[发明专利]一种基于递归RBF神经网络的MBR膜透水率的智能检测方法

摘要

一种基于递归RBF神经网络的MBR膜透水率智能检测方法，属于污水处理水质参数在线检测领域。在MBR膜污水处理过程中，污染问题影响膜的出水水质和膜的寿命，阻碍了膜的大规模应用；MBR膜污水处理过程随机干扰严重，具有强非线性、大时变、严重滞后的特点，污染不能直接测量和在线检测。本发明基于特征提取的方法获取6类与透水率相关性强的过程变量；同时以膜透水率为模型的输出，6类过程变量为模型的输入，基于递归RBF神经网络建立膜透水率的软测量模型，完成了膜污染程度的实时检测，取得了较好的精度，结果表明能够快速、准确地预测透水率的大小，保证了MBR膜污水处理过程的稳定安全运行，提高了膜污水处理的质量和效率。

主权项

1.一种基于递归RBF神经网络的MBR膜透水率的智能检测方法，其特征在于，包括以下步骤：(1)特征分析确定MBR膜透水率智能检测模型的输入与输出变量；以用MBR膜处理污水的系统为研究对象，选取M个实测数据作为样本，建立特征分析模型，可测的16个影响因素记为自变量P，P＝[p1,p2,...,p16]，膜的透水率记为因变量q；其中，p1,p2,...,p16分别表示进水化学需氧量、进水氨氮、进水pH、进水生物需氧量、进水固体悬浮物、进水总磷、出水浊度、好氧区硝酸盐、产水流量、产水压力、单池膜擦洗气量、污泥浓度、溶解氧、温度、气水比、跨膜压差，气水比无单位、温度的单位是摄氏度、出水浊度的单位是NTU、产水流量和单池膜擦洗气量的单位是m3/h、产水压力和跨膜压差的单位是kPa、其余影响因素的单位是mg/L；q表示膜的透水率，单位是LMH/bar；pj＝[p1j,p2j,…,pij,…,pMj]T，q＝[q1,q2,…,qM]T，j＝1,2,…,16；T表示转置；①对自变量和因变量的数据集合进行标准化处理，公式为：和s_j分别表示P中第j列元素的平均值和标准差，和s分别表示q中所有元素的平均值和标准差，公式为：p'j＝[p′1j,p'2j,...,p'Mj]T为pj标准化后的值，E0＝[p'1,p'2,...,p'16]为P标准化后的矩阵，F0＝[q′1,q'2,…,q'M]T为q标准化后的值；p′ij表示pj标准化后第j列中的第i个元素，q′i表示q标准化后的第i个元素，i＝1,2,…,M；②进行成分的提取；计算相关变量，公式为：其中h为提取主成分个数，h≤16；F0为q标准化后的值，Eh为提取的h个成分时标准化的自变量矩阵，Fh为提取的h个成分时标准化的因变量矩阵，Fh‑1为提取的h‑1个成分时标准化的因变量矩阵，vh为从Eh‑1中提取的成分，ah表示h个成分标准化自变量矩阵参数、bh表示h个成分标准化自变量矩阵中间向量、rh表示h个成分标准化因变量矩阵中间向量；③模型的输入与输出变量；根据自变量和因变量相关性的大小，利用交叉有效性确定最终提取成分的个数；提取出的主成分个数为K，其变量记为x1,…,xK，作为软测量模型的输入变量；透水率的大小作为软测量模型的输出变量，记为y，并选择m组数据作为软测量模型的训练样本，n组数据作为软测量模型的测试样本；(2)设计膜透水率软测量模型，利用递归RBF神经网络建立预测膜透水率的软测量模型如下：递归RBF神经网络的拓扑结构分为三层：输入层、隐含层、输出层；神经网络为K‑L‑1的连接方式，即输入层神经元为K个，隐含层神经元为L个，L为大于2的正整数，输出层神经元为1个；输入层与隐含层之间的连接权值都赋值为1，隐含层与输出层之间的连接权值随机赋值，赋值区间为[‑1,1]；第t时刻递归RBF神经网络输入为x(t)＝[x1(t),…,xK(t)]，递归RBF神经网络的期望输出表示为yd(t)，实际输出表示为y(t)；基于递归RBF神经网络预测膜透水率的软测量方法计算方式依次为：①输入层：该层由K个神经元组成，每个神经元的输出为：uk(t)＝xk(t)    (4)其中，uk(t)是t时刻第k个神经元的输出，k＝1,2,…,K，xk(t)为t时刻输入层第k个神经元的输入；②隐含层：隐含层由L个神经元组成，每个神经元的输出为：其中，cl(t)为t时刻第l个隐含层神经元的中心向量，cl(t)＝[c1l(t),c2l(t),…,ckl(t),…,cKl(t)]，ckl(t)表示隐含层t时刻第l个神经元中心值的第k个元素，||hl(t)‑cl(t)||表示hl(t)与cl(t)之间的欧式距离，σl(t)是t时刻第l个隐含层神经元的宽度，hl(t)是t时刻第l个隐含层神经元的输入向量hl(t)＝[u1(t),u2(t),…,uK(t),vl(t)×y(t‑1)]    (6)y(t‑1)是t‑1时刻递归RBF神经网络的输出，uK(t)是t时刻输入层第K个神经元的输出，vl(t)为t时刻输出神经元与第l个隐含层神经元的反馈连接权值，v(t)＝[v1(t),v2(t),…,vL(t)]T为t时刻输出神经元与隐含层神经元的反馈连接权值向量；③输出层：输出层输出为：其中，w(t)＝[w1(t),w2(t),...,wL(t)]T为t时刻隐含层与输出层的连接权值向量，wl(t)为t时刻第l个隐含层神经元与输出神经元的连接权值，θ(t)＝[θ1(t),θ2(t),...,θL(t)]T为t时刻隐含层的输出向量，θl(t)为t时刻第l个隐含层神经元的输出，y(t)为t时刻递归RBF神经网络的输出；定义递归RBF神经网络的误差为：其中，yd(t)为t时刻递归RBF神经网络的期望输出，y(t)为t时刻递归RBF神经网络的实际输出；(3)透水率软测量模型校正过程如下：①给定递归RBF神经网络的初始隐含层神经元个数为L，L为大于2的正整数，递归RBF神经网络的输入为x(1)，x(2)，…，x(t)，…，x(m)，对应的期望输出为yd(1)，yd(2)，…，yd(t)，…，yd(m)，m组数据作为软测量模型的训练样本，期望误差值设为Ed，Ed∈(0,0.01)，初始中心值cl(1)中每个变量的赋值区间为[‑2,2]，初始中心宽度σl(1)的赋值区间为[0,1]，初始反馈连接权值vl(t)的赋值区间为[0,1]，l＝1，2，…，L；初始权值w(1)中每个变量的赋值区间为[‑1,1]；设置最大循环步数为N；②设置学习步数s＝1；③t＝s，根据公式(4)、(5)、(6)、(7)计算递归RBF神经网络的输出y(t)，运用快速下降算法调整递归RBF神经网络的参数为：vl(t+1)＝vl(t)‑ηv(yd(t)‑y(t))wl(t)θl(t)y(t‑1)    (11)wl(t+1)＝wl(t)‑ηw(yd(t)‑y(t))θl(t)    (12)其中，ηc为中心向量cl的学习率，ηc∈(0,0.01]；ησ为宽度σl的学习率，ησ∈(0,0.01]；ηv为反馈连接权值vl的学习率,ηv∈(0,0.02]；ηw为连接权值wl的学习率，ηw∈(0,0.01]；cl(t+1)为t+1时刻第l个隐含层神经元的中心向量；σl(t+1)为t+1时刻第l个隐含层神经元的宽度；vl(t+1)为t+1时刻输出神经元与第l个隐含层神经元的反馈连接权值；wl(t+1)为t+1时刻第l个隐含层神经元与输出神经元的连接权值；cl(t)为t时刻第l个隐含层神经元的中心向量；σl(t)为t时刻第l个隐含层神经元的宽度；vl(t)为t时刻输出神经元与第l个隐含层神经元的反馈连接权值；wl(t)为t时刻第l个隐含层神经元与输出神经元的连接权值；④学习步数s增加1，如果步数s

下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。 免登录下载普通用户下载升级VIP会员，免费下载

该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京工业大学，未经北京工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】

本文链接：http://www.vipzhuanli.com/patent/201610405933.8/，转载请声明来源钻瓜专利网。