[发明专利]一种动态模块化神经网络的氨氮在线软测量方法

说明书

技术领域

本发明属于检测技术及仪表研究技术领域，涉及一种在线多模型软测量方法，特别涉及一种动态模块化神经网络的氨氮在线软测量方法。

背景技术

国务院在《中华人民共和国国民经济和社会发展第十二个五年规划纲要》中提出了城市污水处理率达到85％的总体目标，并对污水处理行业提出了提高污水处理率、污水排放标准等要求。这些要求在“质”和“量”的方面对污水处理行业提出了更高的要求。但目前我国污水处理厂的实际运行状况并不乐观。据环保部门统计，运行负荷不足、出水水质超标或运行异常的污水处理厂约占50％。因此国家中长期科技发展规划中明确提出要抑制异常工况发生，确保污水处理质量达标；研究并推广高效、低能耗的污水处理新技术。因此，本发明的研究成果具有广阔的应用背景。

污水处理过程是一个典型的非线性时变系统，其关键的生化反应阶段涉及复杂微生物反应过程。由于测量技术的局限，污水处理过程中的一些重要参数是无法或很难进行在线测量(如氨氮NH3-N、化学需氧量COD、生化需氧量BOD等)。这些参数对于出水指标的控制、过程的优化及故障的诊断起着重要的作用，是污水处理中必须监测的变量。其中污水出水水质参数NH3-N的测定采用蒸馏-中和测定法，其分析测定周期(经常是数个小时)所产生的明显的延迟，将导致该测量信号不能作为闭环控制系统的反馈信号加入到整个控制过程中，这对污水处理的出水水质和污水处理系统的安全运行都产生严重的影响。

近年来，为实现对污水处理的测量和控制，国内外专家提出了多种非线性软测量方法，其中以神经网络(单模型)作为软测量工具的方法研究最为活跃。然而，污水处理过程是一个运行工况范围广的复杂工业过程，经常在负荷大范围扰动的条件下运行，不同区域的样本，其扰动幅度和对象特性均不相同，采用单模型的软测量方法会导致学习时间过长、过程匹配不佳、精度和外推能力差等缺陷。其次，单模型也存在健忘问题，即单模型没有知识积累特性，使其难以跟踪污水水质的变化过程，自适应能力差，鲁棒性不强。再次，污水处理系统在运行过程中受季节天气、暴雨、工业废水的突然涌入等因素的影响常会产生缓慢的变化或突然的扰动，即会产生数据漂移现象，造成软测量模型的预测误差不断增大。另外，污水处理过程中，软测量样本集呈单个增量式增加，这就要求软测量方法最好是在线、增量式学习。

发明内容

针对现有方法存在的不足，本发明提出一种动态模块化神经网络的氨氮在线软测量方法，以达到克服单模型建模学习时间长、过程匹配不佳、外推能力差、没有知识积累等缺陷的目的。

本发明的技术方案是这样实现的：一种动态模块化神经网络的氨氮在线软测量方法，包括以下步骤：

步骤1：设计用于NH3-N在线软测量的动态模块化神经网络拓扑结构；网络分为5层：输入层、RBF层、任务分配层、子网络层、集成输出层。输入为曝气池进水水质指标，输出为出水水质NH3-N浓度；

输入层：包括n个输入节点，n为输入样本的维数，k时刻的输入样本表示为x(k)＝[x₁(k)，…，x_n(k)]^T。

RBF层：包括l个RBF神经元，每个神经元的激活函数为在动态模块化神经网络中，激活函数Φ_i(x(k))被定义为硬限幅函数：

若满足公式‖x(k)-c_i‖≤δ_i，则Φ_i(x(k))＝1    (1)

若满足公式‖x(k)-c_i‖＞δ_i，则Φ_i(x(k))＝0

式中，c_i为第i个RBF神经元的数据中心，δ_i为第i个RBF神经元的扩展宽度；公式(1)表示在输入样本空间中以c_i为球心，以δ_i为半径作一个超球面，当输入点在该超球面内时输出为1，在超球面以外时输出为0。

任务分配层：该层的任务是根据RBF层中RBF神经元的输出和k时刻输入样本x(k)在输入样本空间中的位置，由模糊策略决定给k时刻输入样本x(k)分配不同的子网络进行学习。

子网络层：该层由子神经网络组成，其个数与RBF层中RBF神经元个数相同，且为一一对应的关系。该层的主要任务是学习由任务分配层分配来的输入样本。

集成输出层：该层的主要任务是对k时刻各子神经网络的学习结果进行集成输出，集成输出的结果Y(x(k))，公式如下：