[发明专利]基于RBF神经网络的溶解氧智能控制系统

摘要

基于RBF神经网络的溶解氧智能控制系统属于水处理领域，又属于智能控制领域。通过控制模块的搭建，并且通过搭建硬件平台形成一套完备的溶解氧智能控制系统；实现了对污水处理过程中比较难以实时和准确控制的溶解氧DO进行控制。将基于RBF神经网络的溶解氧智能控制系统应用污水处理过程，通过对鼓风机电动阀门的准确控制从而实现对溶解氧DO浓度的准确控制。溶解氧智能控制控制即针对传统开关控制和PID控制无法实现对具有高度非线性、强耦合性、时变、大滞后和不确定性严重等特点的污水处理过程稳定和精确控制的问题，实现对溶解氧DO浓度的智能控制，结果表明该系统实现了溶解氧DO浓度的控制，改善污水处理效果和降低能耗。

主权项

1.基于RBF神经网络的溶解氧智能控制系统，其特征在于：硬件包括检测仪表、电气设备、数据采集、数据处理与存储模块、控制功能模块，具体实现如下：检测仪表包括溶解氧测量仪、温度测量仪、PH测量仪以及COD分析仪和NH4‑N分析仪；检测仪表与PLC相连，PLC与数据处理与存储模块通过现场总线中RS232和RS485进行通讯，数据处理与存储模块与控制功能模块通过通信接口相连，电气设备包括鼓风机以及电动阀门，电气设备与PLC之间连接；控制功能模块在线给出控制策略后，通过PLC将控制信号下发到执行机构电动阀门；对序批式间歇活性污泥系统中溶解氧DO浓度进行控制，以鼓风机曝气量为控制量，溶解氧DO浓度为被控量；包括以下步骤：(2)设计基于RBF神经网络的污水处理系统预测模型，预测模型RBF神经网络分为三层：输入层、隐含层和输出层；预测模型RBF神经网络输入为u(k)＝[u1(k),u2(k)]T，u2(k)＝u1(k‑1)，u1(k)为k时刻溶解氧DO浓度控制量，u1(k‑1)为k‑1时刻的溶氧DO浓度控制量，T为矩阵的转置；预测模型RBF神经网络输出为溶解氧DO浓度预测值；其计算方式如下：①初始化预测模型RBF神经网络：确定神经网络2‑P‑1的连接方式，即输入层神经元为2个，隐含层神经元为P个，P为大于2的正整数；输出层神经元为1个；预测模型RBF神经网络输入层到隐含层的连接权值为1，隐含层和输出层间的连接权值在[0,1]范围内进行随机赋值；神经网络的输出表示如下：其中，ym(k)为k时刻预测模型RBF神经网络的输出，wj(k)为隐含层第j个神经元和输出层的连接权值，j＝1,2,…,P；fj是预测模型RBF神经网络隐含层第j个神经元的输出，其计算公式为：其中，μj(k)表示k时刻隐含层第j个神经元中心值，σj(k)表示k时刻隐含层第j个神经元的中心宽度；②定义预测模型RBF神经网络的性能指标Jm(k)em(k)＝y(k)‑ym(k)    (4)其中，y(k)为k时刻实际测量的溶解氧DO浓度值，em(k)为k时刻溶解氧DO浓度值的误差；③对预测模型RBF神经网络的参数进行更新wj(k+1)＝wj(k)‑ηΔwj(k)＝wj(k)+ηem(k)fj(u(k))(1‑y(k))y(k)       (6)其中，Δwj(k)为k时刻第j个隐含层神经元和输出层神经元连接权值的修正量，wj(k)为k时刻第j个隐含层神经元与输出层神经元的连接权值，wj(k+1)为k+1时刻第j个隐含层神经元与输出层神经元的连接权值，μj(k+1)表示k+1时刻隐含层第j个神经元中心值，σj(k+1)表示k+1时刻隐含层第j个神经元的中心宽度；η为学习率，η∈(0,1]；④判断当前时刻溶解氧DO预测的目标函数的大小，如果Jm(k)>0.01,则重复步骤③；如果Jm(k)<0.01，则转到步骤①计算预测模型RBF神经网络的输出ym(k)；(3)设计用于控制的RBF神经网络控制器；x(k)＝[x1(k),x2(k)]T为RBF神经网络控制器的输入，x1(k)为k时刻溶解氧DO浓度设定值与实际值的误差，x2(k)为k时刻溶解氧DO浓度设定值与实际值误差的变化率；①初始化RBF神经网络控制器：确定神经网络2‑M‑1的连接方式，即输入层神经元为2个，隐含层神经元为M个，M为大于2的正整数；输出层神经元为1个；RBF神经网络控制器输入层到隐含层的连接权值为1，隐含层和输出层间的连接权值在[0,1]范围内进行随机赋值；神经网络的输出表示如下：其中，u(k)为k时刻RBF神经网络控制器的输出，wic(k)为RBF神经网络控制器隐含层第i个神经元和输出层的连接权值，i＝1,2,…,M；fi是RBF神经网络隐含层第i个神经元的输出，其计算公式为：其中，μic(k)表示k时刻RBF神经网络控制器隐含层第i个神经元中心值，σic(k)表示k时刻RBF神经网络控制器隐含层第i个神经元的中心宽度；②定义RBF神经网络控制器的指标Jc(k)e(k)＝r(k)‑y(k)              (12)其中，e(k)为k时刻溶解氧DO浓度的误差，r(k)为k时刻溶解氧DO浓度设定值；③对RBF神经网络控制器的参数进行更新其中，Δwic(k)为k时刻RBF神经网络控制器隐含层第i个神经元与输出层神经元连接权值的修正量，wic(k+1)为k+1时刻的RBF神经网络控制器隐含层第i神经元与输出层神经元的连接权值；μic(k+1)表示k+1时刻RBF神经网络控制器隐含层第i个神经元中心值，σic(k+1)表示k+1时刻RBF神经网络控制器隐含层第i个神经元的中心宽度；η1为学习率，η1∈(0,1]；④判断当前时刻溶解氧DO的目标函数的大小，如果Jc(k)>0.01,则重复步骤③；如果Jc(k)<0.01，则转到步骤①计算RBF神经网络控制器的输出u(k)；(4)利用求解出的u(k)对溶解氧DO进行控制，u(k)为k时刻为曝气量即控制量，控制系统的输出为实际溶解氧DO的浓度值。