[發明專利]基于GA-DBN網絡的廢水處理智能監控方法及系統

有效

• 申請號: 201910943698.3
• 申請日: 2019-09-30
• 公開（公告）號: CN110824915B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 黃明智;牛國強;易曉輝;李小勇;應光國;石青松
• 申請（專利權）人: 華南師范大學;廣州奇嶺環境服務有限公司
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 陳宏升

本發明公開了基于GA?DBN網絡的廢水處理智能監控方法，包括以下步驟：選取廢水處理系統合適參數作為輸入自變量和輸出變量；采用迭代尋優計算獲得深度信念網絡DBN各層網絡最優隱含層節點數；利用遺傳算法GA篩選出最優輸入自變量；構建基于遺傳算法?深度信念網絡GA?DBN融合模型；對模型進行訓練，通過訓練后模型對廢水處理系統輸出變量進行實時軟測量，獲得診斷結果，并指導廢水處理過程優化。本發明構建的遺傳?深度信念網絡GA?DBN融合模型及系統，可用于預測廢水處理系統出水COD和SS濃度等水質參數，實現廢水處理系統水質智能監控與診斷，促進廢水處理系統高效穩定運行。

技術領域

本發明涉及廢水處理與控制研究領域，特別涉及一種基于GA-DBN網絡的廢水處理智能監控方法及系統。

背景技術

當前廢水處理一般都經過一級物化和二級生化等流程，其中一級物化處理主要使用去除SS和少部分COD與BOD；二級生化處理用于去除絕大部分COD與BOD。為了監控廢水處理系統穩定性，提升廢水排放達標率，需對出水COD和SS等指標進行實時監測。廢水處理過程復雜，機理尚未完全清楚，很難用精確的數學模型來有效預測并調控出水水質。

為了解決傳統控制系統過分依賴精確數學模型的問題，近年來研究者提出建立智能控制系統軟測量模型來實時調控優化出水水質。常用廢水處理系統軟測量模型建立方法有遞歸偏最小二乘算法、高斯回歸、多元線性回歸、支持向量回歸及人工神經網絡、遺傳算法和BP網絡混合算法等，但上述方法均存在某種程度缺陷，無法準確的反映廢水處理過程多參數時變狀態下帶來的高不確定性或存在過擬合情況。深度學習有更強的特征提取能力，能夠組合更復雜的非線性運算，更好的模擬事情演變規律，可用于廢水處理系統監控、診斷和優化調控。深度信念網絡DBN模型屬一種典型深度學習算法，其能夠更準確地感知對象演變的內在規律，但難以保證網絡最優，在廢水處理預測、診斷及優化調控等使用過程存在參數選配及優化等諸多問題，影響算法實施和優化效果。

發明內容

本發明的主要目的在于克服現有技術的缺點與不足，提供一種基于GA-DBN網絡的廢水處理智能監控方法，基于廢水處理系統進水指標參數與出水水質、模型控制參數之間的關系，充分利用遺傳算法GA宏觀搜索最優解的能力和深度信念網絡DBN準確感知對象演變內在規律的能力，創建基于GA-DBN的水質軟測量模型，對出水COD和出水SS濃度等進行實時軟測量，實現廢水處理系統智能化監控與診斷，實時調控出水水質。

本發明的另一目的在于提供一種基于GA-DBN網絡的廢水處理智能監控系統；

本發明的目的通過以下的技術方案實現：

一種基于GA-DBN網絡的廢水處理智能監控方法，其特征在于，包括以下步驟：

S1、選取廢水處理系統合適參數作為輸入自變量和輸出變量；

S2、采用迭代尋優計算獲得深度信念網絡DBN各層網絡最優隱含層節點數；

S3、利用遺傳算法GA篩選出最優輸入自變量；

S4、依據深度信念網絡DBN各層網絡最優隱含層節點數、最優輸入自變量，構建基于遺傳算法-深度信念網絡GA-DBN融合模型；

S5、對GA-DBN融合模型進行訓練，得到訓練后GA-DBN融合模型；

S6、通過訓練后GA-DBN融合模型對廢水處理系統輸出變量進行實時軟測量，獲得診斷結果，并指導廢水處理過程優化。

進一步地，所述輸入自變量包含進水COD、進水流量Q、進水SS、溫度T、溶解氧DO、pH；所述輸出變量包含出水COD、出水SS濃度。

進一步地，所述步驟S2具體為：