详情

原文传递 MBR膜污染智能预警方法

专利名称：	MBR膜污染智能预警方法
摘要：	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。
专利类型：	发明专利
国家地区组织代码：	北京;11
申请人：	北京工业大学
发明人：	韩红桂;张硕;刘洪旭
专利状态：	有效
发布日期：	2019-01-01T00:00:00+0800
申请号：	CN201810117548.2
公开号：	CN108375534A
代理机构：	北京思海天达知识产权代理有限公司 11203
代理人：	刘萍
分类号：	G01N15/08(2006.01)I;G06N3/04(2006.01)I;G06N3/08(2006.01)I;G;G01;G06;G01N;G06N;G01N15;G06N3;G01N15/08;G06N3/04;G06N3/08
申请人地址：	100124 北京市朝阳区平乐园100号
主权项：	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污水处理系统为研究对象，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，wj(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yd(t)的误差函数e(t)为：e(t)＝yd(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系统的当前信息，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yd(1)，yd(2)，…，yd(t)，…，yd(N)，软测量模型的训练样本为N组，期望误差设为Ed，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)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)＝JT(t)J(t) (9)梯度向量g(t)计算公式为，g(t)＝JT(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)，…wR(t)，c11(t)，…c51(t)，…，c1j(t)，…c5j(t)，…c1R(t)，…c5R(t)，d11(t)，…d51(t)…，d1j(t)，…d5j(t)，…d1R(t)，…d5R(t)]，wj(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，cij(t)是隶属函数层的中心，dij(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)
所属类别：	发明专利