溶解氧浓度的神经网络控制研究

污水生化处理过程常常受到入水流量水质变化而处于动态过程,溶解氧浓度作为系统运行过程的一个关键变量,采用经典的PI控制器难以保证良好的控制效果;针对污水处理过程的溶解氧浓度控制问题,提出了基于单神经元自适应PID算法和基于RBF神经网络两种控制器;在国际基准Benchmark Simulation Model No.1 (BSM1)的仿真平台上进行仿真实验,与经典PI控制器的运行结果对比,证明了在所提出的两种控制器作用下,溶解氧浓度具有更好的跟踪给定值能力,控制系统具有更好的综合性能指标值.     

动态结构优化神经网络及其在溶解氧控制中的应用

提出一种神绎网络结构动态优化设计方法,其实质是通过判断隐含层神经元在学习过程中对输出的影响,利用竞争机制在信息处理过程中增加或删减隐含层神经元,实现神经网络结构的动态优化调整.将结构动态优化设计神经网络应用于污水处理过程中溶解氧的控制,实验结果表明该控制器较之固定结构神经网络控制器在超调、调节时间、自适应能力方面都更优.     

特殊天气污水溶解氧浓度的自适应广义预测控制

污水处理过程具有非线性、时变、大滞后的特点,尤其在雨天暴雨等特殊天气下,污水的入水波动会对控制器造成严重干扰。文中提出一种基于模糊神经网络模型的自适应广义预测控制算法,实现对污水处理过程中溶解氧浓度的实时控制。该算法利用反馈线性化思想实现自适应广义预测控制器的设计,在证明其李雅普诺夫稳定的同时,得到修正系统的受控自回归积分滑动平均模型参数自适应规则,动态调整模型参数使系统跟踪误差达到最小。仿真实验结果表明,该算法能够稳定、快速地控制溶解氧浓度,具有较强的抗干扰能力和鲁棒性,该控制算法特别适合用于污水处理过程的特殊天气（如雨天和暴雨天）中。     

基于自组织模糊神经网络溶解氧控制方法研究

针对污水处理过程中溶解氧浓度难以控制的问题,提出了一种基于自组织模糊神经网络（self-organizing fuzzy neural network, SOFNN）的溶解氧（dissolved oxygen, DO）控制方法。首先,采用激活强度和神经元重要性两个评判标准,来判断神经元对网络的贡献及活跃程度。然后,对不活跃的神经元进行删减,以此来对神经网络结构进行自适应的调整,从而满足实际控制要求,提高控制精度。其次,采用梯度下降算法对SOFNN神经网络的各个参数进行实时调整,以保证网络的精度。最后,将该自组织方法用在Mackey-Glass时间序列预测中,结果表明所提出的自组织模糊神经网络具有较好的预测效果;同时将所提出的SOFNN方法在BSM1仿真平台上进行实验验证。结果表明,所提出的自组织模糊神经网络控制方法能够对溶解氧浓度进行较好地控制,具有一定的自适应能力。     

溶解氧浓度的前馈神经网络建模控制方法

针对污水处理过程溶解氧(DO)浓度控制问题,提出了一种基于前馈神经网络的建模控制方法(FNNMC).本文构造了神经网络建模控制系统,通过对建模神经网络和控制神经网络隐含层学习率的分析,证明了学习算法的收敛性以及整个系统的稳定性.最后,本文基于国际基准的Benchmark Simulation Model No.1 (BSMl)进行了仿真实验,验证了合理选取学习率的重要性,并通过与PID和模型预测控制(MPC)等已有控制方法的比较,验证了神经网络建模控制方法针对污水处理过程溶解氧浓度控制具有良好的建模能力,更高的控制精度以及更好的动态响应能力.     

基于模糊神经网络的发酵过程溶解氧预估控制

采用模糊逻辑学习算法建立Ｌ－异亮氨酸发酵溶解氧的模糊间接预估规则,并利用模糊神经网络实现这些规则。该网络经过学习能对模糊规则的隶属函数进行调整。仿真结果表明,按该模糊神经网络预估器进行预估控制,可节约发酵供氧能量,防止出现氧限制的情况,从而解决了常规控制难以解决的溶解氧控制问题。     

直接自适应动态递归模糊神经网络控制及其应用

针对某些仿射非线性系统中各状态变量间呈微分关系的特点,本文提出仅取某些可测状态变量 作为动态递归模糊神经网络(dynamic recurrent fuzzy neural network, DRFNN) 的输入,而由DRFNN 的反馈矩阵 描述系统内部动态关系的直接自适应DRFNN 控制算法,克服了将系统所有变量作为输入的传统模糊神经网 络(traditioanl fuzzy neural network, TFNN) 因某些不可测状态变量所导致的不可实现问题．在电液伺服系统中的 应用结果表明：直接自适应DRFNN 控制算法相对于TFNN 控制算法对系统稳态特性的改善具有较大的优越 性．     

污水处理系统溶解氧的区间预测控制方法

针对污水处理系统溶解氧浓度难以控制和曝气耗能高的问题,提出了一种基于双层优化结构的加权区间预测控制方法。该方法首先通过动态矩阵控制算法建立污水处理过程预测模型,然后设计一种融合溶解氧区间控制和曝气能耗指标的双层目标优化控制策略,同时为减小模型失配和干扰因素对系统的影响,利用模型预测误差进行系统反馈校正。仿真结果表明,与传统PID控制和模型预测控制方法相比,在不同工况下,区间预测控制方法可较好的实现溶解氧浓度的动态稳定控制,具有较强的抗干扰能力与自适应性,且在保证出水水质的前提下能有效降低曝气能耗。     

污水处理过程溶解氧浓度的自抗扰控制

溶解氧是活性污泥法处理污水的一个关键变量,它关系到污水中有机物的生物降解、微生物生长和出水水质.多数污水处理过程选择溶解氧为被控量.然而,溶解氧浓度受进水流量,进水组分、浓度波动等诸多因素影响,较难控制.本文根据曝气量变化确定溶解氧浓度设定值,以污水进水变化率为控制量,设计线性自抗扰控制实现对溶解氧浓度的跟踪,进而获得对污水出水底物浓度的间接控制.设计两组仿真实验,分别模拟进水底物浓度固定和变化时,线性自抗扰控制对溶解氧浓度和出水底物浓度的控制;同时,设计仿真实验验证线性自抗扰控制对总扰动的估计和补偿效果.仿真结果表明,线性自抗扰控制可获得良好的溶解氧浓度跟踪和出水底物浓度控制效果;在进水水质波动时,线性自抗扰控制亦具有很强的干扰补偿能力,可保证出水水质.     

基于动态结构自适应神经网络的不确定时滞系统跟踪控制

针对一类不确定时滞非线性系统,提出一种自适应跟踪控制器.首先采用Lyapunov-Krasovskii函数设计时滞补偿器,并构造其中的参数调节规律.再针对建模误筹及小确定非线性,引入动态结构自适应神经网络,其隐层神经元个数可以随着跟踪误差的增大而在线增加,以提高逼近精度.最后,用仿真示例表明本文所提方法是有效的.     

Model predictive control of dissolved oxygen concentration based on a self-organizing RBF neural network

The dissolved oxygen (DO) concentration in activated sludge wastewater treatment processes (WWTPs) is difficult to control because of the complex nonlinear behavior involved. In this paper, a self-organizing radial basis function (RBF) neural network model predictive control (SORBF-MPC) method is proposed for controlling the DO concentration in a WWTP. The proposed SORBF can vary its structure dynamically to maintain prediction accuracy. The hidden nodes in the RBF neural network can be added or removed on-line based on node activity and mutual information (MI) to achieve the appropriate network complexity and the necessary dynamism. Moreover, the convergence of the SORBF is analyzed in both the dynamic process phase and the phase following the modification of the structure. Finally, the SORBF-MPC is applied to the Benchmark Simulation Model 1 (BSM1) WWTP to maintain the DO concentration. The results show that SORBF-MPC effectively provides process control. The performance comparison also indicates that the proposed model's predictive control strategy yields the most accurate for DO concentration, better effluent qualities, and lower average aeration energy (AE) consumption.     

非脆弱递归滑模动态面自适应神经网络控制

针对一类非匹配不确定非线性系统的跟踪控制问题, 提出了一种递归滑模动态面自适应控制算法. 采用神经网络(neural network, NN)在线逼近系统不确定项, 通过设计递归滑模动态面有效综合反推步骤中每步跟踪误差之间相互影响和制约的关系. 该方法避免了反推法存在的“微分爆炸”问题, 克服了传统动态面方法对其低通滤波器时间常数和神经网络自适应参数摄动脆弱的缺点. 稳定性分析证明了该方法能够保证闭环系统所有状态半全局一致最终有界, 且跟踪误差可以收敛至原点的任意小邻域.     

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.     

基于粒子群算法–反向传播神经网络自适应的氧调器控制系统

氧气面罩中的核心部件是氧气调节器(氧调器).针对当前氧气调节器的大流量、低吸气阻力、快速响应的性能需求,本文在分析了电子氧气调节器工作原理的基础上,介绍了氧气调节器的数学模型,采用了反向传播(BP)神经网络自适应控制算法,并使用粒子群算法(PSO)对BP神经网络自适应控制算法的初值进行筛选.最后,对算法的性能进行了仿真.仿真结果表明,系统具有鲁棒性,且与传统的比例–积分–微分(PID)控制方法和自抗扰控制(ADRC)方法相比, PSO–BP神经网络自适应控制方法实现了更精确的吸气阻力调节、更快的响应速度.此外,当呼吸频率变化或者外界干扰变化时,相比于常规PID算法和ADRC算法则需要人工调整控制参数, PSO–BP神经网络自适应算法则可以自动在线学习训练并调整控制参数,应用前景广阔.     

不确定非线性系统的直接自适应神经网络控制

为解决一类带干扰的不确定非线性系统中存在的两类未知项——未知函数和外界干扰,采用了直接自适应神经网络控制方法设计控制器。控制器设计中利用径向基函数神经网络良好的逼近性来近似未知函数,利用非线性衰减项来抑制干扰。所用方法结构简单、算法简洁,在一定条件下稳定性和收敛性能定性地得到保证。最后,仿真结果证明了该方法是正确的。