基于RBF神经网络的溶解氧智能控制系统的制作方法

本发明中设计基于RBF神经网络的溶解氧智能控制系统，通过设计RBF神经网络控制器完成控制模块的搭建，并且通过搭建硬件平台形成一套完备的溶解氧智能控制系统；实现了对污水处理过程中比较难以实时和准确控制的溶解氧DO进行控制。将基于RBF神经网络的溶解氧智能控制系统应用污水处理过程，通过对鼓风机电动阀门的准确控制从而实现对溶解氧DO浓度的准确控制。溶解氧智能控制控制即属于水处理领域，又属于智能控制领域。

背景技术：

近年来，随着我国城镇化的逐渐加大，城市人口也急剧增加，工业逐步发展从而了产生大量的污水，我国积极建设污水处理设施，快速推动城市与工业场景的污水处理能力，同时也对污水处理达标做出了严格的规定。然而，现有的污水处理厂面临保证污水处理达标的严重挑战。因此，污水处理厂需要改善排放达标率不高，污染物浓度去除不够等仍然是污水处理过程中的重要问题，尤其对工业废水的处理。

由于溶解氧在污水处理过程中起着重要的作用，大部分污水处理厂现有的控制技术，如开关控制，PID控制等有着一定的缺陷，无法对具有非线性，多变量，大滞后等特点的污水处理中的溶解氧DO浓度进行较好的控制。污水处理主要通过微生物的新陈代谢功能将有机物降解为无机物，从而实现对污染物的去除。有机物的种类有很多，但其共性就是在微生物降解下需要消耗水中的溶解氧，同样，水中溶解氧的浓度也直接影响到微生物的生长。保持好氧池中合适的溶解氧DO浓度，对污水处理效果起到至关重要的作用。

智能控制系统对溶解氧DO浓度的控制主要是通过调节曝气系统中鼓风机的电动阀门开度进行调整，摆脱了污水污水处理厂一直依赖于人工经验的手动调节，同时增加了调节的可靠性，降低了认为因素造成的偶然因素。相比于简单的PID控制系统，在时间延迟、控制波动以及过大冗余方面造成的能耗较高的问题，智能控制系统都可以有效的避免。

本发明涉及了基于RBF神经网络控制器的智能控制系统的设计与研究，该控制系统主要基于RBF神经网络控制器，对溶解氧的控制量进行精确的计算并通过开发的系统将控制信号准确的传递到执行机构完成控制，解决了人工经验和传统PID控制难以解决的问题。通过搭建数据采集、数据传输和鼓风机控制等硬件平台以及通信网络实现了数据采集、传输以及控制信号的下发和执行。通过对各个功能模块的开发集成，形成溶解氧智能控制系统，提高了控制的稳定性和可靠性，同时保障了出水水质和降低了消耗而且降低了人为因素对控制过程的干扰和操作人员带来的运行成本。

技术实现要素：

本发明获得基于RBF神经网络控制器的智能控制系统，设计了用于控制的RBF神经网络控制器求解污水处理过程中的控制问题并且将其进行模块化封装；搭建数据采集，数据处理和存储以及控制功能模块的硬件系统，保证了系统的高效运行；通过该系统进行控制，污水中溶解氧浓度能够达到最佳，解决了污水处理过程中溶解氧难以精确控制的问题；同时，能够提供丰富的人机界面，简化控制，调节操作；保障了污水处理过程的稳定性和实现了在线控制；

本发明采用了如下的技术方案及实现步骤：

基于RBF神经网络的溶解氧智能控制系统

(1)溶解氧智能控制系统设计,本系统主要通过基于RBF神经网络算法提供在线控制决策，以应对污水处理过程的非线性，大时变、大滞后和强耦合；针对溶解氧DO控制的特点，设计了控制系统的硬件系统，包括检测仪表、电气设备、数据采集、数据处理与存储、控制功能模块化几个主要的功能模块，具体实现如下：

现场仪表包括溶解氧测量仪、温度测量仪、PH测量仪以及COD分析仪和NH₄-N分析仪；现场检测仪表与PLC相连，PLC与数据处理与存储模块通过现场总线中RS232和RS485进行通讯，数据处理与存储模块与控制功能模块通过通信接口相连，电气设备主要是鼓风机以及电动阀门，电气设备与PLC之间连接；控制功能模块在线给出控制策略后，通过PLC将控制信号下发到执行机构电动阀门；

根据要求(1)中所述基于RBF神经网络的溶解氧智能控制系统，针对序批式间歇活性污泥系统中溶解氧DO浓度进行控制，以鼓风机曝气量为控制量，溶解氧DO浓度为被控量；其特征在于，包括以下步骤：

(1)设计基于RBF神经网络的污水处理系统预测模型，预测模型RBF神经网络分为三层：输入层、隐含层和输出层；预测模型RBF神经网络输入为u(k)＝[u₁(k),u₂(k)]^T，u₂(k)＝u₁(k-1)，u₁(k)为k时刻溶解氧DO浓度控制量，u₁(k-1)为k-1时刻的溶氧DO浓度控制量，T为矩阵的转置；预测模型RBF神经网络输出为溶解氧DO浓度预测值；其计算方式如下：

①初始化预测模型RBF神经网络：确定神经网络2-P-1的连接方式，即输入层神经元为2个，隐含层神经元为P个，P为大于2的正整数；输出层神经元为1个；预测模型RBF神经网络输入层到隐含层的连接权值为1，隐含层和输出层间的连接权值在[0,1]范围内进行随机赋值；神经网络的输出表示如下：

$y_m\left(k\right)=\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{w}_j\left(k\right)f_j\left(u\right(k\left)\right)---\left(1\right)$

其中，y_m(k)为k时刻预测模型RBF神经网络的输出，w_j(k)为隐含层第j个神经元和输出层的连接权值，j＝1,2,…,P；f_j是预测模型RBF神经网络隐含层第j个神经元的输出，其计算公式为：

$f_j\left(u\right(k\left)\right)=\exp (-|\left|u\right(k)-{\mathrm{\μ}}_j(k\left)\right||/{\mathrm{\σ}}_j^2(k\left)\right)---\left(2\right)$

其中，μ_j(k)表示k时刻隐含层第j个神经元中心值，σ_j(k)表示k时刻隐含层第j个神经元的中心宽度；

②定义预测模型RBF神经网络的性能指标J_m(k)

$J_m\left(k\right)=\frac{1}{2}{e}_m^2\left(k\right)---\left(3\right)$

e_m(k)＝y(k)-y_m(k)

(4)

其中，y(k)为k时刻实际测量的溶解氧DO浓度值，e_m(k)为k时刻溶解氧DO浓度值的误差；

③对预测模型RBF神经网络的参数进行更新

${\mathrm{\Δw}}_j\left(k\right)=\frac{\∂J_m\left(k\right)}{\∂w_j\left(k\right)}=-e_m\left(k\right)f_j\left(u\right(k\left)\right)(1-y(k\left)\right)y\left(k\right)---\left(5\right)$

w_j(k+1)＝w_j(k)-ηΔw_j(k)＝w_j(k)+ηe_m(k)f_j(u(k))(1-y(k))y(k) (6)

${\mathrm{\μ}}_j(k+1)={\mathrm{\μ}}_j\left(k\right)-\mathrm{\η}\frac{\∂J_m\left(k\right)}{\∂{\mathrm{\μ}}_j\left(k\right)}---\left(7\right)$

${\mathrm{\σ}}_j(k+1)={\mathrm{\σ}}_j\left(k\right)-\mathrm{\η}\frac{\∂J_m\left(k\right)}{\∂{\mathrm{\σ}}_j\left(k\right)}$

其中，Δw_j(k)为k时刻第j个隐含层神经元和输出层神经元连接权值的修正量，w_j(k)为k时刻第j个隐含层神经元与输出层神经元的连接权值，w_j(k+1)为k+1时刻第j个隐含层神经元与输出层神经元的连接权值，μ_j(k+1)表示k+1时刻隐含层第j个神经元中心值，σ_j(k+1)表示k+1时刻隐含层第j个神经元的中心宽度；η为学习率，η∈(0,1]；

④判断当前时刻溶解氧DO预测的目标函数的大小，如果J_m(k)>0.01,则重复步骤③；如果J_m(k)<0.01，则转到步骤①计算预测模型RBF神经网络的输出y_m(k)；

(2)设计用于控制的RBF神经网络控制器；x(k)＝[x₁(k),x₂(k)]^T为RBF神经网络控制器的输入，x₁(k)为k时刻溶解氧DO浓度设定值与实际值的误差，x₂(k)为k时刻溶解氧DO浓度设定值与实际值误差的变化率；

①初始化RBF神经网络控制器：确定神经网络2-M-1的连接方式，即输入层神经元为2个，隐含层神经元为M个，M为大于2的正整数；输出层神经元为1个；RBF神经网络控制器输入层到隐含层的连接权值为1，隐含层和输出层间的连接权值在[0,1]范围内进行随机赋值；神经网络的输出表示如下：

$u\left(k\right)=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{w}_i^c\left(k\right)f_i\left(x\right(k\left)\right)---\left(9\right)$

其中，u(k)为k时刻RBF神经网络控制器的输出，w_i^c(k)为RBF神经网络控制器隐含层第i个神经元和输出层的连接权值，i＝1,2,…,M；f_i是RBF神经网络隐含层第i个神经元的输出，其计算公式为：

$f_i\left(x\right(k\left)\right)=\exp (-|\left|x\right(k)-{\mathrm{\&mu;}}_i^c(k\left)\right||/{\left({\mathrm{\&sigma;}}_i^c\left(k\right)\right)}^2)---\left(10\right)$

其中，μ_i^c(k)表示k时刻RBF神经网络控制器隐含层第i个神经元中心值，σ_i^c(k)表示k时刻RBF神经网络控制器隐含层第i个神经元的中心宽度；

②定义RBF神经网络控制器的指标J_c(k)

$J_c\left(k\right)=\frac{1}{2}{e}^2\left(k\right)---\left(11\right)$

e(k)＝r(k)-y(k)

(12)

其中，e(k)为k时刻溶解氧DO浓度的误差，r(k)为k时刻溶解氧DO浓度设定值；

③对RBF神经网络控制器的参数进行更新

${\mathrm{\&Delta;w}}_i^c\left(k\right)=\frac{\&part;J_c\left(k\right)}{\&part;w_i^c\left(k\right)}=-e\left(k\right)f\left(x\right(k\left)\right)(1-y(k\left)\right)y\left(k\right)---\left(13\right)$

$w_i^c(k+1)=w_i^c\left(k\right)-{\mathrm{\&eta;}}_1{\mathrm{\&Delta;w}}_i^c\left(k\right)=w_i^c\left(k\right)+{\mathrm{\&eta;}}_{1}e\left(k\right)f\left(x\right(k\left)\right)(1-y(k\left)\right)y\left(k\right)---\left(14\right)$

${\mathrm{\&mu;}}_i^c(k+1)={\mathrm{\&mu;}}_i^c\left(k\right)-{\mathrm{\&eta;}}_1\frac{\&part;J_c\left(k\right)}{\&part;{\mathrm{\&mu;}}_i^c\left(k\right)}---\left(15\right)$

${\mathrm{\&sigma;}}_i^c(k+1)={\mathrm{\&sigma;}}_i^c\left(k\right)-{\mathrm{\&eta;}}_1\frac{\&part;J_c\left(k\right)}{\&part;{\mathrm{\&sigma;}}_i^c\left(k\right)}---\left(16\right)$

其中，Δw_i^c(k)为k时刻RBF神经网络控制器隐含层第i个神经元与输出层神经元连接权值的修正量，w_i^c(k+1)为k+1时刻的RBF神经网络控制器隐含层第i神经元与输出层神经元的连接权值；μ_i^c(k+1)表示k+1时刻RBF神经网络控制器隐含层第i个神经元中心值，σ_i^c(k+1)表示k+1时刻RBF神经网络控制器隐含层第i个神经元的中心宽度；η₁为学习率，η₁∈(0,1]；

④判断当前时刻溶解氧DO的目标函数的大小，如果J_c(k)>0.01,则重复步骤③；如果J_c(k)<0.01，则转到步骤①计算RBF神经网络控制器的输出u(k)；

(3)利用求解出的u(k)对溶解氧DO进行控制，u(k)为k时刻为曝气量即控制量，控制系统的输出为实际溶解氧DO的浓度值。

本发明的创造性主要体现在：

(1)本发明针对当前污水处理过程是一个具有非线性、强耦合、大时变等特点的过程，需要将溶解氧DO浓度控制在一个合理的范围内，然而根据污水处理厂现有控制方法，难以实现稳定和精确的控制；根据神经网络具有很强的自适应和自学习能力，设计了RBF神经网络预测模型和RBF神经网络控制器，实现了溶解氧的在线控制，具有稳定性好，实时性好及控制精度高等特点；

(2)本发明设计了RBF神经网络预测模型和RBF神经网络控制器，控制方法较好地解决了非线性系统难以控制的问题，实现了溶解氧浓度的实时精确控制；解决了复杂的污水处理过程仅依靠解决人工经验实现控制问题，具有能耗低，结构简单等特点；

附图说明

图1是本发明控制系统结构图

图2是本发明控制系统模型图

图3是本发明神经网络建模与控制器结构图

图4是本发明RBF神经网络网络结构图

图5是本发明控制系统溶解氧DO浓度结果图

图6是本发明控制系统溶解氧DO浓度误差图

具体实施方式

本发明获得基于RBF神经网络的溶解氧智能控制系统，实现了污水处理过程中溶解氧DO浓度的精确控制；通过该系统进行控制，污水中溶解氧浓度能够达到最佳，解决了污水处理过程中溶解氧难以精确控制的问题，提高了溶解氧DO浓度控制的精度；同时，简化了控制的操作过程，实现了自动在线控制；

本发明采用了如下的技术方案及实现步骤：

(1)溶解氧智能控制系统设计,本系统主要通过基于RBF神经网络算法提供在线控制决策设计了控制系统的硬件系统，如图1给出了控制系统的结构图，包括检测仪表、电气设备、数据采集、数据处理与存储、控制功能模块化几个主要的功能模块；

现场仪表包括溶解氧测量仪、温度测量仪、PH测量仪以及COD分析仪和NH₄-N分析仪；现场检测仪表与PLC相连，PLC与数据处理与存储模块通过现场总线RS232和RS485进行通讯，数据处理与存储模块与控制功能模块通过通信接口相连，电气设备主要是鼓风机以及电动阀门，电气设备与PLC之间连接；控制功能模块在线给出控制策略后，通过PLC将控制信号下发到执行机构电动阀门；

(2)在控制系统设计时，设计RBF神经网络预测模型和设计RBF神经网络控制器嵌入控制模块中，在线提供控制策略，图2中给出了控制系统的模型，简单的介绍了控制系统具备的基本功能。

本发明获得了一种基于梯度下降算法的神经网络溶解氧DO浓度控制方法，实现了污水处理过程中溶解氧DO浓度的精确控制；该方法是通过基于数据驱动和梯度下降的方法求解污水处理过程中的控制问题；通过该方法进行控制后，污水中溶解氧浓度能够达到最佳，解决了污水处理过程中溶解氧难以精确控制的问题，提高了溶解氧DO浓度控制的精度；同时，保障了污水处理过程的稳定性和实现了在线控制；

本发明采用了如下的技术方案及实现步骤：

一种基于RBF神经网络的溶解氧精确控制方法，

针对序批式间歇活性污泥系统中溶解氧DO浓度进行控制，以鼓风机曝气量为控制量，溶解氧DO浓度为被控量，控制结构图如图3；

(1)设计基于RBF神经网络的污水处理系统预测模型，预测模型RBF神经网络分为三层：输入层、隐含层和输出层；预测模RBF神经网络输入为u(k)＝[u₁(k),u₂(k)]^T，u₂(k)＝u₁(k-1)，u₁(k)为k时刻溶解氧DO浓度控制量，u₁(k-1)为k-1时刻的溶氧DO浓度控制量，T为矩阵的转置；预测模型RBF神经网络输出为溶解氧DO浓度预测值；其计算方式如下：

①初始化预测模型RBF神经网络：确定神经网络2-P-1的连接方式，即输入层神经元为2个，隐含层神经元为P为15个；输出层神经元为1个；预测模型RBF神经网络输入层到隐含层的连接权值为1，隐含层和输出层间的连接权值在[0,1]范围内进行随机赋值；神经网络的输出表示如下：

$y_m\left(k\right)=\underset{j=1}{\overset{P}{\mathrm{\&Sigma;}}}{w}_j\left(k\right)f_j\left(u\right(k\left)\right)---\left(17\right)$

其中，y_m(k)为k时刻预测模型RBF神经网络的输出，w_j(k)为隐含层第j个神经元和输出层的连接权值，j＝1,2,…,P；f_j是预测模型RBF神经网络隐含层第j个神经元的输出，其计算公式为：

$f_j\left(u\right(k\left)\right)=\exp (-|\left|u\right(k)-{\mathrm{\&mu;}}_j(k\left)\right||/{\mathrm{\&sigma;}}_j^2(k\left)\right)---\left(18\right)$

其中，μ_j(k)表示k时刻隐含层第j个神经元中心值，σ_j(k)表示k时刻隐含层第j个神经元的中心宽度；

②定义预测模型RBF神经网络的性能指标J_m(k)

$J_m\left(k\right)=\frac{1}{2}{e}_m^2\left(k\right)---\left(19\right)$

e_m(k)＝y(k)-y_m(k)

(20)

其中，y(k)为k时刻实际测量的溶解氧DO浓度值，e_m(k)为k时刻溶解氧DO浓度值的误差；

③对预测模型RBF神经网络的参数进行更新

${\mathrm{\&Delta;w}}_j\left(k\right)=\frac{\&part;J_m\left(k\right)}{\&part;w_j\left(k\right)}=-e_m\left(k\right)f_j\left(u\right(k\left)\right)(1-y(k\left)\right)y\left(k\right)---\left(21\right)$

w_j(k+1)＝w_j(k)-ηΔw_j(k)＝w_j(k)+ηe_m(k)f_j(u(k))(1-y(k))y(k) (22)

${\mathrm{\&mu;}}_j(k+1)={\mathrm{\&mu;}}_j\left(k\right)-\mathrm{\&eta;}\frac{\&part;J_m\left(k\right)}{\&part;{\mathrm{\&mu;}}_j\left(k\right)}---\left(23\right)$

${\mathrm{\&sigma;}}_j(k+1)={\mathrm{\&sigma;}}_j\left(k\right)-\mathrm{\&eta;}\frac{\&part;J_m\left(k\right)}{\&part;{\mathrm{\&sigma;}}_j\left(k\right)}---\left(24\right)$

其中，Δw_j(k)为k时刻第j个隐含层神经元和输出层神经元连接权值的修正量，w_j(k)为k时刻第j个隐含层神经元与输出层神经元的连接权值，w_j(k+1)为k+1时刻第j个隐含层神经元与输出层神经元的连接权值，μ_j(k+1)表示k+1时刻隐含层第j个神经元中心值，σ_j(k+1)表示k+1时刻隐含层第j个神经元的中心宽度；学习率η＝0.1；

④判断当前时刻溶解氧DO预测的目标函数的大小，如果J_m(k)>0.01,则重复步骤③；如果J_m(k)<0.01,则转到步骤①计算预测模型RBF神经网络的输出y_m(k)；

(2)设计用于控制的RBF神经网络控制器；x(k)＝[x₁(k),x₂(k)]^T为RBF神经网络控制器的输入，x₁(k)为k时刻溶解氧DO浓度设定值与实际值的误差，x₂(k)为k时刻溶解氧DO浓度设定值与实际值误差的变化率；

①初始化RBF神经网络控制器：确定神经网络2-M-1的连接方式，即输入层神经元为2个，隐含层神经元为M为17个；输出层神经元为1个；RBF神经网络控制器输入层到隐含层的连接权值为1，隐含层和输出层间的连接权值在[0,1]范围内进行随机赋值；神经网络的输出表示如下：

$u\left(k\right)=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{w}_i^c\left(k\right)f_i\left(x\right(k\left)\right)---\left(25\right)$

其中，u(k)为k时刻RBF神经网络控制器的输出，w_i^c(k)为RBF神经网络控制器隐含层第i个神经元和输出层的连接权值，i＝1,2,…,M；f_i是RBF神经网络隐含层第i个神经元的输出，其计算公式为：

$f_i\left(x\right(k\left)\right)=\exp (-|\left|x\right(k)-{\mathrm{\&mu;}}_i^c(k\left)\right||/{\left({\mathrm{\&sigma;}}_i^c\left(k\right)\right)}^2)---\left(26\right)$

其中，μ_i^c(k)表示k时刻RBF神经网络控制器隐含层第i个神经元中心值，σ_i^c(k)表示k时刻RBF神经网络控制器隐含层第i个神经元的中心宽度；

②定义RBF神经网络控制器的指标J_c(k)

$J_c\left(k\right)=\frac{1}{2}{e}^2\left(k\right)---\left(27\right)$

e(k)＝r(k)-y(k)

(28)

其中，e(k)为k时刻溶解氧DO浓度的误差，r(k)为k时刻溶解氧DO浓度设定值；

③对RBF神经网络控制器的参数进行更新

${\mathrm{\&Delta;w}}_i^c\left(k\right)=\frac{\&part;J_c\left(k\right)}{\&part;w_i^c\left(k\right)}=-e\left(k\right)f\left(x\right(k\left)\right)(1-y(k\left)\right)y\left(k\right)---\left(29\right)$

$w_i^c(k+1)=w_i^c\left(k\right)-{\mathrm{\&eta;}}_1{\mathrm{\&Delta;w}}_i^c\left(k\right)=w_i^c\left(k\right)+{\mathrm{\&eta;}}_{1}e\left(k\right)f\left(x\right(k\left)\right)(1-y(k\left)\right)y\left(k\right)---\left(30\right)$

${\mathrm{\&mu;}}_i^c(k+1)={\mathrm{\&mu;}}_i^c\left(k\right)-{\mathrm{\&eta;}}_1\frac{\&part;J_c\left(k\right)}{\&part;{\mathrm{\&mu;}}_i^c\left(k\right)}---\left(31\right)$

${\mathrm{\&sigma;}}_i^c(k+1)={\mathrm{\&sigma;}}_i^c\left(k\right)-{\mathrm{\&eta;}}_1\frac{\&part;J_c\left(k\right)}{\&part;{\mathrm{\&sigma;}}_i^c\left(k\right)}---\left(32\right)$

其中，Δw_i^c(k)为k时刻RBF神经网络控制器隐含层第i个神经元与输出层神经元连接权值的修正量，w_i^c(k+1)为k+1时刻的RBF神经网络控制器隐含层第i神经元与输出层神经元的连接权值；μ_i^c(k+1)表示k+1时刻RBF神经网络控制器隐含层第i个神经元中心值，σ_i^c(k+1)表示k+1时刻RBF神经网络控制器隐含层第i个神经元的中心宽度；学习率，η₁＝0.1；

④判断当前时刻溶解氧DO的目标函数的大小，如果J_c(k)>0.01,则重复步骤③；如果J_c(k)<0.01,则转到步骤①计算RBF神经网络控制器的输出u(k)；

(3)利用求解出的u(k)对溶解氧DO进行控制，u(k)为k时刻为曝气量即控制量，控制系统的输出为实际溶解氧DO的浓度值；图5显示系统的溶解氧DO浓度值，X轴：时间，单位是15分钟/样本，Y轴：溶解氧DO浓度，单位是毫克/升，实线为期望溶解氧DO浓度值，虚线是实际溶解氧DO输出浓度值；实际输出溶解氧DO浓度与期望溶解氧DO浓度的误差如图6，X轴：时间，单位是15分钟/样本，Y轴：溶解氧DO浓度误差值，单位是毫克/升，结果证明该方法的有效性。