[發明專利]一種基于自組織神經網絡的污水處理過程控制方法

在審

• 申請號: 201610219336.6
• 申請日: 2016-04-09
• 公開（公告）號: CN105676649A
• 公開（公告）日: 2016-06-15
• 發明（設計）人: 喬俊飛;付文韜;韓紅桂;蒙西;王亞清
• 申請（專利權）人: 北京工業大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

1.一種基于自組織神經網絡的污水處理過程控制方法，其特征 在于，包括以下步驟：

步驟1基本T-S模糊神經網絡控制器

將k時刻的溶解氧濃度及硝態氮濃度與二者的濃度設定值進行對 比作差，可定義誤差為：

e_do(k)＝r_do-y_do(k)(1)

e_no(k)＝r_no-y_no(k)(2)

將k時刻的溶解氧濃度誤差e_do(k)或硝態氮濃度誤差e_no(k)與k-1 時刻的溶解氧濃度誤差e_do(k-1)或硝態氮濃度誤差e_no(k-1)分別進行對 比作差，可定義誤差變化量為：

e·do(k)=edo(k)-edo(k-1)---(3)]]>

e·no(k)=eno(k)-eno(k-1)---(4)]]>

式中r_do和r_no分別為溶解氧濃度和硝態氮濃度的期望值，y_do(k)和y_no(k) 分別為k時刻溶解氧濃度和硝態氮濃度的實際測量值，e_do(k)和e_no(k) 分別為k時刻溶解氧濃度和硝態氮濃度與其設定值的誤差值，e_do(k-1) 和e_no(k-1)分別為k-1時刻溶解氧濃度和硝態氮濃度與其設定值的誤 差值，和分別為k時刻溶解氧濃度或硝態氮濃度的誤差變 化量，

步驟1.1T-S模糊神經網絡的前件部分進行的是模糊規則的推理 過程，輸入量有兩個，一個是k時刻的溶解氧濃度的誤差值e_do(k)或 硝態氮濃度的誤差值e_no(k)，另一個是溶解氧濃度的誤差變化量或硝態氮濃度的誤差變化量則T-S模糊神經網絡前件部分的 輸入為：

xdo(k)=x1(k)x2(k)=edo(k)e·do(k)---(5)]]>

xno(k)=x1(k)x2(k)=eno(k)e·no(k)---(6)]]>

則前件部分的輸出為：

yjrule(k)=Πinexp(-(xi(k)-cij(k))2(σij(k))2)/Σj=1mΠinexp(-(xi(k)-cij(k))2(σij(k))2)---(7)]]>

式中，n代表的是輸入變量的總數，m代表模糊規則總數，代表第 j條模糊規則的輸出，x_i代表第i個輸入變量，c_ij為第i個輸入的第j 個隸屬度函數的中心值，σ_ij為第i個輸入的第j個隸屬度函數的寬度 值，x_do(k)為k時刻控制溶解氧濃度時的輸入量，x_no(k)為k時刻控制 硝態氮濃度時的輸入量，

步驟1.2T-S模糊神經網絡的后件部分進行的是控制器的輸出過 程，輸入量與前件部分的輸入量相同，后件部分的輸出則為：

yout(k)=Σj=1m(yjrule(k)Σi=1nwjixi(k))---(8)]]>

式中，y^out為T-S模糊神經網絡控制器的總輸出，w_ji為后件部分第i 個輸入到第j個隱含層神經元的連接權值，m為后件網絡隱含層神經 元總數(與前件部分模糊規則數相同)；

步驟2模糊機制的自組織調整

不同的模糊規則存儲著污水處理過程中所產生的不同信息，對于 固定結構的模糊神經網絡來說，由于模糊規則數是固定不變的，所以 需要人工進行不斷地調整已選出合適的模糊規則，然而如果模糊規則 數太多，會使系統的邏輯關系過于龐大，計算量呈指數級遞增；如果 模糊規則數太少，使得網絡的表達性下降，因此選擇合適的模糊規則 數對于整個模糊神經網絡的性能尤為重要；通過將自組織機制引入到 T-S模糊神經網絡中，自組織的根據處理的實際情況對控制器結構進 行調整、學習和記憶，從而選擇出合適的模糊規則數，模糊規則的選 擇方法如下：

步驟2.1由于每條模糊規則都存儲著處理過程中不同的知識，從 而根據不同的處理情況進行相應的反應，根據強度的不同來判斷模糊 規則的激活程度，因此選取激活強度最大的模糊規則：

p(k)=max(Πinexp(-(xi(k)-cij)2/(σij)2))---(9)]]>

對貢獻最大的模糊規則進行判斷是否滿足當前環境的變化，因此 定義閾值r，則自組織機制為：

式中，p(k)為k時刻最大的激活強度；

步驟2.2在k時刻，模糊規則的變化導致整個控制器內部結構 的改變，進而需要對模糊規則進行相應的調整，調整過程分為兩部 分：

模糊規則不變時，對所有模糊規則的中心值進行調整：

c(k)=Nc(k-1)+x(k)N+1---(11)]]>

模糊規則增加時，對新增模糊規則進行初始化：

cj+1(k)=x(k)σj+1(k)=σ(k-1)wj+1(k)=w(j=1)---(12)]]>

式中，N為輸入樣本總數，c(k)和c(k-1)分別為k、k-1時刻隸屬度函 數的中心值矩陣，x(k)為k時刻的輸入矩陣，c^j+1(k)為k時刻新增隸 屬度函數的中心值矩陣，σ^j+1(k)為k時刻新增隸屬度函數寬度矩陣， w^j+1(k)為k時刻后件部分新增隱含層神經元的權值矩陣，σ(k-1)為k-1 時刻隸屬度函數寬度矩陣，w(j＝1)表示第一條模糊規則時后件部分隱 含層神經元的權值矩陣；

步驟3神經網絡的自適應學習

將k時刻的輸入量輸入到控制器中，得到在k時刻的性能指標函 數值E_I(k)，調整神經網絡權值的指標函數為：

EI(k)=12(e2(k))---(13)]]>

式中，e²(k)為k時刻溶解氧或硝態氮濃度的誤差值的平方，

權值調整公式為：

wij(k+1)=wij(k)-η∂EI(k)∂wij---(14)]]>

中心值調整公式為：

cij(k+1)=cij(k)-η∂EI(k)∂cij---(15)]]>

寬度值調整公式為：

cij(k+1)=cij(k)-η∂EI(k)∂cij---(16)]]>

學習率調整公式為：

η(k+1)=η(k)-η∂EI(k)∂η---(17)]]>

步驟4通過步驟2得到k時刻的模糊規則m，通過步驟1和步 驟3完成k時刻的污水處理過程控制。