[發明專利]膜生物反應器-MBR膜污染智能決策方法

有效

• 申請號: 202010154288.3
• 申請日: 2020-03-07
• 公開（公告）號: CN111204867B
• 公開（公告）日: 2021-12-10
• 發明（設計）人: 韓紅桂;張會娟;王盈旭;郭民
• 申請（專利權）人: 北京工業大學
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;C02F3/30;G06Q10/04
• 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膜污染智能決策方法，其特征在于，包括以下步驟：

(1)運行過程數據采集：以MBR膜處理系統為研究對象，通過安裝在工藝現場的采集儀表采集運行過程數據，包括：進水化學需氧量、進水酸堿度、進水生物需氧量、出水化學需氧量、出水酸堿度、出水生物需氧量、厭氧區氧化還原電位、缺氧區氧化還原電位、好氧區硝酸鹽、好氧區溶解氧、產水壓力、產水濁度、產水流量、污泥濃度、曝氣量，實現數據的采集；儀表采集的數據通過通訊協議傳輸到可編程邏輯控制器，可編程邏輯控制器通過通信協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；

(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，獲得5個主成分變量，分別為：產水壓力、產水濁度、產水流量、污泥濃度、曝氣量，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：膜污染智能預測實現透水率預測，其中：透水率由深度信念網絡-DBN預測獲得，DBN由1個輸入層，2個隱含層，1個輸出層構成，輸入層神經元為5個，每層隱含層神經元為M個，M為大于2且小于30的正整數，輸出層神經元為1個，即連接方式為5-M-M-1；n組數據作為軟測量模型的訓練樣本；第t時刻DBN輸入為x(t)＝[x₁(t),…,x₅(t)]，x₁(t)表示t時刻產水壓力的值、x₂(t)表示t時刻產水濁度的值、x₃(t)表示t時刻產水流量的值、x₄(t)表示t時刻污泥濃度的值、x₅(t)表示t時刻曝氣量的值，基于DBN預測透水率的軟測量模型計算方式依次為：

①輸入層：h₀(t)＝x(t) (1)

②第一隱含層：

③第二隱含層：

④輸出層：

其中，h₀(t)表示t時刻輸入層的輸出向量，h₁(t)表示t時刻第一隱含層的輸出向量，h₂(t)表示t時刻第二隱含層的輸出向量，w_0,1(t)表示t時刻輸入層與第一隱含層之間的權值向量，w_1,2(t)表示t時刻第一隱含層與第二隱含層之間的權值向量，w_2,3(t)表示t時刻第二隱含層與輸出層之間的權值向量，b₁(t)表示t時刻第一隱含層的偏置向量，b₂(t)表示t時刻第二隱含層的偏置向量，y(t)表示t時刻DBN的實際輸出；

DBN訓練分為兩個過程：無監督預訓練和有監督權值微調；設置每層預訓練的迭代次數為100，反向傳播算法的迭代次數為1000次，期望誤差為0.01，初始權值和偏置設置為0.01；具體訓練步驟如下：

①無監督預訓練：通過對比散度算法得到參數的更新規則為：

其中，w_0,1(t+1)是t+1時刻輸入層與第一隱含層之間的權值向量，w_1,2(t+1)是t+1時刻第一隱含層與第二隱含層之間的權值向量，b₁(t+1)是t+1時刻第一隱含層的偏置向量，b₂(t+1)是t+1時刻第二隱含層的偏置向量，E_data是訓練數據的期望，E_model是模型定義的期望，μ_w1∈(0,0.02)是輸入層與第一隱含層連接權值的學習率，μ_w2∈(0,0.02)是第一隱含層與第二隱含層連接權值的學習率，μ_b1∈(0,0.01)是第一隱含層的學習率，μ_b2∈(0,0.01)是第二隱含層的學習率；

②反向傳播算法調整權值：逐層訓練獲得了DBN的參數初始值，之后通過反向傳播算法微調權值獲得更好的模型效果，采用誤差反向傳播方法調整權值為：

其中，w_2,3(t+1)是t+1時刻第二隱含層與輸出層之間的權值向量，y_d(t)是t時刻DBN的期望輸出，η_out∈(0,3)是第二隱含層與輸出層之間的權值學習率，η₂∈(0,3)是第一隱含層和第二隱含層之間的權值學習率，η₁∈(0,3)是輸入層與第一隱含層之間的權值學習率；

(4)膜污染智能決策：膜污染智能決策是利用透水率預測值，結合其它膜污染相關變量，建立膜污染綜合評價模型，針對膜污染提供決策，過程如下：

1)確定膜污染評價指標，u＝{u₁,u₂,u₃,u₄,u₅,u₆}，u₁是產水流量的值、u₂是產水壓力的值、u₃是產水濁度的值、u₄是污泥濃度的值、u₅是曝氣量的值和u₆是透水率的預測值；

2)建立監控統計量，過程變量為u∈R^6×n，其中6為變量維數，n為樣本個數；對膜污染評價矩陣u進行獨立成分和主成分分解：

u＝As+Pt^T+f^T (7)

其中，A∈R^6×r為混合矩陣，s∈R^r×n為獨立矩陣，t∈R^n×k為主元得分矩陣，負載矩陣P∈R^6×k，f∈R^n×6為最終殘差矩陣，r表示獨立元個數，k為選取的主元個數；為了估計A和s，需要求取解混矩陣W獲得重構信號是源信號的估計值，對u進行白化處理求取得分向量：

Z＝Λ^-1/2H^Tu＝Bs (8)

其中，Λ是包含所有特征值的對角陣，H是相應的特征向量矩陣且單位正交，B是單位正交矩陣；解混矩陣為：

W＝B^TΛ^-1/2H^T (9)

原始數據經過獨立成分和主成分分解后，得到獨立成分矩陣和主元得分矩陣，建立I²和T²統計量，對殘差信息建立SPE統計量；獨立成分向量為s_l＝[s_1l,s_2l,…,s_rl]^T∈R^r×1和主元得分向量t_l＝[t_l1,t_l2,…,t_lk]^T∈R^k×1，殘差向量f_l＝[f_l1,f_l2,…,f_l6]^T∈R^6×1，l＝1,2,…,n(n為樣本個數)；建立I²、T²和SPE統計量如下：

其中為SPE統計量的控制限，λ_j為各個主元分量協方差矩陣對應的特征值，其中j＝1,2,..,k；k為主元個數，F_k.(n-k),α是置信度為α，自由度為k和(n-k)的F分布的上限值；c_α對應于正態分布在置信度α下的下限值，采用核密度估計方法確定I²統計量的控制限，基于F分布確定T²統計量的控制限；

3)智能決策：在線獲得t時刻的膜污染評價指標u(t)，當監測t時刻的統計量I²、T²和SPE是超過控制限，確定膜污染發生；為了確定膜污染的主要因素，針對確定因素采取措施，建立基于核函數的多分類器進行膜污染因素的區分，主要包括：①產水流量達到峰值460m³/h，②產水壓力低于20kPa ，③曝氣量低于2400m³/h，④污泥濃度大于13000mg/l，⑤產水壓力低于20kPa 且透水率低于30LMH/bar，⑥產水壓力低于20kPa 和透水率低于60LMH/bar，產水濁度大于5NUT；將6個二值分類器組合成一個多分類器，對于第一個二值分類器，將不屬于第一類的數據標簽為-1，屬于第一類的數據標簽為+1，對于第二個二值分類器，將不屬于第二類的數據標簽為-1，屬于第二類的數據標簽為+1，對于第三個二值分類器，將不屬于第三類的數據標簽為-1，屬于第三類的數據標簽為+1，對于第四個二值分類器，將不屬于第四類的數據標簽為-1，屬于第四類的數據標簽為+1，對于第五個二值分類器，將不屬于第五類的數據標簽為-1，屬于第五類的數據標簽為+1，對于第六個二值分類器，將不屬于第六類的數據標簽為-1，屬于第六類的數據標簽為+1，第q個分類器(q＝1,2,…,6)優化目標函數為：

其中,C∈(0,5)為懲罰系數，w^q為第q個分類器的連接權值，T為轉置符號，ξ_p^q為第q個分類器的第p個數據樣本的松弛變量，b^q為第q個分類器的偏置，為高斯核函數，σ∈(0,1)為核函數的寬度，u_p^q分別為第q個分類器的第p個數據樣本,u_v^q為第q個分類器的第v個數據樣本(v＝1,2,…,n)，y_p為第p個樣本的類別；引入拉格朗日乘子，優化問題轉化為：

參數更新：

其中，y_v為第v個樣本的類別，α_p為第p個數據樣本的格朗日乘子，α_v為第v個數據樣本的拉格朗日乘子，對于評價指標u，決策函數為:

f(u)＝sgn(α_py_pK(u,u_p^q)+b^q) (15)

其中，sgn表示符號函數，輸入為正時，輸出為1，輸入為負時，輸出為-1；通過將待測樣本輸入到這個決策函數可得到輸出值，取得最大值的函數對應的類別即為待測樣本所屬類別；6類對應操作建議包括：①該狀態下運行不宜超過4h，降低產水量至260m³/h以下，②降低膜池產水量至260m³/h，控制跨膜壓差小于40kPa，③增大曝氣至3000m³/h，④控制膜池污泥濃度8000-12000mg/L，⑤調整運行參數，降低產水量至260m³/h，或增大曝氣量至5000m³/h以上，⑥在24h內開展在線物理清洗和在線化學清洗；將訓練好的決策模型用于污水處理過程，對于故障數據，模型進行特征匹配，輸出故障類別，對應故障類別進行操作建議，為生產過程提供決策支持。