[發明專利]一種基于二型模糊寬度學習的污泥膨脹智能決策方法

在審

• 申請號: 202110420228.6
• 申請日: 2021-04-19
• 公開（公告）號: CN113191483A
• 公開（公告）日: 2021-07-30
• 發明（設計）人: 韓紅桂;劉崢;喬俊飛
• 申請（專利權）人: 北京工業大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/06;G06N3/08
• 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

1.一種基于二型模糊寬度學習的污泥膨脹智能決策方法，其特征在于，建立基于寬度學習網絡的決策模型為抑制污泥膨脹提供決策支持，其中利用二型模糊神經元替代寬度學習網絡的特征層神經元，實現污泥膨脹精準決策，降低污泥膨脹發生率，包括以下步驟：

(1)運行數據采集：以活性污泥法污水處理系統為研究對象，通過安裝在現場的儀表采集運行數據，包括：溶解氧，出水總氮，出水總磷，出水污泥負荷，曝氣池溫度，出水酸堿度，從而實現數據的實時采集；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)運行數據預處理：以運行數據為研究對象，選取與污泥膨脹相關的過程變量作為智能決策模型的輸入變量：溶解氧，出水總氮，出水總磷，出水污泥負荷，曝氣池溫度，出水酸堿度；將獲取的輸入變量歸一化至[0,1]；操作建議作為污泥膨脹智能決策模型的輸出變量；將所有樣本數據分為兩組，一組包含P個訓練樣本，另一組包含M個測試樣本，一般要求PM；

(3)設計用于污泥膨脹決策的二型模糊寬度學習模型：利用二型模糊寬度學習網絡建立污泥膨脹決策模型，二型模糊寬度學習網絡結構共有四層，包括輸入層、區間二型模糊神經網絡層、增強層和輸出層；其結構為6-I-J-10的連接方式，確定用于污泥膨脹決策的模型輸入層神經元個數為6，區間二型模糊神經網絡層子網絡個數為I，I取[1,10]之間的任意正整數；增強層神經元組數為J，J取[2,20]之間的任意正整數；輸出層神經元個數為10，使用P個訓練樣本訓練二型模糊寬度學習網絡，污泥膨脹決策模型的輸入量為x(t)＝[x₁(t),x₂(t),…,x_P(t)]，x_n(t)＝[x_1n(t),x_2n(t),x_3n(t),x_4n(t),x_5n(t),x_6n(t)]為歸一化后第t次迭代時第n個樣本，n＝1,2,…,P，x_1n(t)為歸一化后第t次迭代時第n個樣本中溶解氧濃度，x_2n(t)為歸一化后第t次迭代時第n個樣本中出水總氮濃度，x_3n(t)為歸一化后第t次迭代時第n個樣本中出水總磷濃度，x_4n(t)為歸一化后第t次迭代時第n個樣本中出水污泥負荷濃度，x_5n(t)為歸一化后第t次迭代時第n個樣本中曝氣池溫度值，x_6n(t)為歸一化后第t次迭代時第n個樣本中出水酸堿度值，污泥膨脹決策模型的輸出量為操作建議Y_d(t)＝[Y_d1(t),Y_d2(t),…,Y_dP(t)]，Y_dn(t)＝[Y_1dn(t),Y_2dn(t),…,Y_10dn(t)]為第t次迭代時第n個樣本的操作建議，Y_1dn(t)為操作建議1，即為增大生化池曝氣量，控制溶解氧濃度2-3mg/L，Y_2dn(t)為操作建議2，即為投加尿素至生化池中，控制生物需氧量和氮濃度的比例大于100:3，Y_3dn(t)為操作建議3，即為投加磷酸鈉至生化池中，控制生物需氧量和磷濃度的比例大于100:1，Y_4dn(t)為操作建議4，即為調整運行參數，增大污泥回流比至25％-50％，Y_5dn(t)為操作建議5，即為通入鍋爐蒸汽，提高污水溫度至22℃以上，Y_6dn(t)為操作建議6，即為投加工業硫酸或氫氧化鈣調節pH，控制曝氣池內pH至6.5-8.5，Y_7dn(t)為操作建議7，即為增大剩余污泥排放量至13000m³/d以上，Y_8dn(t)為操作建議8，即為降低曝氣池污泥濃度至1200mg/L，Y_9dn(t)為操作建議9，即為增大硝化液回流比至300％以上，Y_10dn(t)為操作建議10，即為增大曝氣池殺菌劑濃度至12-14mg/L，基于二型模糊寬度學習網絡的決策模型中各層表示如下：

二型模糊寬度學習網絡輸入層：該層由6個神經元組成，每個神經元輸出如下：

u_s(t)＝x_s(t),s＝1,2,...,6, (1)

其中，u_s(t)為第t次迭代時二型模糊寬度學習網絡輸入層第s個神經元的輸出值；

二型模糊寬度學習網絡區間二型模糊神經網絡層：區間二型模糊神經網絡層由I個子網絡組成，其每個區間二型模糊神經網絡子網絡結構共有五層，包括輸入層、隸屬函數層、激活層、后件層和輸出層；其結構為6-L-Q-V-V的連接方式，確定每個區間二型模糊神經網絡的輸入層神經元個數為6，隸屬函數層神經元個數為L，L取[2,20]之間的任意正整數；激活層神經元個數為Q，Q取[2,20]之間的任意正整數；后件層神經元個數為V，輸出層神經元個數為V，V取[2,10]之間的任意正整數；各層輸出可以表示為：

區間二型模糊神經網絡子網絡輸入層：該層由6個神經元組成，每個神經元輸出如下：

r_s(t)＝u_s(t), (2)

其中，r_s(t)為第t次迭代時區間二型模糊神經網絡子網絡輸入層第s個神經元的輸出值；

區間二型模糊神經網絡子網絡隸屬函數層：該層由L個神經元組成，該層輸出可以表示為：

其中，μ_ls(t)為第t次迭代時區間二型模糊神經網絡子網絡隸屬函數層第l個神經元的輸出值，ξ_ls(t)為第t次迭代時第s個輸入和第l個隸屬函數層神經元的不確定中心，ξ_ls(t)為第t次迭代時第s個輸入和第l個隸屬函數層神經元的不確定中心的下界，在區間(0,1]中隨機取值；ξ_ls(t)為第t次迭代時第s個輸入和第l個隸屬函數層神經元的不確定中心的上界，在區間(0,1]中隨機取值，且不確定中心下界取值小于上界取值；σ_ls(t)為第t次迭代時第s個輸入和第l個隸屬函數層神經元的固定標準差，在區間(0,1]中隨機取值；

區間二型模糊神經網絡子網絡激活層：該層由Q個神經元組成，該層輸出可以表示為：

其中，f_q(t)為第t次迭代時區間二型模糊神經網絡子網絡激活層第q個神經元的激活強度，f_q(t)和為第t次迭代時激活層第q個神經元的激活強度的下界和上界；

區間二型模糊神經網絡子網絡后件層：該層由V個神經元組成，該層輸出可以表示為：

其中，o_v(t)和為第t次迭代時區間二型模糊神經網絡子網絡后件層第v個神經元的輸出的下界和上界，w_vq(n)和為第t次迭代時后件層第v個神經元和激活層第q個神經元之間的權值的下界和上界，均在區間[-1,1]中隨機取值，且權值下界取值小于上界取值；

區間二型模糊神經網絡子網絡輸出層：該層由V個神經元組成，該層輸出可以表示為：

其中，o_v(t)為第t次迭代時區間二型模糊神經網絡子網絡輸出層第v個神經元的輸出值；

二型模糊寬度學習網絡增強層：該層由J組神經元組成，該層輸出可以表示為：

H(t)＝[h₁(t),h₂(t),...,h_J(t)], (9)

h_j(t)＝ζ_j(O(t)w_hj(t)+β_hj(t)),j＝1,2,...,J, (10)

其中，H(t)為第t次迭代時二型模糊寬度學習網絡增強層的輸出值，h_j(t)為第t次迭代時增強層第j組神經元的輸出值，ζ_j()為增強層第j組神經元的激活函數，O(t)＝[o₁(t),o₂(t),…,o_I(t)]為第t次迭代時區間二型模糊神經網絡層的輸出值，o_i(t)＝[o₁(t),o₂(t),…,o_V(t)]為第t次迭代時區間二型模糊神經網絡層第i個子網絡的輸出值，i＝1,2,…,I，w_hj(t)和β_hj(t)為第t次迭代時區間二型模糊神經網絡層和增強層第j組神經元之間的權值和偏差值；

二型模糊寬度學習網絡輸出層：該層由10個神經元組成，該層輸出可以表示為：

其中，Y(t)為第t次迭代時二型模糊寬度學習網絡輸出層的輸出值，w_i(t)為第t次迭代時二型模糊寬度學習網絡輸出層和區間二型模糊神經網絡層第i個子網絡之間的權值，w_j(t)為第t次迭代時二型模糊寬度學習網絡輸出層和增強層第j組神經元之間的權值；

(4)訓練基于二型模糊寬度學習網絡的決策模型，具體為：

①設當前迭代次數t＝1，基于二型模糊寬度學習網絡的決策模型的最大迭代次數為K＝30；

②給定二型模糊寬度學習網絡的初始區間二型模糊神經網絡層子網絡個數為I，增強層神經元組數為J，每個區間二型模糊神經網絡層子網絡的隸屬函數層神經元個數為L，激活層神經元個數為Q，后件層神經元個數為V，輸出層神經元個數為V；

③根據公式(1)-(10)計算二型模糊寬度學習網絡的輸出Y(t)，二型模糊寬度學習網絡輸出的正確率表示為：

A(t)＝TF(t)/P, (12)

其中，A(t)為第t次迭代時模糊寬度學習網絡的輸出正確率，TF(t)為第t次迭代時模糊寬度學習網絡輸出與實際值相同的樣本數；運用偽逆算法調整二型模糊寬度學習網絡的參數：

W(t)＝D(t)⁺Y_d(t), (13)

其中，W(t)＝[W_i(t)，W_j(t)]為第t次迭代時二型模糊寬度學習網絡的輸出層與區間二型模糊神經網絡層和增強層之間的權值，W_i(t)為第t次迭代時二型模糊寬度學習網絡輸出層和區間二型模糊神經網絡層之間的權值，W_j(t)為第t次迭代時二型模糊寬度學習網絡輸出層和增強層之間的權值；D(t)＝[O(t)，H(t)]，λ為正常數，在區間(0,1]中隨機取值，E為單位矩陣；

④令t＝t+1，若t≤K時或A(t)＞0.05時，返回步驟③；若t＞K且A(t)≤0.05時停止計算跳出循環，完成訓練；

(5)污泥膨脹智能決策

利用訓練好的二型模糊寬度學習網絡污泥膨脹決策模型，使用M個測試樣本的溶解氧，出水總氮，出水總磷，出水污泥負荷，曝氣池溫度，出水酸堿度作為模型的輸入變量，得到模型的污泥膨脹類別輸出值，即為待測樣本所屬類別對應的操作建議，其包括：操作建議1：增大生化池曝氣量，控制溶解氧濃度2-4mg/L，操作建議2：投加尿素至生化池中，控制生物需氧量和氮濃度的比例大于100mg/L:3mg/L，操作建議3：投加磷酸鈉至生化池中，控制生物需氧量和磷濃度的比例大于100mg/L:1mg/L，操作建議4：調整運行參數，增大污泥回流比至25％-50％，操作建議5：通入鍋爐蒸汽，提高污水溫度至22℃以上，操作建議6：投加工業硫酸或氫氧化鈣調節pH，控制曝氣池內pH至6.5-8.5，操作建議7：增大污泥負荷至0.2-0.3kgBOD₅/kgMLSS.d，操作建議8：縮短曝氣池污泥齡至7-15d，操作建議9：增大硝化液回流比至300％以上，操作建議10：增大曝氣池殺菌劑濃度至12-14mg/L。