申请日2017.03.27
公开(公告)日2017.08.08
IPC分类号G06F17/50; G06N3/04; G06N3/08
摘要
一种基于递归RBF神经网络的污泥膨胀故障辨识方法属于控制领域，又属于水处理领域。针对污水处理过程中污泥膨胀难以准确检测以及引起污泥膨胀的原因不易辨识的问题，本发明设计了一种基于递归RBF神经网络的污泥膨胀故障辨识方法，利用基于递归RBF神经网络建立污泥容积指数SVI的软测量模型，完成污泥容积指数SVI浓度的实时预测，一旦检测到污泥膨胀的发生，然后采用故障变量辨识CVI算法，准确地辨识引起污泥膨胀的故障变量。该方法能够根据故障变量提前控制污水处理过程，减少了污泥膨胀的发生率。
权利要求书
1.一种基于递归RBF神经网络的污泥膨胀故障辨识方法，其特征在于，包括以下步骤：
(1)确定污泥容积指数SVI的输入与输出变量：以活性污泥法污水处理过程为研究对象，对污水处理过程变量进行特征分析，选取与污泥容积指数SVI相关的过程变量为污泥容积指数SVI软测量模型的输入：溶解氧DO浓度，混合悬浮物MLSS浓度，温度T，化学需氧量COD浓度以及总氮TN浓度，污泥容积指数SVI软测量模型的输出为污泥容积指数SVI值;
(2)设计用于污泥容积指数SVI的软测量模型，利用递归RBF神经网络建立污泥容积指数SVI的软测量模型，递归RBF神经网络的拓扑结构分为三层：输入层、隐含层、输出层;神经网络为5-J-1的连接方式，即输入层神经元为5个，隐含层神经元为J个，J为大于2的正整数，输出层神经元为1个;输入层与隐含层之间的连接权值都赋值为1，隐含层与输出层之间的连接权值随机赋值，赋值区间为[-1,1];设共有N个训练样本，设第t时刻递归RBF神经网络输入为x(t)=[x1(t)，x2(t)，x3(t)，x4(t)，x5(t)]，x1(t)表示t时刻溶解氧浓度DO，x2(t)表示t时刻混合悬浮物浓度MLSS，x3(t)表示t时刻温度T，x4(t)表示t时刻化学需氧量COD浓度，x5(t)表示t时刻总氮TN浓度，递归RBF神经网络的期望输出表示为yd(t)，实际输出表示为y(t);基于递归RBF神经网络的污泥容积指数SVI的软测量方法计算方式依次为：
①输入层：该层由5个神经元组成，每个神经元的输出为：
ui(t)=xi(t) (1)
其中，ui(t)是t时刻第i个神经元的输出,i=1,2,…,5，xi(t)为t时刻输入层第i个神经元的输入;
②隐含层：隐含层由J个神经元组成，每个神经元的输出为：
其中，cj(t)为t时刻第j个隐含层神经元的中心向量，cj(t)=[c1j(t),c2j(t),…,c5j(t)]，cij(t)表示隐含层t时刻第j个神经元中心值的第i个元素，||hj(t)-cj(t)||表示hj(t)与cj(t)之间的欧式距离，σj(t)是t时刻第j个隐含层神经元的宽度，hj(t)是t时刻第j个隐含层神经元的输入向量
hj(t)=[u1(t),u2(t),u3(t),u4(t),u5(t),vj(t)×y(t-1)] (3)
y(t-1)是t-1时刻递归RBF神经网络的输出，vj(t)为t时刻输出神经元与第j个隐含层神经元的反馈连接权值，v(t)=[v1(t),v2(t),…,vJ(t)]T为t时刻输出神经元与隐含层神经元的反馈连接权值向量，T表示转置;
③输出层：输出层输出为：
其中，w(t)=[w1(t),w2(t),...,wJ(t)]T为t时刻隐含层与输出层的连接权值向量，wj(t)为t时刻第j个隐含层神经元与输出神经元的连接权值，θ(t)=[θ1(t),θ2(t),...,θJ(t)]T为t时刻隐含层的输出向量，θj(t)为t时刻第j个隐含层神经元的输出，y(t)为t时刻递归RBF神经网络的输出;
定义递归RBF神经网络的误差为：
其中，yd(t)为t时刻递归RBF神经网络的期望输出，y(t)为t时刻递归RBF神经网络的实际输出;
(3)训练递归RBF神经网络，具体为：
①给定递归RBF神经网络的隐含层神经元个数为J，J为大于2的正整数，递归RBF神经网络的输入为x(1)，x(2)，…，x(t)，…，x(N)，对应的期望输出为yd(1)，yd(2)，…，yd(t)，…，yd(N)，N表示递归RBF神经网络的训练样本数，期望误差值设为Ed，Ed∈(0,0.01)，初始中心值cj(1)中每个变量的赋值区间为[-2,2]，初始中心宽度σj(1)的赋值区间为[0,1]，初始反馈连接权值vj(t)的赋值区间为[0,1]，j=1，2，…，J;初始权值w(1)中每个变量的赋值区间为[-1,1];
②设置学习步数s=1;
③t=s，根据公式(1)、(2)、(3)、(4)计算递归RBF神经网络的输出y(t)，运用快速下降算法调整递归RBF神经网络的参数为：
vj(t+1)=vj(t)-ηv(yd(t)-y(t))wj(t)θ(t)y(t-1) (8)
wj(t+1)=wj(t)-ηw(yd(t)-y(t))θj(t) (9)
其中，ηc为中心c的学习率，ηc∈(0,0.01];ησ为宽度σ的学习率，ησ∈(0,0.01];ηv为反馈连接权值v的学习率,ηv∈(0,0.02];ηw为连接权值w的学习率，ηw∈(0,0.01];cj(t+1)=[c1j(t+1),c2j(t+1),…,c5j(t+1)]为t+1时刻第j个隐含层神经元的中心向量;σj(t+1)为t+1时刻第j个隐含层神经元的宽度;vj(t+1)为t+1时刻输出神经元与第j个隐含层神经元的反馈连接权值;wj(t+1)为t+1时刻第j个隐含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s ⑤根据公式(5)计算递归RBF神经网络的性能，如果E(t)≥Ed，则转向步骤③进行继续训练，如果E(t) (4)污泥容积指数SVI浓度预测; 将测试样本数据作为训练后的递归RBF神经网络的输入，递归RBF神经网络的输出即为污泥容积指数SVI浓度的软测量值。 (5)污泥膨胀故障变量辨识算法CVI，具体为： ①计算递归RBF神经网络的输出与期望输出的差值，若满足条件： 转向步骤②，若不满足，则停止故障变量辨识过程; ②定义两个公式如下： 其中，IC1(t)为t时刻输入变量间的马氏距离，IC2(t)为t时刻的平方预测误差，M代表输入数据的主要成分个数,θM(t)为t时刻第M个主成分输入数据的隐含层输出向量，δ(t)=[δ1(t),…,δm(t),…,δM(t)]T为t时刻输入数据的映射，δm(t)为 其中，为t时刻对于隐含层的M个主要成分输入数据的中心化的输出向量。K为当前样本个数，为t时刻第m个主成分输入数据的输出向量，ak(t)是常数，并且ak(t)∈(0,0.01]，t时刻M个主要成分的特征值对角矩阵被定义为： ΛM(t)为t时刻特征值的对角矩阵，满足： 其中，l’(t)是一个常数，I(t)是单位矩阵，是正则化的协方差矩阵C(t)，满足： Ω(t)=IC1(t)+l'-1(t)IC2(t) (16) 其中，Ω(t)为t时刻每个输入变量的能量，θk(t)为t时刻第k个样本的隐含层神经元输出向量。 常数向量a(t)=[a1(t),…aj(t),…aK(t)]T为 其中，G(t)为t时刻输入变量的高斯矩阵，并且λ(t)为特征值 G(t)={θi(t)·θj(t)}K×K (19) λ(t)p(t)=C(t)p(t) (20) 其中，p(t)为t时刻协方差矩阵C(t)的特征向量; ③对于第i个输入变量，其贡献度指数定义如下： 其中，Gi(t)为t时刻第i个变量的贡献度指数，κi(t)为t时刻第i个变量的贡献度，对于第i个变量t时刻的测试数据xi(t)，计算该测试数据与测试数据和训练数据之间的差异集的互信息得到，κi(t)表达为： κi(t)=I(xi(t),VΔ(t)) (22) I(xi(t),VΔ(t))为t时刻测试数据xi(t)与测试数据和训练数据间的差异集VΔ(t)之间的互信息： VΔ(t)=Vtr(t)-Vte(t) (23) 其中，Vtr(t)，Vte(t)分别为t时刻训练数据集和测试数据集的独立数据集： Vtr(t)=D-1(t)G(t) (24) Vte(t)=Dte-1(t)Gte(t) (25) 其中，D(t)为t时刻Φ(t)的协方差矩阵： D(t)=E{Φ(t)ΦT(t)} (26) Φ(t)=[θ(t-K+1),…,θ(t-1),θ(t)]T (27) 其中，Φ(t)为t时刻隐含层输出矩阵，θ(t-K+1)为递归RBF神经网络t-K+1时刻的隐含层神经元输出向量; ④对于变量i，若t时刻贡献度指标Gi(t)满足条件： G1(t)+…Gi(t)≥0.8 (28) 则变量1,…,i为t时刻引起污泥膨胀的故障变量。 说明书 一种基于递归RBF神经网络的污泥膨胀故障辨识方法 技术领域 本发明基于污水处理过程活性污泥工艺中容易发生污泥膨胀并且原因不易辨识，利用递归RBF神经网络设计了一种污泥膨胀故障辨识方法，实现了故障变量辨识后对污泥膨胀的提前有效调节;污水处理污泥容积指数SVI是表征污泥膨胀的重要参量，污水处理过程污泥容积指数SVI与过程变量的关系是实现有效预测污泥膨胀的基础环节;并且，污泥膨胀故障的辨识对污水处理的稳定安全运行有着重要影响，是先进制造技术领域的重要分支，既属于控制领域，又属于水处理领域。因此，对污泥膨胀故障辨识在污水处理系统中具有重要意义。 背景技术 城市污水处理过程，要保证污水处理系统的可靠性和稳定性。然而，污水处理过程的活性污泥工艺法常常发生污泥膨胀的现象。然而，污水处理过程各变量之间相互影响相互制约，对引起污泥膨胀的故障变量难以辨识，进而不能实施有效的调节控制，严重影响了污水处理过程的稳定运行。基于递归RBF神经网络的污泥膨胀故障辨识方法有利于提高城市污水处理效率、加强城市污水处理厂精细化管理、确保污水处理出水水质达标排放，缓解我国当前污水处理过程常出现的污泥膨胀现象的发生。不但具有较好的经济效益，而且具有显著的环境和社会效益。因此，本发明的研究成果具有广阔的应用前景。 目前，活性污泥法在处理城市污水及造纸、印染、化工等众多工业废水方面得到了普遍应用。但是，污泥膨胀问题一直是活性污泥法工艺中存在的棘手问题，由于泥水不能正常分离，导致污水处理流程工艺失败。污泥膨胀发生频繁，基本上污水处理流程工艺中都存在不同程度的污泥膨胀;污泥膨胀的发生覆盖率高，在德国、英国、南非等国家的污水处理厂调查结果显示，半数以上的污水处理厂存在着污泥容积指数过高、丝状菌过度增长的情况。可见，污泥膨胀是国内外污水处理厂面临的一个普遍的问题，各国的学者对预防和控制污泥膨胀做了大量的研究，虽然取得一些进展，但是到目前为止，并没有对污泥膨胀的有效的控制措施;重点是，一旦发生污泥膨胀，原因不易探究，且需要较长的时间处理工艺的失败。综上所述，污泥膨胀一旦发生，后果不容忽视。因此，对污泥膨胀这种故障现象的提前诊断和预防是解决污泥膨胀本质问题的行之有效的方法，有很高的实际意义。 本发明提出一种基于递归RBF神经网络的污泥膨胀故障辨识方法，通过构建基于递归RBF神经网络污泥容积指数SVI软测量模型，利用梯度下降的参数修正算法保证了递归RBF神经网络的精度。一旦预测出发生污泥膨胀，采用故障变量辨识CVI算法对引起污泥膨胀的故障变量进行辨识，该方法能有效的降低污泥膨胀的发生率，减少了污水处理厂的经济损失。 发明内容 本发明获得了一种基于递归RBF神经网络的污泥膨胀故障辨识方法，该方法通过分析污水处理过程，在众多可测变量中选择一组与污泥容积指数SVI有密切联系又容易测量的变量作为辅助变量，通过构造递归RBF神经网络，实现辅助变量与污泥容积指数SVI之间的映射，实现污泥容积指数SVI的实时测量。一旦预测出发生污泥膨胀，采用故障变量辨识CVI算法对引起污泥膨胀的变量进行辨识，可以有效的提前对污泥膨胀进行调节控制; 本发明采用了如下的技术方案及实现步骤： 1.一种基于递归RBF神经网络的污泥膨胀故障辨识方法，其特征在于通过特征分析获取污泥容积指数SVI的特征值，采用递归RBF神经网络建立污泥容积指数SVI的软测量模型，利用故障变量辨识CVI算法，辨识引起污泥膨胀的故障变量，包括以下步骤： (1)确定污泥容积指数SVI的输入与输出变量：以活性污泥法污水处理过程为研究对象，对污水处理过程变量进行特征分析，选取与污泥容积指数SVI相关的过程变量为污泥容积指数SVI软测量模型的输入：溶解氧DO浓度，混合悬浮物MLSS浓度，温度T，化学需氧量COD浓度以及总氮TN浓度，污泥容积指数SVI软测量模型的输出为污泥容积指数SVI值; (2)设计用于污泥容积指数SVI的软测量模型，利用递归RBF神经网络建立污泥容积指数SVI的软测量模型，递归RBF神经网络的拓扑结构分为三层：输入层、隐含层、输出层;神经网络为5-J-1的连接方式，即输入层神经元为5个，隐含层神经元为J个，J为大于2的正整数，输出层神经元为1个;输入层与隐含层之间的连接权值都赋值为1，隐含层与输出层之间的连接权值随机赋值，赋值区间为[-1,1];设共有N个训练样本，设第t时刻递归RBF神经网络输入为x(t)=[x1(t)，x2(t)，x3(t)，x4(t)，x5(t)]，x1(t)表示t时刻溶解氧浓度DO，x2(t)表示t时刻混合悬浮物浓度MLSS，x3(t)表示t时刻温度T，x4(t)表示t时刻化学需氧量COD浓度，x5(t)表示t时刻总氮TN浓度，递归RBF神经网络的期望输出表示为yd(t)，实际输出表示为y(t);基于递归RBF神经网络的污泥容积指数SVI的软测量方法计算方式依次为： ①输入层：该层由5个神经元组成，每个神经元的输出为： ui(t)=xi(t) (1) 其中，ui(t)是t时刻第i个神经元的输出,i=1,2,…,5，xi(t)为t时刻输入层第i个神经元的输入; ②隐含层：隐含层由J个神经元组成，每个神经元的输出为： 其中，cj(t)为t时刻第j个隐含层神经元的中心向量，cj(t)=[c1j(t),c2j(t),…,c5j(t)]，cij(t)表示隐含层t时刻第j个神经元中心值的第i个元素，||hj(t)-cj(t)||表示hj(t)与cj(t)之间的欧式距离，σj(t)是t时刻第j个隐含层神经元的宽度，hj(t)是t时刻第j个隐含层神经元的输入向量 hj(t)=[u1(t),u2(t),u3(t),u4(t),u5(t),vj(t)×y(t-1)] (3) y(t-1)是t-1时刻递归RBF神经网络的输出，vj(t)为t时刻输出神经元与第j个隐含层神经元的反馈连接权值，v(t)=[v1(t),v2(t),…,vJ(t)]T为t时刻输出神经元与隐含层神经元的反馈连接权值向量，T表示转置; ③输出层：输出层输出为： 其中，w(t)=[w1(t),w2(t),...,wJ(t)]T为t时刻隐含层与输出层的连接权值向量，wj(t)为t时刻第j个隐含层神经元与输出神经元的连接权值，θ(t)=[θ1(t),θ2(t),...,θJ(t)]T为t时刻隐含层的输出向量，θj(t)为t时刻第j个隐含层神经元的输出，y(t)为t时刻递归RBF神经网络的输出; 定义递归RBF神经网络的误差为： 其中，yd(t)为t时刻递归RBF神经网络的期望输出，y(t)为t时刻递归RBF神经网络的实际输出; (3)训练递归RBF神经网络，具体为： ①给定递归RBF神经网络的隐含层神经元个数为J，J为大于2的正整数，递归RBF神经网络的输入为x(1)，x(2)，…，x(t)，…，x(N)，对应的期望输出为yd(1)，yd(2)，…，yd(t)，…，yd(N)，N表示递归RBF神经网络的训练样本数，期望误差值设为Ed，Ed∈(0,0.01)，初始中心值cj(1)中每个变量的赋值区间为[-2,2]，初始中心宽度σj(1)的赋值区间为[0,1]，初始反馈连接权值vj(t)的赋值区间为[0,1]，j=1，2，…，J;初始权值w(1)中每个变量的赋值区间为[-1,1]; ②设置学习步数s=1; ③t=s，根据公式(1)、(2)、(3)、(4)计算递归RBF神经网络的输出y(t)，运用快速下降算法调整递归RBF神经网络的参数为： vj(t+1)=vj(t)-ηv(yd(t)-y(t))wj(t)θ(t)y(t-1) (8) wj(t+1)=wj(t)-ηw(yd(t)-y(t))θj(t) (9) 其中，ηc为中心c的学习率，ηc∈(0,0.01];ησ为宽度σ的学习率，ησ∈(0,0.01];ηv为反馈连接权值v的学习率,ηv∈(0,0.02];ηw为连接权值w的学习率，ηw∈(0,0.01];cj(t+1)=[c1j(t+1),c2j(t+1),…,c5j(t+1)]为t+1时刻第j个隐含层神经元的中心向量;σj(t+1)为t+1时刻第j个隐含层神经元的宽度;vj(t+1)为t+1时刻输出神经元与第j个隐含层神经元的反馈连接权值;wj(t+1)为t+1时刻第j个隐含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s ⑤根据公式(5)计算递归RBF神经网络的性能，如果E(t)≥Ed，则转向步骤③进行继续训练，如果E(t) (4)污泥容积指数SVI浓度预测; 将测试样本数据作为训练后的递归RBF神经网络的输入，递归RBF神经网络的输出即为污泥容积指数SVI浓度的软测量值。 (5)污泥膨胀故障变量辨识算法CVI，具体为： ①计算递归RBF神经网络的输出与期望输出的差值，若满足条件： 转向步骤②，若不满足，则停止故障变量辨识过程; ②定义两个公式如下： 其中，IC1(t)为t时刻输入变量间的马氏距离，IC2(t)为t时刻的平方预测误差，M代表输入数据的主要成分个数,θM(t)为t时刻第M个主成分输入数据的隐含层输出向量。δ(t)=[δ1(t),…,δm(t),…,δM(t)]T为t时刻输入数据的映射，并且δm(t)为 其中，为t时刻对于隐含层的M个主要成分输入数据的中心化的输出向量。K为当前样本个数，为t时刻第m个主成分输入数据的输出向量，ak(t)是常数，并且ak(t)∈(0,0.01]，t时刻M个主要成分的特征值对角矩阵被定义为： ΛM(t)为t时刻特征值的对角矩阵，满足： 其中，I(t)是单位矩阵，是正则化的协方差矩阵C(t)，l’(t)是一个常数，满足： Ω(t)=IC1(t)+l'-1(t)IC2(t) (16) 其中，Ω(t)为t时刻每个输入变量的能量，θk(t)为t时刻第k个样本的隐含层神经元输出向量。 常数向量a(t)=[a1(t),…aj(t),…aK(t)]T为 其中，G(t)为t时刻输入变量的高斯矩阵，并且λ(t)为特征值 G(t)={θi(t)·θj(t)}K×K (19) λ(t)p(t)=C(t)p(t) (20) 其中，p(t)为t时刻协方差矩阵C(t)的特征向量; ③对于第i个输入变量，其贡献度指数定义如下： 其中，Gi(t)为t时刻第i个变量的贡献度指数，κi(t)为t时刻第i个变量的贡献度，对于第i个变量t时刻的测试数据xi(t)，计算该测试数据与测试数据和训练数据之间的差异集的互信息得到，κi(t)表达为： κi(t)=I(xi(t),VΔ(t)) (22) I(xi(t),VΔ(t))为t时刻测试数据xi(t)与测试数据和训练数据间的差异集VΔ(t)之间的互信息： VΔ(t)=Vtr(t)-Vte(t) (23) 其中，Vtr(t)，Vte(t)分别为t时刻训练数据集和测试数据集的独立数据集： Vtr(t)=D-1(t)G(t) (24) Vte(t)=Dte-1(t)Gte(t) (25) 其中，D(t)为t时刻Φ(t)的协方差矩阵： D(t)=E{Φ(t)ΦT(t)} (26) Φ(t)=[θ(t-K+1),…,θ(t-1),θ(t)]T (27) 其中，Φ(t)为t时刻隐含层输出矩阵，θ(t-K+1)为递归RBF神经网络t-K+1时刻的隐含层神经元输出向量; ④对于变量i，若t时刻贡献度指标Gi(t)满足条件： G1(t)+…Gi(t)≥0.8 (28) 则变量1,…,i为t时刻引起污泥膨胀的故障变量。 本发明的创造性主要体现在： (1)本发明针对当前污水处理过程中频繁发生的污泥膨胀现象并且原因不易探究，提出了一种基于递归RBF神经网络的污泥膨胀故障辨识方法，不仅能够预测污泥膨胀的发生，还能辨识引起污泥膨胀的故障变量。根据实际污水处理厂工作报表提取了与污泥容积指数SVI浓度相关的5个相关变量：溶解氧浓度DO，混合悬浮物浓度MLSS，温度T，化学需氧量COD以及总氮TN，实现了污泥容积指数SVI浓度的预测，解决了污泥膨胀的在线预测问题。 (2)本发明采用故障变量辨识CVI算法，有效的辨识引起污泥膨胀的故障变量，从而，实现了提前对污泥膨胀的有效调节控制;辨识故障变量具有精度高，对污水处理过程发生的污泥膨胀有良好的调节作用; 特别要注意：本发明采用与污泥容积指数SVI相关的6个特征变量建立其软测量模型，只要采用了本发明的相关变量及递归RBF神经网络进行污泥容积指数SVI检测方法研究都应属于本发明的范围。
