CN111125907B - 一种基于混合智能模型的污水处理氨氮软测量方法 - Google Patents
一种基于混合智能模型的污水处理氨氮软测量方法 Download PDFInfo
- Publication number
- CN111125907B CN111125907B CN201911342221.6A CN201911342221A CN111125907B CN 111125907 B CN111125907 B CN 111125907B CN 201911342221 A CN201911342221 A CN 201911342221A CN 111125907 B CN111125907 B CN 111125907B
- Authority
- CN
- China
- Prior art keywords
- layer
- neurons
- neuron
- core
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 title claims abstract description 55
- 239000010865 sewage Substances 0.000 title claims abstract description 45
- 238000000691 measurement method Methods 0.000 title claims abstract description 11
- 210000002569 neuron Anatomy 0.000 claims abstract description 174
- 238000013528 artificial neural network Methods 0.000 claims abstract description 87
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 230000015654 memory Effects 0.000 claims abstract description 8
- 230000004913 activation Effects 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 28
- 238000013138 pruning Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 13
- 230000001965 increasing effect Effects 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 229910052757 nitrogen Inorganic materials 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 6
- 210000002364 input neuron Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 230000007514 neuronal growth Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N nitrogen Substances N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 239000010802 sludge Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000033116 oxidation-reduction process Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出一种基于数据‑知识‑机理混合模型的污水处理氨氮软测量方法，属于污水处理领域。在对污水处理机理模型分析基础上，利用历史知识信息与过程在线数据信息，建立一种基于混合模型的污水处理出水氨氮软测量建模方法。基于历史数据信息通过聚类方法获得核心神经元的知识表征，提出一种基于长短时记忆机制的神经网络结构调整算法，提高神经网络软测量的建模精度。本发明方法为污水处理***检测及稳定运行，提供理论支撑与技术保障。
Description
技术领域
本发明提出一种基于数据-知识-机理混合模型的污水处理氨氮软测量方法。在对污水处理机理模型分析基础上，利用历史知识信息与过程在线数据信息，建立一种基于混合模型的污水处理出水氨氮软测量建模方法。基于历史数据信息通过聚类方法获得核心神经元的知识表征，提出一种基于长短时记忆机制的神经网络结构调整算法，提高污水处理氨氮软测量的建模精度。污水处理软测量是水处理领域重要的研究课题，既属于控制领域，也属于污水处理领域。
背景技术
污水处理过程是一个复杂的生化反应过程，由于测量技术的局限，污水处理过程中的一些重要参数难以精确测量。出水氨氮NH4浓度是污水处理过程出水水质最重要指标之一，氨氮检测技术有利于加强城市污水处理厂提升水质质量监控水平。目前氨氮测量方法主要以仪表检测法为主，但检测仪表价格昂贵且使用维护困难，检测仪表的精度对实时检测有着直接影响，因此对于出水氨氮的实时高精度检测问题的研究具有重要的现实意义，本发明的研究成果具有广阔的应用前景。
污水处理氨氮的机理特性不仅为污水处理厂的工艺设计等提供依据，对分析污水处理过程中与出水氨氮相关联的物理量间的关系有重要指导作用，对污水处理氨氮软测量模型的辅助变量选取有重要意义。但是，由于污水处理过程是一个强非线性时变***，且易受诸如污染物浓度、天气变化等不确定因素的影响，基于单一机理方法的氨氮测量误差较大，精度较低，很难满足实时检测需求。基于数据驱动的污水处理过程软测量方法可以弥补机理模型缺少***适应性，精度不高等特点，近些年得到了研究学者的广泛关注，尤其是基于神经网络的建模方法，但神经网络结构及参数对***性能有较大的影响。同时，污水处理过程历史数据中蕴含了大量的知识信息，对于基于数据的软测量建模可以起到很好的知识引导作用。本发明提出一种基于数据-知识-机理混合模型的污水处理氨氮软测量方法，在机理特性分析和历史数据挖掘到的知识基础上，建立基于二型模糊神经网络的污水处理出水氨氮软测量模型，实现对出水氨氮的实时检测，提高出水氨氮测量精度，具有广泛的应用前景和重要的现实意义。
发明内容
本发明获得一种基于数据-知识-机理混合模型的污水处理氨氮软测量方法，在对污水处理机理模型分析基础上，利用历史知识信息与过程在线数据信息，建立一种基于混合模型的污水处理出水氨氮软测量建模方法，提出一种基于长短时记忆机制的神经网络结构调整算法，提高神经网络软测量的建模精度；本发明采用如下技术方案及实现步骤，其特征在于，包括以下步骤：
(1)确定出水氨氮软测量模型的输入变量与输出变量，以活性污泥法污水处理过程为研究对象，选取与出水氨氮浓度相关性强的6个辅助水质变量作为软测量模型的输入变量，分别为：好氧前端溶解氧DO浓度、好氧末端总固体悬浮物TSS、厌氧末端氧化还原电位ORP、进水总磷TP、出水pH和温度T，软测量模型的输出量为出水氨氮浓度；
(2)出水氨氮软测量模型采用区间二型模糊神经网络进行建模，神经网络结构包括：输入层、隶属度函数层、激活层、后件层和输出层，其结构为6-6J-J-2-1的连接方式，其中，输入神经元个数为6个，分别对应6个辅助水质变量，激活层神经元个数为J个，隶属函数层神经元个数为6J个，后件层神经元个数为2个，输出层神经元个数为1个，J为大于2的正整数；设污水处理***氨氮软测量模型训练样本数为N个，设第t时刻二型模糊神经网络输入为x(t)＝[x1(t),x2(t),x3(t),x4(t),x5(t),x6(t)]，第t时刻二型模糊神经网络的期望输出表示为yd(t)，网络模型的氨氮输出表示为y(t)；二型模糊神经网络用于氨氮软测量模型的网络各层间的计算关系为：
①第一层为输入层：该层由6个神经元组成，输入层不进行函数变换，即该层每个神经元的输出为对应输入变量xi(t)，xi(t)表示t时刻二型模糊神经网络的第i个输入变量，i＝1,2,…,6；
②第二层为隶属度函数层：该层由6J个神经元组成，每个神经元代表一个二型隶属函数，函数表达采用高斯函数，表示如下：
其中，为t时刻第i个输入对应第j个隶属度函数层神经元的隶属函数值，H(.)表示隶属度函数的简记形式，xi(t)表示t时刻二型模糊神经网络的第i个输入变量，为t时刻第i个输入变量对应第j个隶属函数层神经元的不确定中心，和/>分别为t时刻第i个输入对应第j个隶属函数神经元中心的下界和上界，/>为t时刻第i个输入对应第j个隶属函数神经元的宽度值，隶属函数值的有界区间表示为/>具体定义如下：
其中，和/>分别表示第i个输入对应第j个隶属函数神经元输出值的下界值和上界值，且有/>
③第三层为激活层：该层有J个神经元，每个激活层的神经元对应6个不同输入变量下的6个隶属度层神经元，每个激活层神经元的输出Fj为：
其中，f j(t)和分别为激活层第j个神经元激活强度的下界和上界，且满足
④第四层为后件层：该层有2个神经元，即后件层神经元输出的下界和上界，可表示为公式(6)和公式(7)：
其中，y(t)和别为t时刻后件层神经元输出的下界和上界，f j(t)和/>分别为激活层第j个神经元激活强度的下界和上界，θj(t)为t时刻激活层第j个神经元的权值，为t时刻激活层第j个神经元对于第i个输入变量的后件线性系数，xi(t)表示t时刻二型模糊神经网络的第i个输入变量，；
⑤第五层为输出层，该层有1个神经元，表示整个网络的输出，其表达为：
其中，y(t)为t时刻二型模糊神经网络输出，y(t)和分别为t时刻后件层神经元输出的下界和上界；q(t)为t时刻后件层神经元输出下界的比例值；
定义二型模糊神经网络整体误差为：
其中，yd(t)为t时刻二型模糊神经网络的期望输出，y(t)为t时刻二型模糊神经网络的实际输出，e(t)＝yd(t)-y(t)为t时刻二型模糊网络的期望输出与二型模糊神经网络的实际输出的误差，N为训练样本个数；
(3)训练二型模糊神经网络，具体为：
①基于长短时记忆机制，将长期记忆行为用核心神经元表示，设核心神经元数量为m1个，短期记忆行为用非核心神经元表示，设非核心神经元数量为m2个，m1和m2为大于2的正整数,且m1<m2，网络激活层神经元个数J＝m1+m2；
②利用历史数据样本，采用聚类方法获得输入样本的m1个聚类中心，记聚类中心为则m1个核心神经元的上下界中心值分别设定为/>和/>δ∈(0，0.5)，其值大小影响二型模糊神经网络的形状，数值越小对应神经网络处理的不确定性程度越小，这里取定δ＝0.1；m1个核心神经元的宽度/>的初始值赋值区间为[0,1]，后件参数的初始权值的赋值区间为[-1,1]；
③对于m2个非核心神经元，其初始中心下界和初始中心上界/>由随机初始化中心ci(0)等距做差得到，宽度/>和后件参数/>在[0,1]区间随机赋值产生；
④设置学习步数s＝1；
⑤t＝s，根据公式(1)至公式(9)计算二型模糊神经网络的输出y(t)，采用梯度下降法对二型模糊神经网络各参数进行训练学习，包括：隶属度层神经元中心的上下界，隶属度层神经元的宽度，后件层神经元输出下界的比例值，后件层的线性系数；
⑥t>3时，计算二型模糊神经网络激活层神经元的激活强度指标fj(t)；按照公式(5)计算激活层第j个神经元激活强度的下界值f j(t)和上界值并按照上界值和下界值的平均值/>作为衡量第j条规则的激活强度指标；
⑦t>3时，调整网络结构；
对于核心神经元，当公式(11)成立，满足核心神经元增长条件，
fj(t)＞fz1 (11)
其中，fz1为增加核心神经元的设定阈值，fz1∈(0.5，1)，其值越大则满足增加神经元的条件越严苛；
当公式(12)成立，满足核心神经元的删减条件，
fj(t)＜fd1 (12)
其中，fd1为删减核心神经元的设定阈值，fd1∈(0，0.5)，其值越小则满足删减神经元的条件越严苛；
假设t时刻，核心神经元满足增长条件(11)，则增加一个隐层核心神经元，隐层核心神经元个数加1，即m1(t+1)＝m1(t)+1；初始参数设置如下：
其中，δ∈(0，0.5)，其值大小影响二型模糊神经网络的形状，数值越小对应神经网络处理的不确定性程度越小，这里取定δ＝0.1；σ为隐层神经元初始宽度设置值，取定σ＝0.1；
假设t时刻，核心神经元满足删减条件(12)，则减少一个隐层核心神经元，隐层核心神经元个数减1，即m1(t+1)＝m1(t)-1；
对于非核心神经元，当公式(14)满足时，满足隐层非核心神经元增长条件，
fj(t)＞fz2 (14)
其中，fz2为增加非核心神经元的设定阈值，fz2∈(0.5，1)，其值越大则满足增加神经元的条件越严苛；
当公式(15)满足时，满足非核心神经元的删减条件，删减该第j个隐层非核心神经元；
fj(t)＜fd2 (15)
其中，fd2为删减非核心神经元的设定阈值，fd2∈(0，0.5)，其值越小则满足删减神经元的条件越严苛；对于核心神经元和非核心神经元的设定阈值需满足fz1＞fz2和fd1＜fd2；
假设t时刻，非核心神经元满足增长条件(14)，则增加一个隐层非核心神经元，初始参数按公式(13)设置，隐层非核心神经元个数加1，即m2(t+1)＝m2(t)+1；
假设t时刻，非核心神经元满足删减条件(15)，则减少一个隐层非核心神经元，隐层非核心神经元个数减1，即m2(t+1)＝m2(t)-1；否则，不调整神经网络的结构；
⑧学习步数s增加1，如果步数s<N，N为训练样本个数，则转向步骤⑤继续训练，如果s＝N转向步骤⑨；
⑨根据公式(10)计算神经网络的性能E(t)，如果E(t)≥Ed，则转向步骤④进行继续训练，如果E(t)<Ed，则停止调整；Ed为二型模糊神经网络的整体期望误差，Ed∈(0,0.01)，其值越小对设定网络的精度要求越高，这里取定Ed＝0.005；
(4)利用训练好的神经网络，对测试样本进行预测；将测试样本数据作为训练后的二型模糊神经网络的输入，得到神经网络的输出，即出水氨氮NH4浓度的预测值。
本发明获得一种基于数据-知识-机理混合模型的污水处理氨氮软测量方法，其创造性主要体现在：(1)在对污水处理机理模型分析基础上，从历史数据信息中提取蕴含知识，通过聚类方式获得神经网络核心神经元的初始信息，作为数据驱动建模的最初知识引导，建立一种基于数据-知识-机理混合模型的污水处理氨氮软测量方法；(2)基于长短时记忆特性分析，将神经网络隐层神经元分为核心神经元和非核心神经元两类，提出一种基于长短时记忆机制的神经网络结构调整算法，提升网络结构稳定性，提高污水处理氨氮软测量的建模精度。
附图说明
图1二型模糊神经网络的结构拓扑图；
图2出水氨氮NH4浓度的训练和测试结果图，其中实线为出水氨氮NH4浓度的实际输出值，虚线为神经网络的预测输出值；
图3出水氨氮NH4浓度的训练样本误差和测试样本误差图；
图4本发明方法示意图。
具体实施方式
本发明获得一种基于数据-知识-机理混合模型的污水处理氨氮软测量方法，在对污水处理机理模型分析基础上，利用历史知识信息与过程在线数据信息，建立一种基于二型模糊神经网络的污水处理出水氨氮软测量建模方法，同时，提出一种基于长短时记忆机制的神经网络结构调整算法，实现对出水氨氮的实时检测，提高出水氨氮测量精度。
实验数据来自某污水处理厂2014年全年水质分析日报表；分别取好氧前端溶解氧DO浓度、好氧末端总固体悬浮物TSS、厌氧末端氧化还原电位ORP、进水总磷TP、出水pH和温度T的实际检测数据为实验样本数据，剔除异常实验样本后剩余140组可用数据，将140组数据样本分为两部分：其中90组数据作为训练样本，其余50组数据作为测试样本。
本发明采用了如下的技术方案及实现步骤：
(1)确定出水氨氮软测量模型的输入变量与输出变量，以活性污泥法污水处理过程为研究对象，在机理模型分析基础上，对污水处理过程变量进行特征分析，选取与出水氨氮浓度相关性强的6个辅助水质变量作为软测量模型的输入变量，分别为：好氧前端溶解氧DO浓度、好氧末端总固体悬浮物TSS、厌氧末端氧化还原电位ORP、进水总磷TP、出水pH和温度，软测量模型的输出量为出水氨氮浓度；
(2)出水氨氮软测量模型采用区间二型模糊神经网络进行建模，神经网络结构包括：输入层、隶属度函数层、激活层、后件层和输出层，如图1所示，其结构为6-6J-J-2-1的连接方式，其中，输入神经元个数为6个，分别对应6个辅助水质变量，激活层神经元个数为J个，隶属函数层神经元个数为6J个，后件层神经元个数为2个，输出层神经元个数为1个，J为大于2的正整数；设污水处理***氨氮软测量模型训练样本数为N个，设第t时刻二型模糊神经网络输入为x(t)＝[x1(t),x2(t),x3(t),x4(t),x5(t),x6(t)]，第t时刻二型模糊神经网络的期望输出表示为yd(t)，网络模型的氨氮输出表示为y(t)；对样本输入变量采用公式(1)至公式(9)计算二型模糊神经网络的模型输出；设置二型模糊神经网络的整体期望误差值为Ed，Ed∈(0,0.01)，Ed值越小，对应设置的网络精度越高，这里取定Ed＝0.005；本发明中后件层神经元输出下界的比例初始值取q(0)＝0.5；
(3)训练二型模糊神经网络，具体为：
①基于长短时记忆机制，将长期记忆行为用核心神经元表示，设核心神经元数量为m1个，短期记忆行为对应用非核心神经元表示，设非核心神经元数量为m2个，且m1<m2，m1和m2为大于2的正整数，网络激活层神经元个数J＝m1+m2；
②利用历史数据样本，采用聚类方法获得输入变量的聚类中心，聚类中心记为经聚类方法获得m1＝8个聚类中心，m1个核心神经元的上下界中心值设定为δ∈(0，0.5)，其数值大小影响二型模糊神经网络的形状，数值越小对应神经网络处理的不确定性程度越小，这里取定δ＝0.1；m1个核心神经元的宽度/>的初始值赋值区间为[0,1]，后件参数/>的初始权值的赋值区间为[-1,1]；
③对于m2个非核心神经元，给定非核心神经元初始个数m2＝15，进行参数初始化，其初始中心下界和初始中心上界/>由随机初始化中心ci(0)等距做差得到，宽度和后件参数/>在[0,1]区间随机赋值产生；
④设置学习步数s＝1；
⑤t＝s，根据公式(1)至公式(9)计算二型模糊神经网络的输出y(t)，采用梯度下降法根对二型模糊神经网络各参数进行训练学习；
⑥t>3时，计算二型模糊神经网络激活层神经元的激活强度指标fj(t)；按照公式(5)计算激活层第j个神经元激活强度的下界值f j(t)和上界值并按照上界值和下界值的平均值/>作为衡量第j条规则的激活强度指标；
⑦t>3时，调整网络结构；
假设t时刻，核心神经元满足公式(11)的增长条件，则增加一个隐层核心神经元，并按公式(13)设置初始参数，隐层核心神经元个数加1，即m1(t+1)＝m1(t)+1；这里取定δ＝0.05，取定隐层神经元初始宽度σ＝0.1；
假设t时刻，隐层核心神经元满足公式(12)的删减条件，则减少一个隐层核心神经元，隐层核心神经元个数减1，即m1(t+1)＝m1(t)-1；否则，核心神经元个数不进行调整；
对于非核心神经元，
假设t时刻，非核心神经元满足公式(13)的增长条件，则增加一个隐层非核心神经元，并按公式(22)设置初始参数，隐层非核心神经元个数加1，即m2(t+1)＝m2(t)+1；
假设t时刻，非核心神经元满足公式(14)的删减条件，则减少一个隐层非核心神经元，隐层非核心神经元个数减1，即m2(t+1)＝m2(t)-1；否则，非核心神经元个数不进行调整；
其中，核心神经元的增加和删减隐层神经元阈值分别设定为fz1＝0.8和fd1＝0.2，非核心神经元的增加和删减隐层神经元阈值分别设定为fz2＝0.6和fd2＝0.4，这里增减神经元阈值设定结合模糊规则设置的完备性以及遵从核心神经元变化比非核心神经元变化平稳原则进行设置；
⑧学习步数s增加1，如果步数s<N，N为训练样本个数，则转向步骤⑤继续训练，如果s＝N转向步骤⑨；
⑨根据公式(10)计算神经网络的性能，如果E(t)≥Ed，则转向步骤④进行继续训练，如果E(t)<Ed，则停止调整；Ed为二型模糊神经网络的整体期望误差，Ed∈(0,0.01)，其值越小对设定网络的精度要求越高，这里取定Ed＝0.005；
(4)利用训练好的神经网络，对测试样本进行预测；将测试样本数据作为训练后的二型模糊神经网络的输入，得到神经网络的输出，即出水氨氮NH4浓度的预测值。
在本实施例中，出水氨氮软测量模型的训练和测试预测结果如图2所示，X轴：训练和测试样本个数，单位是个，Y轴：网络预测出水氨氮NH4浓度值，单位是mg/L，实线为出水氨氮NH4浓度的实际输出值，虚线为出水氨氮NH4浓度预测输出值；测试误差如图3所示，X轴：测试样本个数，单位是个，Y轴：出水氨氮NH4预测误差，单位是mg/L；结果表明基于自组织二型模糊神经网络的混合建模方法对污水处理出水氨氮NH4预测的有效性。
Claims (1)
1.一种基于混合智能模型的污水处理氨氮软测量方法，其特征在于，包括如下步骤：
(1)确定出水氨氮软测量模型的输入变量与输出变量，以活性污泥法污水处理过程为研究对象，选取与出水氨氮浓度相关性强的6个辅助水质变量作为软测量模型的输入变量，分别为：好氧前端溶解氧DO浓度、好氧末端总固体悬浮物TSS、厌氧末端氧化还原电位ORP、进水总磷TP、出水pH和温度T，软测量模型的输出量为出水氨氮浓度；
(2)出水氨氮软测量模型采用区间二型模糊神经网络进行建模，神经网络结构包括：输入层、隶属度函数层、激活层、后件层和输出层，其结构为6-6J-J-2-1的连接方式，其中，输入神经元个数为6个，分别对应6个辅助水质变量，激活层神经元个数为J个，隶属函数层神经元个数为6J个，后件层神经元个数为2个，输出层神经元个数为1个，J为大于2的正整数；设污水处理***氨氮软测量模型训练样本数为N个，设第t时刻二型模糊神经网络输入为x(t)＝[x1(t),x2(t),x3(t),x4(t),x5(t),x6(t)]，第t时刻二型模糊神经网络的期望输出表示为yd(t)，网络模型的氨氮输出表示为y(t)；二型模糊神经网络用于氨氮软测量模型的网络各层间的计算关系为：
①第一层为输入层：该层由6个神经元组成，输入层不进行函数变换，即该层每个神经元的输出为对应输入变量xi(t)，xi(t)表示t时刻二型模糊神经网络的第i个输入变量，i＝1,2,...,6；
②第二层为隶属度函数层：该层由6J个神经元组成，每个神经元代表一个二型隶属函数，函数表达采用高斯函数，表示如下：
其中，为t时刻第i个输入对应第j个隶属度函数层神经元的隶属函数值，H(.)表示隶属度函数的简记形式，xi(t)表示t时刻二型模糊神经网络的第i个输入变量，/>为t时刻第i个输入变量对应第j个隶属函数层神经元的不确定中心，/> 和分别为t时刻第i个输入对应第j个隶属函数神经元中心的下界和上界，/>为t时刻第i个输入对应第j个隶属函数神经元的宽度值，隶属函数值的有界区间表示为具体定义如下：
其中，和/>分别表示第i个输入对应第j个隶属函数神经元输出值的下界值和上界值，且有/>
③第三层为激活层：该层有J个神经元，每个激活层的神经元对应6个不同输入变量下的6个隶属度层神经元，每个激活层神经元的输出Fj为：
其中，fj(t)和分别为激活层第j个神经元激活强度的下界和上界，且满足
④第四层为后件层：该层有2个神经元，即后件层神经元输出的下界和上界，表示为公式(6)和公式(7)：
其中，y(t)和分别为t时刻后件层神经元输出的下界和上界，f j(t)和/>分别为激活层第j个神经元激活强度的下界和上界，θj(t)为t时刻激活层第j个神经元的权值，/>为t时刻激活层第j个神经元对于第i个输入变量的后件参数，xi(t)表示t时刻二型模糊神经网络的第i个输入变量；
⑤第五层为输出层，该层有1个神经元，表示整个网络的输出，其表达为：
其中，y(t)为t时刻二型模糊神经网络输出，y(t)和分别为t时刻后件层神经元输出的下界和上界；q(t)为t时刻后件层神经元输出下界的比例值；
定义二型模糊神经网络整体误差为：
其中，yd(t)为t时刻二型模糊神经网络的期望输出，y(t)为t时刻二型模糊神经网络的实际输出，e(t)＝yd(t)-y(t)为t时刻二型模糊网络的期望输出与二型模糊神经网络的实际输出的误差，N为训练样本个数；
(3)训练二型模糊神经网络，具体为：
①基于长短时记忆机制，将长期记忆行为用核心神经元表示，设核心神经元数量为m1个，短期记忆行为用非核心神经元表示，设非核心神经元数量为m2个，m1和m2为大于2的正整数，且m1<m2，网络激活层神经元个数J＝m1+m2；
②利用历史数据样本，采用聚类方法获得输入样本的m1个聚类中心，记聚类中心为则m1个核心神经元的上下界中心值分别设定为/>和/>δ∈(0，0.5)，其值大小影响二型模糊神经网络的形状，数值越小对应神经网络处理的不确定性程度越小，这里取定δ＝0.1；m1个核心神经元的宽度/>的初始值赋值区间为[0,1]，后件参数的初始权值的赋值区间为[-1,1]；
③对于m2个非核心神经元，其初始中心下界和初始中心上界/>由随机初始化中心ci(0)等距做差得到，宽度/>和后件参数/>在[0,1]区间随机赋值产生；
④设置学习步数s＝1；
⑤t＝s，根据公式(1)至公式(9)计算二型模糊神经网络的输出y(t)，采用梯度下降法对二型模糊神经网络各参数进行训练学习；
⑥t>3时，计算二型模糊神经网络激活层神经元的激活强度指标fj(t)；按照公式(5)计算激活层第j个神经元激活强度的下界值fj(t)和上界值并按照上界值和下界值的平均值/>作为衡量第j条规则的激活强度指标；
⑦t>3时，调整网络结构；
对于核心神经元，当公式(11)成立，满足核心神经元增长条件，
fj(t)>fz1 (11)
其中，fz1为增加核心神经元的设定阈值，fz1∈(0.5，1)，其值越大则满足增加神经元的条件越严苛；
当公式(12)成立，满足核心神经元的删减条件，
fj(t)<fd1 (12)
其中，fd1为删减核心神经元的设定阈值，fd1∈(0，0.5)，其值越小则满足删减神经元的条件越严苛；
假设t时刻，核心神经元满足增长条件(11)，则增加一个隐层核心神经元，隐层核心神经元个数加1，即m1(t+1)＝m1(t)+1；初始参数设置如下：
其中，δ∈(0，0.5)，其值大小影响二型模糊神经网络的形状，数值越小对应神经网络处理的不确定性程度越小，这里取定δ＝0.1；σ为隐层神经元初始宽度设置值，取定σ＝0.1；
假设t时刻，核心神经元满足删减条件(12)，则减少一个隐层核心神经元，隐层核心神经元个数减1，即m1(t+1)＝m1(t)-1；
对于非核心神经元，当公式(14)满足时，满足隐层非核心神经元增长条件，fj(t)>fz2(14)其中，fz2为增加非核心神经元的设定阈值，fz2∈(0.5，1)，其值越大则满足增加神经元的条件越严苛；
当公式(15)满足时，满足非核心神经元的删减条件，删减该第j个隐层非核心神经元；
fj(t)<fd2 (15)
其中，fd2为删减非核心神经元的设定阈值，fd2∈(0，0.5)，其值越小则满足删减神经元的条件越严苛；对于核心神经元和非核心神经元的设定阈值需满足fz1>fz2和fd1<fd2；
假设t时刻，非核心神经元满足增长条件(14)，则增加一个隐层非核心神经元，初始参数按公式(13)设置，隐层非核心神经元个数加1，即m2(t+1)＝m2(t)+1；
假设t时刻，非核心神经元满足删减条件(15)，则减少一个隐层非核心神经元，隐层非核心神经元个数减1，即m2(t+1)＝m2(t)-1；否则，不调整神经网络的结构；
⑧学习步数s增加1，如果步数s<N，N为训练样本个数，则转向步骤⑤继续训练，如果s＝N转向步骤⑨；
⑨根据公式(10)计算神经网络的性能E(t)，如果E(t)≥Ed，则转向步骤④进行继续训练，如果E(t)<Ed，则停止调整；Ed为二型模糊神经网络的整体期望误差，Ed∈(0,0.01)，其值越小对设定网络的精度要求越高，这里取定Ed＝0.005；
(4)利用训练好的神经网络，对测试样本进行预测；将测试样本数据作为训练后的二型模糊神经网络的输入，得到神经网络的输出，即出水氨氮NH4浓度的预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911342221.6A CN111125907B (zh) | 2019-12-23 | 2019-12-23 | 一种基于混合智能模型的污水处理氨氮软测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911342221.6A CN111125907B (zh) | 2019-12-23 | 2019-12-23 | 一种基于混合智能模型的污水处理氨氮软测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111125907A CN111125907A (zh) | 2020-05-08 |
| CN111125907B true CN111125907B (zh) | 2023-09-01 |
Family
ID=70501437
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911342221.6A Active CN111125907B (zh) | 2019-12-23 | 2019-12-23 | 一种基于混合智能模型的污水处理氨氮软测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111125907B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112462019A (zh) * | 2020-11-14 | 2021-03-09 | 北京工业大学 | 一种基于cl-rnn的出水氨氮软测量方法 |
| CN113156074B (zh) * | 2021-02-22 | 2023-06-23 | 北京工业大学 | 一种基于模糊迁徙的出水总氮预测方法 |
| CN113031445B (zh) * | 2021-03-12 | 2022-09-09 | 北京工业大学 | 基于机理模型的污水脱氮过程鲁棒多变量控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IL155955A0 (en) * | 2003-05-15 | 2003-12-23 | Widemed Ltd | Adaptive prediction of changes of physiological/pathological states using processing of biomedical signal |
| CN104965971A (zh) * | 2015-05-24 | 2015-10-07 | 北京工业大学 | 一种基于模糊神经网络的氨氮浓度软测量方法 |
| CN106406094A (zh) * | 2016-10-16 | 2017-02-15 | 北京工业大学 | 一种基于区间二型模糊神经网络的污水处理溶解氧浓度跟踪控制方法 |
| CN108761377A (zh) * | 2018-05-28 | 2018-11-06 | 国网福建省电力有限公司电力科学研究院 | 一种基于长短时记忆模型的电能计量装置异常检测方法 |
| CN108898215A (zh) * | 2018-07-18 | 2018-11-27 | 北京工业大学 | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 |
| CN109613825A (zh) * | 2018-12-13 | 2019-04-12 | 北京北排科技有限公司 | 基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法 |
-
2019
- 2019-12-23 CN CN201911342221.6A patent/CN111125907B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IL155955A0 (en) * | 2003-05-15 | 2003-12-23 | Widemed Ltd | Adaptive prediction of changes of physiological/pathological states using processing of biomedical signal |
| CN104965971A (zh) * | 2015-05-24 | 2015-10-07 | 北京工业大学 | 一种基于模糊神经网络的氨氮浓度软测量方法 |
| CN106406094A (zh) * | 2016-10-16 | 2017-02-15 | 北京工业大学 | 一种基于区间二型模糊神经网络的污水处理溶解氧浓度跟踪控制方法 |
| CN108761377A (zh) * | 2018-05-28 | 2018-11-06 | 国网福建省电力有限公司电力科学研究院 | 一种基于长短时记忆模型的电能计量装置异常检测方法 |
| CN108898215A (zh) * | 2018-07-18 | 2018-11-27 | 北京工业大学 | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 |
| CN109613825A (zh) * | 2018-12-13 | 2019-04-12 | 北京北排科技有限公司 | 基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法 |
Non-Patent Citations (1)
| Title |
|---|
| Chaos time-series prediction based on an improved recursive Levenherg-Marquardt algorithm;shi x c等;ELSEVIER;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111125907A (zh) | 2020-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102854296B (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
| CN111125907B (zh) | 一种基于混合智能模型的污水处理氨氮软测量方法 | |
| CN104360035B (zh) | 一种基于自组织粒子群-径向基神经网络的污水总磷tp软测量方法 | |
| CN107358021B (zh) | 一种基于优化bp神经网络的do预测模型建立方法 | |
| US10570024B2 (en) | Method for effluent total nitrogen-based on a recurrent self-organizing RBF neural network | |
| CN102313796B (zh) | 一种污水处理生化需氧量软测量方法 | |
| CN108898215B (zh) | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 | |
| CN105510546B (zh) | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 | |
| CN101576734B (zh) | 基于动态径向基神经网络的溶解氧的控制方法 | |
| CN103197544B (zh) | 基于非线性模型预测的污水处理过程多目标控制方法 | |
| CN101334395B (zh) | Cod软测量的方法 | |
| CN104376380A (zh) | 一种基于递归自组织神经网络的氨氮浓度预测方法 | |
| CN101566612A (zh) | 一种污水化学需氧量软测量方法 | |
| Pisa et al. | LSTM-based wastewater treatment plants operation strategies for effluent quality improvement | |
| CN107247888B (zh) | 基于储备池网络的污水处理出水总磷tp软测量方法 | |
| CN108088974B (zh) | 一种厌氧同时反硝化产甲烷过程出水硝氮的软测量方法 | |
| CN103606006A (zh) | 基于自组织t-s模糊神经网络的污泥沉降指数软测量方法 | |
| CN109473182B (zh) | 一种基于深度信念网络的mbr膜透水率智能检测方法 | |
| CN104680015A (zh) | 一种基于快速相关向量机的污水处理在线软测量方法 | |
| CN114037163A (zh) | 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 | |
| CN115356930B (zh) | 一种污水处理过程中的多目标优化控制***及方法 | |
| CN103809436A (zh) | 活性污泥法污水处理过程智能建模方法 | |
| CN203772781U (zh) | 一种基于特征变量的污水总磷测量装置 | |
| CN114814130B (zh) | 一种基于非奇异梯度下降算法的区间二型模糊神经网络的出水总氮智能检测方法 | |
| CN110642393B (zh) | 一种基于神经网络模型的曝气控制*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |