膜生物反应器‑MBR出水透水率的智能检测方法与流程

技术特征：

1.膜生物反应器-MBR出水透水率的智能检测方法，其特点在于，包括以下步骤：

(1)确定目标变量和特征变量；以膜生物反应器-MBR污水处理系统为研究对象，对水质数据进行特征分析，提取产水流量、产水压力、单池膜擦洗气量、厌氧区ORP和好氧区硝酸盐作为特征变量，以出水透水率作为目标变量；

(2)建立出水透水率软测量模型；利用模糊神经网络设计MBR处理污水过程中预测出水透水率的软测量模型，出水透水率软测量模型的拓扑结构分为四层：输入层、RBF层、归一化层、输出层；拓扑结构为5-R-R-1的连接方式，输入层与RBF层之间的连接权值为1，归一化层与输出层之间的连接权值随机赋值，赋值区间[-1,1]，模糊神经网络的期望输出表示为y_d(t)，实际输出表示为y(t)；基于模糊神经网络的出水透水率的软测量方法计算依次为：

①输入层：该层由5个神经元组成，其输出为，

x(t)＝[x₁(t),x₂(t),…,x₅(t)]^T (1)

其中，x(t)表示t时刻输入层的输出，x₁(t)表示t时刻产水流量的值、x₂(t)表示t时刻产水压力的值、x₃(t)表示t时刻单池膜擦洗气量的值、x₄(t)表示t时刻厌氧区ORP的值、x₅(t)表示t时刻好氧区硝酸盐的值；

②RBF层：该层由R个神经元组成，每个神经元的输出为，

其中是t时刻RBF层第j个神经元的输出，c_j(t)为t时刻第j个RBF层神经元的中心向量，c_j(t)＝[c_1j(t),c_2j(t),…,c_ij(t)]，i＝1,2，…5，c_ij(t)表示RBF层t时刻第j个神经元中心值的第i个元素，为t时刻第j个RBF层神经元的宽度向量，d_ij(t)表示RBF层t时刻第j个神经元宽度值的第i个元素；

③归一化层：该层的神经元个数和RBF层相同，为R个，每个神经元的输出为，

其中v_j(t)是t时刻归一化层第j个神经元的输出，是t时刻RBF层第j个神经元的输出，为RBF输出之和；

④输出层：输出层输出为出水透水率软测量模型的实际输出，

$y\left(t\right)={\mathrm{\Σ}}_{j=1}^R{w}_j\left(t\right)v_j\left(t\right)---\left(4\right)$

y(t)是t时刻输出神经元的输出，w_j(t)表示t时刻归一化层第j个神经元与输出神经元之间的权值，定义模糊神经网络软测量模型输出y(t)与期望输出y_d(t)的误差函数e(t)为：

e(t)＝y_d(t)-y(t) (5)

(3)MBR出水透水率软测量模型校正，过程如下：

①给定神经网络RBF层与规则层神经元个数R，R为自然数，R通过经验法确定，出水透水率的软测量模型的训练输入为x(1)，x(2)，…，x(t)，…，x(N)，对应的期望输出y_d(1)，y_d(2)，…，y_d(t)，…，y_d(N)，软测量模型的训练样本为N组，期望误差设为E_d，迭代步数设为s，计算代价函数值E(t)，定义停止标准，当E(t)<E_d，令t＝0；

定义网络的代价函数E(t)，

$E\left(t\right)=\underset{t=1}{\overset{N}{\mathrm{\&Sigma;}}}{e}^T\left(t\right)\&times;e\left(t\right)---\left(6\right)$

②设置学习步数s＝s+1；计算出水透水率智能特征模型输出y(t)，误差e(t)，计算向量J(t)，其中，

$J\left(t\right)=\&lsqb;\frac{\&part;e\left(t\right)}{\&part;w_1\left(t\right)}...\frac{\&part;e\left(t\right)}{\&part;w_j\left(t\right)},\frac{\&part;e\left(t\right)}{\&part;c_{11}\left(t\right)}...\frac{\&part;e\left(t\right)}{\&part;c_{ij}\left(t\right)},\frac{\&part;e\left(t\right)}{\&part;d_{11}\left(t\right)}...\frac{\&part;e\left(t\right)}{\&part;d_{ij}\left(t\right)}\&rsqb;---\left(7\right)$

拟海瑟矩阵Q(t)计算公式为，

Q(t)＝J^T(t)J(t) (8)

梯度向量g(t)计算公式为，

g(t)＝J^T(t)e(t) (9)

其中，误差关于各个参数的偏导数计算如下；

计算误差关于中心的偏导数

$\frac{\&part;e\left(t\right)}{\&part;c_{ij}\left(t\right)}=-\frac{2w_j\left(t\right)\&times;v_i\left(t\right)\&times;\&lsqb;x_i\left(t\right)-c_{ij}\left(t\right)\&rsqb;}{d_{ij}\left(t\right)}---\left(10\right)$

计算误差关于宽度的偏导数

$\frac{\&part;e\left(t\right)}{\&part;d_{ij}\left(t\right)}=-\frac{w_j\left(t\right)\&times;v_i\left(t\right)\&times;\left|\right|x_i\left(t\right)-c_{ij}\left(t\right)|{|}^2}{d_{ij}^2\left(t\right)}---\left(11\right)$

计算误差关于权值的偏导数

$\frac{\&part;e\left(t\right)}{\&part;w_j\left(t\right)}=-v_j\left(t\right),---\left(12\right)$

③采用自适应二阶算法更新模糊神经网络的参数，

Δ(t+1)＝Δ(t)+(Q(t)+λ(t)I)^-1g(t) (13)

其中，Δ＝[w₁(t)，…w_R(t)，c₁₁(t)，…c₅₁(t)，…，c_1j(t)，…c_5j(t)，…c_1R(t)，…c_5R(t)，d₁₁(t)，…d₅₁(t)…，d_1j(t)，…d_5j(t)，…d_1R(t)，…d_5R(t)]，w_j(t)表示t时刻归一化层第j个神经元与输出神经元之间的权值，c_ij(t)是RBF层的中心，d_ij(t)是RBF层的宽度；

其中，自适应学习率λ(t)为，

λ(t)＝θ||e(t)||+(1-θ)||g(t)|| (14)

0<θ<1是实参数，e(t)是误差向量；

④计算代价函数E(t)，当满足精度E(t)<E_d，迭代停止，否则跳转到步骤②；

将测试样本数据作为训练后的模糊神经网络的输入，模糊神经网络的输出即为膜出水透水率的软测量值。

2.一种基于模糊神经网络的膜生物反应器-MBR出水透水率的智能检测方法，其特征在于，

硬件平台包括沉砂池、污水调节池、生化反应池和生物膜池；采集仪表包括流量仪、ORP检测仪、硝酸盐检测仪、压力器；

在处理污水过程中，采取运行7分钟停止1分钟的工作模式，采集开始后的3到5分钟数据采集的数据通过现场总线传至上位机中；上位机上安装相应的基于OPC标准的组态软件，PLC以总线RS485的方式连接到服务器上，组态和PLC的变量关联；数据传输的具体过程为PLC把仪表采集的信号进行A/D转换后传给上位机后，采集的仪表信号通过OPC服务实时采集至OPC客户端。