本发明涉及废水处理与控制研究领域,特别涉及一种基于ga-dbn网络的废水处理智能监控方法及系统。
背景技术:
当前废水处理一般都经过一级物化和二级生化等流程,其中一级物化处理主要使用去除ss和少部分cod与bod;二级生化处理用于去除绝大部分cod与bod。为了监控废水处理系统稳定性,提升废水排放达标率,需对出水cod和ss等指标进行实时监测。废水处理过程复杂,机理尚未完全清楚,很难用精确的数学模型来有效预测并调控出水水质。
为了解决传统控制系统过分依赖精确数学模型的问题,近年来研究者提出建立智能控制系统软测量模型来实时调控优化出水水质。常用废水处理系统软测量模型建立方法有递归偏最小二乘算法、高斯回归、多元线性回归、支持向量回归及人工神经网络、遗传算法和bp网络混合算法等,但上述方法均存在某种程度缺陷,无法准确的反映废水处理过程多参数时变状态下带来的高不确定性或存在过拟合情况。深度学习有更强的特征提取能力,能够组合更复杂的非线性运算,更好的模拟事情演变规律,可用于废水处理系统监控、诊断和优化调控。深度信念网络dbn模型属一种典型深度学习算法,其能够更准确地感知对象演变的内在规律,但难以保证网络最优,在废水处理预测、诊断及优化调控等使用过程存在参数选配及优化等诸多问题,影响算法实施和优化效果。
技术实现要素:
本发明的主要目的在于克服现有技术的缺点与不足,提供一种基于ga-dbn网络的废水处理智能监控方法,基于废水处理系统进水指标参数与出水水质、模型控制参数之间的关系,充分利用遗传算法ga宏观搜索最优解的能力和深度信念网络dbn准确感知对象演变内在规律的能力,创建基于ga-dbn的水质软测量模型,对出水cod和出水ss浓度等进行实时软测量,实现废水处理系统智能化监控与诊断,实时调控出水水质。
本发明的另一目的在于提供一种基于ga-dbn网络的废水处理智能监控系统;
本发明的目的通过以下的技术方案实现:
一种基于ga-dbn网络的废水处理智能监控方法,其特征在于,包括以下步骤:
s1、选取废水处理系统合适参数作为输入自变量和输出变量;
s2、采用迭代寻优计算获得深度信念网络dbn各层网络最优隐含层节点数;
s3、利用遗传算法ga筛选出最优输入自变量;
s4、依据深度信念网络dbn各层网络最优隐含层节点数、最优输入自变量,构建基于遗传算法-深度信念网络ga-dbn融合模型;
s5、对ga-dbn融合模型进行训练,得到训练后ga-dbn融合模型;
s6、通过训练后ga-dbn融合模型对废水处理系统输出变量进行实时软测量,获得诊断结果,并指导废水处理过程优化。
进一步地,所述输入自变量包含进水cod、进水流量q、进水ss、温度t、溶解氧do、ph;所述输出变量包含出水cod、出水ss浓度。
进一步地,所述步骤s2具体为:
s201、根据输入自变量和输出变量,估计最佳隐含层节点数的范围为1至x,利用循环,设置每层隐含层节点数c以1为步长,c=1,2,3……x,循环为for=1:1:x;
s202、将深度信念网络dbn第c次迭代得到的测试集真实值与预测值之间差值的均方误差之和记为mse(c),设置一个较大的初始误差mse_max,mse_max取值范围为1010~1020;
s203、利用rand(‘state’,0)函数固定rbm每次迭代的初始化状态,对深度信念网络dbn进行迭代选优;
s204、当mse(c)<mse_max时,则将此时的mse(c)赋值给mse_max,记为mse_max=mse(c),此时的c值赋值给desired_c,记为desired_c=c;
s205、当全部x个候选隐含层节点数迭代完成时,此时的mse_max值即为mse(c)的最小值,也为最小误差,对应的desired_c为最佳隐含层节点数。
进一步地,所述步骤s3具体为:
s301、采用遗传算法ga对深度信念网络dbn进行优化,初始化种群数目,将初始种群数目设置为k;
s302、选取测试集出水cod和出水ss浓度均方误差的倒数作为适应度函数,则有:
其中,
s303、使用遗传算法ga对模型输入自变量进行降维,所述降维包含选用比例选择算子进行选择、选用单点交叉算子进行交叉、选用单点变异算子进行变异;对候选输入自变量进行二进制编码,编码组合为0或1组成的二进制串;
s304、利用find函数寻找最优解,即得到最优输入自变量;
s305、利用遗传算法ga筛选dbn模型中输入自变量后,提取所筛选输入自变量对应数据,搭建新的dbn模型,所述方法跟优化前dbn建模方法相同。
进一步地,所述步骤s5具体为:
对ga-dbn融合模型进行预训练和微调;所述预训练为采用对比散度算法对每层的rbm网络结构进行预训练,确定每层rbm网络结构的初始权值和阈值;所述微调为利用反向传播算法对整个ga-dbn融合模型进行反向调整;
当所有rbm网络结构完成训练时,多个rbm网络结构被堆叠为深度信念网络,再利用样本数据以反向传播算法自上而下对dbn模型进行微调;
其中,所述深度信念网络基本组成单元为rbm网络结构,隐含层向量h和可视层向量v的能量函数为:
其中,θ为三个参数{w,b,c}集合,wij为隐单元j与显单元i之间的连接权值,bi为显单元i的偏置,cj为隐单元j的偏置;
预训练具体如下:
将数据划分为训练集和测试集,训练集数据作为可视层向量v,隐含层向量h计算方式如下所示:
其中,σ为sigmoid激活函数,hj为隐单元j的隐含层向量,bj为隐单元j的阈值,wij为隐单元j与显单元i之间的连接权值;
显单元i更新状态v′i如下所示:
p(v′i=1|h)=σ(ci+∑hjwij),
其中,ci为显单元i的阈值;
再计算隐单元j更新状态h′j:
网络权值和阈值的更新如下:
wij(2)=wij(1)+ε(<vihj>data-<vih′j>model),
bj(2)=bj(1)+ε(<hj>data-<h′j>model),
ci(2)=ci(1)+ε(<vi>data-<v′i>model),
其中,ε为rbm学习率,<>data为训练集平均值,<>model为rbm模型期望分布,wij(1)=bj(1)=ci(1)=0,wij(2)、bj(2)、ci(2)为网络结构初始权值和阈值;
利用反向传播算法自上而下由输出层到输入层依次调优,得到整个dbn模型的权值和阈值,具体如下:
采用梯度下降法求解出实际值与期望值之间误差值:
e(t)=1/2(z(t)-y(t))2,
其中,e(t)为迭代t次的误差,y为实际输出值,z为期望输出值;
再根据误差求出对权值的梯度,沿着梯度下降的方向进行调优:
其中,μ为学习率,e(t)为迭代t次的误差,wij(t+1)、bj(t+1)分别为调优后权值和阈值。
进一步地,所述步骤s6具体为:
通过训练后的ga-dbn融合模型对废水处理系统的输入自变量和输出变量进行实时测量并处理,得出诊断结果;
对废水处理系统进水cod、进水流量q、进水ss、温度t、溶解氧do、ph进行实时测量,保存所得数据,利用训练后的ga-dbn融合模型进行系统出水cod和出水ss浓度进行估算,并指导废水处理过程优化;
设置固定时间间隔,进行系统出水水质软测量和调控优化。
本发明的另一目的通过以下技术方案实现:
一种基于ga-dbn网络的废水处理智能监控系统,其特征在于,包括废水处理系统、ga-dbn融合模型;
所述废水处理系统用于各种类型废水的处理;
所述ga-dbn融合模型对废水处理系统的输入自变量和输出变量进行实时测量并处理,得出诊断结果;对废水处理系统进水cod、进水流量q、进水ss、温度t、溶解氧do、ph进行实时测量,保存所得数据,利用训练后的ga-dbn融合模型对系统出水cod和出水ss浓度进行估算,并指导废水处理过程优化。此外还能用于设备故障类型诊断,设备故障类型有精度下降、漂移和偏移。
进一步地,所述预测出水cod和出水ss浓度的软测量模型设置为k层架构,k>2,其中包括输入层、隐含层、输出层。
进一步地,所述预测出水cod和出水ss浓度的软测量模型层数k层为4层,包含1个输入层,2个隐含层和1个输出层,具体为:
第一层为输入层,负责接收所有输入自变量并映射到网络的下一层,输入层有5个节点,分别为5个输入自变量:进水cod、进水流量q、进水ss、温度t、溶解氧do;输入层即为5个输入自变量组成的输入矩阵x:
x=(x1,x2,x3,x4,x5),
其中,x1、x2、x3、x4、x5分别对应进水cod、进水流量q、进水ss、温度t、溶解氧do;
第二层为第一个rbm的输出层,同时也是第二个rbm的输入层,训练当前rbm的参数(w,b,c),固定当前rbm的输出,选择sigmoid函数为传递函数,把权重矩阵wij和显单元阈值矩阵ci拼接成一个混合矩阵w:
w=(wijci),
第j个隐层神经元的输出为:
oj=fs(∑w*xi-bj),
其中,oj为第j个隐层神经元的输出,fs函数为sigmoid函数,表达式为fs(x)=1/(1+e-x),bj为第j个隐层神经元的阈值;
第三层为第二个rbm的输出层,传递函数为sigmoid函数,则该层中第个隐层神经元的输出为:
yk=fs(∑wjk*qj-bk),
其中,yk为第k个隐层神经元的输出,qj为上一层中第j个隐层神经元的输出,wjk为上一层第j个神经元与本层中第k个神经元之间的连接权值,bk为第k个隐层神经元的阈值;
第四层为输出层,用于计算整个网络的输出结果,传递函数为purlin函数,该层中第1个隐层神经元的输出为:
z1=fp(∑wkl*yk-bl),
其中,为第1个隐层神经元的输出,为上一层中第个隐层神经元的输出,为上一层中第个神经元与本层中第个神经元之间的连接权值,为第个隐层神经元的阈值,fp函数为purlin函数,表达式为fp(x)=x。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明采用了遗传算法ga、对比散度算法等方法优化dbn网络结构,解决了dbn结构难保证网络最优化的问题,增强了网络稳定性和可操作性,可用于多个过程的软测量及诊断和优化。
2、本发明结合了遗传算法、深度信念网络、反向传播算法、对比散度算法等多种方法的优点,构建了ga-dbn融合模型,可用于废水处理系统水质预测,并可以实现废水处理系统诊断和优化,促进废水处理系统高效稳定运行。
附图说明
图1是本发明所述基于ga-dbn网络的废水处理智能监控方法流程图;
图2是本发明所述实施例中废水处理系统出水cod浓度预测图;
图3是本发明所述实施例中废水处理系统出水ss浓度预测图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
基于ga-dbn网络的废水处理智能监控方法,如图1所示,该方法基于废水处理系统出水水质与进水指标、模型控制参数之间的关系,充分利用遗传算法ga宏观搜索最优解的能力和深度信念网络dbn准确感知对象演变内在规律的能力,创建基于ga-dbn的水质软测量模型,对废水处理出水cod和出水ss浓度进行预测,对废水处理系统进行智能化控制,实时调控出水水质,促进废水处理系统高效稳定运行。此外,由于ga-dbn融合模型不仅有很强的特征学习能力,而且可以使用自适应学习规则对整个网络进行设计,完成学习率自适应变化,所以ga-dbn融合模型可以对废水处理系统中传感器等设备进行故障诊断。基于ga-dbn的诊断方法为黑箱操作方法,适合于机理尚未完全清楚的废水处理系统,主要应用于精度下降、漂移和偏移等设备故障类型。
包括以下步骤:
s1、选取废水处理系统合适参数作为输入自变量和输出变量;
s2、采用迭代寻优计算获得深度信念网络dbn各层网络最优隐含层节点数;
s3、利用遗传算法ga筛选出最优输入自变量;
s4、依据深度信念网络dbn各层网络最优隐含层节点数、最优输入自变量,构建基于遗传算法-深度信念网络ga-dbn融合模型;
s5、对ga-dbn融合模型进行训练,得到训练后ga-dbn融合模型;
s6、通过训练后ga-dbn融合模型对废水处理系统输出变量进行实时软测量,获得诊断结果,并指导废水处理过程优化。
具体过程如下:
首先选取废水处理系统进水cod、进水流量q、进水ss、温度t、溶解氧do和ph作为模型输入变量,以出水cod和ss浓度作为模型输出变量,进而采用迭代寻优计算获得dbn中各层网络最优隐含层节点数;再利用遗传算法ga筛选出最优输入自变量;构建遗传算法-深度信念网络融合模型ga-dbn;最后借助训练后ga-dbn融合模型用于废水处理系统出水cod和ss浓度预测,并实时调控和优化出水水质。
所述用于废水处理系统出水水质ga-dbn预测模型将遗传算法和深度信念网络有机结合起来,充分利用遗传算法ga宏观搜索最优解和深度信念网络dbn准确感知对象演变内在规律的多重优势,其中dbn网络中隐含节点数关系到后续模型预测精度和时效。本实施例中采用迭代寻优计算获得dbn中各层网络最优隐含层节点数,步骤如下:
s201、根据模型输入自变量和输出变量,估计最佳隐含层节点数的范围为1至x,利用循环,设置每层隐含层节点数c以1为步长,c=1,2,3……x,循环为for=1:1:x;
s202、将深度信念网络dbn第c次迭代得到的测试集真实值与预测值之间差值的均方误差之和记为mse(c),设置一个较大的初始误差mse_max,mse_max取值范围为1010~1020;
s203、利用rand(‘state’,0)函数固定rbm每次迭代的初始化状态,对深度信念网络dbn进行迭代选优;
s204、当mse(c)<mse_max时,则将此时的mse(c)赋值给mse_max,记为mse_max=mse(c),此时的c值赋值给desired_c,记为desired_c=c;
s205、当全部x个候选隐含层节点数迭代完成时,此时的mse_max值即为mse(c)的最小值,也为最小误差,对应的desired_c为最佳隐含层节点数。
最终,确定用于出水cod和出水ss软测量模型最佳隐含层节点数均为5。
本实施例中采用遗传算法对dbn网络进行优化,以筛选出最优输入自变量,具体步骤如下所示:
s301、采用遗传算法ga对深度信念网络dbn进行优化,初始化种群数目,将初始种群数目设置为k;
s302、选取测试集出水cod和出水ss浓度均方误差的倒数作为适应度函数,则有:
其中,
s303、使用遗传算法ga对模型输入自变量进行降维,所述降维包含选用比例选择算子进行选择、选用单点交叉算子进行交叉、选用单点变异算子进行变异;对候选输入自变量进行二进制编码,编码组合为0或1组成的二进制串;
s304、利用find函数寻找最优解,即得到最优输入自变量;
s305、利用遗传算法ga筛选dbn模型中输入自变量后,提取所筛选输入自变量对应数据,搭建新的dbn模型,所述方法跟优化前dbn建模方法相同。
最终,确定用于出水cod和出水ss浓度软测量模型的最优输入自变量均为进水cod、流量q、进水ss、温度t、溶解氧do。
训练具体为采用混合算法对新构建的ga-dbn融合模型进行训练,
具体步骤如下:对ga-dbn融合模型进行预训练和微调;所述预训练为采用对比散度算法对每层的rbm网络结构进行预训练,确定每层rbm网络结构的初始权值和阈值;所述微调为利用反向传播算法对整个ga-dbn融合模型进行反向调整;
当所有rbm网络结构完成训练时,多个rbm网络结构被堆叠为深度信念网络,再利用样本数据以反向传播算法自上而下对dbn模型进行微调;
其中,所述深度信念网络的组成单元为rbm网络结构,隐含层向量h和可视层向量v的能量函数为:
其中,θ为三个参数{w,b,c}集合,wij为隐单元j与显单元i之间的连接权值,bi为显单元i的偏置,cj为隐单元j的偏置;
预训练具体如下:
将数据划分为训练集和测试集,训练集数据作为可视层向量v,隐含层向量h计算方式如下所示:
其中,σ为sigmoid激活函数,hj为隐单元j的隐含层向量,bj为隐单元j的阈值,wij为隐单元j与显单元i之间的连接权值;
显单元的更新状态v′i如下所示:
p(v′i=1|h)=σ(ci+∑hjwij),
其中,ci为显单元i的阈值;
再计算隐单元j的更新状态h′j:
网络权值和阈值的更新如下:
wij(2)=wij(1)+ε(<vihj>data-<vih′j>model),
bj(2)=bj(1)+ε(<hj>data-<h′j>model),
ci(2)=ci(1)+ε(<vi>data-<v′i>model),
其中,ε为rbm学习率,<>data为训练集平均值,<>model为rbm模型期望分布,wij(1)=bj(1)=ci(1)=0,wij(2)、bj(2)、ci(2)为网络结构初始权值和阈值;
利用反向传播算法自上而下由输出层到输入层依次调优,得到整个dbn模型的权值和阈值,具体如下:
采用梯度下降法求解出实际值与期望值之间误差值:
e(t)=1/2(z(t)-y(t))2,
其中,e(t)为迭代t次的误差,y为实际输出值,z为期望输出值;
再根据误差求出对权值的梯度,沿着梯度下降的方向进行调优:
其中,μ为学习率,e(t)为迭代t次的误差,wij(t+1)、bj(t+1)分别为调优后权值和阈值。
当所有rbm网络结构完成训练时,多个rbm网络结构被堆叠为深度信念网络,再利用样本数据以反向传播算法自顶向上对dbn模型进行微调,并最终完成ga-dbn融合模型构建。
结合vc和matlab语言编译上述ga-dbn网络结构及相应改进算法程序,并将所编译程序录入废水处理监控系统及仪表中。
模型在进行实际废水处理出水cod和ss浓度在线软测量前要先进行离线训练,包括:将历史样本用作于模型训练集传递到废水处理监控系统及仪表中,通过ga-dbn融合模型及相应改进算法分析计算监控模型以满足所需要的性能,然后将训练好的模型保存在废水处理系统中。
将训练好的废水处理监控系统及仪表运用到废水处理现场进行实时软测量,先用传感器和相应在线检测仪器对废水处理系统中进水cod、进水流量q、ph、进水ss、温度t、溶解氧do进行实时监测,然后把所测得数据导入废水处理系统仪表中,利用训练后的ga-dbn融合模型进行系统出水cod和ss浓度估算,并指导废水处理系统控制参数优化;
设置固定时间间隔,进行系统出水水质软测量和调控优化。
此外,该监控、诊断及优化方法,同时需要利用有线或无线接口与集控室以太网进行连接,并将所测数据导入监控主机,运用基于ga-dbn融合模型的监控系统对所测数据进行分析,估算出水cod和ss浓度,实时优化调控出水水质,准确诊断出系统发生故障时间和位点,促进废水处理系统高效稳定运行。
基于本实施例提供的方法和系统能够实现废水处理系统出水cod和ss浓度预测,由图2、图3可知,ga-dbn融合模型预测值与真实值间均方根误差(rmse)和平均绝对百分比误差(mape)较小(cod:3.973、0.043;ss:0.629、0.0207),能够准确地实现废水处理系统出水水质预测。
此外,为了体现出本方法的优越性,将ga-dbn融合模型与传统深度信念网络(dbn)和bp神经网络进行对比,三者预测性能差异如下表1所示。由表1数据可知,ga-dbn融合模型对废水处理系统出水cod和ss浓度的预测性能与bp神经网络和传统深度信念网络dbn方法相比,其均方根误差(rmse)和平均绝对百分比误差(mape)均最小,决定系数(r2)最大,分别为0.64和0.60,也即ga-dbn融合模型对出水cod和ss浓度预测性能要优于bp神经网络和传统深度信念网络dbn。
表1.bp、dbn和ga-dbn预测性能比较
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。