CN108375534A - Mbr膜污染智能预警方法 - Google Patents

Abstract

针对MBR污水处理过程中膜污染事件频发、危害巨大等问题，本发明提出了MBR膜污染智能预警方法，具体为一种基于递归模糊神经网络的MBR膜污染智能预警方法，实现对膜污染的在线精确预警；该预警方法通过构建递归模糊神经网络软测量模型，基于递归多步预测策略实现对透水率的长期稳定预测，实现对膜污染的准确预测；利用透水率预测值和相关参数变量的融合，基于运行数据设计预警规则，实现对膜污染的在线预警；解决了MBR污水处理过程中膜污染难以预测的问题，提高了对膜污染的预处理能力，减轻膜污染造成的危害，保障MBR污水处理过程安全运行，促进MBR污水处理厂高效稳定运行。

Description

MBR膜污染智能预警方法

技术领域

本发明涉及MBR污水处理过程的膜污染智能预警方法；利用递归模糊神经网络和多 步预测策略，实现膜透水率的多步预测，利用预警规则判断出污染等级，将智能预警方法 应用于MBR处理污水过程，实现对膜污染的预警，保证污水处理厂稳定高效的运行。膜污染预警***既属于水处理领域，又属于智能控制领域。

背景技术

MBR污水处理工艺以膜组件取代传统生物处理技术的末端二沉池，是一种由活性污泥 法与膜分离技术相结合的新型污水处理技术。近年来，随着膜技术的不断成熟，膜技术在 城市污水处理中应用的越来越广泛。与传统污水处理工艺相比，膜技术在城市污水处理领 域优势十分明显，包括出水水质好且稳定、污泥浓度高、占地面积小、运行灵活、自动化 程度高。然而，膜在过滤污水过程中，截流分离的污染物必定对膜产生污染从而造成出水 水质的下降；为减轻膜污染，膜需要进行定期的清洗替换操作，这必然会增加能耗和运行 成本，因此如何减轻膜污染的危害是一个需要持久关注的话题。

本发明涉及了一种MBR膜污染智能预警方法，该方法利用递归模糊神经网络和递归 多步预测策略实现透水率长期、准确的预测；在准确预测的基础上，结合预警规则，实现对膜污染的在线精确预警。可以实现在水质发生恶化之前，能够提早提出预测预报警，并及时采取相应措施。该预警方法大大的降低了膜污染处理成本，为污水处理厂提供了一种有效的应对手段，大大提高了水厂的效益。

发明内容

1.一种基于递归模糊神经网络的MBR膜污染智能预警方法，其特征在于：

MBR膜污染智能预警方法主要通过对MBR膜出水透水率预测实现污染预警，其中MBR 膜出水透水率基于递归模糊神经网络进行多步预测，MBR膜污染基于知识和规则库进行预 警；具体包括以下步骤：

(1)MBR膜出水透水率多步预测：

1)确定出水透水率软测量模型的输入变量和输出变量；以膜生物反应器-MBR污水处 理***为研究对象，对水质数据进行特征分析，提取产水流量、产水压力、单池膜擦洗气量、厌氧区ORP和好氧区硝酸盐作为输入变量，以出水透水率作为输出变量；

2)建立出水透水率软测量模型；利用递归模糊神经网络设计MBR处理污水过程中预 测出水透水率的软测量模型，出水透水率软测量模型的拓扑结构分为四层：输入层、隶属 函数层、规则层、输出层；拓扑结构为5-R-R-1的连接方式(2<R<30)，输入层与隶属函 数层之间的连接权值为1，递归模糊神经网络的期望输出表示为y_d(t)，实际输出表示为 y(t)；基于递归模糊神经网络的出水透水率的多步预测软测量方法计算依次为：

①输入层：该层由5个神经元组成，其输出为，

x(t)＝[x₁(t),x₂(t),…,x₅(t)]^T (1)

其中，x(t)表示t时刻输入层的输出，x₁(t)表示t时刻产水流量的值、x₂(t)表示t时刻 产水压力的值、x₃(t)表示t时刻单池膜擦洗气量的值、x₄(t)表示t时刻厌氧区ORP的值、x₅(t)表示t时刻好氧区硝酸盐的值；

②隶属函数层：该层由R个神经元组成，每个神经元的输出为，

其中φ_j(t)是t时刻隶属函数层第j个神经元的输出，c_j(t)为t时刻第j个隶属函数层神经元的中心向量，c_j(t)＝[c_1j(t),c_2j(t),…,c_ij(t)]，i＝1,2，…5，c_ij(t)表示 隶属函数层t时刻第j个神经元中心值的第i个元素，为t时刻第j个隶属函数层神 经元的宽度向量，d_ij(t)表示隶属函数层t时 刻第j个神经元宽度值的第i个元素；

③规则层：递归模糊神经网络在规则层加入了自反馈连接，该层的神经元个数和隶属 函数层相同，为R个，每个神经元的输出为，

其中v_j(t)是t时刻规则层第j个神经元的输出，v_j(t-1)是t-1时刻规则层第j个神经元 的输出，φ_j(t)是t时刻隶属函数层第j个神经元的输出，为隶属函数输出之和；

④输出层：输出层输出为出水透水率软测量模型的实际输出，

y(t)是t时刻输出神经元的输出，w_j(t)表示t时刻规则层第j个神经元与输出神经元之 间的权值，定义递归模糊神经网络软测量模型输出y(t)与期望输出y_d(t)的误差函数e(t) 为：

e(t)＝y_d(t)-y(t) (5)

3)MBR出水透水率软测量递归多步预测策略：多步预测不仅能预测***的当前信息， 还能预测此后多步的信息，递归多步预测策略考虑预测数据间的相关性，根据预测步数的 不同，过程如下：

其中h∈(1,…,H)是多步预测的预测步数，d是输入变量的维度，也叫时延的步数，y(t+h)是未来h步后输出神经元的输出；

4)MBR出水透水率软测量模型校正，过程如下：

①给定神经网络隶属函数层与规则层神经元个数R，R为自然数，R通过经验法确定， 出水透水率的软测量模型的训练输入为x(1)，x(2)，…，x(t)，…，x(N)，对应的期望输出y_d(1)，y_d(2)，…，y_d(t)，…，y_d(N)，软测量模型的训练样本为N组，期望误差设为 E_d，迭代步数设为s，计算代价函数值E(t)，定义停止标准，当E(t)<E_d，令t＝0；

定义网络的代价函数E(t)，

②设置学习步数s＝s+1；计算出膜出水透水率智能特征模型输出y(t)，误差e(t)，计 算向量J(t)，其中，

拟海瑟矩阵Q(t)计算公式为，

Q(t)＝J^T(t)J(t) (9)

梯度向量g(t)计算公式为，

g(t)＝J^T(t)e(t) (10)

其中，误差关于各个参数的偏导数计算如下；

计算误差关于中心的偏导数

计算误差关于宽度的偏导数

计算误差关于权值的偏导数

③采用自适应二阶算法更新递归模糊神经网络的参数，

Δ(t+1)＝Δ(t)+(Q(t)+λ(t)I)^-1g(t) (14)

其中，I为单位矩阵，Δ＝[w₁(t)，…w_R(t)，c₁₁(t)，…c₅₁(t)，…， c_1j(t)，…c_5j(t)，…c_1R(t)，…c_5R(t)，d₁₁(t)，…d₅₁(t)…，d_1j(t)，…d_5j(t)，…d_1R(t)，… d_5R(t)]，w_j(t)表示t时刻规则层第j个神经元与输出神经元之间的权值，c_ij(t)是隶属 函数层的中心，d_ij(t)是隶属函数层的宽度；

其中，自适应学习率λ(t)为，

λ(t)＝θ||e(t)||+(1-θ)||g(t)|| (15)

0<θ<1是实参数，e(t)是误差向量；

④计算代价函数E(t)，当满足精度E(t)<E_d，迭代停止，否则跳转到步骤②；

将测试样本数据作为训练后的递归模糊神经网络的输入，递归模糊神经网络的输出即 为膜出水透水率的预测值，

(2)MBR膜污染预警***的预警功能：把具体领域的先验知识形式化的描述后，形成***规则。规则库用于存储相关的规则知识，规则库中的每一条规则象征着该领域中某一些类似问题的答案，可以使普通用户拥有与专家同等的解决领域内困难问题的能力。膜污染智能预警***支持预警规则库和预警阈值的调整，可根据实际需要和人工经验人为的增加或修改规则库中的相关规则。

(——表示不用考虑值的大小，透水率的恢复率为在线/离线清洗前后透水率的比值)

附图说明

图1为MBR膜污染预警方法构架图；

图2递归模糊神经网络结构图；

图3出水透水率软测量模型多步(5步、10步、15步)预测结果图，其中黑线带圈为透水率实际值，黑线带点为递归模糊神经网络软测量模型的预测值。

具体实施方式

(1)MBR膜污染智能预警***具体实施

①通过安置在工艺现场的在线检测仪表采集输入变量，需采集的变量的包括5种，参 数信息及采集位置如表1所示。

表1采集的过程变量类型

②使用递归模糊神经网络和多步预测策略建池立出水透水率的软测量模型，采用实时采 集的数据对递归模糊神经网络进行训练和测试。选择80组数据进行测试。采集的数据如 表2所示。

③对建立的出水透水率软测量模型进行校正，得到的预测结果图分别为图3所示。

表2软测量模型测试数据

Claims (1)

1.MBR膜污染智能预警方法，其特征在于：

通过对MBR膜出水透水率预测实现污染预警，其中MBR膜出水透水率基于递归模糊神经网络进行多步预测，MBR膜污染基于知识和规则库进行预警；具体包括以下步骤：

(1)MBR膜出水透水率多步预测：

1)确定出水透水率软测量模型的输入变量和输出变量；以膜生物反应器-MBR污水处理***为研究对象，对水质数据进行特征分析，提取产水流量、产水压力、单池膜擦洗气量、厌氧区ORP和好氧区硝酸盐作为输入变量，以MBR膜出水透水率作为输出变量；

2)建立出水透水率软测量模型；利用递归模糊神经网络设计MBR处理污水过程中预测出水透水率的软测量模型，出水透水率软测量模型的拓扑结构分为四层：输入层、隶属函数层、规则层、输出层；拓扑结构为5-R-R-1的连接方式，其中2<R<30，输入层与隶属函数层之间的连接权值为1，递归模糊神经网络的期望输出表示为y_d(t)，实际输出表示为y(t)；基于递归模糊神经网络的MBR膜出水透水率的多步预测软测量方法计算依次为：

①输入层：该层由5个神经元组成，其输出为，

x(t)＝[x₁(t),x₂(t),…,x₅(t)]^T (1)

其中，x(t)表示t时刻输入层的输出，x₁(t)表示t时刻产水流量的值、x₂(t)表示t时刻产水压力的值、x₃(t)表示t时刻单池膜擦洗气量的值、x₄(t)表示t时刻厌氧区ORP的值、x₅(t)表示t时刻好氧区硝酸盐的值；

②隶属函数层：该层由R个神经元组成，每个神经元的输出为，

其中是t时刻隶属函数层第j个神经元的输出，c_j(t)为t时刻第j个隶属函数层神经元的中心向量，c_j(t)＝[c_1j(t),c_2j(t),…,c_ij(t)]，i＝1,2，…5，c_ij(t)表示隶属函数层t时刻第j个神经元中心值的第i个元素，为t时刻第j个隶属函数层神经元的宽度向量，d_ij(t)表示隶属函数层t时刻第j个神经元宽度值的第i个元素；

③规则层：递归模糊神经网络在规则层加入了自反馈连接，该层的神经元个数和隶属函数层相同，为R个，每个神经元的输出为，

其中v_j(t)是t时刻规则层第j个神经元的输出，v_j(t-1)是t-1时刻规则层第j个神经元的输出，是t时刻隶属函数层第j个神经元的输出，为隶属函数输出之和；

④输出层：输出层输出为MBR膜出水透水率软测量模型的实际输出，

y(t)是t时刻输出神经元的输出，w_j(t)表示t时刻规则层第j个神经元与输出神经元之间的权值，定义递归模糊神经网络软测量模型输出y(t)与期望输出y_d(t)的误差函数e(t)为：

e(t)＝y_d(t)-y(t) (5)

3)MBR膜出水透水率软测量递归多步预测策略：多步预测不仅能预测***的当前信息，还能预测此后多步的信息，递归多步预测策略考虑预测数据间的相关性，根据预测步数的不同，过程如下：

其中h∈(1,…,H)是多步预测的预测步数，d是输入变量的维度，也叫时延的步数，y(t+h)是未来h步后输出神经元的输出；

4)MBR膜出水透水率软测量模型校正，过程如下：

①给定神经网络隶属函数层与规则层神经元个数R，R为自然数，R通过经验法确定，MBR膜出水透水率的软测量模型的训练输入为x(1)，x(2)，…，x(t)，…，x(N)，对应的期望输出y_d(1)，y_d(2)，…，y_d(t)，…，y_d(N)，软测量模型的训练样本为N组，期望误差设为E_d，迭代步数设为s，计算代价函数值E(t)，定义停止标准，当E(t)<E_d，令t＝0；

定义网络的代价函数E(t)，

②设置学习步数s＝s+1；计算出MBR膜出水透水率智能特征模型输出y(t)，误差e(t)，计算向量J(t)，其中，

拟海瑟矩阵Q(t)计算公式为，

Q(t)＝J^T(t)J(t) (9)

梯度向量g(t)计算公式为，

g(t)＝J^T(t)e(t) (10)

其中，误差关于各个参数的偏导数计算如下；

计算误差关于中心的偏导数

计算误差关于宽度的偏导数

计算误差关于权值的偏导数

③采用自适应二阶算法更新递归模糊神经网络的参数，

Δ(t+1)＝Δ(t)+(Q(t)+λ(t)I)^-1g(t) (14)

其中，I为单位矩阵，Δ＝[w₁(t)，…w_R(t)，c₁₁(t)，…c₅₁(t)，…，c_1j(t)，…c_5j(t)，…c_1R(t)，…c_5R(t)，d₁₁(t)，…d₅₁(t)…，d_1j(t)，…d_5j(t)，…d_1R(t)，…d_5R(t)]，w_j(t)表示t时刻规则层第j个神经元与输出神经元之间的权值，c_ij(t)是隶属函数层的中心，d_ij(t)是隶属函数层的宽度；

其中，自适应学习率λ(t)为，

λ(t)＝θ||e(t)||+(1-θ)||g(t)|| (15)

0<θ<1是实参数，e(t)是误差向量；

④计算代价函数E(t)，当满足精度E(t)<E_d，迭代停止，否则跳转到步骤②；

将测试样本数据作为训练后的递归模糊神经网络的输入，递归模糊神经网络的输出即为膜出水透水率的预测值；

(2)MBR膜污染预警

把膜生物反应器-MBR污水处理***领域报警预警的相关条件描述为预警规则，对MBR膜污染进行预警。