、縣基本上建立了城鎮(zhèn)污水處理廠，污水處理能力與美國等國家發(fā)達(dá)國家相當(dāng)。但污水處理運(yùn)行狀況不容樂觀，其中污泥膨脹問題嚴(yán)重制約著污水處理的發(fā)展。污泥膨脹一旦發(fā)生，絲狀菌大量繁殖，污泥沉降性能變差，固液分離困難，導(dǎo)致出水水質(zhì)超標(biāo)，污泥溢出流失，甚至可能引發(fā)泡沫的產(chǎn)生，造成污水處理系統(tǒng)崩潰。因此，本發(fā)明基于自組織T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)S0TSRFNN的SVI的軟測量研究具有廣泛的應(yīng)用前景。
[0003]污泥容積指數(shù)SVI是污泥沉降性能的重要評價(jià)指標(biāo)之一。目前，針對SVI的檢測方法主要有兩類:①人工檢測法，利用量筒定時(shí)采樣檢測，計(jì)算SVI值，但該方法耗時(shí)且誤差大，難以滿足污水處理日益復(fù)雜的現(xiàn)實(shí)要求；②自動(dòng)檢測法，但該方法存在設(shè)備造價(jià)高，壽命短，穩(wěn)定性差等缺點(diǎn)，而且受現(xiàn)場環(huán)境和人工操作的影響，檢測精度得不到保障。軟測量技術(shù)利用系統(tǒng)變化及參量之間的關(guān)系，建立輸入輸出之間的模型，通過易測水質(zhì)變量估計(jì)SVI值。具有投資少、時(shí)間短、反應(yīng)迅速，易于保養(yǎng)和維護(hù)等優(yōu)點(diǎn)。因此，研究S0TSRFNN的軟測量方法對解決SVI實(shí)時(shí)測量問題具有重要的現(xiàn)實(shí)意義。
[0004]本發(fā)明提出了ー種SVI的在線軟測量方法:首先，以規(guī)則層的空間激活強(qiáng)度，即規(guī)則層的輸出作為判定模糊規(guī)則是否増加的依據(jù)；其次，在生成新的模糊規(guī)則的基礎(chǔ)上，以隸屬函數(shù)層輸出量作為判定模糊集是否增加的依據(jù)；最后，利用梯度下降算法調(diào)整模型的權(quán)值參數(shù)和高斯函數(shù)的中心值和寬度，獲得ー種自組織T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)，并基于S0TSRFNN建立了 SVI的在線軟測量模型，實(shí)現(xiàn)了 SVI的實(shí)時(shí)檢測，為預(yù)防污泥膨脹提供了一種有效方法。

【發(fā)明內(nèi)容】

[0005]本發(fā)明針對SVI在線測量困難的問題，分析污泥膨脹的形成原因，總結(jié)與SVI密切相關(guān)的易測水質(zhì)參量，利用主元分析法PCA確定了模型的輸入量；并提出了ー種改進(jìn)的模糊遞歸神經(jīng)網(wǎng)絡(luò)，基于結(jié)構(gòu)自組織算法，設(shè)計(jì)了 S0TSRFNN，建立了 SVI的在線軟測量模型；最后，利用建立的模型進(jìn)行SVI的軟測量，實(shí)現(xiàn)SVI的在線測量；
[0006]本發(fā)明采用了如下的技術(shù)方案及實(shí)現(xiàn)步驟:
[0007]I ー種SVI軟測量方法，其特征在于，包括以下步驟:
[0008](I)數(shù)據(jù)預(yù)處理及輔助變量精選；
[0009]樣本集數(shù)據(jù)用零均值標(biāo)準(zhǔn)化方法進(jìn)行歸一化處理，通過主元分析PCA進(jìn)行輔助變量的精選，最終確定混合液懸浮物濃度MLSS、酸堿度pH、曝氣池水溫T、曝氣池氨NH4作為模型的輸入變量。
[0010](2)建立SVI的軟測量的遞歸模糊神經(jīng)網(wǎng)絡(luò)模型，輸入量為MLSS、pH、T、NH4,模型的輸出量為SVI。遞歸模糊神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu):輸入層即第一層、隸屬函數(shù)層即第二層、規(guī)則層即第三層、參數(shù)層即第四層、輸出層即第五層、反饋層。
[0011]神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu):輸入層有4個(gè)輸入節(jié)點(diǎn)，每個(gè)輸入層節(jié)點(diǎn)連接m個(gè)隸屬函數(shù)層節(jié)點(diǎn)，規(guī)則層有m個(gè)節(jié)點(diǎn)，m表示模糊規(guī)則數(shù)，在網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練過程中生成的模糊規(guī)則數(shù)確定m的值，參數(shù)層節(jié)點(diǎn)個(gè)數(shù)、反饋層節(jié)點(diǎn)數(shù)與規(guī)則層的節(jié)點(diǎn)數(shù)相等，輸出層有I個(gè)節(jié)點(diǎn)。x=[x1,x2,x3, X4]表示神經(jīng)網(wǎng)絡(luò)的輸入，yd表示神經(jīng)網(wǎng)絡(luò)的期望輸出。設(shè)第k組樣本數(shù)據(jù)為X (k) = [X1 (k)，x2 (k)，X3 (k)，x4 (k)]。第 k 組樣本數(shù)據(jù)輸入時(shí):
[0012]輸入層第i個(gè)節(jié)點(diǎn)的輸出表示為:
[0013]υ] 'lk) = XiIk).! = 1,2,3,4(I)
[0014]其中，O)表示輸入層的第i個(gè)節(jié)點(diǎn)在輸入第k組樣本時(shí)的輸出；
[0015]隸屬函數(shù)層的節(jié)點(diǎn)總數(shù)為:4m，每個(gè)輸入層的節(jié)點(diǎn)均連接m個(gè)隸屬函數(shù)層的節(jié)點(diǎn)，隸屬函數(shù)層的輸出為:
【權(quán)利要求】
1.一種SVI軟測量方法，其特征在于，包括以下步驟: (1)數(shù)據(jù)預(yù)處理及輔助變量精選； 樣本集數(shù)據(jù)用零均值標(biāo)準(zhǔn)化方法進(jìn)行歸一化處理，通過主元分析PCA進(jìn)行輔助變量的精選，最終確定混合液懸浮物濃度MLSS、酸堿度pH、曝氣池水溫T、曝氣池氨NH4作為模型的輸入變量； (2)建立SVI的軟測量的遞歸模糊神經(jīng)網(wǎng)絡(luò)模型，輸入量為MLSS、pH、T、NH4,模型的輸出量為SVI ;遞歸模糊神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu):輸入層即第一層、隸屬函數(shù)層即第二層、規(guī)則層即第三層、參數(shù)層即第四層、輸出層即第五層、反饋層； 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu):輸入層有4個(gè)輸入節(jié)點(diǎn)，每個(gè)輸入層節(jié)點(diǎn)連接m個(gè)隸屬函數(shù)層節(jié)點(diǎn)，規(guī)則層有m個(gè)節(jié)點(diǎn)，m表示模糊規(guī)則數(shù)，在網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練過程中生成的模糊規(guī)則數(shù)確定m的值，參數(shù)層節(jié)點(diǎn)個(gè)數(shù)、反饋層節(jié)點(diǎn)數(shù)與規(guī)則層的節(jié)點(diǎn)數(shù)相等，輸出層有I個(gè)節(jié)點(diǎn)；x=[x1,x2,x3, X4]表示神經(jīng)網(wǎng)絡(luò)的輸入，yd表示神經(jīng)網(wǎng)絡(luò)的期望輸出；設(shè)第k組樣本數(shù)據(jù)為X (k) = [X1 (k)，X2 (k)，X3 (k)，x4 (k)];第 k 組樣本數(shù)據(jù)輸入時(shí): 輸入層第i個(gè)節(jié)點(diǎn)的輸出表不為: OiitiIk) = XiIkjJ = 1.2,3^4(I) 其中，(O表不輸入層的第i個(gè)節(jié)點(diǎn)在輸入第k組樣本時(shí)的輸出； 隸屬函數(shù)層的節(jié)點(diǎn)總數(shù)為:4m，每個(gè)輸入層的節(jié)點(diǎn)均連接m個(gè)隸屬函數(shù)層的節(jié)點(diǎn)，隸屬函數(shù)層的輸出為:
【文檔編號(hào)】G06N3/02GK103606006SQ201310558054
【公開日】2014年2月26日 申請日期:2013年11月12日 優(yōu)先權(quán)日:2013年11月12日
【發(fā)明者】喬俊飛, 許少鵬, 韓紅桂 申請人:北京工業(yè)大學(xué)