[发明专利]膜生物反应器-MBR膜污染智能预警方法

摘要

针对MBR污水处理过程中膜污染事件频发、危害巨大等问题，本发明提出了一种膜生物反应器‑MBR膜污染智能预警方法，实现对膜污染的在线精确预警；该预警方法通过构建递归模糊神经网络软测量模型，实现对透水率的稳定预测；利用透水率预测值和相关参数变量的融合，基于膜污染等级的综合评价，实现对膜污染的智能预警；解决了MBR污水处理过程中膜污染难以预警的问题，提高了对膜污染的预处理能力，减轻膜污染造成的危害，保障MBR污水处理过程安全运行，促进MBR污水处理厂高效稳定运行。

主权项

1.膜生物反应器MBR膜污染智能预警方法，其特征在于，包括以下步骤：(1)运行过程数据采集：通过安装在工艺现场的采集仪表采集运行过程数据，包括：产水流量、产水压力、化学需氧量、pH、生物需氧量、总磷、厌氧区氧化还原电位ORP、缺氧区ORP、好氧区溶解氧、好氧区硝酸盐、单池膜擦洗气量，实现数据的采集；(2)运行过程数据预处理：以膜池运行数据为研究对象，利用偏最小二乘法建立特征分析模型，提取出5个主成分变量，分别为：产水流量、产水压力、单池膜擦洗气量、厌氧区ORP和好氧区硝酸盐浓度，5个主成分变量作为膜污染智能预测模型块的输入变量；透水率作为膜污染智能预测模块的输出变量；(3)膜污染智能预测：建立透水率软测量模型实现透水率预测，其中：透水率由递归模糊神经网络的多步预测获得，递归模糊神经网络的结构分为四层：输入层、隶属函数层、规则层、输出层；结构为5‑M‑M‑1的连接方式，其中M是正整数，且2其中x(t)＝[x₁(t)，x₂(t)，x₃(t)，x₄(t)，x₅(t)]表示t时刻输入层的输出，x₁(t)表示t时刻产水流量的值、x₂(t)表示t时刻产水压力的值、x₃(t)表示t时刻单池膜擦洗气量的值、x₄(t)表示t时刻厌氧区ORP的值、x₅(t)表示t时刻好氧区硝酸盐的值，f表示x(t)和y(t)间对应的函数关系，w_j(t)表示t时刻规则层第j个神经元与输出神经元之间的权值，β_ij(t)表示t时刻输入层第i个神经元与隶属函数层第j个神经元之间的权值，β_ij(t)＝1，m_ij(t)表示隶属函数层t时刻第j个神经元中心值的第i个元素，σ_ij(t)表示隶属函数层t时刻第j个神经元宽度值的第i个元素，递归模糊神经网络在隶属函数层加入了自反馈连接，θ_ij(t)是隶属函数层的自反馈连接的反馈权重；是隶属函数层的自反馈连接的反馈值，其中：其中，β_ij(t‑1)表示t‑1时刻输入层第i个神经元与隶属函数层第j个神经元之间的权值，β_ij(t‑1)＝1，m_ij(t‑1)表示隶属函数层t‑1时刻第j个神经元中心值的第i个元素，σ_ij(t‑1)表示隶属函数层t‑1时刻第j个神经元宽度值的第i个元素，θ_ij(t‑1)是隶属函数层的自反馈连接的反馈权重，是隶属函数层的自反馈连接的反馈值；定义递归模糊神经网络的误差为：其中，m是样本数，yd(t)是t时刻递归模糊神经网络的期望输出，y(t)是t时刻递归模糊神经网络的实际输出；模型校正过程具体如下：①给定递归模糊神经网络的初始隐含层神经元个数为M，M为大于2的正整数，递归模糊神经网络的输入为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组数据作为递归模糊神经网络模型的训练样本，期望误差值设为Ed，Ed∈(0,0.01)，初始中心值mj(1)中每个变量的赋值区间为[‑2,2]，mj(1)＝(m1j(1)，m2j(1)，…，mij(1))，mij(1)表示初始时刻隶属函数层第j个神经元中心向量的第i个元素；初始中心宽度σj(1)的赋值区间为[0,1]，σj(1)＝(σ1j(1)，σ2j(1)，…，σij(1))，σij(1)表示初始时刻隶属函数层第j个神经元宽度值向量的第i个元素；初始反馈连接权值θij(t)的赋值区间为[0,1]，j＝1，2，…，M；初始权值w(1)中每个变量的赋值区间为[‑1，1]，w(1)＝(w1(1)，w2(1)，…，wj(1))，wj(1)表示初始时刻规则层第j个神经元与输出层之间的连接权值；②设置学习步数s＝1；③t＝s，根据公式(1)计算递归模糊神经网络的输出y(t)，运用梯度下降算法调整递归模糊神经网络的参数为：θij(t+1)＝θij(t)‑ηθ(yd(t)‑y(t))wj(t)Oij(t)y(t‑1)   (6)wj(t+1)＝wj(t)‑ηw(yd(t)‑y(t))Oij(t)   (7)其中，ηm为中心向量mij的学习率，ηm∈(0，0.01]；ησ为宽度σj的学习率，ησ∈(0，0.01]，ηθ为反馈连接权值θij的学习率，ηθ∈(0，0.02]，ηw为连接权值wj的学习率，ηw∈(0，0.01]，mij(t+1)为t+1时刻隶属函数层第j个神经元中心向量的第i个元素，σij(t+1)为t+1时刻第j个隶属函数层神经元的宽度向量的第i个元素，θij(t+1)为t+1时刻第j个规则层神经元第i个元素的反馈连接权值，wj(t+1)为t+1时刻第j个规则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srij(t)(i＝1，2，…，4；j＝1，2，…，4)表示第i个系数对应的第j个污染等级的隶属度；其中，产水流量在不同污染等级下的隶属度计算为：产水压力在不同污染等级下的隶属度计算为：单池膜擦洗气量在不同污染等级下的隶属度计算为：透水率在不同污染等级下的隶属度计算为：③确定污染等级，设B(t)＝[b1(t)，b2(t)，b3(t)，b4(t)]表示矩阵R(t)的可能性向量，bj(t)表示t时刻第j个污染等级可能性的大小，j＝1，2，…，4，η(t)＝[η1(t)，η2(t)，η3(t)，η4(t)]表示R(t)的权重向量，ηj(t)表示权重向量中的第j个权重，bj(t)和ηj(t)的关系可表示为：bj(t)＝r1j(t)η1(t)+r2j(t)η2(t)+r3j(t)η3(t)+r4j(t)η4(t)  (25)B(t)＝R(t)η(t)  (26)由于bj(t)反映第j个污染等级可能性的大小，B(t)可表示在t时刻不同污染等级的贡献度，即：B(t)＝λ(t)η(t)   (27)λmax(t)＝maxλ(t)   (28)其中λ(t)是B(t)和η(t)之间的比例系数向量，根据公式(26)和(27)，λ(t)也是R(t)的特征值；把最大的比例系数记为λmax(t)，即R(t)的最大特征值为λmax(t)；最大特征值对应的R(t)矩阵的列数即为当前污染等级的大小。