[发明专利]基于GA-DBN网络的废水处理智能监控方法及系统

说明书

本发明公开了基于GA‑DBN网络的废水处理智能监控方法，包括以下步骤：选取废水处理系统合适参数作为输入自变量和输出变量；采用迭代寻优计算获得深度信念网络DBN各层网络最优隐含层节点数；利用遗传算法GA筛选出最优输入自变量；构建基于遗传算法‑深度信念网络GA‑DBN融合模型；对模型进行训练，通过训练后模型对废水处理系统输出变量进行实时软测量，获得诊断结果，并指导废水处理过程优化。本发明构建的遗传‑深度信念网络GA‑DBN融合模型及系统，可用于预测废水处理系统出水COD和SS浓度等水质参数，实现废水处理系统水质智能监控与诊断，促进废水处理系统高效稳定运行。

技术领域

本发明涉及废水处理与控制研究领域，特别涉及一种基于GA-DBN网络的废水处理智能监控方法及系统。

背景技术

当前废水处理一般都经过一级物化和二级生化等流程，其中一级物化处理主要使用去除SS和少部分COD与BOD；二级生化处理用于去除绝大部分COD与BOD。为了监控废水处理系统稳定性，提升废水排放达标率，需对出水COD和SS等指标进行实时监测。废水处理过程复杂，机理尚未完全清楚，很难用精确的数学模型来有效预测并调控出水水质。

为了解决传统控制系统过分依赖精确数学模型的问题，近年来研究者提出建立智能控制系统软测量模型来实时调控优化出水水质。常用废水处理系统软测量模型建立方法有递归偏最小二乘算法、高斯回归、多元线性回归、支持向量回归及人工神经网络、遗传算法和BP网络混合算法等，但上述方法均存在某种程度缺陷，无法准确的反映废水处理过程多参数时变状态下带来的高不确定性或存在过拟合情况。深度学习有更强的特征提取能力，能够组合更复杂的非线性运算，更好的模拟事情演变规律，可用于废水处理系统监控、诊断和优化调控。深度信念网络DBN模型属一种典型深度学习算法，其能够更准确地感知对象演变的内在规律，但难以保证网络最优，在废水处理预测、诊断及优化调控等使用过程存在参数选配及优化等诸多问题，影响算法实施和优化效果。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于GA-DBN网络的废水处理智能监控方法，基于废水处理系统进水指标参数与出水水质、模型控制参数之间的关系，充分利用遗传算法GA宏观搜索最优解的能力和深度信念网络DBN准确感知对象演变内在规律的能力，创建基于GA-DBN的水质软测量模型，对出水COD和出水SS浓度等进行实时软测量，实现废水处理系统智能化监控与诊断，实时调控出水水质。

本发明的另一目的在于提供一种基于GA-DBN网络的废水处理智能监控系统；

本发明的目的通过以下的技术方案实现：

一种基于GA-DBN网络的废水处理智能监控方法，其特征在于，包括以下步骤：

S1、选取废水处理系统合适参数作为输入自变量和输出变量；

S2、采用迭代寻优计算获得深度信念网络DBN各层网络最优隐含层节点数；

S3、利用遗传算法GA筛选出最优输入自变量；

S4、依据深度信念网络DBN各层网络最优隐含层节点数、最优输入自变量，构建基于遗传算法-深度信念网络GA-DBN融合模型；

S5、对GA-DBN融合模型进行训练，得到训练后GA-DBN融合模型；

S6、通过训练后GA-DBN融合模型对废水处理系统输出变量进行实时软测量，获得诊断结果，并指导废水处理过程优化。

进一步地，所述输入自变量包含进水COD、进水流量Q、进水SS、温度T、溶解氧DO、pH；所述输出变量包含出水COD、出水SS浓度。

进一步地，所述步骤S2具体为：