一种基于模糊随机配置网络的出水总磷浓度软测量方法

：本发明涉及工业人工智能领域并直接应用于污水处理领域。

背景技术

0、
背景技术：

1、污水处理过程是实现水资源管理和防治的重要途经。通过对城市生活污水、工业废水的有效处理以达到国家规定的排放标准。其目的是在保护生态环境的同时实现了水资源的可重复利用。在污水处理过程中出水总磷浓度监测是衡量出水水质的重要指标之一。当出水总磷浓度过高时，会时水体过营养化，导致对周边的鱼类、水生生物等生态系统造成严重的破坏。通过对出水总磷的检测不仅能够及时有效的发现污水处理过程存在的问题并及时采取相应的调整措施以确保出水总磷满足排放标准，尽可能的避免对周围环境的影响。因此，实现对出水总磷的及时有效监测具有重要意义。

2、当前，我国污水处理厂常见的用于测量污水总磷的方法有化学分析法、分光光度法等。虽然采用这类方法具有测量精度高的优势，但也存在操作复杂、检测周期长、成本高、消耗大等问题，难以实现对出水总磷浓度的及时有效测量。近年来，随着数字信息化技术的快速发展，数据驱动的软测量技术以简单、其易于操作等优势得到了快速的发展。其中，以随机配置网络为代表的随机化学习模型，因其计算简单、逼近能力强以及快速学习等优势得到了快速的发展，并广泛应用于工业数据建模等领域。然而，值得注意的是，由于实际污水处理过程受到一系列生化反应过程以及多种复杂不确定因素的影响，致使采集到的水质数据具有高度非线性、复杂不确定模糊等特点，且随机配置网络在处理这类复杂模糊系统建模和可解释性方面是受限的。为此，本发明融合随机配置网络和ts模糊推理规则各自的优势，设计了一种名为模糊随机配置网络的神经-模糊模型来进一步提升随机配置网络的非线性处理能力、自学习能力以及模糊推理能力，进而实现对污水处理过程出水总磷浓度的精准高效测量。

技术实现思路

1、本发明设计了一种具有自主学习特性的模糊随机配置网络出水总磷浓度软测量方法。该模型使用ts模糊推理规则用于对模糊信息进行推理和处理，同时基于随机配置算法来自适应学习和优化网络结构和参数。具体来说，该方法通过ts模糊推理系统引入到随机配置网络中替换原有的隐含层，并通过增加增强层来提高模型的模糊推理和非线性处理能力，进而实现了对出水总磷浓度的精准高效测量。

2、为了实现上述目的，本发明采用以下技术方案：

3、步骤1：污水处理过程水质数据采集与预处理；以某污水处理厂进行污水处理时采集的实际水质数据为基础，选取①温度、②厌氧末端氧化还原电位opr、③好氧前端溶解氧浓度do、④好氧末端溶解氧浓度do2、⑤固体悬浮物浓度tss、⑥ph值、⑦出水氧化还原电位opr2、⑧出水氨氮浓度、⑨出水硝态氮浓度no3-n共9个变量作为输入变量用于模型的输入，出水总磷浓度tp为输出变量用于模型的输出；

4、步骤2：设计基于模糊随机配置网络的出水总磷浓度软测量模型；

5、该软测量模型的构建流程包括输入层、模糊推理模块、增强层以及输出层；其中模糊推理模块由模糊隶属度层和模糊规则层构成。因此，所提的模糊随提配置网络共包括5层，分别为输入层、模糊隶属度层、规则层、增强层和输出层。下面详细介绍模型构建的主要流程和主要功能实现：

6、步骤2.1：输入层用来传递数据；将数据通过输入层传递给模糊隶属度层，输入层的节点个数为9与输入变量数相同。

7、步骤2.2：模糊隶属度层用来对输入数据进行模糊化处理；在该层中基于k-means方法设置样本的聚类中心c和聚类个数k，并将其用于模糊隶属度函数的设置来对输入数据进行模糊化处理，这里模糊隶属度函数选用高斯隶属度函数；

8、其中模糊隶属度函数表示如下：

9、

10、其中，和分别表示第k个模糊规则与样本xn的第i个特征对应的隶属度函数的中心和宽度，且为通过k-means方法得到的聚类中心，d为样本的特征数。

11、步骤2.3：规则层用于提取模糊规则；在该层中基于ts模糊规则对输入数据进行模糊规则提取，得到模糊推理模块关于第n个样本的输出为：

12、

13、这里为第k个模糊规则对应的模糊后件参数因子，这里将其设置为服从[0,1]正态分布的随机数，i＝1,2,…d，d在这里为9表示输入特征的维数；表示第n个样本的第i个输入变量，k＝1,2,…k表示第k个模糊规则，k为总的模糊规则数，为归一化后各模糊规则的激活强度，表示为：

14、

15、表示第n个样本对应的第k个模糊规则的激活强度，n＝1,2,…n表示第n个样本，n为样本总数。其可通过下式计算得到：

16、

17、其中，表示第n个样本对应第i个输入变量对应的模糊隶属度值,i＝1,2,…d为输入特征维数,k＝1,2,…,k为模糊规则数。

18、因此，模糊模块的输出可描述为下式矩阵形式：

19、

20、其中，表示归一化后各模糊规则的激活强度矩阵，

21、表示由模糊后见参数构成的对角矩阵；

22、步骤2.4：增强层用于提取模糊规则中的非线性信息；该层的节点数l可以根据输入数据的特征分布，基于随机配置算法进行构建，这里设置最大构建的节点数lmax＝30。目的是用来补充模糊系统中的一些非线性信息。该层节点的输出h为：

23、

24、其中，n为样本个数，l为增强层节点数；在增强层中节点的激活函数采用sigmoid函数，因此，第j个增强节点对应的激活函数表示如下：

25、

26、其中，<·>表示欧式空间的内积；h0(xn)为第n个样本经模糊模块的输出，wj,bj分别为增强层中第j个节点的输入权值和阈值，其在[-λ,λ]中随机生成，并受随机配置算法的不等式条件(14)的约束，其中为正实数；xn表示第n个样本，n＝1,2,…n；此时，第j个隐节点的输出hj(x)表示为：

27、

28、步骤2.5：通过融合增强层和模糊推理模型的输出得到了网络输出层的输入z，z为模糊规则层的输出h0和增强层的输出h构成的矩阵，即：

29、

30、

31、设定βj是第j个隐藏节点的输出权重向量，则当前网络的输出为：

32、

33、当前网络的输出残差为:

34、el＝f-fl＝[el,1,el,2.el,m]    (12)

35、则当前网络的输出残差||el||为：

36、

37、其中，m＝1,2,…,m,表示输出层的节点数。若当前网络的输出残差||el||没能满足网络预设的误差容忍要求，即||el||≤ep,ep为预设容忍误差阈值，这里设定ep＝0.001，则该网络会根据随机配置算法来选出新的隐节点用于网络增强层节点的构建。则此时，网络增强层节点的个数为：l＝l+1。设置终止条件||el||≤ep或l≥lmax,lmax＝30为预先设值的增强层的最大节点数，当模型满足上述终止条件时，则停止网络构建；其中在本设计采用的随机配置算法可简要描述如下内容：

38、假设γ:＝{h1,h2,h3,…}表示一组实值函数，span(γ)表示由γ组成的在l2空间上是稠密的函数空间且有0≤||h||≤bh，其中为正实数；给定0＜r＜1,以及一个非负实值序列{μl},且μl≤(1-r),.对于l＝1,2,...,定义第l个隐节点的误差下降因子δl如下：

39、

40、δl,m表示δl对于第m个输出的分量，m为输出维数，||el-1,m||2为网络构建第l-1个隐节点后网络输出误差的l2范数的平方值；其中，生成的隐节点满足条件

41、

42、隐含层和输出层之间的输出权重β通过以下方式计算

43、

44、那么对于目标函数f，可以得到其中

45、为了最小化模型的结构风险和经验风险，这里采用带有正则项的损失函数以保证在获得最小逼近误差的同时得到最小的输出权值β,即：

46、

47、这里y为网络的期望输出，z通过公式(8)得到，这里η为惩罚参数，设置η＝0.001，i代表单位矩阵；因此，网络的输出权值可以通过下式计算得到：

48、β＝(ztz+ηi)-1zty    (18)

49、步骤3：根据步骤2，得到构建后的模糊随机配置网络，并基于该构建好的模型来对城市污水处理过程出水总磷浓度进行测量，得到出水总磷浓度的测量值。

50、本发明针对污水处理过程存在的一系列生化反应以及高度复杂不确定等模糊因素的影响，致使采集到的数据存在高度非线性，复杂不确定模糊性等特点。为实现出水总磷浓度的精准有效监测，提出了一种新颖的基于模糊随机配置网络的出水总磷浓度软测量模型。该方法通过ts模糊推理系统使得构建的模型具有模糊推理能力。此外，通过随机配置算法根据采集到的水质数据对模型的参数和结构进行自主构建，进而提高了出水总磷的测量性能。因此，所提方法具有以下优点：

51、1)能够根据污水处理厂获取的数据流的特点自主生成相应的网络的结构和参数；

52、2)由于将t-s模糊系统引入到随机配置网络中，使得模型具有了一定的模糊推理能力，且自然继承了scns所具备的通用逼近能力；

53、3)由于模糊规则的产生与模型的输入输出数据的分布特性相关，因此在一定程度上有助于提高模型的可解释性和可靠性；

54、4)通过增强层对模糊规则的非线性补充，进一步提高了模型的非线性处理能力；

55、5)通过对网络参数、结构的自主学习，使得该模型具有良好的模糊推理和非线性处理能力，能够更好的对出水总磷浓度进行精准高效测量。