基于递归模糊神经网络的污水处理控制方法

针对污水处理过程具有非线性、大时变等问题,提出了一种基于递归模糊神经网络的多变量控制方法。该方法通过递归模糊神经网络控制器自适应地获得对操作变量的控制精度,控制器在常规BP学习算法的基础上采用学习率自适应学习算法且引入了动量项来训练网络参数,避免网络陷入局部最优,提高了网络对系统的控制精度。最后,基于仿真基准模型(BSM1)平台对第五分区中的溶解氧和第二分区中的硝态氮控制进行动态仿真实验,结果表明,与PID、前馈神经网络和常规递归神经网络相比,该方法能有效提高系统的自适应控制精度。     

基于知识的污水生化处理过程智能优化方法

针对污水处理过程控制能耗过大和水质超标严重等问题,本文提出一种基于知识的污水生化处理过程智能优化控制方法.该方法通过记忆多目标智能优化算法的动态处理信息,建立环境变量参数与最优解之间的知识模型.优化算法利用知识库中非支配解的引导,结合定向局部区域寻优以及随机全局寻优策略,提高了算法的收敛性,获取了更高质量的解.最后基于国际通用平台BSM1进行实验验证.结果表明,与其他优化算法相比,该方法能够在保证出水水质的前提下产生更少的能量消耗.     

基于自适应递归模糊神经网络的污水处理控制

针对污水处理过程中具有的非线性、大时变等特征,提出了一种基于自适应递归模糊神经网络(recurrent fuzzy neural network,RFNN)的污水处理控制方法.该方法利用自适应RFNN识别器建立污水处理过程的非线性动态模型,建立的模型可以为RFNN控制器提供污水处理过程中的状态变量信息,保证了控制器根据系统响应调整操作变量的精确性;并且RFNN辨识器及RFNN控制器基于自适应学习率进行学习,确保了递归模糊神经网络的收敛精度和速度,并通过构造李雅普诺夫函数证明了此算法的收敛性;最后,基于基准仿真模型(benchmark simulation model 1,BSM1)平台进行仿真实验.结果表明,与PID、模型预测控制及前馈神经网络相比,该方法对污水处理中溶解氧浓度和硝态氮浓度的跟踪控制精度具有明显的提升.