基于递归神经网络模型的溶解氧的自适应控制方法

摘要

针对污水处理过程高度非线性、强耦合性、时变、大滞后和不确定性严重等特点，本发明提出一种基于递归神经网络模型的自适应控制方法，实现对污水处理过程中溶解氧(DO)浓度的控制；该控制方法通过递归神经网络对污水处理过程建模，从而把污水处理过程中溶解氧浓度实时反馈给控制器，提高控制器的自适应能力，能够快速、准确地使溶解氧达到期望要求；解决了当前基于开关控制和PID控制自适应能力较差的问题；实验结果表明该方法能够快速、准确地控制溶解氧浓度，并具有较强的自适应能力，提高污水处理的质量和效率、降低污水处理成本，促进污水处理厂高效稳定运行。

主权项

基于递归神经网络模型的溶解氧的自适应控制方法，其特征在于包括以下步骤：(1)构建样本数据；采集曝气量数据和溶解氧数据构建样本数据对(U，Yp)，并剔除异常数据对；(2)构建网络结构；确定神经网络1‑m‑m‑1的连接方式，即输入层神经元为1个，反馈隐含层和传输隐含层神经元需为相同的个数，为m个，反馈隐含层内神经元上一时刻输出反馈给自身神经元作为当前时刻的输入；输出层神经元为1个；对神经网络的连接权值进行随机赋值；(3)采用BP算法训练递归神经网络模型，建立污水处理曝气过程的网络状态模型；A.建立污水处理曝气过程的网络状态模型，描述如下：X(k+1)＝WhX(k)+WiU(k)    (3)Yn(k)＝Wof(W34X(k))      (4)其中，U(k)为曝气量，Wh，Wi，W34，Wo为神经网络的连接权值，X(k)为递归神经网络的状态，Yn(k)为第k个时刻递归神经网络模型输出的溶解氧浓度值，f(·)为sigmoid函数；B.采用BP算法训练递归神经网络模型的权值采用BP算法对权值Wh，Wi，W34，Wo进行训练，其中，反馈矩阵Wh在每一步训练之后增加一步操作： w h i = w h i / Σ i w h i 其中，whi表示Wh对角线上第i行的元素；(4)基于上述递归神经网络模型建立自适应控制器；A、将递归神经网络模型接入控制系统中，期望溶解氧浓度与模型输出溶解氧浓度的误差作为控制器的输入，控制器的输出作为递归神经网络模型的输入，将递归神经网络模型的参数Wh，Wi，W34，Wo和状态X(k)反馈给控制器，应用最优控制理论得到最优控制率，计算方法如下： U ( k ) = [ Σ n = 1 i W o ( k ) P n - 1 ( k ) W ( k ) ] - 1 [ r ( k + i ) - W o ( k ) P i ( k ) x ( k ) - Yp ( k ) + Yn ( k ) ] - - - ( 5 ) 其中，x(k)＝W34(k)X(k)，W(k)＝W34(k)Wi(k)，P(k)＝W34(k)Wh(k)(W34(k))‑1，i表示预估采样周期的个数，r(k+i)为第k个时刻的后i个时刻的溶解氧浓度的设定值，Yp(k)为第k个时刻实际污水处理过程中检测的溶解氧浓度值，Yn(k)为第k个时刻递归神经网络模型输出的溶解氧浓度值；B、用动态BP算法在线调整递归神经网络模型的权值；(5)将得到的最优控制率传给污水处理过程的执行机构，控制污水处理过程的溶解氧浓度。