CN107402586A - 基于深度神经网络的溶解氧浓度控制方法及*** - Google Patents

Abstract

本发明公开了一种基于深度神经网络的溶解氧浓度控制方法及***，所述方法包括：检测并采集废水中的多组原始数据；根据所述原始数据建立深度神经网络模型；利用所述深度神经网络模型计算控制参数；根据所述控制参数，对曝气量进行调整。本发明通过建立深度神经网络的溶解氧模型，实现对溶解氧的精准控制。

Description

基于深度神经网络的溶解氧浓度控制方法及***

技术领域

本发明涉及控制技术领域，尤其涉及一种溶解氧浓度控制方法及***。

背景技术

溶解氧是污水好氧生物处理***运行的关键因素，供氧总量直接决定污水处理成本，溶解氧浓度水平过低，使活性污泥活性降低，抑制生物对有机物的降解，产生污泥膨胀；溶解氧过高会加速消耗污水中的有机物，使微生物因缺乏营养而引起活性污泥的老化，长期过高的溶解氧会降低活性污泥的絮凝性能和吸附能力，增加能耗，导致悬浮固体沉降性变差。因此，溶解氧的控制非常重要。

污水活性污泥好氧处理***溶解氧的浓度控制具有复杂的非线性、滞后性和一定的不确定性，因此，在充分考虑处理负荷的情况下，寻求一种通过控制曝气量进而对溶解氧浓度实现精准控制的方法，对于提高污水处理控制的自动化水平和效果、节约能源都有很大的意义。

目前，对污水处理厂曝气量的控制主要是依赖设计标准以及技术员的经验来人为实施，但是，进水流量及水质参数是随时变化的，这种变化存在很大随机性，这使得对污水厂的运行控制难度很大。另外，目前污水处理厂使用的污水处理***是一种多变量非线性***，溶解氧的浓度控制、污水水质及运行条件关系复杂，很难用线性关系来描述，因此无法用传统的机理分析和数学推导的方法来建立相应的模型。

发明内容

针对现有技术中的缺陷，本发明提供一种基于深度神经网络的溶解氧浓度控制方法及***，通过应用基于深度神经网络的溶解氧模型，通过对控制曝气量进而实现对溶解氧的精准控制。

第一方面，本发明提供了一种基于深度神经网络的溶解氧浓度控制方法，所述方法包括：

检测并采集废水中的多组原始数据；

根据所述原始数据建立深度神经网络模型；

利用所述深度神经网络模型计算控制参数；

根据所述控制参数，对曝气量进行调整。

进一步地，所述根据所述原始数据建立深度神经网络模型，具体包括：

取出所述原始数据中的一部分数据作为训练样本；

调用所述深度神经网络模型的参数训练函数；

采用所述参数训练函数，对所述训练样本进行学习和训练；

根据学习和训练的结果建立深度神经网络模型。

进一步地，所述根据所述原始数据建立深度神经网络模型，还包括：利用所述深度神经网络模型进行废水处理的仿真。

进一步地，所述利用所述深度神经网络模型进行废水处理的仿真，具体包括：

取出所述原始数据中剩余的数据作为测试样本；

调用所述深度神经网络模型的仿真函数；

利用所述仿真函数和所述测试样本对污水处理进行仿真，得到预测数据；

利用所述预测数据检测所述模型的准确性和稳定性。

进一步地，所述检验深度神经网络模型的准确性和稳定性，具体包括：

将所述预测数据和实测数据的变化趋势进行对比，检验两者之间的误差。

进一步地，所述利用所述深度神经网络模型计算控制参数，具体包括：

设置所述模型的输入参数，利用所述模型计算与输入参数相对应的输出参数，作为控制参数。

进一步地，所述输入参数包括：废水流量，水力停留时间，进水污染物浓度，出水污染物浓度，活性污泥浓度，溶解氧浓度；所述输出参数为曝气量。

进一步地，所述检测并采集废水中的多组原始数据之后，建立深度神经网络模型之前，还包括：

对所述原始数据进行有效性分析，从中提取有效数据，用所述有效数据更新所述原始数据。

进一步地，所述原始数据包括：废水流量，水力停留时间，进水污染物浓度，出水污染物浓度，活性污泥浓度，曝气量参数及对应的溶解氧浓度。

第二方面，本发明还提供了一种基于深度神经网络的溶解氧浓度控制***，所述***包括：数据采集模块，模型建立模块，参数计算模块，控制模块；

所述数据采集模块，用于检测并采集废水中的多组原始数据；

所述模型建立模块，用于根据所述原始数据建立深度神经网络模型；

所述参数计算模块，用于利用所述深度神经网络模型计算控制参数；

所述控制模块，用于根据所述控制参数，对曝气量进行调整。

由上述技术方案可知，本发明提供一种基于深度神经网络的溶解氧浓度控制方法及***，将深度神经网络应用于溶解氧监测与控制模型中，建立基于深度神经网络的溶解氧模型，通过对控制曝气量以实现对溶解氧的精准控制。

附图说明

图1示出了本发明提供的溶解氧浓度控制方法的流程示意图。

图2示出了限制性玻尔兹曼机的网络结构示意图。

图3示出了本发明中建立深度神经网络模型的流程示意图。

图4示出了本发明中利用深度神经网络模型进行仿真的流程示意图。

图5示出了本发明提供的溶解氧浓度控制***的结构示意图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。

实施例一

图1示出了本发明实施例一提供的基于深度神经网络的溶解氧浓度控制方法的流程示意图。如图1所示，所述方法包括：

步骤S100，检测并采集废水中的多组原始数据；

步骤S200，根据所述原始数据建立深度神经网络模型；

步骤S300，利用所述深度神经网络模型计算控制参数；

步骤S400，根据所述控制参数，对曝气量进行调整。

本发明实施例一的具体技术方案为：

步骤S100，检测并采集废水中的多组原始数据。

所述原始数据包括但不限于：废水流量，水力停留时间，进水污染物浓度，出水污染物浓度，活性污泥浓度，曝气量参数及对应的溶解氧浓度。

采集到原始数据后，必要时需要对原始数据进行有效性分析，从中提取有效数据，用所述有效数据更新所述原始数据。

有效性分析的具体方式为：将原始数据与预先监测的对比数据进行对比，检验两者的误差大小，如果某一原始数据与相应的对比数据相比，误差过大，或大于某一个设定的阈值，则认为该原始数据为无效数据，反之则为有效数据，完成全部对比后，用筛选出的有效数据来替换原始数据，成为新的原始数据，以备后续步骤使用。

步骤S200，根据所述原始数据建立深度神经网络模型。

本发明实施例的原理为：将深度神经网络应用于溶解氧监测与控制模型中，具体来讲，利用深度神经网络中的迭代训练算法训练基于深度神经网络的溶解氧模型。

一般而言，深度神经网络模型和浅层神经网络模型都采用分层结构，两者都包括输入层，隐藏层和输出层，相邻层之间有连接，同一层和跨层的节点之间没有连接。相较于浅层神经网络模型，深度神经网络模型采用逐层训练的方法而非反向传播算法，在反馈调整时候，梯度越来越稀疏，从顶层越往下，误差校正信号越来越小，而且收敛容易局部最小，这主要与初始值的随机性和数据的无标签性密切相关。

深度神经网络(Deep Neural Network，DNN)指的是具有多层隐藏层的表示非线性关系的深层结构，使用该模型结构理论上可以逼近复杂的函数。深度神经网络各神经单元之间表示的是一种非线性关系，可以用来逼近复杂函数并拟合可观测数据，在学习数据的本质特征上显示了强大的建模能力及抽取能力。

同时，深度神经网络有多个隐藏层，多隐层的网络具有优异的特征学习能力，这种学习得到的特征对于数据有着更本质的刻画，利于分类。深度学习的本质是通过构建多隐藏层，利用大量的训练数据来学习更有用的特征，从而提高预测的准确性，因此，深度模型是手段，特征学习是目的。深度神经网络模型通过学习深层非线性的网络结构，可实现复杂函数逼近来表示输入数据的分布式表达。

由于溶解氧的影响因素多样而复杂，浅层的模型结构如高斯混合模型的建模能力有限，并不能精确表达溶解氧与其影响因素之间的高阶相关性。深度神经网络强大的建模能力则更适合对复杂的溶解氧数据建模。

深度神经网络常见模型有三种分别为深度信念网模型、卷积神经网络模型、自动编码器模型，本发明利用深度信念网对废水中的溶解氧浓度进行预测和控制建模。

深度信念网(DBN)模型由多个限制性玻尔兹曼机(RBM)层叠而成，RBM是DeepLearning的—个很重要的网络结构。深度信念网络是一种生成模型，它通过训练神经元之间的权重来训练数据。

受限玻尔兹曼机由两层神经元组成，一层为可视层(V)，另一层为隐藏层(H)。其中每层的节点是无链接的，层与层间的节点全链接的。如图2所示。其中，n表示神经元的数目，v，h表示可见层和隐藏层的状态向量，a，b表示可见层和隐藏层的偏置向量，W为可见层与隐藏层之间的权值矩阵。

RBM是个基于能量的模型，对于RBM来说，隐藏层和可见层之间的能量函数为：

根据能量函数，可以给出可见层和隐藏层之间的联合概率：

其中Z为归一化因子：

对于一个实际问题，需要知道观测数据的概率分布，它对应p(v,h)的边缘分布，具体为：

类似的，能够得到：

之后考虑当给定隐藏层(或者可见层)上所有神经元状态的时候，可见层(或隐藏层)某个神经单元被激活的概率，为了简化推导过程，记做：

上式表示在h中去年h_k后得到的向量，随后引入：

利用上面两式可以得到：

E(v,h)＝-β(v,h_-k)-h_ka_k(v)

然后经过推导，得到：

DBN由多个RBM层组成，DBN的训练过程如下：

(1)首先充分训练第一个RBM；

(2)把第一个训练好的RBM的权重和偏移量固定，使用隐性神经元的状态作为第二个RBM的输入向量；

(3)充分训练第二个RBM，然后堆叠在第一个RBM的上方；

(4)重复以上步骤多次；

(5)如果训练集中的数据包含有标签，那么最顶层的RBM在训练的时候，要有代表分类标签的神经元一起进行训练。

在应用本发明实施例所述的场景中时，需要依据实际情况对废水的进水流量Q_w、污染物浓度C_in、水力停留时间T、活性污泥浓度MLSS，处理出水污染物浓度C_eff、曝气量Q_g和溶解氧浓度DO(一体式连续搅拌式反应单元为单一DO值，廊道式反应单元按沿程分为首端DO₁、中端DO₂和末端DO₃)进行一组样本测定(Q_w、C_in、T、MLSS、C_eff、DO分别作为输入向量x₁、x₂、x₃、x₄、x₅和x₆，曝气量Q_g作为输出向量)，即获取一组输入、输出样本，然后对该DNN进行训练，使得误差控制在一定范围内，即获得一个稳定可用的DNN网络，此网络可被用于对废水中的溶解氧浓度进行监测并通过改变曝气量对其进行控制，用来根据Q_w、C_in、T、MLSS、C_eff和DO对曝气量进行控制，该计算模型将为实现废水生化处理中溶解氧的精准控制提供极具可操作性的科学指导意见。

以上为通过步骤S200建立DNN模型的原理，优选地，如图3所示，步骤S200具体包括：

步骤S210，取出所述原始数据中的一部分数据作为训练样本；

步骤S220，调用所述深度神经网络(DNN)模型的参数训练函数；

步骤S230，采用所述参数训练函数，对所述训练样本进行学习和训练；

步骤S240，根据学习和训练的结果建立DNN模型；

步骤S250，利用所述DNN模型进行废水处理的仿真。

其中，为了更有效的训练该模型，从原始数据中取出的训练样本应不小于500组，取出训练样本后，剩余的原始数据可作为测试样本。

对于取出的每一组训练样本，将其分为输入数据和输出数据，其中，输入数据包括废水流量，水力停留时间，进水污染物浓度，出水污染物浓度，活性污泥浓度和溶解氧浓度，输出数据为曝气量。

依据输入数据和输出数据利用迭代训练算法进行学习和训练，将误差控制在一定范围内，从而可获得一个稳定可用的DNN模型，该模型反映了输入数据和输入出样本的内在联系，可被用于对污水中的溶解氧浓度进行监测，并通过改变曝气量对其进行控制。

为了消除不同计量单位的数据对网络模型的影响，使网络的学习和训练有效可靠，可对输入数据和输出数据进行归一化处理，如将其归一化到[0,1]。

进一步优选地，如图4所示，步骤S250具体包括：

步骤S251，取出所述原始数据中剩余的数据作为测试样本；

步骤S252，调用所述深度神经网络模型的仿真函数；

步骤S253，利用所述仿真函数和所述测试样本对污水处理进行仿真，得到预测数据；

步骤S254，利用所述预测数据检测所述模型的准确性和稳定性。

其中，所述步骤S254具体为：将得到的预测数据和实测数据的变化趋势进行对比，比较两者之间的误差大小，用于检测和评价所述深度神经网络模型的准确性和稳定性，也用于检测模型的泛化性、数据的拟合性等。若误差较大，则所建立的DNN模型的准确性和稳定性较差，需要通过步骤S200重新学习、训练和建立模型；若误差较小，则证明该DNN模型的准确性和稳定性较好，可用于后续应用。

其中，所述预测数据和实测数据均为曝气量。

步骤S300，利用所述深度神经网络模型计算控制参数。

具体地，在本步骤中，根据实际需要设置模型的输入参数，通过模型计算出相应的输出参数；其中，输入参数包括废水流量，水力停留时间，进水污染物浓度，出水污染物浓度，活性污泥浓度和溶解氧浓度；输出参数为曝气量。

步骤S400，根据所述控制参数，对曝气量进行调整。

具体地，根据输出参数调整曝气量的输出，使其达到输出参数所指示的数值。通过对曝气量进行调整，能够改变废水中空气的比例，从而达到调整溶解氧的目的。

基于以上内容，本发明实施例一可以实现的技术效果为：采用深度神经网络对污水处理过程中溶解氧深度进行建模，可以很灵活的依据实际工程构建一个符合具体工程要求的稳定模型，通过稳定模型的建立可以更加精准的预测和控制曝气装置中的曝气量，从而实现对废水中的溶解氧浓度的精准控制，提高污水处理的自动化水平，有效节约能源。

实施例二

对本发明实施例一对应地，图5示出了本发明实施例提供的一种基于深度神经网络的溶解氧浓度控制***的结构示意图。如图5所示，所述***包括：数据采集模块101，模型建立模块102，参数计算模块103，控制模块104；

所述数据采集模块101，优选为智能网关设备，用于检测并采集废水中的多组原始数据。必要时所述数据采集模块101还用于对原始数据进行有效性分析，从中提取有效数据以替换原始数据。

其中，所述原始数据包括但不限于：废水流量，水力停留时间，进水污染物浓度，出水污染物浓度，活性污泥浓度，曝气量参数及对应的溶解氧浓度。

所述模型建立模块102，用于根据所述原始数据建立深度神经网络模型；并具体用于：取出所述原始数据中的一部分数据作为训练样本；调用所述深度神经网络(DNN)模型的参数训练函数；采用所述参数训练函数，对所述训练样本进行学习和训练；根据学习和训练的结果建立DNN模型；利用所述DNN模型进行废水处理的仿真。

所述参数计算模块103，用于利用所述深度神经网络模型计算控制参数。具体地，所述参数计算模块103设置模型的输入参数，启动模型计算出相应的输出参数。其中，输入参数包括废水流量，水力停留时间，进水污染物浓度，出水污染物浓度，活性污泥浓度和溶解氧浓度；输出参数为曝气量。

所述控制模块104，用于根据所述控制参数，对曝气量进行调整。

其中，所述曝气量主要由鼓风机和管道阀门来控制，所述控制模块104接收到控制参数后，根据该控制参数调整鼓风机的出风量，或控制管道阀门的开启度，或同时控制两者共同作用，使通过鼓风机和管道阀门的气体量达到控制参数所指示的数值，以便气体能精准地调整废水中溶解氧至所需数值。

基于以上内容，本发明实施例二可以达到的技术效果是：通过模型建立模块102对污水处理过程中溶解氧深度进行建模，可以很灵活的依据实际工程构建一个符合具体工程要求的稳定模型，通过稳定模型的建立可以更加精准的预测和控制曝气装置中的曝气量，从而实现对废水中的溶解氧浓度的精准控制，提高污水处理的自动化水平，有效节约能源。

本发明技术方案不仅适用于污水处理中对溶解氧的控制，也适用于其它类似的工程实践。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.基于深度神经网络的溶解氧浓度控制方法，其特征在于，所述方法包括：

检测并采集废水中的多组原始数据；

根据所述原始数据建立深度神经网络模型；

利用所述深度神经网络模型计算控制参数；

根据所述控制参数，对曝气量进行调整。

2.根据权利要求1所述的溶解氧浓度控制方法，其特征在于，所述根据所述原始数据建立深度神经网络模型，具体包括：

取出所述原始数据中的一部分数据作为训练样本；

调用所述深度神经网络模型的参数训练函数；

采用所述参数训练函数，对所述训练样本进行学习和训练；

根据学习和训练的结果建立深度神经网络模型。

3.根据权利要求2所述的溶解氧浓度控制方法，其特征在于，所述根据所述原始数据建立深度神经网络模型，还包括：利用所述深度神经网络模型进行废水处理的仿真。

4.根据权利要求3所述的溶解氧浓度控制方法，其特征在于，所述利用所述深度神经网络模型进行废水处理的仿真，具体包括：

取出所述原始数据中剩余的数据作为测试样本；

调用所述深度神经网络模型的仿真函数；

利用所述仿真函数和所述测试样本对污水处理进行仿真，得到预测数据；

利用所述预测数据检测所述模型的准确性和稳定性。

5.根据权利要求4所述的溶解氧浓度控制方法，其特征在于，所述检验深度神经网络模型的准确性和稳定性，具体包括：

将所述预测数据和实测数据的变化趋势进行对比，检验两者之间的误差。

6.根据权利要求1所述的溶解氧浓度控制方法，其特征在于，所述利用所述深度神经网络模型计算控制参数，具体包括：

设置所述模型的输入参数，利用所述模型计算与输入参数相对应的输出参数，作为控制参数。

7.根据权利要求6所述的溶解氧浓度控制方法，其特征在于，所述输入参数包括：废水流量，水力停留时间，进水污染物浓度，出水污染物浓度，活性污泥浓度，溶解氧浓度；所述输出参数为曝气量。

8.根据权利要求1所述的溶解氧浓度控制方法，其特征在于，所述检测并采集废水中的多组原始数据之后，建立深度神经网络模型之前，还包括：

对所述原始数据进行有效性分析，从中提取有效数据，用所述有效数据更新所述原始数据。

9.根据权利要求1至3中任一项所述的溶解氧浓度控制方法，其特征在于，所述原始数据包括：废水流量，水力停留时间，进水污染物浓度，出水污染物浓度，活性污泥浓度，曝气量参数及对应的溶解氧浓度。

10.基于深度神经网络的溶解氧浓度控制***，其特征在于，所述***包括：数据采集模块，模型建立模块，参数计算模块，控制模块；

所述数据采集模块，用于检测并采集废水中的多组原始数据；

所述模型建立模块，用于根据所述原始数据建立深度神经网络模型；

所述参数计算模块，用于利用所述深度神经网络模型计算控制参数；

所述控制模块，用于根据所述控制参数，对曝气量进行调整。