基于神经网络的污水处理多变量控制方法研究

发布时间：2017-10-11 02:08

  本文关键词：基于神经网络的污水处理多变量控制方法研究

  更多相关文章： 污水处理过程 BSM1 PID控制 T-S模糊神经网络 自组织算法

【摘要】：城市污水处理过程具有大时变、强耦合、大时滞以及干扰严重等特点;同时,污水处理过程生化反应复杂,运行过程中涉及到变量众多,导致处理过程的控制难度非常大。由于我国污水处理起步较晚,相对比较落后,污水处理过程控制水平较低,导致出水水质质量及精度难以保证。因此,研究污水处理过程的控制方法对未来污水处理行业有着至关重要的影响和价值。1、论文研究了活性污泥1号模型(Activated Sludge Model No.1,ASM1)的组分、反应过程、化学计量系数和动力学参数之间的关系以及活性污泥法的特性。研究了污水处理过程基准仿真平台(Benchmark Simulation Model No.1,BSM1)关键参数以及生化反应池、二沉池的结构及工作特点,并通过MATLAB实验仿真,成功建立仿真模型。2、针对传统PID控制方法在污水处理过程中控制精度差,参数难以在线调整的问题,提出并设计了一种基于自适应控制策略的PID溶解氧控制方法。利用神经网络的非线性映射能力和学习能力,对PID参数进行在线的自适应调整。通过学习算法对网络进行训练,确保了PID控制参数在线调整的实时性和稳定性。仿真实验表明,这种基于自适应控制策略的PID控制具有较好的控制效果。3、针对传统控制方法在污水处理非线性系统中对多变量控制精度低且难度大的问题,提出并设计了一种将Takagi-Sugeno(T-S)模糊与神经网络相结合的控制方法。一方面,在神经网络的基础上通过模糊知识的表达对多变量进行控制;另一方面,通过误差逆向传播算法对模糊规则进行学习调整;同时,采用自适应学习率的方式加快网络的收敛速度,提高控制性能。通过仿真实验表明了这种控制方法能够较好的对溶解氧和硝态氮进行跟踪控制,且精度和稳定性较好,具有较优的控制性能。4、针对污水处理过程干扰严重的特点,提出并设计了一种基于聚类的自组织T-S模糊神经网络控制器。控制器在初始模糊规则为零的情况下,通过自组织规则对当前时刻的知识进行学习和记忆,并根据环境的变化智能地调整控制器结构,从而灵活地应对环境的不同变化,精简了网络结构。采用误差逆向传播算法对模糊规则进行调整和学习,提高了网络性能。通过实验仿真验证了不同环境状况下,这种控制器能够灵活快速地根据环境的变化自组织地对控制器结构进行调整,保证了溶解氧和硝态氮浓度的控制效果。
【关键词】：污水处理过程 BSM1 PID控制 T-S模糊神经网络 自组织算法
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：X703;TP183
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-19
• 1.1 课题的背景及研究意义9-11
• 1.1.1 课题背景9-10
• 1.1.2 研究意义10-11
• 1.2 活性污泥法污水处理工艺概述11-12
• 1.3 活性污泥法污水处理过程控制的现状12-17
• 1.3.1 污水处理过程控制对象12-13
• 1.3.2 污水处理过程控制方法的现状13-17
• 1.4 课题来源17
• 1.5 论文研究内容与结构安排17-19
• 第2章 污水处理动态特性分析与BSM1测试平台实现19-37
• 2.1 活性污泥法1号机理模型(ASM1)描述19-24
• 2.1.1 ASM1机理模型组分20-21
• 2.1.2 ASM1的19个参数21-22
• 2.1.3 ASM1机理模型的8个反应过程22-23
• 2.1.4 组分的表观反应速率23-24
• 2.2 BSM1描述24-32
• 2.2.1 生化池模型25-27
• 2.2.2 二沉池模型27-29
• 2.2.3 性能评价指标29-32
• 2.3 BSM1基准仿真平台测试32-34
• 2.4 污水处理过程控制方案34-35
• 2.5 小结35-37
• 第3章 基于自适应控制策略的PID溶解氧控制37-53
• 3.1 自适应PID控制基本方法37-40
• 3.1.1 自整定PID控制方法38-39
• 3.1.2 BP神经网络39-40
• 3.2 自适应PID控制器溶解氧浓度控制系统40-43
• 3.2.1 自适应PID溶解氧浓度控制结构40-41
• 3.2.2 参数自适应调整策略41-42
• 3.2.3 PID控制模块42-43
• 3.3 自适应PID控制器溶解氧浓度控制算法流程43-47
• 3.3.1 控制流程及步骤43-44
• 3.3.2 参数在线调整算法表示44-47
• 3.4 实验仿真及结果分析47-50
• 3.5 小结50-53
• 第4章 基于T-SFNN的污水处理多变量自适应控制53-67
• 4.1 模糊控制原理53-55
• 4.2 模糊神经网络介绍55-57
• 4.2.1 模糊神经网络的基本结构55
• 4.2.2 模糊神经网络计算过程55-57
• 4.3 T-S模糊神经网络介绍57-60
• 4.3.1 T-S模糊逻辑系统57-58
• 4.3.2 T-S模糊神经网络58-60
• 4.4 基于T-SFNN的控制系统60-63
• 4.5 实验仿真及结果分析63-66
• 4.6 小结66-67
• 第5章 基于SO-TSFNN的污水处理多变量控制67-83
• 5.1 自组织神经网络原理67-68
• 5.1.1 自组织系统67-68
• 5.1.2 自组织神经网络68
• 5.2 自组织算法思想68-69
• 5.3 自组织T-S模糊神经网络69-72
• 5.3.1 自组织T-S模糊神经网络结构70
• 5.3.2 自组织算法70-72
• 5.4 控制系统设计72-76
• 5.5 仿真实验及结果仿真76-81
• 5.6 小结81-83
• 结论与展望83-85
• 参考文献85-91
• 攻读硕士学位期间所获得的研究成果91-93
• 致谢93

【相似文献】

中国期刊全文数据库 前10条

1 雷明,李作清,陈志祥,吴雅,杨叔子;神经网络在预报控制中的应用[J];机床;1993年11期

2 杨自厚;神经网络技术及其在钢铁工业中的应用第8讲人工神经网络在钢铁工业中的应用(下)[J];冶金自动化;1997年05期

3 李润生,李延辉,胡学军,刘壮,王守俭;神经网络在冶金中的应用[J];钢铁研究;1998年02期

4 刘海玲,刘树深,尹情胜,夏之宁,易忠胜;线性神经网络及在多组分分析中的初步应用[J];计算机与应用化学;2000年Z1期

5 王继宗,王西娟;用神经网络确定梁上裂纹位置的研究[J];煤炭学报;2000年S1期

6 赵学庆,袁景淇,周又玲,贺松;生物发酵过程神经网络状态预报器的验证[J];无锡轻工大学学报;2000年06期

7 李智,姚驻斌,张望兴,贺超武;基于神经网络的混匀配料优化方法[J];钢铁研究;2000年04期

8 胡敏艺,马荣骏;神经网络在冶金工业中的应用[J];湖南有色金属;2000年05期

9 倪建军,邵琳;利用神经网络进行观测数据的分析与处理[J];连云港化工高等专科学校学报;2000年04期

10 裴浩东,苏宏业,褚健;材料工程中基于神经网络的稳态优化策略[J];材料科学与工程;2001年02期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 章颖;混合不确定性模块化神经网络与高校效益预测的研究[D];华南理工大学;2015年

2 贾文静;基于改进型神经网络的风力发电系统预测及控制研究[D];燕山大学;2015年

3 李慧芳;基于忆阻器的涡卷混沌系统及其电路仿真[D];西南大学;2015年

4 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年

5 董哲康;基于忆阻器的组合电路及神经网络研究[D];西南大学;2015年

6 武创举;基于神经网络的遥感图像分类研究[D];昆明理工大学;2015年

7 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年

8 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

9 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

10 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

，

本文编号：1009872