CN112101402B - 一种基于知识模糊学习的膜污染预警方法 - Google Patents

一种基于知识模糊学习的膜污染预警方法 Download PDF

Info

Publication number
CN112101402B
CN112101402B CN202010708584.3A CN202010708584A CN112101402B CN 112101402 B CN112101402 B CN 112101402B CN 202010708584 A CN202010708584 A CN 202010708584A CN 112101402 B CN112101402 B CN 112101402B
Authority
CN
China
Prior art keywords
membrane
value
pollution
less
water
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
Application number
CN202010708584.3A
Other languages
English (en)
Other versions
CN112101402A (zh
Inventor
韩红桂
刘峥
张芊
乔俊飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202010708584.3A priority Critical patent/CN112101402B/zh
Publication of CN112101402A publication Critical patent/CN112101402A/zh
Priority to US17/382,237 priority patent/US20220027706A1/en
Application granted granted Critical
Publication of CN112101402B publication Critical patent/CN112101402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/006—Regulation methods for biological treatment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/04—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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/023—Learning or tuning the parameters of a fuzzy system
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/03—Pressure
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/11—Turbidity
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/40—Liquid flow rate
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/42—Liquid level
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2303/00—Specific treatment goals
    • C02F2303/20—Prevention of biofouling
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/02—Aerobic processes
    • C02F3/12—Activated sludge processes
    • C02F3/1236—Particular type of activated sludge installations
    • C02F3/1268—Membrane bioreactor systems
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Hydrology & Water Resources (AREA)
  • Water Supply & Treatment (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Environmental & Geological Engineering (AREA)
  • Microbiology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Medical Informatics (AREA)

Abstract

针对膜生物反应器‑污水处理过程中膜污染事件频发、危害巨大等问题，本发明提出了一种基于知识模糊学习的膜污染预警方法，实现了对膜污染的精确在线预警；该预警方法通过构建基于最小二乘的线性回归模型，实现对膜污染过程变量的多步预测；提取出实际水厂中膜污染类别的相关知识，以模糊规则的形式表示，建立了膜污染知识库；利用过程变量预测值和膜污染类别知识构建模糊神经网络分类模型，实现对膜污染的精确在线预警；解决了膜污染难以预警的问题，提高了对膜污染的预处理能力，减轻膜污染造成的危害，保障了污水处理过程安全稳定高效运行。

Description

一种基于知识模糊学习的膜污染预警方法
技术领域
本发明涉及膜生物反应器污水处理过程的膜污染智能预警方法；利用基于最小二乘线性回归的多步预测策略，实现了对膜污染过程变量的多步预测；利用模糊规则对膜污染类别建立知识库，并通过模糊神经网络对膜污染进行分类，将该预警方法应用于膜生物反应器污水处理过程中，实现了对膜污染的预警，保证污水处理厂安全稳定高效运行。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
目前全国年排放量约为350亿立方米，但城市污水集中处理率约为15％。膜生物反应器在不使用二次澄清剂的情况下，可以达到较高的养分去除率和较高的生物量保留率，其突出的优点是占地面积小、出水水质优良、自动化程度高，同时具有造价高、能耗高等缺点。膜污染作为膜生物反应器工艺运行中最具挑战的问题之一，会增加运行能耗和使用费用，甚至会导致污水处理过程的瘫痪。当膜污染发生时，应及时对膜进行清洗或更换，然而，重复的清洗和更换会增加能耗。此外，过度的清洗会导致膜丝的拉扯和腐蚀，导致膜性能的下降。为减少膜污染的发生，需要提前对膜污染类型报警，使水厂操作员能提前采取应对措施，以避免膜污染的发生。因此，实现膜污染的预警，具有重要的意义和研究价值。
本发明涉及了一种膜生物反应器-膜污染智能预警方法，该方法通过构建基于最小二乘线性回归模型，实现对膜污染过程变量的多步预测；提取出实际水厂中膜污染类别的相关知识，以模糊规则的形式表示，建立了膜污染知识库；利用过程变量预测值和膜污染类别知识构建模糊神经网络分类模型，实现对膜污染的精确在线预警。可以实现在水质发生恶化之前，能够尽早报警，并采取有效的措施。该预警方法大大的降低了膜污染处理成本，保证了污水处理厂安全稳定高效运行。
发明内容
1.一种基于知识模糊学习的膜污染智能预警方法，包括膜污染过程变量多步预测、膜污染规则库的建立、以及膜污染智能预警，具体包括以下步骤：
(1)膜污染过程变量多步预测：
1)通过设置在工况现场的仪表采集运行过程数据，包括：透水率P、透水率衰减速度PD、产水流量WF、膜擦洗气量GWS、污泥浓度SC、跨膜压差TMP、产水浊度WT、透水率恢复率PR，实现数据的实时采集；
2)建立过程变量预测模型实现过程变量预测，其中：过程变量由多元回归的最小二乘的多步预测获得，即以一个过程变量的前四个时刻的值预测该过程变量第五个时刻的值；基于最小二乘的线性回归的过程变量预测方法计算为：
xd(t+4)＝ad0+ad1xd(t)+ad2xd(t+1)+ad3xd(t+2)+ad4xd(t+3), (1)
其中，xd(t+h)是第d个过程变量在t+h时刻的值，d＝1，…，8，h＝0，1，…，4，x1(t+h)表示t+h时刻透水率P的值，x2(t+h)表示t+h时刻透水率衰减速度PD的值，x3(t+h)表示t+h时刻产水流量WF的值，x4(t+h)表示t+h时刻膜擦洗气量GWS的值，x5(t+h)表示t+h时刻污泥浓度SC的值，x6(t+h)表示t+h时刻跨膜压差TMP的值，x7(t+h)表示t+h时刻产水浊度WT的值，x8(t+h)表示t+h时刻透水率恢复率PR的值，ad0，ad1，ad2，ad3，ad4是第d个过程变量的5个回归系数，且应满足：
其中，t＝1，2，…，τ，τ是样本数据的总数，Qd是第d个过程变量在τ个样本内误差的平方和；ad0，ad1，ad2，ad3，ad4可以通过公式(3)计算，根据公式(1)，分别输入不同过程变量的前4个时刻的值，计算得到相应过程变量第5个时刻的预测值；
(2)膜污染知识库建立：
1)提取出实际污水处理厂中关于膜污染类别的知识，并将膜污染类别的相关知识以模糊规则的形式表现为：
I.如果产水流量WF的值大于460，那么产水流量WF已达峰值；
IⅠ.如果透水率P的值小于30，且跨膜压差TMP的值小于-5，那么膜处于极度污染的状态；
IⅠI.如果膜擦洗气量GWS的值小于2400，且跨膜压差TMP的值小于-20，那么曝气量过小，膜面临严重污染威胁；
IV.如果产水流量WF的值小于300，且膜擦洗气量GWS的值大于8000，那么曝气量过大，对膜丝造成伤害；
V.如果产水浊度WT的值大于5，那么出水水质已超标，那么膜组器或产水管路存在泄漏；
VI.如果透水率P的值小于90，且跨膜压差TMP的值小于-40，那么跨膜压差TMP过高，膜面临严重污染威胁；
VII.如果污泥浓度SC的值大于13000，那么污泥浓度SC过高，膜面临严重污染威胁；
VIII.如果污泥浓度SC的值小于6000，那么膜池内污泥浓度SC过低；
IX.如果透水率P的值小于80，且产水流量WF的值大于300，且膜擦洗气量GWS小于4200，那么曝气量偏小，膜面临严重污染威胁；
X.如果产水流量WF的值大于200，且产水浊度WT的值大于4，那么出水水质面临超标风险，膜组器或产水管路存在泄漏；
XI.如果透水率P的值小于60，且跨膜压差TMP的值小于-5，那么膜已严重污染；
XII.如果透水率衰减速度PD的值大于30，那么存在快速异常膜污染；
XIII.如果透水率P的值小于60，且产水流量WF的值大于200，且膜擦洗气量GWS的值小于5000，那么膜丝内部有污泥板结趋势；
XIV.如果产水流量WF的值小于300，且膜擦洗气量GWS的值小于5000，且污泥浓度SC的值大于12000，那么膜池运行参数不合理，膜面临快速污染风险；
XV.如果产水流量WF的值小于200，且透水率恢复率PR小于90％，那么在线化学清洗效果未达要求；
XVI.如果透水率P的值大于80，且透水率衰减速度PD的值小于30，且膜擦洗气量GWS的值大于5000，且污泥浓度SC的值小于13000，且产水浊度WT的值小于4，且透水率恢复率PR的值大于90％，那么无需报警；
XVII.如果透水率P的的值大于80，且透水率衰减速度PD的值小于30，且膜擦洗气量GWS的值小于8000，且污泥浓度SC的值小于13000，且产水浊度WT的值小于4，且透水率恢复率PR的值大于90％，那么无需报警；
XVIII.如果透水率P的的值大于80，且透水率衰减速度PD的值小于30，且膜擦洗气量GWS的值大于5000，且污泥浓度SC的值大于6000，且产水浊度WT的值小于4，且透水率恢复率PR的值大于90％，那么无需报警；
XIX.如果透水率P的的值大于80，且透水率衰减速度PD的值小于30，且膜擦洗气量GWS的值小于8000，且污泥浓度SC的值大于6000，且产水浊度WT的值小于4，且透水率恢复率PR的值大于90％，那么无需报警；
2)通过分析膜污染类别的知识，共获得16条膜污染类别知识，其中15条膜污染类别知识为故障类别，1条膜污染类别知识为无故障类别。因此，将以上模糊规则进一步整理归纳为：
IF x1(t)∈L1n(t)且…xd(t)∈Ldn(t)且…x8(t)∈L8n(t),
THEN yj(t)＝rj(t),(5)
其中，n是第n条模糊规则，n＝1，2，…，19，Ldn(t)是第n条模糊规则中第d个输入变量的语言项，yj(t)是第j条膜污染的类别，rj(t)是第j条膜污染类别的语言项，建立膜污染知识库；
其中，wnj(t)是模糊神经网络第n条模糊规则的规则层和第j条膜污染类别输出层之间的权值，vn(t)是规则层的输出；
其中，cdn(t)是第n条模糊规则中第d个隶属度函数的中心，σdn(t)是第n条模糊规则中第d个隶属度函数的宽度；
其中，Adn(t)和Bdn(t)分别是第n条模糊规则中第d个隶属度函数的上限和下限；
(3)膜污染智能预警：
1)以过程变量预测值作为膜污染预警模型的输入变量；膜污染知识作为膜污染预警模型的输出变量；
2)建立膜污染预警分类模型实现膜污染预警，其中，预警模型由模糊神经网络构建，模糊神经网络的结构分为四层：输入层、隶属函数层、规则层和输出层；结构为8-19-19-16的连接方式，其中输入层与隶属函数层之间的连接权值为1，模糊神经网络的实际输出表示为yj(t)；基于模糊神经网络的膜污染预警方法计算依次为：
①输入层：该层由8个神经元组成，输出为：
ud(t)＝xd(t), (11)
其中，ud(t)是t时刻输入层第d个神经元的输出，xd(t)是t时刻第d个过程变量的值；
②隶属函数层：该层由19个神经元组成，每个神经元都是径向基函数形式的区间隶属函数，其输出为：
其中，是t时刻隶属函数层第n个神经元的输出，cdn(t)和σdn(t)是t时刻第n个隶属函数层神经元中第d个隶属度函数的中心和宽度，cn(t)＝[c1n(t),c2n(t),…,c16n(t)]，cn(t)为t时刻第n个隶属函数层神经元的中心向量，σn(t)＝[σ1n(t),σ2n(t),…,σ16n(t)]，σn(t)为t时刻第n个隶属函数层神经元的宽度向量；cdn(t)和σdn(t)由公式(5)-(10)计算；
③规则层：该层由19个神经元组成，每个神经元的输出为：
其中，vn(t)是t时刻规则层的第n个神经元的输出，q＝1，2，…，19，是t时刻隶属函数层第n个神经元的输出；
④输出层：该层由16个神经元组成，输出为：
其中，yj(t)是t时刻的第j个神经元的输出，j＝1，2，…，16，wqj(t)是t时刻规则层第q个神经元和输出层第j个神经元间的权值，wj(t)＝[w1j(t),w2j(t)…,w19j(t)]是t时刻的输出层权值向量；由softmax函数,得到每种类别归一化后的概率：
其中，pj(t)是t时刻膜污染类别j的概率，yj(t)是t时刻的第j个神经元的输出；选择pj(t)中的最大值对应的膜污染类别j作为膜污染的分类类别，对膜污染进行预警。
附图说明
图1为一种基于知识模糊学习的膜污染预警方法整体架构图；
图2为一种基于知识模糊学***台；
图3为模糊神经网络结构图；
图4为基于最小二乘的线性回归方法的过程变量预测精度结果图；
图5为膜污染预警结果图。
具体实施方式
(1)一种基于知识模糊学习的膜污染预警方法设计与软硬件功能集成的具体实施
在实际污水处理厂中搭建的硬件平台环境如图2所示。通过安装在工况现场的仪表采集运行过程数据；将采集的数据通过Modbus通讯协议传输到可编程逻辑控制器，可编程逻辑控制器通过RS232通信协议将数据传输到上位机，上位机中的数据通过局域网传输到数据处理服务器中；以Browser/Server模式通过Web服务器向水厂工作人员展示数据，以Client/Server模式显示膜污染过程变量的预测值及膜污染的预警结果；开发的膜生物反应器-膜污染智能预警***可实现的主要功能包括对膜池运行参数的查询，在线预测膜污染过程变量，对膜污染进行预警。
本发明采用软件行业中的构件技术把膜污染智能预测模块、膜污染知识库、以及膜污染智能预警模块封装，增强了模型的复用性；本发明采用.NET平台进行软件开发，扩大了软件的可使用环境范围；并采用现场总线技术建立全流程***通讯网络，实现各模块间信息传递；同时本发明提出的膜污染预警方法实现了中控室和现场各个数据采集点的连接，构成了集中管理的预警***，***的拓展容易，各部分功能独立，可以根据实际预测需要增加软、硬件模块并与其他***进行融合，在确保膜污染的预警精度，提高了方法的稳定性和可靠性。
表1采集的过程变量类型
(2)一种基于知识模糊学习的膜污染智能预警方法研究的具体实施
本发明获得了一种膜生物反应器-膜污染智能预警方法；其特点在于通过构建基于最小二乘的线性回归模型，实现对膜污染过程变量的多步预测；提取出实际水厂中膜污染类别的相关知识，以模糊规则的形式表示，建立了膜污染知识库；利用过程变量预测值和膜污染类别知识构建模糊神经网络分类模型，实现对膜污染的精确在线预警，提高了污水处理厂膜污染智能预警水平，保障污水处理厂安全稳定高效运行。
1)通过设置在工况现场的在线检测仪表采集过程变量，需采集的变量包括以下8种，参数信息及采集位置如表1所示。
2)使用基于最小二乘的线性回归方法预测过程变量，采用实时采集的数据对8个过程变量分别进行五步预测；每个过程变量选择100组样本数据进行测试。测试预测结果如图4所示；
3)利用模糊规则表示实际水厂中膜污染类别的相关知识，建立了膜污染知识库；
4)利用过程变量的预测值和膜污染类别知识构建模糊神经网络分类模型，实现对膜污染的精确在线预警；选择100组样本数据进行测试。测试效果如图5所示。

Claims (2)

1.一种基于知识模糊学习的膜污染预警方法，其特征在于：
(1)膜污染过程变量多步预测：
1)通过设置在工况现场的仪表采集运行过程数据，包括：透水率P、透水率衰减速度PD、产水流量WF、膜擦洗气量GWS、污泥浓度SC、跨膜压差TMP、产水浊度WT、透水率恢复率PR，实现数据的实时采集；
2)建立过程变量预测模型实现过程变量预测，其中：过程变量由基于最小二乘线性回归模型的多步预测获得，即以一个过程变量的前四个时刻的值预测该过程变量第五个时刻的值；基于最小二乘线性回归的过程变量预测方法计算为：
xd(t+4)＝ad0+ad1xd(t)+ad2xd(t+1)+ad3xd(t+2)+ad4xd(t+3), (1)
其中，xd(t+h)是第d个过程变量在t+h时刻的值，d＝1，…，8，h＝0，1，…，4，x1(t+h)表示t+h时刻透水率P的值，x2(t+h)表示t+h时刻透水率衰减速度PD的值，x3(t+h)表示t+h时刻产水流量WF的值，x4(t+h)表示t+h时刻膜擦洗气量GWS的值，x5(t+h)表示t+h时刻污泥浓度SC的值，x6(t+h)表示t+h时刻跨膜压差TMP的值，x7(t+h)表示t+h时刻产水浊度WT的值，x8(t+h)表示t+h时刻透水率恢复率PR的值，ad0，ad1，ad2，ad3，ad4是第d个过程变量的5个回归系数，且应满足：
其中，t＝1，2，…，τ，τ是样本数据的总数，Qd是第d个过程变量在τ个样本内误差的平方和；ad0，ad1，ad2，ad3，ad4可以通过公式(3)计算，根据公式(1)，分别输入不同过程变量的前4个时刻的值，计算得到相应过程变量第5个时刻的预测值；
(2)膜污染知识库建立：
1)提取出实际污水处理厂中关于膜污染类别的知识，并将膜污染类别的相关知识以模糊规则的形式表现为：
I.如果产水流量WF的值大于460，那么产水流量WF已达峰值；
IⅠ.如果透水率P的值小于30，且跨膜压差TMP的值小于-5，那么膜处于极度污染的状态；
IⅠI.如果膜擦洗气量GWS的值小于2400，且跨膜压差TMP的值小于-20，那么曝气量过小，膜面临严重污染威胁；
IV.如果产水流量WF的值小于300，且膜擦洗气量GWS的值大于8000，那么曝气量过大，对膜丝造成伤害；
V.如果产水浊度WT的值大于5，那么出水水质已超标，那么膜组器或产水管路存在泄漏；
VI.如果透水率P的值小于90，且跨膜压差TMP的值小于-40，那么跨膜压差TMP过高，膜面临严重污染威胁；
VII.如果污泥浓度SC的值大于13000，那么污泥浓度SC过高，膜面临严重污染威胁；
VIII.如果污泥浓度SC的值小于6000，那么膜池内污泥浓度SC过低；
IX.如果透水率P的值小于80，且产水流量WF的值大于300，且膜擦洗气量GWS小于4200，那么曝气量偏小，膜面临严重污染威胁；
X.如果产水流量WF的值大于200，且产水浊度WT的值大于4，那么出水水质面临超标风险，膜组器或产水管路存在泄漏；
XI.如果透水率P的值小于60，且跨膜压差TMP的值小于-5，那么膜已严重污染；
XII.如果透水率衰减速度PD的值大于30，那么存在快速异常膜污染；
XIII.如果透水率P的值小于60，且产水流量WF的值大于200，且膜擦洗气量GWS的值小于5000，那么膜丝内部有污泥板结趋势；
XIV.如果产水流量WF的值小于300，且膜擦洗气量GWS的值小于5000，且污泥浓度SC的值大于12000，那么膜池运行参数不合理，膜面临快速污染风险；
XV.如果产水流量WF的值小于200，且透水率恢复率PR小于90％，那么在线化学清洗效果未达要求；
XVI.如果透水率P的值大于80，且透水率衰减速度PD的值小于30，且膜擦洗气量GWS的值大于5000，且污泥浓度SC的值小于13000，且产水浊度WT的值小于4，且透水率恢复率PR的值大于90％，那么无需报警；
XVII.如果透水率P的的值大于80，且透水率衰减速度PD的值小于30，且膜擦洗气量GWS的值小于8000，且污泥浓度SC的值小于13000，且产水浊度WT的值小于4，且透水率恢复率PR的值大于90％，那么无需报警；
XVIII.如果透水率P的的值大于80，且透水率衰减速度PD的值小于30，且膜擦洗气量GWS的值大于5000，且污泥浓度SC的值大于6000，且产水浊度WT的值小于4，且透水率恢复率PR的值大于90％，那么无需报警；
XIX.如果透水率P的的值大于80，且透水率衰减速度PD的值小于30，且膜擦洗气量GWS的值小于8000，且污泥浓度SC的值大于6000，且产水浊度WT的值小于4，且透水率恢复率PR的值大于90％，那么无需报警；
2)通过分析膜污染类别的知识，共获得16条膜污染类别知识，其中15条膜污染类别知识为故障类别，1条膜污染类别知识为无故障类别；因此，将以上模糊规则进一步整理归纳为：
IF x1(t)∈L1n(t)且…xd(t)∈Ldn(t)且…x8(t)∈L8n(t),
THEN yj(t)＝rj(t), (5)
其中，n是第n条模糊规则，n＝1，2，…，19，Ldn(t)是第n条模糊规则中第d个输入变量的语言项，yj(t)是第j条膜污染的类别，rj(t)是第j条膜污染类别的语言项，建立膜污染知识库；
其中，wnj(t)是模糊神经网络第n条模糊规则的规则层和第j条膜污染类别输出层之间的权值，vn(t)是规则层的输出；
其中，cdn(t)是第n条模糊规则中第d个隶属度函数的中心，σdn(t)是第n条模糊规则中第d个隶属度函数的宽度；
其中，Adn(t)和Bdn(t)分别是第n条模糊规则中第d个隶属度函数的上限和下限；
(3)膜污染智能预警：
1)以过程变量预测值作为膜污染预警模型的输入变量；膜污染知识作为膜污染预警模型的输出变量；
2)建立膜污染预警分类模型实现膜污染预警，其中，预警模型由模糊神经网络构建，模糊神经网络的结构分为四层：输入层、隶属函数层、规则层和输出层；结构为8-19-19-16的连接方式，其中输入层与隶属函数层之间的连接权值为1，模糊神经网络的实际输出表示为yj(t)；基于模糊神经网络的膜污染预警方法计算依次为：
①输入层：该层由8个神经元组成，输出为：
ud(t)＝xd(t), (11)
其中，ud(t)是t时刻输入层第d个神经元的输出，xd(t)是t时刻第d个过程变量的值；
②隶属函数层：该层由19个神经元组成，每个神经元都是径向基函数形式的区间隶属函数，其输出为：
其中，是t时刻RBF层第n个神经元的输出，cdn(t)和σdn(t)是t时刻第n个RBF层神经元中第d个隶属度函数的中心和宽度，cn(t)＝[c1n(t),c2n(t),…,c16n(t)]，cn(t)为t时刻第n个RBF层神经元的中心向量，σn(t)＝[σ1n(t),σ2n(t),…,σ16n(t)]，σn(t)为t时刻第n个RBF层神经元的宽度向量；cdn(t)和σdn(t)由公式(5)-(10)计算；
③规则层：该层由19个神经元组成，每个神经元的输出为：
其中，vn(t)是t时刻规则层的第n个神经元的输出，是t时刻RBF层第n个神经元的输出；
④输出层：该层由16个神经元组成，输出为：
其中，yj(t)是t时刻的第j个神经元的输出，j＝1，2，…，16，wnj(t)是t时刻规则层第n个神经元和输出层第j个神经元间的权值，wj(t)＝[w1j(t),w2j(t)…,w19j(t)]是t时刻的输出层权值向量；由softmax函数,得到每种类别归一化后的概率：
其中，pj(t)是t时刻膜污染类别j的概率，yj(t)是t时刻的第j个神经元的输出；选择pj(t)中的最大值对应的膜污染类别j作为膜污染的分类类别，对膜污染进行预警。
2.根据权利要求1所述的方法，其特征在于：仪表采集的数据通过Modbus通讯协议传输到可编程逻辑控制器，可编程逻辑控制器通过RS232通信协议将运行过程数据传输到上位机，上位机中的数据通过局域网传输到数据处理服务器中；以Browser/Server模式通过Web服务器发布运行过程数据，以Client/Server模式显示膜污染过程变量的预测值及膜污染的预警结果。
CN202010708584.3A 2020-07-22 2020-07-22 一种基于知识模糊学习的膜污染预警方法 Active CN112101402B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010708584.3A CN112101402B (zh) 2020-07-22 2020-07-22 一种基于知识模糊学习的膜污染预警方法
US17/382,237 US20220027706A1 (en) 2020-07-22 2021-07-21 Membrane Fouling Warning Method Based on Knowledge-Fuzzy Learning Algorithm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010708584.3A CN112101402B (zh) 2020-07-22 2020-07-22 一种基于知识模糊学习的膜污染预警方法

Publications (2)

Publication Number Publication Date
CN112101402A CN112101402A (zh) 2020-12-18
CN112101402B true CN112101402B (zh) 2024-04-09

Family

ID=73750463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010708584.3A Active CN112101402B (zh) 2020-07-22 2020-07-22 一种基于知识模糊学习的膜污染预警方法

Country Status (2)

Country Link
US (1) US20220027706A1 (zh)
CN (1) CN112101402B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111204867B (zh) * 2019-06-24 2021-12-10 北京工业大学 膜生物反应器-mbr膜污染智能决策方法
CN111204842A (zh) * 2019-12-23 2020-05-29 光大环境科技（中国）有限公司 一种通过神经网络实现超滤膜污染评价的方法、装置、***
CN113158552B (zh) * 2021-03-25 2022-05-31 中国市政工程中南设计研究总院有限公司 基于时间序列的生物反应器运行状况分级预测方法及***
CN113313230B (zh) * 2021-04-19 2024-04-16 北京工业大学 一种基于知识模糊宽度学习的膜污染智能决策方法
CN113283481A (zh) * 2021-05-14 2021-08-20 群智未来人工智能科技研究院(无锡)有限公司 一种基于知识二型模糊的膜污染智能决策方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108375534A (zh) * 2018-02-06 2018-08-07 北京工业大学 Mbr膜污染智能预警方法
CN109133351A (zh) * 2018-08-29 2019-01-04 北京工业大学 膜生物反应器-mbr膜污染智能预警方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108375534A (zh) * 2018-02-06 2018-08-07 北京工业大学 Mbr膜污染智能预警方法
CN109133351A (zh) * 2018-08-29 2019-01-04 北京工业大学 膜生物反应器-mbr膜污染智能预警方法

Also Published As

Publication number Publication date
US20220027706A1 (en) 2022-01-27
CN112101402A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112101402B (zh) 一种基于知识模糊学习的膜污染预警方法
Farhi et al. Prediction of wastewater treatment quality using LSTM neural network
US20200071209A1 (en) Intelligent early warning method of membrane fouling
CN112863134B (zh) 一种农村污水处理设施运行异常的智能诊断***及方法
CN106600509B (zh) 一种基于基础数据分析判断企业兑水排污行为的方法
CN106682316A (zh) 一种基于尖峰径向基神经网络的出水总磷实时监测***
CN108843778B (zh) 一种风力发电机齿轮箱润滑油在线控制***及其控制方法
CN112417765B (zh) 一种基于改进师生网络模型的污水处理过程故障检测方法
CN106706491B (zh) 膜生物反应器-mbr出水透水率的智能检测方法
CN112830533A (zh) 一种城市污水排放控制***及方法
Wu et al. Data-driven intelligent warning method for membrane fouling
CN115392617A (zh) 一种基于环境异质性的水库库尾河段水环境安全评估方法
CN111204867B (zh) 膜生物反应器-mbr膜污染智能决策方法
US20220267169A1 (en) Intelligent Detection System of Effluent Total Nitrogen based on Fuzzy Transfer Learning Algorithm
CN115294383A (zh) 一种基于umap-gadf-cnn的污水处理故障诊断方法及***
Wu et al. Intelligent Warning of Membrane Fouling Based on Robust Deep Neural Network
Khurshid et al. Machine learning approaches for data-driven process monitoring of biological wastewater treatment plant: A review of research works on benchmark simulation model no. 1 (bsm1)
Salari et al. Dynamic performance analysis and simulation of a full scale activated sludge system treating an industrial wastewater using artificial neural network
Soehartanto et al. Dissolved oxygen control system in polishing unit using logic solver
Banik et al. Polynomial neural network-based group method of data handling algorithm coupled with modified particle swarm optimization to predict permeate flux (%) of rectangular sheet-shaped membrane
CN116770930A (zh) 一种用于模块化建筑的集成式污水排放***
Ramesh et al. Relevance of Artificial Intelligence in Wastewater Management
CN116029589A (zh) 基于两段式rbf的农村生活污水动植物油在线监测方法
Han et al. Knowledge-based fuzzy broad learning algorithm for warning membrane fouling
Nguyen et al. Artificial intelligence for wastewater treatment

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