膜生物反应器-MBR出水透水率的智能检测方法

专利主权项内容

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y(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：d①输入层：该层由5个神经元组成，其输出为，x(t)＝[x(t), x(t), …, x(t)] (1)125T其中，x(t)表示t时刻输入层的输出，x(t)表示t时刻产水流量的值、x(t)表示t时刻产水压力的值、x(t)表示t时刻单池膜擦洗气量的值、x(t)表示t时刻厌氧区ORP的值、x(t)表示t时刻好氧区硝酸盐的值；12345②RBF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，c(t)为t时刻第j个RBF层神经元的中心向量，c(t)＝[c(t), c(t), …, c(t)]，i＝1, 2，…5，c(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，/>表示RBF层t时刻第j个神经元宽度值的第i个元素；jj1j2jijij③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v(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；j④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，w(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y(t)的误差函数e(t)为：jde(t)＝y(t)-y(t) (5)d(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y(1)，y(2)，…，y(t)，…，y(N)，软测量模型的训练样本为N组，期望误差设为E，迭代步数设为s，计算代价函数值E(t)，定义停止标准，ddddd当E(t)<E，令t＝0；d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)＝J(t)J(t) (8)T梯度向量g(t)计算公式为，g(t)＝J(t)e(t) (9)T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)g(t) (13)-1其中，Δ＝[w(t)，…w(t)，c(t)，…c(t)，…，c(t)，…c(t)，…c(t)，…c(t)，d(t)，…d(t)…，d(t)，…d(t)，…d(t)，…d(t)]，w(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；1R11511j5j1R5R11511j5j1R5Rj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)是误差函数；④计算代价函数E(t)，当满足精度E(t)<E，迭代停止，否则跳转到步骤②；d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。