基于自组织模糊神经网络的丝状菌污泥膨胀抑制方法研究

发布时间：2019-10-24 02:05

【摘要】：丝状菌污泥膨胀现象过程机理复杂,致因因素众多,发生率高,一旦发生难以抑制,严重影响污水处理正常工况,采用活性污泥法的污水处理厂几乎都存在丝状菌污泥膨胀现象。由于丝状菌污泥膨胀机理分析不完善,难以建立精确的数学模型,传统丝状菌污泥膨胀征兆识别方法仍然存在缺陷和不足,抑制方法难以确定等问题,致使丝状菌污泥膨胀抑制成效低。基于丝状菌生长动力过程,文中进一步细化分析污泥膨胀机理,设计了基于自组织模糊神经网络的丝状菌污泥膨胀征兆识别模型,实现了对征兆指数实时在线的预测,建立了知识推理决策模型,解决了丝状菌污泥膨胀抑制方法难以决策问题,通过案例库获取了有效的抑制策略。文中主要的研究工作包括以下几点:1.深入研究丝状菌污泥膨胀过程机理,获得了引发丝状菌污泥膨胀的致因因素,设计了丝状菌污泥膨胀的简化机理模型。文中从污水处理过程生化反应机理、丝状菌生长机理以及污泥沉降机理中,提取与污泥体积指数(sludge volume index,SVI)相关的致因因素,依据二者关系及其动力学特性,利用简化的数学表达式描述了过程机理,获取了丝状菌污泥膨胀的简化机理模型,该模型参数可以通过实际污水处理厂的数据进行校正,实现利用致因因素的数据预测SVI的实时值,较好的表达了随着致因因素的变化引起的SVI变化趋势。2.为了改善SVI的预测精度,提高预测方法对输入输出空间的适应性,文中设计了一种结构自组织的模糊神经网络。首先,利用最小二乘算法修正网络权值,获取网络性能评价;其次,结合神经元输入输出对网络性能影响分析,设计结构动态机制实现对网络神经元的增长和删减;最后,运用LevenbergMarquardt(LM)算法对网络的中心值和宽度进行训练,全局改善网络的学习精度。利用时间序列预测实验对网络性能进行检验,结果显示相比于其他结构自组织模糊神经网络,该网络具有更紧凑的结构和更高的预测精度。3.设计了基于自组织模糊神经网络的SVI预测模型。获取与SVI相关的过程变量数据,并对数据进行标准化处理,运用主元分析法计算过程变量对SVI的影响,选取影响显著的过程变量作为辅助变量,以辅助变量为自组织模糊神经网络输入,以SVI作为网络输出,构造基于自组织模糊神经网络的SVI预测模型,利用实际污水处理数据对模型参数进行校正,实现利用辅助变量数据预测SVI。4.为了结合人工经验方法抑制丝状菌过度生长、改善污泥沉降性能,文中从人工经验提取知识,设计了基于模糊规则和前馈感知器的知识推理模型,通过知识推理实现了对丝状菌污泥膨胀的分类,针对不同致因因素引发不同程度的丝状菌污泥膨胀,获得了相应的抑制方法,解决了因抑制方法多样性而引起的无法决策以及抑制效率低等问题,此外,该模型能够根据规则及数据信息变化自适应调整模型参数,经实际案例库验证,模型能够为丝状菌污泥膨胀提供有效地抑制方法。
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：X703

【参考文献】