发酵过程的多模型融合建模算法

提出了利用多模型融合技术进行发酵过程建模的新方法， 该方法能够将在线参数和离线参数同时用于建模中． 首先给出了多模型融合建模算法框架， 并描述了基于自适应模糊神经网络和模糊推理技术两个参与融合的子模型的建立方法. 采用三个非线性函数分别运用GMDH-PTSV算法、傅里叶神经网络和多模型融合建模算法进行建模精度比较. 最后给出了多模型融合建模算法在青霉素发酵过程中应用的结果．     

神经网络类机理建模下的持续自学习控制

针对未知、时变复杂动力学系统在基于模型的控制中的动态建模问题, 本文采用前向全连接神经网络对动力学系统进行数据驱动下的非机理拟合建模. 通过动态线性化和归一化/反归一化数据处理, 基于前向传播算法, 将神经网络的网络拓扑计算过程转化成动力学系统机理模型的同构等价表达形式. 与基于模型的预测与反演控制相结合, 提出了神经网络类机理建模下的持续自学习控制方法, 探索了神经网络在动力学系统建模与控制中的可解释性问题. 以机械臂为控制对象的仿真结果表明, 神经网络类机理模型与机理模型在形式上同构, 在参数上近似或等价, 可用于控制系统控制品质的定性、定量分析. 持续自学习控制对非线性未知、时变复杂系统具有较好的动态适应能力.     

青霉素发酵过程建模研究

青霉素发酵过程是一种具有非线性、时变性的复杂生化反应系统,由于一些生物参数在线检测困难,许多生化过程的代谢途径尚不明确,难以建立精确数学模型.而神经网络具有非线性、多变量、自学习、并行处理等特点,用于非线性系统的建模具有无可比拟的优势.因此,以青霉素发酵过程生化机理模型产生的数据为样本,训练RBF神经网络,建立了基于RBF神经网络的发酵过程模型.该模型可用于发酵过程中状态变量的估算与预测,并且可估计底物、产物、菌体浓度的变化趋势,对实际工作具有指导意义.     

混合选别浓密过程双速率智能切换控制

赤铁矿混合选别浓密过程是以底流矿浆泵频率为输入,以底流矿浆流量为内环输出,以底流矿浆浓度为外环输出的强非线性串级工业过程.由于受到频繁的浮选过程产生的中矿矿浆和污水的随机干扰,底流矿浆浓度外环和流量内环始终处于动态变化之中,控制器积分作用失效,内外环相互影响,使被控系统的动态性能变坏,底流矿浆浓度与流量超出工艺规定的控制目标的范围,甚至产生谐振.本文针对上述问题利用提升技术建立基于内环流量闭环动态模型的浓度外环动态模型,将基于未建模动态补偿驱动的一步最优PI控制和基于模糊推理与规则推理的切换控制相结合,提出了由浓度外环控制和流量内环控制组成的混合选别浓密过程的双速率智能切换控制算法,建立了由机理主模型和神经网络补偿模型组成的混合选别浓密过程动态模型.所提算法通过混合选别浓密过程的半实物仿真实验结果表明本文所提控制方法的有效性.     

基于小波网络模型的EPI过程的控制和优化

针对具有强非线性、大纯滞后特性的EPI反应分馏生产过程的废液DOC体积分数控制这一控制难题,应用小波神经网络模型和结合机理分析模型及小波神经网络模型的混合模型结构进行实际EPI反应分馏生产过程的建模控制和优化,提出了基于稳态小波神经网络模型的优化和基于动态小波神经网络模型的非线性预测控制两层结构的整体解决方案,在实际生产过程中获得了成功的应用,不仅使生产过程平稳运行,而且显著地降低排放废液中的DOC体积分数,达到了环保的标准。所提出的技术适合于许多连续反应系统。     

基于Bagging集成的球团矿烧结过程混合建模

链篦机回转窑球团矿烧结过程是典型的热工过程,具有非线性、高耦合和大滞后的特点.要建立精确可靠的机理模型十分困难.此外,简化和假定条件与实际过程之间往往存在偏差,因此,单纯利用机理建模方法对球团矿烧结过程进行建模具有一定的局限性.考虑到球团矿烧结过程的复杂性和单纯机理模型的局限性,在机理模型的基础上,利用神经网络集成进行灰箱模型建模,以BP神经网络为集成的个体网络,采用Bagging法来生成样本集,样本用来训练个体网络.结果显示,混合模型具有更高的精度,是一种更优的模型.     

RBF-ARX模型在串级系统中的应用

针对液位串级系统的非线性特征,采用RBF-ARX模型对液位串级系统的非线性动态特性进行建模,讨论了RBF—ARX模型结构的选取,模型参数辨识,RBF参数优化等问题。采用了不同的序列作为状态向量,分别建立了液位串级系统的训练数据和测试数据的RBF—ARX模型,分析了各模型的可靠性。模型的预测输出和仿真结果表明,RBF—ARX模型在非线性系统建模和辨识中是有效的。     

CDC/MVT离群点去除的KPCA-MSVMs过程监控

基于主元分析(Principal Component Analysis,PCA)的统计监控模型易受建模数据中离群点的影响;大多工业过程表现出强非线性;且基于PCA的统计性能监控法由于不用过程机理模型的信息从而对故障诊断问题难以在理论上作系统分析,提出基于中心最短距离法CDC (Closest Distance to Center,CDC)/椭球多变量整理法MVT(ellipsoidal Multivariate Trimming,MVT)离群点去除的核主元分析KPCA (Kernel PCA,KPCA)-多支撑向量机MSVMs(Multiple Support Vector Machines,MSVMs)的过程监控方法.该方法首先提出改进尺度的CDC/MVT离群点去除算法以获取正常建模数据;然后利用KPCA来进行故障特征的提取,从而提高非线性统计过程监控的准确性;最后提出MSVMs用来对故障的来源进行分类,以避免求解核主元空间到原始空间的逆映射.将该方法应用到对TE(Tennessee Eastman,TE)过程的监控,表明了所提出方法的有效性,为过程的监控和故障诊断提供了一个新的方法.     

基于小波神经网络的抄纸过程建模仿真研究

抄纸过程中水分定量控制是一种复杂的多变量耦合过程.它具有大滞后、非线性、时变、不确定等特性,因此一般采用常规方法很难准确建立其数学模型.神经网络是一种很好的非线性数学模型,运用多输入多输出的小波神经网络对抄纸过程中水分定量控制进行数学建模,并在小波神经的嘲络训练过程中采用了两种训练方法,加快了训练速度.结果表明,小波神经网络输出值与实际模型输出值的误差在允许范围内,可以很好的逼近抄纸过程的数学模型.     

汽水板式换热过程区间串级智能控制方法

汽水板式换热过程是以蒸汽阀门开度为输入,以蒸汽流量为内环输出,以供水温度为外环输出的强非线性串级工业过程,受到室外温度和厂区热用户放水的随机干扰,导致供水温度和蒸汽流量大范围波动.本文针对处于干扰环境下的具有不确定性和强非线性串级工业过程,将前馈补偿、串级PI控制和规则推理区间补偿控制相结合,提出了由外环供水温度前馈PI控制、内环蒸汽流量PI控制的串级控制与规则推理的内外环设定值区间补偿控制组成的区间串级智能控制方法,并成功应用于某选矿厂的汽水板式换热过程,工业应用结果表明所提出的方法在室外温度和热用户放水的随机干扰下,可以将供水温度和蒸汽流量同时控制在工艺要求的范围内.     

污水处理净化过程的三维细胞自动机动态模拟

针对污水处理过程的复杂性、不可重复性和不可再现性等特点,根据活性污泥的净化机理与动力学特性,在Mckinney等人建立的经典活性污泥法动力学模型的基础上,提出了一种模拟活性污泥净化过程的三维格子气细胞自动机模型.该模型的演化规则根据微生物的增殖规律和经典的动力学模型设计,模型通过模拟有机物和微生物的扩散、反应和沉降过程,反应了活性污泥的整个净化过程.对模型进行的仿真实验结果表明:该模型不仅可以复现污水净化过程,而且更直观地刻画了活性污泥法污水处理过程的动态演化行为,直接反映出活性污泥法系统的表观特征.     

城市污水处理过程污泥膨胀识别与抑制综述

污泥膨胀是活性污泥法污水处理过程中常见的一类异常工况, 且具有严重危害性, 研究污泥膨胀的识别和抑制方法对城市污水处理过程正常运行意义重大. 本文主要针对城市污水处理过程中污泥膨胀的识别和抑制方法进行综述. 首先, 文章概述了城市污水处理过程, 介绍了污泥膨胀的概念、主要特点、类型和成因; 其次, 概述了基于微生物生理特征、机理模型、图像识别和数据驱动的污泥膨胀识别方法, 分析其发展现状并指出优缺点; 然后, 概述了基于过程调控和机理特征的污泥膨胀抑制方法, 分析其发展现状并对比优缺点; 最后, 总结全文, 指出了城市污水处理过程污泥膨胀识别和抑制面临的主要问题, 并对其研究趋势进行了展望.     

Soft-sensing estimation of plant effluent concentrations in a biological wastewater treatment plant using an optimal neural network

Recent studies into the estimation and control of an activated sludge process (ASP) at a wastewater treatment plant suggest that artificial-intelligence methods, such as neural networks, fuzzy systems and genetic algorithms, can improve the plant performance in terms of reduced operation costs and improved effluent quality. In this paper, a neural-network-based soft sensor is developed for the on-line prediction of effluent concentrations in an ASP in terms of primary hard-to-measure variables, such as chemical oxygen demand, total nitrogen content and total suspended solids, starting from secondary on-line easy-to-measure variables, such as oxygen and nitrogen compound concentrations in biological tanks, input flow rate and alkalinity, among others. An algorithm based on principal component analysis is applied to select the optimal net input vectors for the soft sensor, using an appropriated number of samples of the secondary variables set. The proposed soft sensor is tested on the ASP of a large-scale municipal wastewater treatment plant running under the GPS-X simulation frame and validated with operational gathered data. Satisfactory low values for mean and maximum absolute prediction errors are obtained, even when high values of sampling time of primary variables are set, as it is frequently done during monitoring operation. In this way, data-driven soft-sensors based on neural networks can become valuable tools for plant operators for the recognition of operational states in terms of low cost and efficient prediction of primary process variables such as chemical oxygen demand, total nitrogen content and total suspended solids, therefore avoiding the acquisition of expensive and sometimes unreliable instruments for measuring nutrient concentrations in plant.     

基于神经网络的生化池污水毒性软测量

文中叙述了污水中有毒物质对活性污泥的有毒效应(即生化池污水毒性)及其对整个污水生化处理系统的影响.通过分析有毒污水对生化池相关参数的影响,提出了基于径向基函数(RBF)神经网络的软测量方法.并从工程应用角度将人工神经网络软测量方法应用于生化池污水毒性指标的实时检测.在永和污水厂的试用中证明了这种方法的有效性.     

前置反硝化污水生化处理过程优化控制

针对活性污泥前置反硝化污水生化处理工艺,提出一种以排水质量指标为约束条件、以能量消耗最小为目标的优化控制方案．由于污水生化过程机理复杂、参数众多,其最优问题求解困难．因此,在原有活性污泥1号模型和国际评价基准的基础上建立了能够有效模拟原有模型的简化模型,并进一步结合混合遗传算法进行寻优,显著提高了求解效率．仿真结果表明了该方案和方法的有效性．     

Nonlinear control structures based on embedded neural system models

This paper investigates in detail the possible application of neural networks to the modeling and adaptive control of nonlinear systems. Nonlinear neural-network-based plant modeling is first discussed, based on the approximation capabilities of the multilayer perceptron. A structure is then proposed to utilize feedforward networks within a direct model reference adaptive control strategy. The difficulties involved in training this network, embedded within the closed-loop are discussed and a novel neural-network-based sensitivity modeling approach proposed to allow for the backpropagation of errors through the plant to the neural controller. Finally, a novel nonlinear internal model control (IMC) strategy is suggested, that utilizes a nonlinear neural model of the plant to generate parameter estimates over the nonlinear operating region for an adaptive linear internal model, without the problems associated with recursive parameter identification algorithms. Unlike other neural IMC approaches the linear control law can then be readily designed. A continuous stirred tank reactor was chosen as a realistic nonlinear case study for the techniques discussed in the paper.     

活性污泥法污水处理过程的建模与仿真技术的研究

综述了活性污泥法污水处理过程的建模及仿真技术的发展 .在分析活性污泥法污水处理过程现状的基础上 ,阐述了传统数学模型、智能模型以及混合模型的建模方法 ,并介绍了目前活性污泥系统仿真技术的发展现状 .     

Wastewater treatment modelling with smoothed particle hydrodynamics

In this paper a novel hydrodynamic wastewater treatment (WWT) model based on smoothed particle hydrodynamics (SPH) is presented. The hydraulics of the wastewater treatment plant is modelled in detail with SPH. The SPH solver is coupled to the activated sludge model such that the influence on biokinetic processes is described. The key innovation of the present WWT model is that both the biokinetics and the wastewater hydraulics are simultaneously solved for non-steady flows. After validating the present method against the software ASIM 5, the capabilities are demonstrated for a full-scale treatment plant simulation. We investigate the stirrer and aeration induced mixing within the reactor compartments as well as the resulting concentrations of the biokinetic compounds. Following the establishment of a local coupling between the hydraulics and the biokinetics, the biokinetic concentrations within a treatment plant can be spatially resolved with a high resolution.     

Prediction of the bulking phenomenon in wastewater treatment plants

The control and prediction of wastewater treatment plants poses an important goal: to avoid breaking the environmental balance by always keeping the system in stable operating conditions. It is known that qualitative information — coming from microscopic examinations and subjective remarks — has a deep influence on the activated sludge process. In particular, on the total amount of effluent suspended solids, one of the measures of overall plant performance. The search for an input–output model of this variable and the prediction of sudden increases (bulking episodes) is thus a central concern to ensure the fulfillment of current discharge limitations. Unfortunately, the strong interrelation between variables, their heterogeneity and the very high amount of missing information makes the use of traditional techniques difficult, or even impossible. Through the combined use of several methods — rough set theory and artificial neural networks, mainly — reasonable prediction models are found, which also serve to show the different importance of variables and provide insight into the process dynamics.     

活性污泥脱氮过程的建模与控制

有效处理废水的各种方法包括过程的最佳设计、安装更多的仪表和自动控制系统等日益受到关注.综述了污水生化处理过程,主要是脱氮工艺的建模与控制方面的最新研究成果.讨论了活性污泥、生物膜和厌氧消化过程的模型化以及最新的Benchmark仿真问题.在控制策略方面,强调了曝气、污泥停留时间和外碳源补加等有效的控制手段.最后指出了一些值得关注的研究问题:过程与控制并行设计、集成化的城市污水处理系统以及现代微生物分析方法的利用.