[發(fā)明專利]膜生物反應器-MBR膜污染智能預警方法

在審

• 申請?zhí)枺?/td>: 201810995136.9
• 申請日: 2018-08-29
• 公開（公告）號: CN109133351A
• 公開（公告）日: 2019-01-04
• 發(fā)明（設計）人: 韓紅桂;王盈旭;武淑君;郭民
• 申請（專利權）人: 北京工業(yè)大學
• 主分類號: C02F3/30
• 分類號: C02F3/30;G06N3/04
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

1.膜生物反應器MBR膜污染智能預警方法，其特征在于，包括以下步驟：

(1)運行過程數據采集：通過安裝在工藝現場的采集儀表采集運行過程數據，包括：產水流量、產水壓力、化學需氧量、pH、生物需氧量、總磷、厭氧區(qū)氧化還原電位ORP、缺氧區(qū)ORP、好氧區(qū)溶解氧、好氧區(qū)硝酸鹽、單池膜擦洗氣量，實現數據的采集；

(2)運行過程數據預處理：以膜池運行數據為研究對象，利用偏最小二乘法建立特征分析模型，提取出5個主成分變量，分別為：產水流量、產水壓力、單池膜擦洗氣量、厭氧區(qū)ORP和好氧區(qū)硝酸鹽濃度，5個主成分變量作為膜污染智能預測模型塊的輸入變量；透水率作為膜污染智能預測模塊的輸出變量；

(3)膜污染智能預測：建立透水率軟測量模型實現透水率預測，其中：透水率由遞歸模糊神經網絡的多步預測獲得，遞歸模糊神經網絡的結構分為四層：輸入層、隸屬函數層、規(guī)則層、輸出層；結構為5-M-M-1的連接方式，其中M是正整數，且2<M<30，輸入層與隸屬函數層之間的連接權值為1，遞歸模糊神經網絡的實際輸出表示為y(t)；基于遞歸模糊神經網絡的MBR透水率的預測方法計算為：

其中x(t)＝[x₁(t)，x₂(t)，x₃(t)，x₄(t)，x₅(t)]表示t時刻輸入層的輸出，x₁(t)表示t時刻產水流量的值、x₂(t)表示t時刻產水壓力的值、x₃(t)表示t時刻單池膜擦洗氣量的值、x₄(t)表示t時刻厭氧區(qū)ORP的值、x₅(t)表示t時刻好氧區(qū)硝酸鹽的值，f表示x(t)和y(t)間對應的函數關系，w_j(t)表示t時刻規(guī)則層第j個神經元與輸出神經元之間的權值，β_ij(t)表示t時刻輸入層第i個神經元與隸屬函數層第j個神經元之間的權值，β_ij(t)＝1，m_ij(t)表示隸屬函數層t時刻第j個神經元中心值的第i個元素，σ_ij(t)表示隸屬函數層t時刻第j個神經元寬度值的第i個元素，遞歸模糊神經網絡在隸屬函數層加入了自反饋連接，θ_ij(t)是隸屬函數層的自反饋連接的反饋權重；是隸屬函數層的自反饋連接的反饋值，其中：

其中，β_ij(t-1)表示t-1時刻輸入層第i個神經元與隸屬函數層第j個神經元之間的權值，β_ij(t-1)＝1，m_ij(t-1)表示隸屬函數層t-1時刻第j個神經元中心值的第i個元素，σ_ij(t-1)表示隸屬函數層t-1時刻第j個神經元寬度值的第i個元素，θ_ij(t-1)是隸屬函數層的自反饋連接的反饋權重，是隸屬函數層的自反饋連接的反饋值；定義遞歸模糊神經網絡的誤差為：

其中，m是樣本數，y_d(t)是t時刻遞歸模糊神經網絡的期望輸出，y(t)是t時刻遞歸模糊神經網絡的實際輸出；模型校正過程具體如下：

①給定遞歸模糊神經網絡的初始隱含層神經元個數為M，M為大于2的正整數，遞歸模糊神經網絡的輸入為x(1)，x(2)，…，x(t)，…，x(m)，對應的期望輸出為y_d(1)，y_d(2)，…，y_d(t)，…，y_d(m)，m組數據作為遞歸模糊神經網絡模型的訓練樣本，期望誤差值設為E_d，E_d∈(0,0.01)，初始中心值m_j(1)中每個變量的賦值區(qū)間為[-2,2]，m_j(1)＝(m_1j(1)，m_2j(1)，…，m_ij(1))，m_ij(1)表示初始時刻隸屬函數層第j個神經元中心向量的第i個元素；初始中心寬度σ_j(1)的賦值區(qū)間為[0,1]，σ_j(1)＝(σ_1j(1)，σ_2j(1)，…，σ_ij(1))，σ_ij(1)表示初始時刻隸屬函數層第j個神經元寬度值向量的第i個元素；初始反饋連接權值θ_ij(t)的賦值區(qū)間為[0,1]，j＝1，2，…，M；初始權值w(1)中每個變量的賦值區(qū)間為[-1，1]，w(1)＝(w₁(1)，w₂(1)，…，w_j(1))，w_j(1)表示初始時刻規(guī)則層第j個神經元與輸出層之間的連接權值；

②設置學習步數s＝1；

③t＝s，根據公式(1)計算遞歸模糊神經網絡的輸出y(t)，運用梯度下降算法調整遞歸模糊神經網絡的參數為：

θ_ij(t+1)＝θ_ij(t)-η_θ(y_d(t)-y(t))w_j(t)O_ij(t)y(t-1) (6)

w_j(t+1)＝w_j(t)-η_w(y_d(t)-y(t))O_ij(t) (7)

其中，η_m為中心向量m_ij的學習率，η_m∈(0，0.01]；η_σ為寬度σ_j的學習率，η_σ∈(0，0.01]，η_θ為反饋連接權值θ_ij的學習率，η_θ∈(0，0.02]，η_w為連接權值w_j的學習率，η_w∈(0，0.01]，m_ij(t+1)為t+1時刻隸屬函數層第j個神經元中心向量的第i個元素，σ_ij(t+1)為t+1時刻第j個隸屬函數層神經元的寬度向量的第i個元素，θ_ij(t+1)為t+1時刻第j個規(guī)則層神經元第i個元素的反饋連接權值，w_j(t+1)為t+1時刻第j個規(guī)則層神經元與輸出神經元的連接權值；

④學習步數s增加1，如果步數s<N，則轉向步驟③進行繼續(xù)訓練，如果s＝N轉向步驟⑤；

⑤根據公式(3)計算遞歸模糊神經網絡的性能，設E_d為理想誤差，如果E(t)≥E_d，則轉向步驟③進行繼續(xù)訓練，如果E(t)<E_d，則停止調整；

(4)膜污染智能預警：利用透水率預測值，結合其它可采集的過程變量，建立膜污染等級綜合評價模型，對膜污染進行預警，過程如下：

①確定膜污染預警評價指標，令U(t)＝{u₁(t)，u₂(t)，u₃(t)，y(t)}作為預警評價指標集,其中u₁(t)表示t時刻產水流量的值，u₂(t)表示t時刻產水壓力的值，u₃(t)表示t時刻單池膜擦洗氣量的值，y(t)表示t時刻透水率的預測值；

②確定隸屬度函數和模糊綜合評價矩陣，隸屬度函數反映實測值和各個污染等級的數量關系，通過把實測值帶入隸屬函數中，得到評價因子的隸屬度，隸屬度用矩陣R(t)表示：

r_ij(t)(i＝1，2，…，4；j＝1，2，…，4)表示第i個系數對應的第j個污染等級的隸屬度；其中，產水流量在不同污染等級下的隸屬度計算為：

產水壓力在不同污染等級下的隸屬度計算為：

單池膜擦洗氣量在不同污染等級下的隸屬度計算為：

透水率在不同污染等級下的隸屬度計算為：

③確定污染等級，設B(t)＝[b₁(t)，b₂(t)，b₃(t)，b₄(t)]表示矩陣R(t)的可能性向量，b_j(t)表示t時刻第j個污染等級可能性的大小，j＝1，2，…，4，η(t)＝[η₁(t)，η₂(t)，η₃(t)，η₄(t)]表示R(t)的權重向量，η_j(t)表示權重向量中的第j個權重，b_j(t)和η_j(t)的關系可表示為：

b_j(t)＝r_1j(t)η₁(t)+r_2j(t)η₂(t)+r_3j(t)η₃(t)+r_4j(t)η₄(t) (25)

B(t)＝R(t)η(t) (26)

由于b_j(t)反映第j個污染等級可能性的大小，B(t)可表示在t時刻不同污染等級的貢獻度，即：

B(t)＝λ(t)η(t) (27)

λ_max(t)＝maxλ(t) (28)

其中λ(t)是B(t)和η(t)之間的比例系數向量，根據公式(26)和(27)，λ(t)也是R(t)的特征值；把最大的比例系數記為λ_max(t)，即R(t)的最大特征值為λ_max(t)；最大特征值對應的R(t)矩陣的列數即為當前污染等級的大小。

2.根據權利要求1所述的方法，其特征在于：儀表采集的數據通過Modbus通訊協(xié)議傳輸到PLC，PLC通過RS232通信協(xié)議將運行過程數據傳輸到上位機，上位機中的數據通過局域網傳輸到數據處理服務器中；以Browser/Server模式通過Web服務器發(fā)布運行過程數據，以Client/Server模式顯示透水率的預測及膜污染的預警結果。