CN113313230B - 一种基于知识模糊宽度学习的膜污染智能决策方法 - Google Patents
一种基于知识模糊宽度学习的膜污染智能决策方法 Download PDFInfo
- Publication number
- CN113313230B CN113313230B CN202110421204.2A CN202110421204A CN113313230B CN 113313230 B CN113313230 B CN 113313230B CN 202110421204 A CN202110421204 A CN 202110421204A CN 113313230 B CN113313230 B CN 113313230B
- Authority
- CN
- China
- Prior art keywords
- layer
- fuzzy
- iteration
- network
- output
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 210000002569 neuron Anatomy 0.000 claims abstract description 128
- 239000012528 membrane Substances 0.000 claims abstract description 119
- 230000008569 process Effects 0.000 claims abstract description 32
- 239000010865 sewage Substances 0.000 claims abstract description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 88
- 238000013528 artificial neural network Methods 0.000 claims description 78
- 230000035699 permeability Effects 0.000 claims description 33
- 239000010802 sludge Substances 0.000 claims description 30
- 238000010606 normalization Methods 0.000 claims description 27
- 238000004519 manufacturing process Methods 0.000 claims description 22
- 238000005201 scrubbing Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000011084 recovery Methods 0.000 claims description 13
- 238000005273 aeration Methods 0.000 claims description 12
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 12
- 239000001301 oxygen Substances 0.000 claims description 12
- 229910052760 oxygen Inorganic materials 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000010992 reflux Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 7
- 230000002401 inhibitory effect Effects 0.000 description 6
- 238000011109 contamination Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000009285 membrane fouling Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明提出了一种基于知识模糊宽度学习的膜污染智能决策方法，针对膜生物反应器‑污水处理过程中膜污染事件频发、危害巨大等问题。本发明利用模糊宽度学习网络建立膜污染决策模型，采用一型模糊神经元替代宽度学习网络的特征层神经元，利用经验知识设定模糊宽度学习网络决策模型的参数，解决了实际膜污染决策过程中数据不足的问题，实现膜污染精准决策，提高了对膜污染的处理能力。实验结果表明该方法能够提供准确的决策意见，减轻膜污染造成的危害，保障污水处理过程安全稳定高效运行。
Description
技术领域
本发明基于膜生物反应器-污水处理过程运行特性，利用模糊宽度学习网络构建了一种膜污染智能决策模型，为抑制膜污染提供了决策意见，其中采用一型模糊神经元替代宽度学习网络的特征层神经元，并利用经验知识设定模糊宽度学习网络决策模型的参数，解决了实际膜污染决策过程中数据不足的问题，实现膜污染精准决策，提高了对膜污染的处理能力。将智能决策方法应用于污水处理过程，对污水处理的安全稳定高效运行有着重要影响，是先进制造技术领域的重要分支，既属于水处理领域，又属于智能控制领域。因此，膜污染智能决策在污水处理过程中具有重要意义。
背景技术
膜生物反应器污水处理工艺将膜分离技术与生物处理技术相结合，具有固液分离效果好、污泥负荷低以及占地面积小等优势。目前我国在城市污水处理领域大力推广该技术，并取得较好的污水处理效果。然而，膜污染问题已成为制约膜生物反应器污水处理过程安全稳定运行的瓶颈问题，不但会增加运行能耗，而且会降低出水水质，甚至会导致整个污水处理过程的崩溃。因此，深入分析膜污染现象，研究膜污染决策方法，对于保证污水处理过程安全稳定运行，提高污水处理效率具有重要的研究意义。
当前，针对膜污染决策的研究已引起了国内外专家学者的重视，然而实现效果上并不乐观。一方面由于膜污染机理复杂，反应过程多变，使得基于机理模型的膜污染决策方法难以满足污水处理过程安全稳定运行的要求。另一方面尽管部分基于运行数据的决策方法取得了一定效果，但污水处理过程是一个动态时变的系统，涉及参数众多，使得传统的膜污染决策模型难以适应工况的动态变化，无法实现精准决策的效果。因此，结合运行数据与专家经验知识，设计具有实时准确膜污染决策方法，对于实现污水处理过程安全稳定高效运行，抑制膜污染，改善出水水质，具有重要的理论意义和应用价值。
本发明设计了一种基于知识模糊宽度学习的膜污染智能决策方法，通过构建基于模糊宽度学习网络的决策模型，其中采用一型模糊神经元替代宽度学习网络的特征层神经元，利用经验知识设定模糊宽度学习网络决策模型的参数，解决了实际膜污染决策过程中数据不足的问题，实现膜污染精准决策。本发明不仅解决了污水处理厂抑制膜污染的问题，而且还可以改善出水水质，提高了污水处理厂运行的安全性和稳定性。
发明内容
本发明获得了一种基于知识模糊宽度学习的膜污染智能决策方法，该方法构建基于模糊宽度学习网络的决策模型，其中采用一型模糊神经元替代宽度学习网络的特征层神经元，利用经验知识设定模糊宽度学习网络决策模型的参数，解决了实际膜污染决策过程中数据不足的问题，实现膜污染精准决策。
本发明采用了如下的技术方案及实现步骤：
1.一种基于知识模糊宽度学习的膜污染智能决策方法，其特征在于，建立基于模糊宽度学习网络的决策模型为抑制膜污染提供决策支持，其中采用一型模糊神经元替代宽度学习网络的特征层神经元，并利用经验知识设定模糊宽度学习网络决策模型的参数，解决了实际膜污染决策过程中数据不足的问题，实现膜污染的精准决策，包括以下步骤：
(1)确定膜污染决策模型的输入与输出变量：膜生物反应器污水处理工艺的一个瓶颈问题是膜污染现象，膜污染不但会造成出水水质下降、生产能耗提高，甚至会导致污水处理过程崩溃，严重制约了膜生物反应器的推广应用。因此为抑制膜污染提供决策支持是必要的。以膜生物反应器污水处理工艺为研究对象，对污水处理过程变量进行特征分析，选取与膜污染相关的过程变量作为智能决策模型的输入变量：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；将获取的输入变量归一化至[0,1]；操作建议作为膜污染智能决策模型的输出变量；将所有样本数据分为两组，一组包含P个训练样本，另一组包含M个测试样本，一般要求P>M；
(2)建立基于模糊宽度学习网络的智能决策模型：利用模糊宽度学习网络建立膜污染决策模型，模糊宽度学习网络结构共有四层，包括输入层、模糊神经网络层、增强层和输出层；其结构为8-I-J-8的连接方式，确定用于膜污染决策的模型输入层神经元个数为8，模糊神经网络层子网络个数为I，I取[1,10]之间的任意正整数；增强层神经元组数为J，J取[2,20]之间的任意正整数；输出层神经元个数为8，使用P个训练样本训练模糊宽度学习网络，膜污染决策模型的输入量为x(t)＝[x1(t),x2(t),…,xP(t)]，xn(t)＝[x1n(t),x2n(t),x3n(t),x4n(t),x5n(t),x6n(t),x7n(t),x8n(t)]为归一化后第t次迭代时第n个样本，n＝1,2,…,P，x1n(t)为归一化后第t次迭代时第n个样本中透水率，x2n(t)为归一化后第t次迭代时第n个样本中透水率衰减速度，x3n(t)为归一化后第t次迭代时第n个样本中产水流量，x4n(t)为归一化后第t次迭代时第n个样本中膜擦洗气量，x5n(t)为归一化后第t次迭代时第n个样本中污泥浓度，x6n(t)为归一化后第t次迭代时第n个样本中跨膜压差，x7n(t)为归一化后第t次迭代时第n个样本中产水浊度，x8n(t)为归一化后第t次迭代时第n个样本中透水率恢复率，膜污染决策模型的输出量为操作建议Yd(t)＝[Yd1(t),Yd2(t),…,YdP(t)]，Ydn(t)＝[Y1dn(t),Y2dn(t),Y3dn(t),Y4dn(t),Y5dn(t),Y6dn(t),Y7dn(t),Y8dn(t)]为第t次迭代时第n个样本的操作建议，Y1dn(t)为操作建议1，即为运行不宜超过4小时且降低产水量5％-10％，Y2dn(t)为操作建议2，即为降低膜池产水量，控制跨膜压差至10-40kPa，Y3dn(t)为操作建议3，即为增大曝气量，控制溶解氧浓度1.5-3.5mg/L，Y4dn(t)为操作建议4，即为排查水质、产水流量、膜擦洗气量、膜池污泥浓度是否存在异常，Y5dn(t)为操作建议5，即为增大膜池排泥量，增大膜池回流比，控制膜池污泥浓度8000-12000mg/L，Y6dn(t)为操作建议6，即为调整运行参数，降低产水量5％-10％，或增大曝气量，控制溶解氧浓度2-4mg/L，Y7dn(t)为操作建议7，即为近期开展在线物理清洗，Y8dn(t)为操作建议8，即为在24小时内实施在线化学清洗，基于模糊宽度学习网络的决策模型中各层表示如下：
模糊宽度学习网络输入层：该层由8个神经元组成，每个神经元输出如下：
us(t)＝xs(t),s＝1,2,...,8, (1)
其中，us(t)为第t次迭代时模糊宽度学习网络输入层第s个神经元的输出值；
模糊宽度学习网络模糊神经网络层：模糊神经网络层由I个子网络组成，其每个模糊神经网络子网络结构共有四层，包括输入层、隐含层、规则层和输出层；其结构为8-L-L-V的连接方式，确定每个模糊神经网络的输入层神经元个数为8，隐含层神经元个数为L，规则层神经元个数为L，L取[2,20]之间的任意正整数；输出层神经元个数为V，V取[2,10]之间的任意正整数；各层输出可以表示为：
模糊神经网络子网络输入层：该层由8个神经元组成，每个神经元输出如下：
rs(t)＝us(t), (2)
其中，rs(t)为第t次迭代时模糊神经网络子网络输入层第s个神经元的输出值；
模糊神经网络子网络隐含层：该层由L个神经元组成，该层输出可以表示为：
其中，为第t次迭代时模糊神经网络子网络隐含层第l个神经元的输出值，cls(t)为第t次迭代时隐含层第l个神经元的第s个隶属度函数的中心；σls(t)为第t次迭代时隐含层第l个神经元的第s个隶属度函数的宽度；
模糊神经网络子网络规则层：该层由L个神经元组成，该层输出可以表示为：
其中，fl(t)为第t次迭代时模糊神经网络子网络规则层第l个神经元的输出值；
模糊神经网络子网络输出层：该层由V个神经元组成，该层输出可以表示为：
其中，ov(t)为第t次迭代时模糊神经网络子网络输出层第v个神经元的输出值，wvl(t)为第t次迭代时输出层第v个神经元与规则层第l个神经元之间的权值；
模糊宽度学习网络增强层：该层由J组神经元组成，该层输出可以表示为：
H(t)＝[h1(t),h2(t),...,hJ(t)], (6)
hj(t)＝ζj(O(t)whj(t)+βhj(t)),j＝1,2,...,J, (7)
其中，H(t)为第t次迭代时模糊宽度学习网络增强层的输出值，hj(t)为第t次迭代时增强层第j组神经元的输出值，ζj()为增强层第j组神经元的激活函数，O(t)＝[o1(t),o2(t),…,oI(t)]为第t次迭代时模糊神经网络层的输出值，oi(t)＝[o1(t),o2(t),…,oV(t)]为第t次迭代时模糊神经网络层第i个子网络的输出值，i＝1,2,…,I，whj(t)和βhj(t)为第t次迭代时模糊神经网络层和增强层第j组神经元之间的权值和偏差值；
模糊宽度学习网络输出层：该层由8个神经元组成，该层输出可以表示为：
其中，Y(t)为第t次迭代时模糊宽度学习网络输出层的输出值，wi(t)为第t次迭代时模糊宽度学习网络输出层和模糊神经网络层第i个子网络之间的权值，wj(t)为第t次迭代时模糊宽度学习网络输出层和增强层第j组神经元之间的权值；
(3)利用经验知识设定模糊宽度学习网络智能决策模型的初始结构和参数：将经验知识转换为模糊规则的形式：
其中，和/>为规则q中透水率x1n的下界和上界值，/>和/>为规则q中膜擦洗气量x4n的下界和上界值，/>和/>为规则q中透水率恢复率x8n的下界和上界值，/>为规则q中模糊神经网络子网络输出层第v个神经元的输出值，q＝1,…,Q为规则的数量。设定每个模糊神经网络层子网络的隐含层和规则层神经元个数L＝Q；
利用公式(9)设定模糊宽度学习网络智能决策模型的初始参数：
其中，cqsn(t)为第t次迭代时第n个样本中隐含层第q个神经元的第s个隶属度函数的中心，和/>为第t次迭代时隐含层第q个神经元对应的输入层第s个神经元的下界和上界；σqsn(t)为第t次迭代时第n个样本中隐含层第q个神经元的第s个隶属度函数的宽度，ρ为正常数，在区间(0,1)中随机取值；
(4)训练基于模糊宽度学习网络的决策模型，具体为：
①设当前迭代次数t＝1，基于模糊宽度学习网络的决策模型的最大迭代次数为K＝30；
②给定模糊宽度学习网络的初始模糊神经网络层子网络个数为I，增强层神经元组数为J，每个模糊神经网络层子网络的隐含层和规则层神经元个数为Q，输出层神经元个数为V；
③根据公式(1)-(10)计算模糊宽度学习网络的输出Y(t)，模糊宽度学习网络输出的正确率表示为：
A(t)＝TF(t)/P, (12)
其中，A(t)为第t次迭代时模糊宽度学习网络的输出正确率，TF(t)为第t次迭代时模糊宽度学习网络输出与实际值相同的样本数。运用伪逆算法调整二型模糊宽度学习网络的参数：
W(t)＝D(t)+Yd(t), (13)
其中，W(t)＝[Wi(t)，Wj(t)]为第t次迭代时模糊宽度学习网络的输出层与模糊神经网络层和增强层之间的权值，Wi(t)为第t次迭代时模糊宽度学习网络输出层和模糊神经网络层之间的权值，Wj(t)为第t次迭代时模糊宽度学习网络输出层和增强层之间的权值；D(t)＝[O(t)，H(t)]，λ为正常数，在区间(0,1]中随机取值，E为单位矩阵；
④令t＝t+1，若t≤K时或A(t)＞0.05时，返回步骤③；若t＞K且A(t)≤0.05时停止计算跳出循环，完成训练；
(5)膜污染智能决策
利用训练好的模糊宽度学习网络膜污染决策模型，使用M个测试样本的透水率、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、透水率恢复率作为模型的输入变量，得到模型的膜污染类别输出值，即为待测样本所属类别对应的操作建议，其包括：操作建议1：运行不宜超过4小时且降低产水量5％-10％，操作建议2：降低膜池产水量，控制跨膜压差至10-40kPa，操作建议3：增大曝气量，控制溶解氧浓度1.5-3.5mg/L，操作建议4：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，操作建议5：增大膜池排泥量，增大膜池回流比，控制膜池污泥浓度8000-12000mg/L，操作建议6：调整运行参数，降低产水量5％-10％，或增大曝气量，控制溶解氧浓度2-4mg/L，操作建议7：近期开展在线物理清洗，操作建议8：在24小时内实施在线化学清洗，为生产过程提供决策支持。
本发明的创造性主要体现在：
(1)本发明针对当前膜生物反应器污水处理中基于运行数据手段获得膜污染种类精度低的问题，提出了一种基于知识模糊宽度学习的膜污染智能决策方法，解决了膜污染精准决策的问题；
(2)本发明针对传统宽度学习网络鲁棒性不足的问题，提出了一种模糊宽度学习网络结构，利用一型模糊神经元替代宽度学习网络的特征层神经元，以提高网络的鲁棒性；
(3)本发明针对模糊宽度学习网络的结构和参数初始设定的问题，利用经验知识设定模糊宽度学习网络决策模型的参数，使构建的模型具有合适的精度和网络结构，本发明解决了模糊宽度学习网络决策精度低的问题，实现污水处理厂实时精准决策的需求。
附图说明
图1是本发明的模糊宽度学习网络结构拓扑图；
图2是本发明的膜污染决策训练效果图，其中红色十字为实际的膜污染种类，蓝色圆形为基于知识模糊宽度学习网络决策模型的输出值；
图3是本发明的膜污染决策测试效果图，其中红色十字为实际的膜污染种类，蓝色圆形为基于知识模糊宽度学习网络决策模型的输出值。
具体实施方式
实验数据来自某污水处理厂2020年数据：分别取透水率、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、透水率恢复率的实际检测数据为过程样本数据，剔除异常实验样本后剩余100组可用数据，其中60组用作训练样本，其余40组作为测试样本。
本发明采用了如下的技术方案及实现步骤：
1.一种基于知识模糊宽度学习的膜污染智能决策方法，其特征在于，建立基于模糊宽度学习网络的决策模型为抑制膜污染提供决策支持，其中采用一型模糊神经元替代宽度学习网络的特征层神经元，并利用经验知识设定模糊宽度学习网络决策模型的参数，解决了实际膜污染决策过程中数据不足的问题，实现膜污染的精准决策，包括以下步骤：
(1)确定膜污染决策模型的输入与输出变量：膜生物反应器污水处理工艺的一个瓶颈问题是膜污染现象，膜污染不但会造成出水水质下降、生产能耗提高，甚至会导致污水处理过程崩溃，严重制约了膜生物反应器的推广应用。因此为抑制膜污染提供决策支持是必要的。以膜生物反应器污水处理工艺为研究对象，对污水处理过程变量进行特征分析，选取与膜污染相关的过程变量作为智能决策模型的输入变量：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；将获取的输入变量归一化至[0,1]；操作建议作为膜污染智能决策模型的输出变量；将所有样本数据分为两组，一组包含60个训练样本，另一组包含40个测试样本；
(2)建立基于模糊宽度学习网络的智能决策模型：利用模糊宽度学习网络建立膜污染决策模型，模糊宽度学习网络结构共有四层，包括输入层、模糊神经网络层、增强层和输出层；其结构为8-I-J-8的连接方式，确定用于膜污染决策的模型输入层神经元个数为8，模糊神经网络层子网络个数为I，I取[1,10]之间的任意正整数；增强层神经元组数为J，J取[2,20]之间的任意正整数；输出层神经元个数为8，使用60个训练样本训练模糊宽度学习网络，膜污染决策模型的输入量为x(t)＝[x1(t),x2(t),…,x60(t)]，xn(t)＝[x1n(t),x2n(t),x3n(t),x4n(t),x5n(t),x6n(t),x7n(t),x8n(t)]为归一化后第t次迭代时第n个样本，n＝1,2,…,60，x1n(t)为归一化后第t次迭代时第n个样本中透水率，x2n(t)为归一化后第t次迭代时第n个样本中透水率衰减速度，x3n(t)为归一化后第t次迭代时第n个样本中产水流量，x4n(t)为归一化后第t次迭代时第n个样本中膜擦洗气量，x5n(t)为归一化后第t次迭代时第n个样本中污泥浓度，x6n(t)为归一化后第t次迭代时第n个样本中跨膜压差，x7n(t)为归一化后第t次迭代时第n个样本中产水浊度，x8n(t)为归一化后第t次迭代时第n个样本中透水率恢复率，膜污染决策模型的输出量为操作建议Yd(t)＝[Yd1(t),Yd2(t),…,Yd60(t)]，Ydn(t)＝[Y1dn(t),Y2dn(t),Y3dn(t),Y4dn(t),Y5dn(t),Y6dn(t),Y7dn(t),Y8dn(t)]为第t次迭代时第n个样本的操作建议，Y1dn(t)为操作建议1，即为运行不宜超过4小时且降低产水量5％-10％，Y2dn(t)为操作建议2，即为降低膜池产水量，控制跨膜压差至10-40kPa，Y3dn(t)为操作建议3，即为增大曝气量，控制溶解氧浓度1.5-3.5mg/L，Y4dn(t)为操作建议4，即为排查水质、产水流量、膜擦洗气量、膜池污泥浓度是否存在异常，Y5dn(t)为操作建议5，即为增大膜池排泥量，增大膜池回流比，控制膜池污泥浓度8000-12000mg/L，Y6dn(t)为操作建议6，即为调整运行参数，降低产水量5％-10％，或增大曝气量，控制溶解氧浓度2-4mg/L，Y7dn(t)为操作建议7，即为近期开展在线物理清洗，Y8dn(t)为操作建议8，即为在24小时内实施在线化学清洗，基于模糊宽度学习网络的决策模型中各层表示如下：
模糊宽度学习网络输入层：该层由8个神经元组成，每个神经元输出如下：
us(t)＝xs(t),s＝1,2,...,8, (1)
其中，us(t)为第t次迭代时模糊宽度学习网络输入层第s个神经元的输出值；
模糊宽度学习网络模糊神经网络层：模糊神经网络层由I个子网络组成，其每个模糊神经网络子网络结构共有四层，包括输入层、隐含层、规则层和输出层；其结构为8-L-L-V的连接方式，确定每个模糊神经网络的输入层神经元个数为8，隐含层神经元个数为L，规则层神经元个数为L，L取[2,20]之间的任意正整数；输出层神经元个数为V，V取[2,10]之间的任意正整数；各层输出可以表示为：
模糊神经网络子网络输入层：该层由8个神经元组成，每个神经元输出如下：
rs(t)＝us(t), (2)
其中，rs(t)为第t次迭代时模糊神经网络子网络输入层第s个神经元的输出值；
模糊神经网络子网络隐含层：该层由L个神经元组成，该层输出可以表示为：
其中，为第t次迭代时模糊神经网络子网络隐含层第l个神经元的输出值，cls(t)为第t次迭代时隐含层第l个神经元的第s个隶属度函数的中心；σls(t)为第t次迭代时隐含层第l个神经元的第s个隶属度函数的宽度；
模糊神经网络子网络规则层：该层由L个神经元组成，该层输出可以表示为：
其中，fl(t)为第t次迭代时模糊神经网络子网络规则层第l个神经元的输出值；
模糊神经网络子网络输出层：该层由V个神经元组成，该层输出可以表示为：
其中，ov(t)为第t次迭代时模糊神经网络子网络输出层第v个神经元的输出值，wvl(t)为第t次迭代时输出层第v个神经元与规则层第l个神经元之间的权值；
模糊宽度学习网络增强层：该层由J组神经元组成，该层输出可以表示为：
H(t)＝[h1(t),h2(t),...,hJ(t)], (6)
hj(t)＝ζj(O(t)whj(t)+βhj(t)),j＝1,2,...,J, (7)
其中，H(t)为第t次迭代时模糊宽度学习网络增强层的输出值，hj(t)为第t次迭代时增强层第j组神经元的输出值，ζj()为增强层第j组神经元的激活函数，O(t)＝[o1(t),o2(t),…,oI(t)]为第t次迭代时模糊神经网络层的输出值，oi(t)＝[o1(t),o2(t),…,oV(t)]为第t次迭代时模糊神经网络层第i个子网络的输出值，i＝1,2,…,I，whj(t)和βhj(t)为第t次迭代时模糊神经网络层和增强层第j组神经元之间的权值和偏差值；
模糊宽度学习网络输出层：该层由8个神经元组成，该层输出可以表示为：
其中，Y(t)为第t次迭代时模糊宽度学习网络输出层的输出值，wi(t)为第t次迭代时模糊宽度学习网络输出层和模糊神经网络层第i个子网络之间的权值，wj(t)为第t次迭代时模糊宽度学习网络输出层和增强层第j组神经元之间的权值；
(3)利用经验知识设定模糊宽度学习网络智能决策模型的初始结构和参数：将经验知识转换为模糊规则的形式：
其中，和/>为规则q中透水率x1n的下界和上界值，/>和/>为规则q中膜擦洗气量x4n的下界和上界值，/>和/>为规则q中透水率恢复率x8n的下界和上界值，/>为规则q中模糊神经网络子网络输出层第v个神经元的输出值，q＝1,…,Q为规则的数量。设定每个模糊神经网络层子网络的隐含层和规则层神经元个数L＝Q；
利用公式(9)设定模糊宽度学习网络智能决策模型的初始参数：
其中，cqsn(t)为第t次迭代时第n个样本中隐含层第q个神经元的第s个隶属度函数的中心，和/>为第t次迭代时隐含层第q个神经元对应的输入层第s个神经元的下界和上界；σqsn(t)为第t次迭代时第n个样本中隐含层第q个神经元的第s个隶属度函数的宽度，ρ为正常数，在区间(0,1)中随机取值；
(4)训练基于模糊宽度学习网络的决策模型，具体为：
①设当前迭代次数t＝1，基于模糊宽度学习网络的决策模型的最大迭代次数为K＝30；
②给定模糊宽度学习网络的初始模糊神经网络层子网络个数为I，增强层神经元组数为J，每个模糊神经网络层子网络的隐含层和规则层神经元个数为Q，输出层神经元个数为V；
③根据公式(1)-(10)计算模糊宽度学习网络的输出Y(t)，模糊宽度学习网络输出的正确率表示为：
A(t)＝TF(t)/P, (12)
其中，A(t)为第t次迭代时模糊宽度学习网络的输出正确率，TF(t)为第t次迭代时模糊宽度学习网络输出与实际值相同的样本数。运用伪逆算法调整二型模糊宽度学习网络的参数：
W(t)＝D(t)+Yd(t), (13)
其中，W(t)＝[Wi(t)，Wj(t)]为第t次迭代时模糊宽度学习网络的输出层与模糊神经网络层和增强层之间的权值，Wi(t)为第t次迭代时模糊宽度学习网络输出层和模糊神经网络层之间的权值，Wj(t)为第t次迭代时模糊宽度学习网络输出层和增强层之间的权值；D(t)＝[O(t)，H(t)]，λ为正常数，在区间(0,1]中随机取值，E为单位矩阵；
④令t＝t+1，若t≤K时或A(t)＞0.05时，返回步骤③；若t＞K且A(t)≤0.05时停止计算跳出循环，完成训练；
(5)膜污染智能决策
利用训练好的模糊宽度学习网络膜污染决策模型，得到模型最佳网络参数和结构，如图1所示；膜污染智能决策方法训练结果如图2所示，X轴：训练样本数，Y轴：膜污染种类训练输出值，红色十字为实际膜污染种类，蓝色圆形是基于知识模糊宽度学习网络决策模型的输出值；
利用训练好的膜污染决策模型，使用40个测试样本的透水率、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、透水率恢复率作为模型的输入变量，得到模型的膜污染类别输出值，即为待测样本所属类别对应的操作建议，其包括：操作建议1：运行不宜超过4小时且降低产水量5％-10％，操作建议2：降低膜池产水量，控制跨膜压差至10-40kPa，操作建议3：增大曝气量，控制溶解氧浓度1.5-3.5mg/L，操作建议4：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，操作建议5：增大膜池排泥量，增大膜池回流比，控制膜池污泥浓度8000-12000mg/L，操作建议6：调整运行参数，降低产水量5％-10％，或增大曝气量，控制溶解氧浓度2-4mg/L，操作建议7：近期开展在线物理清洗，操作建议8：在24小时内实施在线化学清洗；膜污染智能决策方法测试结果如图3所示，X轴：测试样本数，Y轴：膜污染种类测试输出值，红色十字为实际膜污染种类，蓝色圆形是基于知识模糊宽度学习网络决策模型的输出值；实验结果表明了基于知识模糊宽度学习网络决策方法的有效性。
Claims (1)
1.一种基于知识模糊宽度学习的膜污染智能决策方法，其特征在于，包括以下步骤：
(1)确定膜污染决策模型的输入与输出变量：以膜生物反应器污水处理工艺为研究对象，对污水处理过程变量进行特征分析，选取与膜污染相关的过程变量作为智能决策模型的输入变量：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；将获取的输入变量归一化至[0,1]；操作建议作为膜污染智能决策模型的输出变量；将所有样本数据分为两组，一组包含P个训练样本，另一组包含M个测试样本，要求P>M；
(2)建立基于模糊宽度学习网络的智能决策模型：利用模糊宽度学习网络建立污泥膨胀决策模型，模糊宽度学习网络结构共有四层，包括输入层、模糊神经网络层、增强层和输出层；其结构为8-I-J-8的连接方式，确定用于膜污染决策的模型输入层神经元个数为8，模糊神经网络层子网络个数为I，I取[1,10]之间的任意正整数；增强层神经元组数为J，J取[2,20]之间的任意正整数；输出层神经元个数为8，使用P个训练样本训练模糊宽度学习网络，膜污染决策模型的输入量为x(t)＝[x1(t),x2(t),…,xP(t)]，xn(t)＝[x1n(t),x2n(t),x3n(t),x4n(t),x5n(t),x6n(t),x7n(t),x8n(t)]为归一化后第t次迭代时第n个样本，n＝1,2,…,P，x1n(t)为归一化后第t次迭代时第n个样本中透水率，x2n(t)为归一化后第t次迭代时第n个样本中透水率衰减速度，x3n(t)为归一化后第t次迭代时第n个样本中产水流量，x4n(t)为归一化后第t次迭代时第n个样本中膜擦洗气量，x5n(t)为归一化后第t次迭代时第n个样本中污泥浓度，x6n(t)为归一化后第t次迭代时第n个样本中跨膜压差，x7n(t)为归一化后第t次迭代时第n个样本中产水浊度，x8n(t)为归一化后第t次迭代时第n个样本中透水率恢复率，膜污染决策模型的输出量为操作建议Yd(t)＝[Yd1(t),Yd2(t),…,YdP(t)]，Ydn(t)＝[Y1dn(t),Y2dn(t),Y3dn(t),Y4dn(t),Y5dn(t),Y6dn(t),Y7dn(t),Y8dn(t)]为第t次迭代时第n个样本的操作建议，Y1dn(t)为操作建议1，即为运行不宜超过4小时且降低产水量5％-10％，Y2dn(t)为操作建议2，即为降低膜池产水量，控制跨膜压差至10-40kPa，Y3dn(t)为操作建议3，即为增大曝气量，控制溶解氧浓度1.5-3.5mg/L，Y4dn(t)为操作建议4，即为排查水质、产水流量、膜擦洗气量、膜池污泥浓度是否存在异常，Y5dn(t)为操作建议5，即为增大膜池排泥量，增大膜池回流比，控制膜池污泥浓度8000-12000mg/L，Y6dn(t)为操作建议6，即为调整运行参数，降低产水量5％-10％，或增大曝气量，控制溶解氧浓度2-4mg/L，Y7dn(t)为操作建议7，即为开展在线物理清洗，Y8dn(t)为操作建议8，即为在24小时内实施在线化学清洗，基于模糊宽度学习网络的决策模型中各层表示如下：
模糊宽度学习网络输入层：该层由8个神经元组成，每个神经元输出如下：
us(t)＝xs(t),s＝1,2,...,8, (1)
其中，us(t)为第t次迭代时模糊宽度学习网络输入层第s个神经元的输出值；
模糊宽度学习网络模糊神经网络层：模糊神经网络层由I个子网络组成，其每个模糊神经网络子网络结构共有四层，包括输入层、隐含层、规则层和输出层；其结构为8-L-L-V的连接方式，确定每个模糊神经网络的输入层神经元个数为8，隐含层神经元个数为L，规则层神经元个数为L，L取[2,20]之间的任意正整数；输出层神经元个数为V，V取[2,10]之间的任意正整数；各层输出可以表示为：
模糊神经网络子网络输入层：该层由8个神经元组成，每个神经元输出如下：
rs(t)＝us(t), (2)
其中，rs(t)为第t次迭代时模糊神经网络子网络输入层第s个神经元的输出值；
模糊神经网络子网络隐含层：该层由L个神经元组成，该层输出可以表示为：
其中，为第t次迭代时模糊神经网络子网络隐含层第l个神经元的输出值，cls(t)为第t次迭代时隐含层第l个神经元的第s个隶属度函数的中心；σls(t)为第t次迭代时隐含层第l个神经元的第s个隶属度函数的宽度；
模糊神经网络子网络规则层：该层由L个神经元组成，该层输出可以表示为：
其中，fl(t)为第t次迭代时模糊神经网络子网络规则层第l个神经元的输出值；
模糊神经网络子网络输出层：该层由V个神经元组成，该层输出可以表示为：
其中，ov(t)为第t次迭代时模糊神经网络子网络输出层第v个神经元的输出值，wvl(t)为第t次迭代时输出层第v个神经元与规则层第l个神经元之间的权值；
模糊宽度学习网络增强层：该层由J组神经元组成，该层输出可以表示为：
H(t)＝[h1(t),h2(t),...,hJ(t)], (6)
hj(t)＝ζj(O(t)whj(t)+βhj(t)),j＝1,2,...,J, (7)
其中，H(t)为第t次迭代时模糊宽度学习网络增强层的输出值，hj(t)为第t次迭代时增强层第j组神经元的输出值，ζj()为增强层第j组神经元的激活函数，O(t)＝[o1(t),o2(t),…,oI(t)]为第t次迭代时模糊神经网络层的输出值，oi(t)＝[o1(t),o2(t),…,oV(t)]为第t次迭代时模糊神经网络层第i个子网络的输出值，i＝1,2,…,I，whj(t)和βhj(t)为第t次迭代时模糊神经网络层和增强层第j组神经元之间的权值和偏差值；
模糊宽度学习网络输出层：该层由8个神经元组成，该层输出可以表示为：
其中，Y(t)为第t次迭代时模糊宽度学习网络输出层的输出值，wi(t)为第t次迭代时模糊宽度学习网络输出层和模糊神经网络层第i个子网络之间的权值，wj(t)为第t次迭代时模糊宽度学习网络输出层和增强层第j组神经元之间的权值；
(3)利用经验知识设定模糊宽度学习网络智能决策模型的初始结构和参数：将经验知识转换为模糊规则的形式：
其中，和/>为规则q中透水率x1n的下界和上界值，/>和/>为规则q中膜擦洗气量x4n的下界和上界值，/>和/>为规则q中透水率恢复率x8n的下界和上界值，/>为规则q中模糊神经网络子网络输出层第v个神经元的输出值，q＝1,…,Q为规则的数量；设定每个模糊神经网络层子网络的隐含层和规则层神经元个数L＝Q；
利用公式(9)设定模糊宽度学习网络智能决策模型的初始参数：
其中，cqsn(t)为第t次迭代时第n个样本中隐含层第q个神经元的第s个隶属度函数的中心，和/>为第t次迭代时隐含层第q个神经元对应的输入层第s个神经元的下界和上界；σqsn(t)为第t次迭代时第n个样本中隐含层第q个神经元的第s个隶属度函数的宽度，ρ为正常数，在区间(0,1)中随机取值；
(4)训练基于模糊宽度学习网络的决策模型，具体为：
①设当前迭代次数t＝1，基于模糊宽度学习网络的决策模型的最大迭代次数为K＝30；
②给定模糊宽度学习网络的初始模糊神经网络层子网络个数为I，增强层神经元组数为J，每个模糊神经网络层子网络的隐含层和规则层神经元个数为Q，输出层神经元个数为V；
③根据公式(1)-(10)计算模糊宽度学习网络的输出Y(t)，模糊宽度学习网络输出的正确率表示为：
A(t)＝TF(t)/P, (12)
其中，A(t)为第t次迭代时模糊宽度学习网络的输出正确率，TF(t)为第t次迭代时模糊宽度学习网络输出与实际值相同的样本数；运用伪逆算法调整二型模糊宽度学习网络的参数：
W(t)＝D(t)+Yd(t), (13)
其中，W(t)＝[Wi(t)，Wj(t)]为第t次迭代时模糊宽度学习网络的输出层与模糊神经网络层和增强层之间的权值，Wi(t)为第t次迭代时模糊宽度学习网络输出层和模糊神经网络层之间的权值，Wj(t)为第t次迭代时模糊宽度学习网络输出层和增强层之间的权值；D(t)＝[O(t)，H(t)]，λ为正常数，在区间(0,1]中随机取值，E为单位矩阵；
④令t＝t+1，若t≤K时或A(t)＞0.05时，返回步骤③；若t＞K且A(t)≤0.05时停止计算跳出循环，完成训练；
(5)膜污染智能决策
利用训练好的模糊宽度学习网络膜污染决策模型，使用M个测试样本的透水率、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、透水率恢复率作为模型的输入变量，得到模型的膜污染类别输出值，即为待测样本所属类别对应的操作建议，其包括：操作建议1：运行不宜超过4小时且降低产水量5％-10％，操作建议2：降低膜池产水量，控制跨膜压差至10-40kPa，操作建议3：增大曝气量，控制溶解氧浓度1.5-3.5mg/L，操作建议4：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，操作建议5：增大膜池排泥量，增大膜池回流比，控制膜池污泥浓度8000-12000mg/L，操作建议6：调整运行参数，降低产水量5％-10％，或增大曝气量，控制溶解氧浓度2-4mg/L，操作建议7：开展在线物理清洗，操作建议8：在24小时内实施在线化学清洗。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110421204.2A CN113313230B (zh) | 2021-04-19 | 2021-04-19 | 一种基于知识模糊宽度学习的膜污染智能决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110421204.2A CN113313230B (zh) | 2021-04-19 | 2021-04-19 | 一种基于知识模糊宽度学习的膜污染智能决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113313230A CN113313230A (zh) | 2021-08-27 |
| CN113313230B true CN113313230B (zh) | 2024-04-16 |
Family
ID=77372547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110421204.2A Active CN113313230B (zh) | 2021-04-19 | 2021-04-19 | 一种基于知识模糊宽度学习的膜污染智能决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113313230B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096730A (zh) * | 2016-06-09 | 2016-11-09 | 北京工业大学 | 一种基于递归rbf神经网络的mbr膜透水率的智能检测方法 |
| 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 |
| 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 |
| CN112183719A (zh) * | 2020-09-15 | 2021-01-05 | 北京工业大学 | 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0809443D0 (en) * | 2008-05-23 | 2008-07-02 | Wivenhoe Technology Ltd | A Type-2 fuzzy based system for handling group decisions |
-
2021
- 2021-04-19 CN CN202110421204.2A patent/CN113313230B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096730A (zh) * | 2016-06-09 | 2016-11-09 | 北京工业大学 | 一种基于递归rbf神经网络的mbr膜透水率的智能检测方法 |
| 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 |
| 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 |
| CN112183719A (zh) * | 2020-09-15 | 2021-01-05 | 北京工业大学 | 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| MBR膜污染的智能模拟预测方法研究;闫宏英;李春青;;计算机测量与控制;20130825(第08期);全文 * |
| 一种粗糙模糊神经网络识别器及其应用;赵晓霞;;中北大学学报(自然科学版);20090615(第03期);全文 * |
| 基于自组织模糊神经网络的污水处理出水水质预测建模;马玉芩;姜涛;;信息技术与信息化;20130815(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113313230A (zh) | 2021-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103744293B (zh) | 基于模糊神经网络的废水处理监控方法和系统 | |
| CN112183719B (zh) | 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法 | |
| CN102662040B (zh) | 一种动态模块化神经网络的氨氮在线软测量方法 | |
| CN101576734B (zh) | 基于动态径向基神经网络的溶解氧的控制方法 | |
| CN103197544B (zh) | 基于非线性模型预测的污水处理过程多目标控制方法 | |
| CN105510546A (zh) | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 | |
| CN106096730B (zh) | 一种基于递归rbf神经网络的mbr膜透水率的智能检测方法 | |
| CN109473182B (zh) | 一种基于深度信念网络的mbr膜透水率智能检测方法 | |
| CN108375534A (zh) | Mbr膜污染智能预警方法 | |
| CN112101402B (zh) | 一种基于知识模糊学习的膜污染预警方法 | |
| CN110928187A (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 | |
| 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 | |
| CN113313230B (zh) | 一种基于知识模糊宽度学习的膜污染智能决策方法 | |
| CN113627506B (zh) | 一种基于信息融合-区间二型模糊神经网络的出水总磷智能检测方法 | |
| CN106354019A (zh) | 一种基于rbf神经网络的溶解氧精确控制方法 | |
| CN112250246B (zh) | 一种智能化偶氮染料废水脱毒与深度处理方法 | |
| CN101794117B (zh) | 一种基于机理模型的优化控制膜生物反应器运行的方法 | |
| CN112924646A (zh) | 一种基于自适应剪枝前馈小世界神经网络的出水bod软测量方法 | |
| CN111204867A (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
| CN113191483B (zh) | 一种基于二型模糊宽度学习的污泥膨胀智能决策方法 | |
| CN113311035B (zh) | 一种基于宽度学习网络的出水总磷预测方法 | |
| CN113283481A (zh) | 一种基于知识二型模糊的膜污染智能决策方法 | |
| CN116842993B (zh) | 一种基于多属性二型模糊神经网络的总氮去除量检测方法 | |
| CN114859711B (zh) | 一种基于模糊二阶滑模的城市污水处理曝气过程控制方法 | |
| CN114139434B (zh) | 一种基于级连神经网络的膜污染多指标辨识方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |