本发明利用一种基于知识二型模糊的方法实现mbr城市污水处理过程膜污染的决策，以减少膜污染的发生。将基于数据和知识的决策方法应用于非线性的mbr污水处理系统，为膜污染提供操作建议，保证mbr城市污水处理过程的平稳安全运行，既属于污水处理
技术领域：
：，又属于智能决策领域。因此，膜污染的智能决策在污水处理系统中具有重要意义。
背景技术：
：：由联合国水机制发布的《2020年世界水发展报告》指出：目前全球用水量相较过去的100年约增长了六倍，随人口增加、经济发展和消费方式转变，该值将仍以每年1％的速度稳定上升。根据水利部门预测，随人口总量增长，我国总缺水量将于2040年达到600亿立方米，人均水资源将降至1630立方米。水资源缺乏和水污染危机是制约社会经济可持续发展的基本问题，也是我国水环境治理过程中亟待解决的问题。城市污水的循环利用可以有效缓解水资源缺乏和水资源浪费等问题。如何提高城市污水处理能力和水平，是实现水资源持续利用、缓解水资源短缺和建设节水型社会的研究重点之一。mbr污水处理工艺是一种将高效膜分离技术和传统活性污泥法相结合的新型污水处理技术，被世界各国公认为二十一世纪水处理领域中最具发展潜力的技术之一。mbr技术在不需要二次澄清的情况下，可以达到较高的养分去除效率和完全的生物量保留，提高了污水处理的能力和效率。随着膜技术的不断成熟，mbr污水处理工艺在城市污水处理中应用越来越广泛。然而，膜污染问题不可避免，会导致运行能耗增加、mbr寿命减少，甚至整个污水处理过程的瘫痪，是阻碍mbr稳定应用的一个最广泛的问题。随着信息技术的迅速发展，智慧化水厂的建立已经称为污水处理厂未来发展的趋势，如何建立智能决策系统成为了热门问题。因此，研究一种膜污染智能决策方法对于减少膜污染的发生、保障mbr污水处理过程的稳定运行、提高污水处理厂的智慧化水平至关重要。在mbr的实际运行工作中，膜污染的决策通常通过水厂工作人员的经验，往往根据时间周期或单个过程变量的值来得到mbr的清洗方法或更换速度，这种决策方式是不科学和不全面的。膜污染是一个动态、具有不确定性的过程，且不同水厂中操作人员的偏好不同，缺乏合理的决策判断标准。如何利用多个过程变量的值综合选择膜污染的决策方法引起了人们的关注。另外，当膜污染决策的数据量不足时，难以实现精确的决策。如何将实际水厂中操作人员的知识应用到决策算法中，也是一个急需解决的问题。设计一种有效的膜污染智能决策方法，对于抑制膜污染的发生，确保mbr城市污水处理过程的长期平稳运行，具有较高的研究意义和应用价值。技术实现要素：本发明设计了一种基于知识二型模糊的膜污染智能决策方法，将膜污染决策知识总结并表达，采用一种基于知识的区间二型模糊神经网络模型，采用迁移梯度下降算法完成模型的参数更新，实现膜污染的准确决策。本发明采用了如下的技术方案及实现步骤：一种基于数据和知识的决策方法，包括以下步骤：步骤一：膜污染过程变量数据采集：通过mbr污水处理仪表采集膜污染过程数据，包括8个关键变量：透水率、透水率衰减速度、产水流量、膜擦洗气量、污泥浓度、跨膜压差、产水浊度、透水率恢复率；步骤二：膜污染过程知识表达：将膜污染过程变量历史数据、水厂中实际运行的决策知识相结合，将其定义为作为源场景，关于膜污染决策的模糊规则如表1所示；表1膜污染决策模糊规则table.1membranefoulingdecisionfuzzyrules根据mbr膜系统操作手册、mbr膜清洗维护手册、城市污水处理及污染防控技术策略等相关使用规范和法律法规，并结合污水处理厂的实际清洗策略，对膜污染决策方法分为以下几种：②当前状态下运行不宜超过4小时，超负荷运行后需要及时进行在线化学清洗；②于近期开展物理清洗；③关闭产水系统，尽快进行离线清洗；④降低产水量至260m3/h以下，开展离线清洗；⑤关闭产水系统，或增大曝气量至3000m3/h以上；⑥降低曝气管路阀门开度；⑦增大曝气量至4500m3/h以上，或降低产水量至260m3/h及以下；⑧排查水质、产水流量、膜擦洗气量、膜池污泥浓度是否存在异常；⑨排查泄漏膜组器及产水管路；⑩增大膜池排泥量，增大膜池回流比，控制膜池污泥浓度在8000-12000mg/l；降低膜池产水量，控制跨膜压差小于40kpa；减小剩余污泥排放量，检查污泥回流比，控制膜池污泥浓度大于6000mg/l；关注膜池运行情况，于72小时内再次实施在线化学清洗(大洗)；将这些决策信息总结为模糊规则其中，是t时刻源场景的透水率，是t时刻源场景的透水率衰减速度，是t时刻源场景的产水流量，是t时刻源场景的膜擦洗气量，是t时刻源场景的污泥浓度，(t)是t时刻源场景的跨膜压差，是t时刻源场景的产水浊度，是t时刻源场景的透水率恢复率，s表示源场景，是t时刻源场景第b条模糊规则中第u个输入变量的语言项，是t时刻源场景第b条模糊规则的输出即膜污染决策类别，是t时刻源场景第b条模糊规则输出的语言项及膜污染决策结果，u是输入变量的个数，b是模糊规则条数，u＝1，…，8，b＝1，…，13；步骤三：基于迁移梯度下降的区间二型模糊神经网络：区间二型模糊神经网络共有5层，分别为输入层、隶属函数层、规则层、后件层、输出层，数学描述如下：输入层：共有8个神经元，输入层的输出为ru(t)＝xu(t)(2)x(t)＝[x1(t),x2(t),x3(t),x4(t),x5(t),x6(t),x7(t),x8(t)](3)其中，ru(t)为t时刻区间二型模糊神经网络的第u个输入神经元的输出，xu(t)是t时刻第u个过程变量的输入值，x(t)是t时刻区间二型模糊神经网络的输入向量，x1(t)是t时刻透水率的输入值，x2(t)是t时刻透水率衰减速度的输入值，x3(t)是t时刻产水流量的输入值，x4(t)是t时刻膜擦洗气量的输入值，x5(t)是t时刻污泥浓度的输入值，x6(t)是t时刻跨膜压差的输入值，x7(t)是t时刻产水浊度的输入值，x8(t)是t时刻透水率恢复率的输入值；隶属函数层：共有8×13个神经元，隶属函数层的输出为其中，是t时刻第u个输入时第b个隶属函数层神经元的输出，cub(t)是t时刻第u个输入第b个隶属函数层神经元的中心，σub(t)是t时刻第u个输入第b个隶属函数层神经元的宽度，和分别是t时刻源场景第b条模糊规则中第u个隶属度函数的上界和下界，cub(t)和分别是t时刻第u个输入第b个隶属函数层神经元的中心值下界和上界，e是自然常数，e＝2.7183，隶属函数层神经元的区间形式为其中，和分别是t时刻第u个输入第b个隶属函数层神经元输出的下界和上界；规则层：共有13个神经元，规则层的输出为其中，vb(t)是t时刻第b个规则层神经元的输出，vb(t)和分别是t时刻第b个规则层神经元的输出的下界和上界；后件层：共有26个神经元，后件层的输出为其中，是t时刻关于第b个规则层神经元和第g个输出层神经元的后件权值，是t时刻第u个输入、第b个规则层神经元和第g个输出神经元的权值系数，yg(t)和分别是t时刻第g个输出层神经元的后件层神经元的输出下界和上界，g＝1，2，…，13；输出层：共有13个神经元，输出层的输出为其中，yg(t)是t时刻区间二型模糊神经网络第g个输出值，γg(t)是t时刻第g个输出层神经元的后件层神经元输出下界的比例；归一化指数函数模型主要用于解决多分类问题，设概率p(y(t)＝g)表示t时刻膜污染样本被判别为类别g的概率，选择输出最大的概率为最终类别，则对于g类分类的输出为其中h(t)为t时刻区间二型模糊神经网络模型的输出概率向量，y(t)是t时刻模型分类类别，κ是归一化函数，使得所有概率总和为1；为了提高区间二型模糊神经网络模型的学习性能，提出了一种迁移梯度下降算法，在学习过程中将源模型的知识和目标模型的数据相结合；迁移梯度下降算法的步骤为：在学习过程中，从源场景的膜污染决策历史数据中提取出一系列知识，将其转移到目标场景中；将模型的目标函数定义为其中，e(t)是t时刻目标函数，d表示目标场景，f0d是目标场景的区间二型模糊神经网络函数，xd(t)是t时刻目标模型的输入，wnew(t)是t时刻目标模型的后件层输出权重参数，是t时刻目标模型的期望输出wnew(t)＝wold(t)+δ(t)ws(tθ)(21)其中，wold(t)是t时刻目标模型的后件层初始输出权重，ws(t)是t时刻源模型后件层输出权重，δ(t)是t时刻的平衡参数，0<δ(t)<1，表示目标模型和源模型的关系；区间二型模糊神经网络模型中，共有三个变量需要更新：目标模型后件层输出权重、源模型后件层输出权重、平衡参数，参数更新公式如下其中，ws(t+1)是t+1时刻源模型后件层输出权重，η1是源模型后件层输出权重的学习率，是t时刻目标函数关于源模型后件层输出权重的偏导数，wd(t+1)是t+1时刻目标模型后件层输出权重，wd(t)是t时刻目标模型后件层输出权重，η2是目标模型后件层输出权重的学习率，是t时刻目标函数关于目标模型后件层输出权重的偏导数，δ(t+1)是t+1时刻的平衡参数，η3是平衡参数的学习率，是t时刻目标函数关于平衡参数的偏导数。该方案中，步骤一中：膜污染关键过程变量通过mbr污水处理仪表采集；步骤二中：膜污染过程知识表示由膜污染过程变量历史数据、水厂中实际运行的决策知识相结合，步骤三中：采用区间二型模糊神经网络对膜污染建模，采用迁移梯度下降算法对网络模型参数更新。相对于现有技术，本发明的优点如下：1)本发明针对膜污染过程的非线性及时变复杂特征，导致难以对膜污染现象准确识别的问题，提出了一种基于知识的区间二型模糊神经网络决策模型，通过将运行过程中的决策知识转换为模糊规则的形式，并利用模糊规则设计隶属度函数，完成膜污染智能决策模型构建，实现对膜污染的决策；2)本发明为了提高膜污染决策模型精度，设计了一种迁移梯度下降算法对模型参数进行自适应更新，通过从源场景的膜污染决策历史数据中提取出一系列知识，并将其转移到目标场景中完成决策模型参数的更新，实现膜污染的准确决策，减缓膜污染的发生，促进mbr城市污水处理过程的平稳运行。附图说明图1为一种基于知识二型模糊的膜污染智能决策方法的框架图。具体实施方式为了加深对本发明的认识和理解，下面结合附图和具体实施方式详细的介绍该方案。实施例1：参见图1，一种基于知识二型模糊的膜污染智能决策方法，所述方法包括以下步骤：步骤一：膜污染过程变量数据采集：步骤二：膜污染过程知识表达：步骤三：基于迁移梯度下降的区间二型模糊神经网络。该方案中根据安装在mbr污水处理系统中的在线传感器，采集膜污染过程数据，包括8个关键变量：透水率、透水率衰减速度、产水流量、膜擦洗气量、污泥浓度、跨膜压差、产水浊度、透水率恢复率。步骤二中，实现膜污染过程知识表达，包括：将膜污染过程变量历史数据、水厂中实际运行的决策知识相结合，将其定义为作为源场景，关于膜污染决策的模糊规则如表1所示；表1膜污染决策模糊规则table.1membranefoulingdecisionfuzzyrules根据mbr膜系统操作手册、mbr膜清洗维护手册、城市污水处理及污染防控技术策略等相关使用规范和法律法规，并结合污水处理厂的实际清洗策略，对膜污染决策方法分为以下几种：①当前状态下运行不宜超过4小时，超负荷运行后需要及时进行在线化学清洗；②于近期开展物理清洗；③关闭产水系统，尽快进行离线清洗；④降低产水量至260m3/h以下，开展离线清洗；⑤关闭产水系统，或增大曝气量至3000m3/h以上；⑥降低曝气管路阀门开度；⑦增大曝气量至4500m3/h以上，或降低产水量至260m3/h及以下；⑧排查水质、产水流量、膜擦洗气量、膜池污泥浓度是否存在异常；⑨排查泄漏膜组器及产水管路；⑩增大膜池排泥量，增大膜池回流比，控制膜池污泥浓度在8000-12000mg/l；降低膜池产水量，控制跨膜压差小于40kpa；减小剩余污泥排放量，检查污泥回流比，控制膜池污泥浓度大于6000mg/l；关注膜池运行情况，于72小时内再次实施在线化学清洗；将这些决策信息总结为模糊规则其中，是t时刻源场景的透水率，是t时刻源场景的透水率衰减速度，是t时刻源场景的产水流量，是t时刻源场景的膜擦洗气量，是t时刻源场景的污泥浓度，是t时刻源场景的跨膜压差，是t时刻源场景的产水浊度，是t时刻源场景的透水率恢复率，s表示源场景，是t时刻源场景第b条模糊规则中第u个输入变量的语言项，是t时刻源场景第b条模糊规则的输出即膜污染决策类别，是t时刻源场景第b条模糊规则输出的语言项及膜污染决策结果，u是输入变量的个数，b是模糊规则条数，u＝1，…，8，b＝1，…，13。步骤三中，构建基于迁移梯度下降的区间二型模糊神经网络模型，包括：区间二型模糊神经网络共有5层，分别为输入层、隶属函数层、规则层、后件层、输出层，数学描述如下：输入层：共有8个神经元，输入层的输出为ru(t)＝xu(t)；(24)x(t)＝[x1(t),x2(t),x3(t),x4(t),x5(t),x6(t),x7(t),x8(t)](25)其中，ru(t)为t时刻区间二型模糊神经网络的第u个输入神经元的输出，xu(t)是t时刻第u个过程变量的输入值，x(t)是t时刻区间二型模糊神经网络的输入向量，x1(t)是t时刻透水率的输入值，x2(t)是t时刻透水率衰减速度的输入值，x3(t)是t时刻产水流量的输入值，x4(t)是t时刻膜擦洗气量的输入值，x5(t)是t时刻污泥浓度的输入值，x6(t)是t时刻跨膜压差的输入值，x7(t)是t时刻产水浊度的输入值，x8(t)是t时刻透水率恢复率的输入值；隶属函数层：共有8×13个神经元，隶属函数层的输出为其中，是t时刻第u个输入时第b个隶属函数层神经元的输出，cub(t)是t时刻第u个输入第b个隶属函数层神经元的中心，σub(t)是t时刻第u个输入第b个隶属函数层神经元的宽度，和分别是t时刻源场景第b条模糊规则中第u个隶属度函数的上界和下界，cub(t)和分别是t时刻第u个输入第b个隶属函数层神经元的中心值下界和上界，e是自然常数，e＝2.7183，隶属函数层神经元的区间形式为其中，和分别是t时刻第u个输入第b个隶属函数层神经元输出的下界和上界；规则层：共有13个神经元，规则层的输出为其中，vb(t)是t时刻第b个规则层神经元的输出，vb(t)和分别是t时刻第b个规则层神经元的输出的下界和上界；后件层：共有26个神经元，后件层的输出为其中，是t时刻关于第b个规则层神经元和第g个输出层神经元的后件权值，是t时刻第u个输入、第b个规则层神经元和第g个输出神经元的权值系数，yg(t)和分别是t时刻第g个输出层神经元的后件层神经元的输出下界和上界，g＝1，2，…，13；输出层：共有13个神经元，输出层的输出为其中，yg(t)是t时刻区间二型模糊神经网络第g个输出值，γg(t)是t时刻第g个输出层神经元的后件层神经元输出下界的比例；归一化指数函数模型主要用于解决多分类问题，设概率p(y(t)＝g)表示t时刻膜污染样本被判别为类别g的概率，选择输出最大的概率为最终类别，则对于g类分类的输出为其中h(t)为t时刻区间二型模糊神经网络模型的输出概率向量，y(t)是t时刻模型分类类别，κ是归一化函数，使得所有概率总和为1。利用迁移梯度下降算法更新网络模型参数，在学习过程中，从源场景的膜污染决策历史数据中提取出一系列知识，将其转移到目标场景中；将模型的目标函数定义为其中，e(t)是t时刻目标函数，d表示目标场景，f0d是目标场景的区间二型模糊神经网络函数，xd(t)是t时刻目标模型的输入，wnew(t)是t时刻目标模型的后件层输出权重参数，是t时刻目标模型的期望输出wnew(t)＝wold(t)+δ(t)ws(tθ)(43)其中，wold(t)是t时刻目标模型的后件层初始输出权重，ws(t)是t时刻源模型后件层输出权重，δ(t)是t时刻的平衡参数，0<δ(t)<1，表示目标模型和源模型的关系；区间二型模糊神经网络模型中，共有三个变量需要更新：目标模型后件层输出权重、源模型后件层输出权重、平衡参数，参数更新公式如下其中，ws(t+1)是t+1时刻源模型后件层输出权重，η1是源模型后件层输出权重的学习率，是t时刻目标函数关于源模型后件层输出权重的偏导数，wd(t+1)是t+1时刻目标模型后件层输出权重，wd(t)是t时刻目标模型后件层输出权重，η2是目标模型后件层输出权重的学习率，是t时刻目标函数关于目标模型后件层输出权重的偏导数，δ(t+1)是t+1时刻的平衡参数，η3是平衡参数的学习率，是t时刻目标函数关于平衡参数的偏导数。需要说明的是上述实施例，并非用来限定本发明的保护范围，在上述技术方案的基础上所作出的等同变换或替代均落入本发明权利要求所保护的范围。当前第1页12当前第1页12