[go: up one dir, main page]

CN113283481A - 一种基于知识二型模糊的膜污染智能决策方法 - Google Patents

一种基于知识二型模糊的膜污染智能决策方法 Download PDF

Info

Publication number
CN113283481A
CN113283481A CN202110528334.6A CN202110528334A CN113283481A CN 113283481 A CN113283481 A CN 113283481A CN 202110528334 A CN202110528334 A CN 202110528334A CN 113283481 A CN113283481 A CN 113283481A
Authority
CN
China
Prior art keywords
time
output
layer
membrane
fuzzy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110528334.6A
Other languages
English (en)
Inventor
魏向义
彭泽东
卜晓军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qunzhi Future Artificial Intelligence Technology Research Institute Wuxi Co ltd
Original Assignee
Qunzhi Future Artificial Intelligence Technology Research Institute Wuxi Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qunzhi Future Artificial Intelligence Technology Research Institute Wuxi Co ltd filed Critical Qunzhi Future Artificial Intelligence Technology Research Institute Wuxi Co ltd
Priority to CN202110528334.6A priority Critical patent/CN113283481A/zh
Publication of CN113283481A publication Critical patent/CN113283481A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2303/00—Specific treatment goals
    • C02F2303/14—Maintenance of water treatment installations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Microbiology (AREA)
  • Hydrology & Water Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明针对MBR城市污水处理过程膜污染难以精确决策的问题，本发明提出了一种一种基于知识二型模糊的膜污染智能决策方法，以减少膜污染的发生；所提出的方法将MBR污水处理厂中已有经验知识总结，以模糊规则的形式建立膜污染决策知识库；利用模糊规则初始化区间二型模糊神经网络模型的隶属层的参数设计，采用迁移梯度下降算法完成模型的参数调整，提高其学习性能；通过为膜污染提供准确的操作建议，提高膜污染决策精度，减缓膜污染的发生，促进MBR城市污水处理过程的平稳运行。

Description

一种基于知识二型模糊的膜污染智能决策方法
技术领域
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。
发明内容
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.1 Membrane fouling decision fuzzy rules
Figure BDA0003067062720000021
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；
Figure BDA0003067062720000031
降低膜池产水量，控制跨膜压差小于40kPa；
Figure BDA0003067062720000032
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；
Figure BDA0003067062720000033
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
Figure BDA0003067062720000034
其中，
Figure BDA0003067062720000035
是t时刻源场景的透水率，
Figure BDA0003067062720000036
是t时刻源场景的透水率衰减速度，
Figure BDA0003067062720000037
是t时刻源场景的产水流量，
Figure BDA0003067062720000038
是t时刻源场景的膜擦洗气量，
Figure BDA0003067062720000039
是t时刻源场景的污泥浓度，
Figure BDA00030670627200000310
(t)是t时刻源场景的跨膜压差，
Figure BDA00030670627200000311
是t时刻源场景的产水浊度，
Figure BDA00030670627200000312
是t时刻源场景的透水率恢复率，S表示源场景，
Figure BDA00030670627200000313
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，
Figure BDA00030670627200000314
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，
Figure BDA00030670627200000315
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
Figure BDA0003067062720000041
Figure BDA0003067062720000042
Figure BDA0003067062720000043
Figure BDA0003067062720000044
其中，
Figure BDA0003067062720000045
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，
Figure BDA0003067062720000046
和
Figure BDA0003067062720000047
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
Figure BDA0003067062720000048
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
Figure BDA0003067062720000049
Figure BDA00030670627200000410
其中，
Figure BDA00030670627200000411
和
Figure BDA00030670627200000412
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
Figure BDA00030670627200000413
Figure BDA00030670627200000414
Figure BDA00030670627200000415
其中，vb(t)是t时刻第b个规则层神经元的输出，vb(t)和
Figure BDA00030670627200000416
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
Figure BDA0003067062720000051
Figure BDA0003067062720000052
Figure BDA0003067062720000053
其中，
Figure BDA0003067062720000054
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，
Figure BDA0003067062720000055
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
Figure BDA0003067062720000056
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
Figure BDA0003067062720000057
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
Figure BDA0003067062720000058
Figure BDA0003067062720000059
Figure BDA00030670627200000510
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
Figure BDA0003067062720000061
其中，E(t)是t时刻目标函数，D表示目标场景，f0 D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，
Figure BDA0003067062720000062
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
Figure BDA0003067062720000063
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，
Figure BDA0003067062720000064
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，
Figure BDA0003067062720000065
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，
Figure BDA0003067062720000066
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.1 Membrane fouling decision fuzzy rules
Figure BDA0003067062720000071
Figure BDA0003067062720000081
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；
Figure BDA0003067062720000082
降低膜池产水量，控制跨膜压差小于40kPa；
Figure BDA0003067062720000083
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；
Figure BDA0003067062720000084
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
Figure BDA0003067062720000085
其中，
Figure BDA0003067062720000086
是t时刻源场景的透水率，
Figure BDA0003067062720000087
是t时刻源场景的透水率衰减速度，
Figure BDA0003067062720000088
是t时刻源场景的产水流量，
Figure BDA0003067062720000089
是t时刻源场景的膜擦洗气量，
Figure BDA00030670627200000810
是t时刻源场景的污泥浓度，
Figure BDA00030670627200000811
Figure BDA00030670627200000812
是t时刻源场景的跨膜压差，
Figure BDA00030670627200000813
是t时刻源场景的产水浊度，
Figure BDA00030670627200000814
是t时刻源场景的透水率恢复率，S表示源场景，
Figure BDA00030670627200000815
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，
Figure BDA00030670627200000816
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，
Figure BDA00030670627200000817
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
Figure BDA0003067062720000091
Figure BDA0003067062720000092
Figure BDA0003067062720000093
Figure BDA0003067062720000094
其中，
Figure BDA0003067062720000095
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，
Figure BDA0003067062720000096
和
Figure BDA0003067062720000097
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
Figure BDA0003067062720000098
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
Figure BDA0003067062720000099
Figure BDA0003067062720000101
其中，
Figure BDA0003067062720000102
和
Figure BDA0003067062720000103
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
Figure BDA0003067062720000104
Figure BDA0003067062720000105
Figure BDA0003067062720000106
其中，vb(t)是t时刻第b个规则层神经元的输出，vb(t)和
Figure BDA0003067062720000107
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
Figure BDA0003067062720000108
Figure BDA0003067062720000109
Figure BDA00030670627200001010
其中，
Figure BDA00030670627200001011
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，
Figure BDA00030670627200001012
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
Figure BDA00030670627200001013
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
Figure BDA00030670627200001014
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
Figure BDA0003067062720000111
Figure BDA0003067062720000112
Figure BDA0003067062720000113
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
Figure BDA0003067062720000114
其中，E(t)是t时刻目标函数，D表示目标场景，f0 D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，
Figure BDA0003067062720000116
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
Figure BDA0003067062720000115
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，
Figure BDA0003067062720000121
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，
Figure BDA0003067062720000122
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，
Figure BDA0003067062720000123
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。

Claims (8)

1.一种基于知识二型模糊的膜污染智能决策方法，其特征在于，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。
2.根据权利要求1所述的一种基于知识二型模糊的膜污染智能决策方法，其特征在于，步骤一：膜污染过程变量数据采集，具体如下：
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。
3.根据权利要求1所述的一种基于知识二型模糊的膜污染智能决策方法，其特征在于，步骤二：膜污染过程知识表达：具体如下：
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
Figure FDA0003067062710000011
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；
Figure FDA0003067062710000021
降低膜池产水量，控制跨膜压差小于40kPa；
Figure FDA0003067062710000022
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；
Figure FDA0003067062710000023
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
Figure FDA0003067062710000024
其中，
Figure FDA0003067062710000025
是t时刻源场景的透水率，
Figure FDA0003067062710000026
是t时刻源场景的透水率衰减速度，
Figure FDA0003067062710000027
是t时刻源场景的产水流量，
Figure FDA0003067062710000028
是t时刻源场景的膜擦洗气量，
Figure FDA0003067062710000029
是t时刻源场景的污泥浓度，
Figure FDA00030670627100000210
(t)是t时刻源场景的跨膜压差，
Figure FDA00030670627100000211
是t时刻源场景的产水浊度，
Figure FDA00030670627100000212
是t时刻源场景的透水率恢复率，S表示源场景，
Figure FDA00030670627100000213
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，
Figure FDA00030670627100000214
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，
Figure FDA00030670627100000215
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。
4.根据权利要求1所述的一种基于知识二型模糊的膜污染智能决策方法，其特征在于，步骤三：基于迁移梯度下降的区间二型模糊神经网络，具体如下：
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
Figure FDA0003067062710000031
Figure FDA0003067062710000032
Figure FDA0003067062710000033
Figure FDA0003067062710000034
其中，
Figure FDA0003067062710000035
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，
Figure FDA0003067062710000036
和
Figure FDA0003067062710000037
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
Figure FDA0003067062710000038
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
Figure FDA0003067062710000039
Figure FDA00030670627100000310
其中，
Figure FDA00030670627100000311
和
Figure FDA00030670627100000312
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
Figure FDA00030670627100000313
Figure FDA00030670627100000314
Figure FDA0003067062710000041
其中，vb(t)是t时刻第b个规则层神经元的输出，vb(t)和
Figure FDA0003067062710000042
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
Figure FDA0003067062710000043
Figure FDA0003067062710000044
Figure FDA0003067062710000045
其中，
Figure FDA0003067062710000046
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，
Figure FDA0003067062710000047
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
Figure FDA0003067062710000048
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
Figure FDA0003067062710000049
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
Figure FDA00030670627100000410
Figure FDA00030670627100000411
Figure FDA00030670627100000412
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。
5.根据权利要求1所述的一种基于知识二型模糊的膜污染智能决策方法，其特征在于，步骤三中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
Figure FDA0003067062710000051
其中，E(t)是t时刻目标函数，D表示目标场景，f0 D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，
Figure FDA0003067062710000052
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
Figure FDA0003067062710000053
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，
Figure FDA0003067062710000054
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，
Figure FDA0003067062710000055
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，
Figure FDA0003067062710000056
是t时刻目标函数关于平衡参数的偏导数。
6.根据权利要求1所述的一种基于知识二型模糊的膜污染智能决策方法，其特征在于，步骤一中：膜污染关键过程变量通过MBR污水处理仪表采集。
7.根据权利要求1所述的一种基于知识二型模糊的膜污染智能决策方法，其特征在于，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。
8.根据权利要求1所述的基于数据和知识的决策方法，其特征在于，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。
CN202110528334.6A 2021-05-14 2021-05-14 一种基于知识二型模糊的膜污染智能决策方法 Pending CN113283481A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110528334.6A CN113283481A (zh) 2021-05-14 2021-05-14 一种基于知识二型模糊的膜污染智能决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110528334.6A CN113283481A (zh) 2021-05-14 2021-05-14 一种基于知识二型模糊的膜污染智能决策方法

Publications (1)

Publication Number Publication Date
CN113283481A true CN113283481A (zh) 2021-08-20

Family

ID=77279089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110528334.6A Pending CN113283481A (zh) 2021-05-14 2021-05-14 一种基于知识二型模糊的膜污染智能决策方法

Country Status (1)

Country Link
CN (1) CN113283481A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118860033A (zh) * 2024-07-03 2024-10-29 山东顺新复合材料有限公司 一种预涂膜工业控制系统及控制方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106406094A (zh) * 2016-10-16 2017-02-15 北京工业大学 一种基于区间二型模糊神经网络的污水处理溶解氧浓度跟踪控制方法
CN108375534A (zh) * 2018-02-06 2018-08-07 北京工业大学 Mbr膜污染智能预警方法
CN109133351A (zh) * 2018-08-29 2019-01-04 北京工业大学 膜生物反应器-mbr膜污染智能预警方法
CN110647037A (zh) * 2019-09-23 2020-01-03 北京工业大学 一种基于二型模糊神经网络的污水处理过程协同控制方法
CN111204867A (zh) * 2019-06-24 2020-05-29 北京工业大学 膜生物反应器-mbr膜污染智能决策方法
CN111415032A (zh) * 2020-03-03 2020-07-14 东华大学 基于迁移学习的elm-ae的聚酯纤维原丝生产性能预测方法
CN111444958A (zh) * 2020-03-25 2020-07-24 北京百度网讯科技有限公司 一种模型迁移训练方法、装置、设备及存储介质
CN111612175A (zh) * 2020-05-11 2020-09-01 北京工业大学 一种基于模糊迁移学习的废旧手机智能定价方法
GB202015382D0 (en) * 2020-09-29 2020-11-11 Smith Graeme Signal processing systems
CN112101402A (zh) * 2020-07-22 2020-12-18 北京工业大学 一种基于知识模糊学习的膜污染预警方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106406094A (zh) * 2016-10-16 2017-02-15 北京工业大学 一种基于区间二型模糊神经网络的污水处理溶解氧浓度跟踪控制方法
CN108375534A (zh) * 2018-02-06 2018-08-07 北京工业大学 Mbr膜污染智能预警方法
CN109133351A (zh) * 2018-08-29 2019-01-04 北京工业大学 膜生物反应器-mbr膜污染智能预警方法
CN111204867A (zh) * 2019-06-24 2020-05-29 北京工业大学 膜生物反应器-mbr膜污染智能决策方法
CN110647037A (zh) * 2019-09-23 2020-01-03 北京工业大学 一种基于二型模糊神经网络的污水处理过程协同控制方法
CN111415032A (zh) * 2020-03-03 2020-07-14 东华大学 基于迁移学习的elm-ae的聚酯纤维原丝生产性能预测方法
CN111444958A (zh) * 2020-03-25 2020-07-24 北京百度网讯科技有限公司 一种模型迁移训练方法、装置、设备及存储介质
CN111612175A (zh) * 2020-05-11 2020-09-01 北京工业大学 一种基于模糊迁移学习的废旧手机智能定价方法
CN112101402A (zh) * 2020-07-22 2020-12-18 北京工业大学 一种基于知识模糊学习的膜污染预警方法
GB202015382D0 (en) * 2020-09-29 2020-11-11 Smith Graeme Signal processing systems

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HAN HONG-GUI等: "Cooperative strategy for constructing interval type-2 fuzzy neural network", 《NEUROCOMPUTING》, vol. 365, pages 249 - 260, XP085805092, DOI: 10.1016/j.neucom.2019.07.004 *
MIN HAN等: "Interval Type-2 Fuzzy Neural Networks for Chaotic Time Series Prediction: A Concise Overview", 《IEEE TRANSACTIONS ON CYBERNETICS》, vol. 49, no. 7, pages 2720 - 2731, XP011720145, DOI: 10.1109/TCYB.2018.2834356 *
李忠鹏: "区间二型模糊神经网络在SCR入口NOx浓度软测量中的应用研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, no. 01, pages 027 - 2617 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118860033A (zh) * 2024-07-03 2024-10-29 山东顺新复合材料有限公司 一种预涂膜工业控制系统及控制方法
CN118860033B (zh) * 2024-07-03 2025-01-24 山东顺新复合材料有限公司 一种预涂膜工业控制系统及控制方法

Similar Documents

Publication Publication Date Title
Farhi et al. Prediction of wastewater treatment quality using LSTM neural network
CN103744293B (zh) 基于模糊神经网络的废水处理监控方法和系统
CN101576734B (zh) 基于动态径向基神经网络的溶解氧的控制方法
CN106406094B (zh) 一种基于区间二型模糊神经网络的污水处理溶解氧浓度跟踪控制方法
CN110928187B (zh) 一种基于模糊宽度自适应学习模型的污水处理过程故障监测方法
CN112101402B (zh) 一种基于知识模糊学习的膜污染预警方法
CN110443418A (zh) 基于ga-bp神经网络的城市用水量预测方法
CN108375534A (zh) Mbr膜污染智能预警方法
CN106371316B (zh) 基于pso‑lssvm的水岛加药在线控制方法
CN105844401A (zh) 基于案例推理的湖库水华治理复杂动态关联模型与决策方法
Yetilmezsoy Applications of soft computing methods in environmental engineering
CN118210237B (zh) 一种一体化污水处理设备智能加药控制系统
CN108536106A (zh) 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法
CN114565154A (zh) 一种渗滤液生化段碳源投加量的预测方法及优化算法
CN113283481A (zh) 一种基于知识二型模糊的膜污染智能决策方法
CN110642393B (zh) 一种基于神经网络模型的曝气控制系统
CN106354019B (zh) 一种基于rbf神经网络的溶解氧精确控制方法
CN102855404B (zh) 湖库水华应急治理决策方案的筛选方法
CN119250301A (zh) 一种基于自组织鲁棒神经网络的mbr膜透水率智能检测方法
CN114527656A (zh) 一种基于时滞补偿策略的硝态氮浓度控制方法
CN115259357B (zh) 基于人工智能的微生物降解控制方法及系统
CN113505913A (zh) 面向水生群落系统稳定性的水库优化调度决策方法和装置
Nasr et al. Sustainable management of wastewater treatment plants using artificial intelligence techniques
CN117035152A (zh) 一种基于ssa-lstm-am的污水水质预测方法
CN115619120A (zh) 一种面向恢复天然水文情势的水库调度方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210820