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yd(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,cj(t)为t时刻第j个RBF层神经元的中心向量,cj(t)=[c1j(t),c2j(t),…,cij(t)],i=1,2,…5,cij(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,
dij(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vj(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(t)是t时刻输出神经元的输出,wj(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yd(t)的误差函数e(t)为:
e(t)=yd(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yd(1),yd(2),…,yd(t),…,yd(N),软测量模型的训练样本为N组,期望误差设为Ed,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)<Ed,令t=0;
定义网络的代价函数E(t),
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,
拟海瑟矩阵Q(t)计算公式为,
Q(t)=JT(t)J(t) (8)
梯度向量g(t)计算公式为,
g(t)=JT(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
计算误差关于宽度的偏导数
计算误差关于权值的偏导数
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),…wR(t),c11(t),…c51(t),…,c1j(t),…c5j(t),…c1R(t),…c5R(t),d11(t),…d51(t)…,d1j(t),…d5j(t),…d1R(t),…d5R(t)],wj(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,cij(t)是RBF层的中心,dij(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)<Ed,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。