[發明專利]一種基于隨機遞歸小波神經網絡的船舶污水處理控制預測系統及預測方法

有效

• 申請號: 201811573025.5
• 申請日: 2018-12-21
• 公開（公告）號: CN109534486B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 施悅;蔡煜航;肖世豪;張坤;王義權;孫培淇
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;C02F3/00;G06N3/044;G06N3/08;C02F101/16
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于隨機遞歸小波神經網絡的船舶污水處理控制預測系統，其特征是：包括緩沖池、生化處理池，進水管連通緩沖池，緩沖池通過中間管連通生化處理池，生化處理池出口連通出水管，進水管上安裝進水調節閥，中間管上安裝流量傳感器，生化處理池底部設置加熱裝置，生化處理池下方連接曝氣泵，生化處理池里分別設置溫度傳感器、在線COD傳感器、在線總氮傳感器；

小波神經網絡預測模型分為三層：輸入層、隱含層和輸出層；預測模型SRWNN神經網絡輸入為x(t)＝[x₁(t),x₂(t),x₃(t),x₄(t)]^T，x₁(t)為t時刻生化處理區溫度值，x₂(t)為t時刻生化處理區流量值，x₃(t)為t時刻生化處理區COD值，x₄(t)為t時刻生化處理區氨氮值；

模型建立如下：

(1)初始化隨機遞歸小波神經網絡控制器：確定神經網絡為4-N-N-2的連接方式，即輸入層神經元為4，隱含層、遞歸層的神經元為N，輸出層神經元為2，N＝2n+1,n為輸入層神經元的個數，學習率從0.02到0.2之間，初始連接權重w_ij、v_j、c_j在[-1,1]上符合標準均勻分布；初始的標度因子a_j和平移因子b_j符合標準正態分布；誤差ξ＝10^-5和最大訓練迭代K＝100設計用于船舶污水處理過程控制預測的目標函數：

其中，c_j是隱藏層到輸出層的權重，ψ(x)是WNN模型的母小波函數，采用Morlet小波函數；Morlet小波函數的定義由表達式ψ(x)＝cos(1.75x)exp{-x²/2}描述，ψ_a,b(x)是對應的基底小波函數，作為隱藏層中的激活函數；

(2)定義SRWNN模型性能指標，損失函數為：

其中E為結果測試的損失函數，α是時間強度參數，t_n是訓練數據任意時間值，t₁是訓練數據的最新值，γ是根據訓練數據的預設值，是訓練樣本對應的平均值，輸出值誤差為：

應用梯度下降法使得損失函數最小化，直到損失函數小于預設誤差閾值ξ＝10^-5；

(3)訓練SRWNN模型并進行參數更新：

輸入層連接權重的梯度為：

其中η是學習率，控制學習速率；為SRWNN模型激活函數的導數；

相應的，遞歸層連接權重的梯度為：

隱藏層的連接權重梯度為：

小波函數的兩個指標a_j、b_j的梯度分別為：

SRWNN模型的參數更新公式分別為：

(4)判斷當前時刻出水COD和氨氮的目標函數誤差大小，當E＞ξ時，重復步驟(3)；如果E＜ξ時，則轉到步驟(1)計算SRWNN控制器的輸出y₁(t),y₂(t)；

當檢測當前時刻溫度值x1(t)小于設定值15℃時，SRWNN控制器輸出指令，開啟加熱裝置；直至溫度值x1(t)升高到30℃，關閉加熱裝置；

當出水COD預測值y1(t)大于設定值125mg/L,出水TN預測值y2(t)大于設定20mg/L時，開啟進水流量調節閥，降低進水流量至原來的1/2，并打開曝氣泵的功率調節器，增大進氣量，進而增大溶解氧濃度。