基于神经网络的污水处理系统广义预测控制北大核心CSCD

污水处理过程中,由于溶解氧和硝态氮浓度是时变且长滞后的,因此难以精准控制。为解决这一问题,提出基于径向基(radial basis function, RBF)神经网络的多变量解耦比例积分-广义预测控制(proportional integral-generalized predictive control, PI-GPC)算法。首先,基于RBF神经网络分别建立溶解氧浓度和硝态氮浓度非线性模型;然后,在此模型基础上,利用GPC的预测性和传统PI控制器的反馈性,优化溶解氧和硝态氮的浓度控制;最后,利用基准仿真模型No.1(benchmark simulation model No.1, BSM1)数据,通过神经网络辨识系统模型并设计控制器。结果表明,PI-GPC算法相较于传统GPC和PI控制算法,能够获得更快速和更稳定的控制效果。     

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.     

城市污水处理过程自适应滑模控制

针对城市污水处理过程时滞导致难以稳定控制的问题,提出一种自适应滑模控制方法 (Adaptive sliding mode control, ASMC).首先,分析推流时滞对城市污水处理生化反应过程的影响,建立时滞影响下的城市污水处理运行控制模型;其次,设计一种基于模糊神经网络的预估补偿模型,完成滞后变量的准确预测,实现控制模型中变量时刻的统一;最后,设计一种具有自适应开关增益系数的滑模控制器(Sliding mode control, SMC),实现溶解氧和硝态氮的稳定控制.将提出的自适应滑模控制方法应用于城市污水处理过程基准仿真平台,实验结果显示该方法能够实现城市污水处理运行过程稳定控制.     

基于超标抑制策略的污水处理过程多目标优化控制

为解决污水处理过程出水氨氮和总氮浓度超标问题,提出了一种基于超标抑制策略的多目标优化控制方法。该方法利用长短期记忆网络的时序建模能力,对出水氨氮和总氮浓度建立预测模型,采用基于分解的动态种群多邻域多目标进化算法对水质和能耗进行优化,结合预测模型输出确定硝态氮和溶解氧浓度的最优设定值,并对设定值进行跟踪控制。当水质超标时,采取抑制策略对外回流量及外部碳源加以控制,调节溶解氧浓度并对硝态氮浓度进行二次优化以抑制峰值。所提优化控制方法在基准仿真1号平台进行验证。结果表明,所提方法能够有效抑制氨氮和总氮浓度超标,超标时长及能耗明显低于所对比控制方法。     

基于改进粒子群算法的污水处理过程神经网络优化控制

针对活性污泥法污水处理过程高能耗的问题,综合考虑污水处理出水水质和生化反应参数之间的关系,文中设计了一种智能优化控制系统.该系统以国际水协(IWA)开发的基准仿真模型BSM1为研究对象,利用改进粒子群算法优化BSM1第2分区的硝态氮浓度和第5分区的溶解氧浓度、混合液悬浮物固体浓度的设定值;同时利用感知器神经网络预测污水处理过程的输出,在出水水质达标的前提下降低污水处理能耗.仿真实验结果表明,系统总能耗相比闭环控制策略降低4.614%,该神经网络智能优化控制系统能够有效降低污水处理的能耗.     

基于Hopfield 神经网络的污水处理过程优化控制

针对前置反硝化污水处理过程的优化控制问题,提出一种基于拉格朗日乘子法的Hofield神经网络优化方法.构造了污水处理过程约束优化问题的数学表达式,通过Hopfield神经网络优化计算生化池第5分区溶解氧浓度和第2分区硝态氮浓度的设定值,并采用PID控制器实现底层的跟踪控制.基于国际标准的Benchmark基准仿真平台进行仿真实验,结果表明污水处理系统在出水关键水质达标的基础上,能够显著降低能耗.     

污水处理过程的自适应控制

把自适应控制方法应用到污水生化处理过程中,主要是对溶解氧浓度的控制。使用双线性模型来简化溶解氧动态,对于一些不可以直接测量得到的重要过程参数,采用递推最小二乘算法来估计得到,并设置一步预测输出为期望的输出,从而得到对溶解氧浓度的最小方差自校正控制方案。仿真结果说明了空气流量和氧气吸收率(OUR)对溶解氧浓度的影响。     

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.     

污水处理过程的递阶神经网络建模

针对污水处理过程的多变量和多非线性子系统的串级结构特点, 提出了一种基于活性污泥过程机理的递 阶神经网络建模方法.该方法将神经网络与过程机理模型以串级方式连接, 以神经网络辨识活性污泥过程模型中的非线性组分反应速率. 分析各子过程建模误差的关系, 给出了模型的稳定学习算法和稳定性理论分析. 最后通过某污水处理厂生化脱氮过程实际运行数据的实验表明所提出的建模方法是有效的.     

基于隐性记忆的非平稳时变污水处理过程多目标运行优化

针对污水处理过程中运行能耗大和水质超标严重等问题,基于隐性记忆策略,提出一种适用于无规律且非平稳时变过程的多目标运行优化方法.首先,采用集成即时学习在线建模算法建立运行指标模型,实现时变工况下运行优化目标的准确描述;然后,提出基于隐性记忆的多目标优化算法,通过充分考虑复杂时变工况,挖掘埋藏在历史优化信息中的结构化知识,引导进化搜索过程,并结合平均距离聚类指标进行均匀随机局部搜索,提高算法收敛性、多样性和分布性;最后,利用基于集成即时学习的智能决策方法,获取操作变量溶解氧浓度和硝态氮浓度的优化设定值并进行跟踪控制.数据实验表明:所提出方法能够实现污水处理过程的稳定运行,在满足操作限制的情况下,提高污染物去除性能,降低运行成本.     

基于多参数灵敏度分析与遗传优化的铁水质量无模型自适应控制

铁水硅含量(化学热)和铁水温度(物理热)是高炉炼铁过程最重要的铁水质量指标, 其建模与控制对于整个高炉炼铁过程的运行优化意义重大. 针对高炉炼铁过程极复杂动态特性以及铁水质量难以进行常规机理建模与控制的难题, 基于直接数据驱动控制思想, 提出一种基于多参数灵敏度分析与大规模变异遗传参数优化的高炉铁水质量无模型自适应控制方法. 首先, 基于紧格式动态线性化(Compact form dynamic linearization, CFDL)无模型自适应控制(Model free adaptive control, MFAC)技术确定铁水质量的多变量数据驱动控制器结构; 然后, 针对CFDL-MFAC众多可调参数对控制器性能影响大, 同时对众多参数整体优化非常耗时且效果不理想的问题, 基于多参数灵敏度分析(Multi-parameter sensitivity analysis, MPSA)技术, 提出基于大规模变异与精英局部搜索遗传优化的CFDL-MFAC控制器参数整定方法; 最后, 将参数整定后的CFDL-MFAC控制器应用到高炉炼铁过程多元铁水质量控制, 并与基于递推子空间辨识的数据驱动预测控制进行比较研究, 验证所提控制方法的有效性和先进性.     

Adaptive control and identification of the dissolved oxygen process

This paper suggests how nonlinear adaptive control might lead to improved control of the dissolved oxygen (DO) concentration in the aerator of a wastewater treatment plant. The DO dynamics can be represented by a bilinear model for which we are interested in both parameter identification and control. The estimation of key parameters of the process model is important because the values of these parameters cannot be obtained from direct measurement. Hence a least-squares procedure for obtaining unique parameter estimates is developed and then combined with a minimum variance control algorithm to obtain an adaptive controller which is used both to generate useful parameter estimates and to control the process. Extensions to the case where the parameters vary at the same rate as the DO are also discussed.     

城市污水处理过程动态多目标智能优化控制研究

城市污水处理过程(Municipal wastewater treatment process,MWWTP)是一个典型的复杂流程工业过程,其优化运行涉及到多个动态性能指标.为了实现城市污水处理运行过程的优化控制,本文提出了一种城市污水处理过程动态多目标智能优化控制方法(Dynamic multiobjective in...     

一种离-在线混合数据驱动控制方法及其在直流电动机中的应用

针对离线和在线数据驱动控制方法各自存在的不足,提出一种离-在线混合数据驱动控制方法。首先给出一种基于最小二乘支持向量机和虚拟目标值反馈整定的离线数据驱动控制方法;其次在二自由度控制系统框架下,结合无模型自适应控制,给出一种离-在线混合数据驱动控制方法的结构和设计步骤。该方法跳过被控对象建模过程,大大降低了控制器设计成本,且可避免引入模型误差。将该方法应用于直流电动机离-在线数据驱动控制中,并进行了仿真实验,结果表明,离-在线混合数据驱动控制方法可以有效地实现目标信号跟踪和电动机系统的不确定(外部扰动)抑制。     

Bilinear black-box identification and MPC of the activated sludge process

In this paper the activated sludge process, which is a process for biological nitrogen removal in municipal wastewater treatment plants, is modeled as a discrete-time bilinear system by application of a recursive prediction error method system identification technique. A novel bilinear model predictive control algorithm is also derived and applied on a simulation model of the activated sludge process. For discrete-time bilinear systems, a quadratic cost on the predicted outputs and inputs, together with input/state constraints, results in a nonlinear non-convex optimization problem. An investigation is performed where the suggested control algorithm is compared with a linear counterpart. The results reveals that even though the identified bilinear black-box model describes the dynamics of the activated sludge process better than linear black-box models, bilinear model predictive control only gives moderate improvements of the control performance compared to linear model predictive control laws.     

A recursive modified partial least square aided data-driven predictive control with application to continuous stirred tank heater

In this paper, a data-driven predictive control strategy for nonlinear system is proposed and testified on a continuous stirred tank heater (CSTH) benchmark. A recursive modified partial least square (RMPLS) algorithm is employed to regress the local linear model. The algorithm of locally weighted projection regression (LWPR) is then leveraged to build the predictive model, based on which a novel data-driven predictive control strategy is put forward. The proposed predictive controller has the ability to deal with changing working conditions, benefiting from the incremental learning ability of RMPLS and LWPR. The performance of the proposed control strategy is demonstrated with the CSTH while the superiority is illustrated by comparison with an existing model-free adaptive control approach.     

溶解氧浓度的直接自适应动态神经网络控制方法

针对污水处理过程溶解氧浓度的控制问题,提出一种直接自适应动态神经网络控制方法(direct adaptive dynamic neural network control,DADNNC).构建的控制系统主要包括神经网络控制器和补偿控制器.神经网络控制器由自组织模糊神经网络实现系统状态与控制量之间的映射;提出一种基于规则无用率的结构修剪算法,并给出结构调整后网络收敛的理论证明.同时,为保证系统稳定,设计补偿控制器减小网络逼近误差,参数调整由Layapunov理论给出.国际基准仿真平台上的实验表明,与固定结构神经网络控制器、PID和模型预测控制等已有控制方法相比,DADNNC方法具有更高的控制精度和更强的适应能力.     

Combination of cascade and feed-forward constrained control for stable partial nitritation with biomass retention

Ammonium removal is a key step in wastewater treatment which can be accomplished biologically. An interesting process option for this purpose is coupling partial nitritation with the Anammox process. The goal of the partial nitritation process is to convert half of the ammonium in the influent stream into nitrite, so both can be later converted into dinitrogen gas by the Anammox reaction. To obtain a stable partial nitritation, ammonium oxidizing bacteria (AOB) have to prevail over nitrite oxidizing bacteria (NOB) so as to avoid further conversion of nitrite into nitrate. The dissolved oxygen concentration is a key variable for the functional group selection. In this study, a constrained combination of cascade and feedforward control is proposed for reactors with biomass retention, aimed at suppressing unwanted NOB while keeping a nitrite:ammonium ratio suitable for coupling with Anammox. The master controller, aimed to regulate this effluent ratio, generates the set-point for the dissolved oxygen concentration slave controller. In addition to the cascade controller feedback loop, a feed-forward controller calculates the optimal dissolved oxygen concentration based on the current influent stream flow rate and concentrations. The resulting dissolved oxygen concentration set-point is compared to constraints that guarantee the suppression of NOB and survival of AOB. The proposed control strategy is simple to apply in common wastewater treatment plants with biomass retention. A sensitivity analysis is performed to assess the effect of model parameters uncertainty on the controller constraints and to determine which parameters need to be identified with more precision to avoid instability or poor results. The performance and the effect of the uncertainty of the most sensitive parameters on the proposed control algorithm are assessed through simulation using realistic streams as inputs of the process.