关键词：
污水处理过程
智能控制
递归小波神经网络
自组织机制
摘要：
污水处理过程是缓解水资源危机,减少自然水需要和削弱水环境污染的重要方式。为了实现污水处理过程的高效稳定运行,保证出水水质达标,实施污水处理过程的精准控制十分关键。然而,污水处理过程包含多个复杂物理和生化反应过程,过程跟踪控制面临许多挑战,具体表现如下:1)污水处理过程的反应机理复杂,难以建立精准的机理模型,导致关键出水水质参数如出水氨氮、生化需氧量等难以精准检测;2)污水处理过程外部环境只能被动接受,入水流量波动较大,控制变量之间存在严重的耦合,系统运行处于非平稳状态,为实现污水处理过程的精准控制带来了巨大的挑战。针对以上问题,本文提出了基于递归小波神经网络的污水处理过程智能控制方法。首先,分析了污水处理过程生化反应机理及其特点,提取相应特征变量,构建了污水处理出水氨氮软测量模型。其次,利用出水氨氮历史数据,基于相空间重构提取数据特征并刻画氨氮时间序列动态特性,设计了污水处理过程出水氨氮预测方法。然后,针对污水处理过程动态特性,提出了单变量自组织控制方法,实现了溶解氧浓度的精准控制。最后,设计了污水处理过程多变量智能控制策略建立了污水处理过程控制系统,保证污水处理过程高效稳定运行。论文的主要研究内容和创新点如下:(1)污水处理过程出水氨氮软测量模型针对出水氨氮难以在线检测的问题,提出了一种基于自组织级联神经网络的软测量模型。首先,基于主元分析法选取出水氨氮特征变量,确定软测量模型的输入变量;其次,基于正交最小二乘法和测试误差,设计了神经元选择机制和停止准则,自动调整自组织级联神经网络的结构;然后,设计了递增学习算法更新模型的参数。最后的实验结果表明,所提出的方法能够实现出水氨氮的实时检测,并能够有效提高检测精度。(2)基于SPRWNN的出水氨氮离线预测方法针对污水处理过程非线性特点,将出水氨氮预测转化为时间序列预测问题,并设计了基于自组织流水线型递归小波神经网络(self-organizing pipelined recurrent wavelet neural network,SPRWNN)的出水氨氮离线预测方法。首先,基于尖峰强度设计了自组织机制,实现每个模块隐藏神经元的自动调整;其次,设计了基于预测性能的模块增长机制,解决了网络结构设计问题;然后,从理论方法角度证明了SPRWNN网络的收敛性。最后的实验结果表明,SPRWNN不仅可以自动调整网络结构,而且与固定结构的流水线型递归小波神经网络相比,其预测精度更高。(3)基于相空间重构的出水氨氮在线预测方法针对污水处理过程的时变特性导致出水氨氮预测模型性能降低的问题,提了一种基于相空间重构和流水线型递归小波神经网络(pipelined recurrent wavelet neural network,PRWNN)的在线预测方法。首先,采用相关维数法证明了出水氨氮时间序列的混沌特性;其次,基于混沌特性,利用相空间重构技术重构了出水氨氮浓度的相空间;再次,通过PRWNN建立重构相空间的输入和输出的关系模型;然后,设计了结合自适应学习率的在线梯度算法,在线更新模型参数。最后的结果表明,所提算法可以有效提高出水氨氮的预测精度。(4)基于OG-PRWNN的溶解氧浓度控制方法针对污水处理过程不确定性特点,提出了一种在线增长PRWNN(onlinegrowing PRWNN,OG-PRWNN)控制器,实现了溶解氧浓度的精准控制。首先,基于控制性能设计了一种在线增长机制,自动调整控制器模块数量,满足污水处理过程不同运行条件;其次,为了满足控制的精度要求,设计了结合自适应学习率的参数在线算法;然后,在控制器结构固定和变化时,分别利用Lyapunov稳定性定理分析了控制器的稳定性。最后,基于仿真平台的实验结果表明,控制器能够保证平稳精准的跟踪控制性能。(5)污水处理过程多变量解耦控制方法针对污水处理过程控制变量之间互相耦合的特点,设计了一种融合输入变量信息的自组织递归小波神经网络控制方法,实现了污水处理过程的多变量精准控制。首先,针对溶解氧和硝态氮耦合问题,基于控制误差建立了联合输入机制,减轻控制变量耦合影响;其次,设计了基于小波节点尖峰强度的自组织机制,自动调整控制器的结构;然后,采用结合自适应学习率的在线学习算法,训练控制器的参数;最后,通过Lyapunov稳定性定理证明了控制器的稳定性。实验结果表明,所提控制方法可以有效地提高污水处理过程的控制精度。(6)污水处理过程多变量自组织控制系统针对污水处理过程难以平稳运行的问题,提出了一种基于自组织递归小波神经网络(recurrent wavelet neural network,RWNN)的污水处理过程多变量控制系统。首先,考虑控制计算成本,设计了一个多输入多输出RWNN控制器,实现溶解氧和硝态氮的跟踪控制;其次,根据小波基的激活强度,设计自组
