刘超彬[1]2006年在《基于模糊神经网络的污水处理过程智能控制方法研究》文中指出活性污泥法污水处理过程是利用污泥中微生物的生命活动来清除污水中污染物质的一种有效方法。由于输入水质水量的剧烈变化,以及微生物生长的复杂性,使得该过程具有多变量、非线性、强耦合、大滞后和不确定性等特点,这导致了其过程控制自动化水平的相对落后。为保证处理过程运行良好和提高出水质量,开发和研究新型的控制策略,已经成为污水控制工程领域的重要课题。进行污水处理过程的智能控制研究,不仅可以强化和充实智能控制的理论和应用范围,而且有助于丰富和发展控制理论与方法,可以为非线性、大滞后的复杂系统控制问题提供新的理论方法。本文在深入分析现有研究成果的基础上,对活性污泥法污水处理过程的智能控制方法及仿真技术进行了研究。主要工作如下:1、对污水处理过程的自动控制现状进行了综述;2、在分析活性污泥污水处理系统的内在机理基础上,建立了反映溶解氧、活性污泥以及底物之间内在关系的数学模型;3、针对活性污泥系统的复杂性,结合目前智能控制研究的热点,设计了模糊神经网络控制器,并分别对溶解氧和污泥龄的控制进行数字仿真实验。①对序批式间歇活性污泥法以及完全混合式连续流活性污泥法中溶解氧浓度的控制设计了4层模糊神经网络控制器,详细分析了其结构及算法,并验证了该控制器的鲁棒性与自适应性。②对完全混合式活性污泥法进行了污泥龄的模糊神经网络控制,设计了5层模糊神经网络控制器,保持曝气池中污泥浓度在一定水平,使污泥具有良好的去污能力和沉淀性能。③与基于规则的模糊控制以及污水处理中的传统控制方式进行对比研究,结果表明具有学习能力的模糊神经网络控制应用于污水处理系统中可以获得更优的性能。本文的研究对我国污水处理过程的智能控制技术开发有一定借鉴意义。
胡玉玲[2]2004年在《活性污泥污水处理系统模糊神经网络控制研究》文中研究指明污水处理过程由于具有多变量、非线性、大滞后、不确定性严重，且难以建立起精确数学模型的特点，导致了其过程控制自动化水平相对落后的现状。 污水处理过程是一类典型的复杂过程，而复杂过程的优化控制一直是控制领域的研究热点。活性污泥污水处理法是世界各国普遍采用的一种污水处理的生物方法，本文针对活性污泥法污水处理过程控制中存在的问题，在深入分析前人研究成果的基础上，作了如下几方面工作： (1)通过对污水处理系统模型的研究，以污水处理系统的实际情况为基础，建立了一个新的变参数活性污泥污水处理过程的控制模型，并将该模型应用于本论文的控制研究当中； (2)在分析变参数活性污泥污水系统模型的稳定性及可控性基础上，应用现代控制理论的知识，给出了基于状态反馈的系统稳定控制方法； (3)提出了活性污泥污水处理系统的整体控制方案； (4)运用智能控制理论知识，设计了适合于控制方案的一种基于模糊神经网络的智能控制器，重点设计了控制器的结构及学习算法； (5)进行了必要的数字仿真实验，通过对变参数模型的控制研究，证明了整个控制方案的可行性与有效性； (6)与基于规则的传统模糊控制进行了的比较研究，结果表明具有学习能力的模糊神经网络控制应用于本系统可以获得更优的动念性能，进一步说明了模糊神经网络控制具有较强的鲁棒性。 本文提出的具有自学习能力的模糊神经网络控制方法，对污水处理过程实现优化控制提供了新的途径，具有一定的推广价值。
张照生[3]2012年在《基于差分进化算法的模糊神经网络在污水处理中的应用研究》文中进行了进一步梳理活性污泥法是现代城市污水处理中最常用的方法,它是利用污泥中微生物的生命活动来清除污水中污染物质。由于在污水处理过程中进水的水质参数变化剧烈,微生物生长过程复杂,使得该过程具有多变量、强耦合、非线性、不确定和大滞后等特点,这是导致其建模和控制水平的相对落后主要原因。为了提高污水处理的出水水质、降低处理能耗、保证处理系统的平稳高效运作,进行污水处理过程的智能建模与智能控制方法研究具有重要的理论和实际意义,并且可以为其它强耦合、大滞后、非线性的复杂系统建模与控制问题提供有效的借鉴。模糊神经网络(Fuzzy Neural Network,FNN)融合了模糊推理的知识表达能力和神经网络的自学习能力,在自适应控制、非线性系统辨识和模式识别等许多领域得到了广泛的应用。模糊神经网络的设计包括网络结构辨识和参数辨识,传统的模糊神经网络设计方法在进行参数辨识时,常常采用BP算法进行参数优化,但是BP算法容易陷入局部极值,存在固有的缺陷。鉴于此种方法存在的不足,本文提出了差分进化结合BP的混合算法(DEBP)算法,可以较好的优化模糊神经网络的结构参数。本文在深入分析已有的研究成果基础上,通过DEBP算法对模糊神经网络结构参数进行优化并将其应用于活性污泥法污水处理出水水质BOD软测量和溶解氧浓度的智能控制上。主要研究工作如下：1.概述了模糊神经网络、差分进化算法和BP算法,提出差分进化算法结合BP的混合算法,分析该算法的运行过程,用该算法测试四组测试函数,与单纯的差分进化算法的测试结果进行比较,仿真结果表明DEBP算法的有效性和泛化能力。通过对带延时环节的二阶系统进行仿真控制,结果表明了基于DEBP算法的模糊神经网络的有效性。2.在深入分析活性污泥法污水处理机理的基础上,运用该模糊神经网络建立了污水处理过程的出水水质预测模型,仿真结果说明了该模型的有效性,通过数据分析,证明了该模型具有良好的性能。3.运用该模糊神经网络设计的控制器,对污水处理过程中的溶解氧浓度进行控制,仿真表明了该控制器的有效性和良好性能。本文的研究工作对我国污水处理的智能建模和智能控制方法的研究具有一定的借鉴意义。
许贵生[4]2009年在《污水处理过程中DO的模糊神经网络控制研究》文中研究指明污水处理过程具有多变量、非线性、强耦合、大滞后和不确定性等特点,使得其建模及其复杂和自动控制水平的相对落后。针对污水处理过程中水质变化剧烈,要求溶解氧的质量浓度不同等问题,提出了一种自适应模糊神经网络控制方法,对变参数的活性污泥法污水处理系统的溶解氧的质量浓度进行控制。为提高污水处理的出水质量、降低污水处理成本、保障污水处理系统的高效平稳运行,进行污水处理过程的智能建模与控制方法研究具有重要的理论和现实意义。首先介绍了目前国内外污水处理过程的控制现状和检测方法,以及污水处理系统模型的发展过程,在分析活性污泥污水处理系统的内在机理基础上,通过简化建立了反映溶解氧、活性污泥以及底物之间内在关系的数学模型,在分析变参数活性污泥污水系统模型的稳定性及可控性基础上,通过状态反馈的方法改善了系统模型的稳定性。然后提出控制方案,介绍了模糊控制的设计方法和叁种典型的模糊神经网络,针对模糊控制的四个部分,设计了一种基于标准神经网络模型简化的四层模糊神经网络,并使用加入动量项的变速率BP算法作为模糊神经网络控制器的学习算法。最后仿真结果表明该控制方法能够在线调整隶属函数,优化控制规则,将其应用于活性污泥法污水处理系统中可以快速、准确地使溶解氧达到期望要求,并具有较强的鲁棒性。
包枫[5]2008年在《SBR法污水处理系统中智能控制技术及PLC实现》文中指出序批式活性污泥法(又称SBR, Sequencing Batch Reactor)污水处理过程是利用污泥中微生物的生命活动来清除污水中污染物质的一种有效方法。由于输入水质水量的剧烈变化,以及微生物生长的复杂性,使得该过程具有多变量、非线性、强耦合、大滞后和不确定性等特点,这导致了其过程控制自动化水平的相对落后。为保证处理过程运行良好和提高出水质量,开发和研究新型的控制策略,已经成为污水控制工程领域的重要课题。进行污水处理过程的智能控制研究,不仅可以强化和充实智能控制的理论和应用范围,而且有助于丰富和发展控制理论与方法,可以为非线性、大滞后的复杂系统控制问题提供新的理论方法。本文在深入分析现有研究成果的基础上,对序批式活性污泥法污水处理过程的智能控制方法及仿真技术进行了研究。主要工作如下:1、对污水处理过程的自动控制现状进行了综述;2、根据活性污泥系统的内在机理,建立了活性污泥污水处理系统的数学模型,该模型反映了溶解氧浓度、活性污泥浓度以及底物浓度之间的内在关系,为进行污水处理系统的控制研究提供了依据;3、针对活性污泥系统的复杂性,结合目前智能控制研究的热点,设计了模糊神经网络控制器,并分别对溶解氧和污泥龄的控制进行数字仿真实验。①对序批式间歇活性污泥法中溶解氧浓度的控制设计了4层模糊神经网络控制器,详细分析了其结构及算法。②在系统中加入强干扰(正弦、随机、脉冲)以及改变控制变量的期望值,验证了模糊神经网络控制器的鲁棒性与自适应性。③与基于规则的模糊控制以及污水处理中的传统控制方式进行对比研究,结果表明具有学习能力的模糊神经网络控制应用于污水处理系统中可以获得更优的性能。本文利用PLC良好的控制功能设计了SBR法模糊控制系统,实现了污水处理过程的自动控制,提高了污水处理的效率,降低了污水处理成本。为SBR污水处理自动控制提供了一种新的工程方法。这对我国污水处理过程的智能控制技术开发有一定借鉴意义。
郑翠翠[6]2009年在《基于人工智能的污水处理溶解氧浓度建模与控制》文中提出污水处理系统是一个复杂的非线性、时变系统,在整个过程控制当中建立其精确数学模型十分困难,采用传统控制方法只能面向特定的应用,并且精度不高、自适应能力差,因此仅仅依靠传统的控制方法已经不能达到控制要求。目前,智能控制不断发展,在很多非线性系统中得到广泛应用。其中神经网络具有很强的自适应能力,能够以任意精度逼近任意非线性函数;模糊控制的动态响应优越,对过程参数的变化有很强的适应性。论文首先分析了活性污泥法污水处理系统曝气池中溶解氧浓度的控制要求,并建立了活性污泥法污水处理系统理想条件下的简化模型。其次根据这种模型提出了一种自适应模糊神经网络控制方案,并将控制方案应用到污水处理系统当中。这种控制方法融合了模糊逻辑控制和神经网络控制的优点,使控制方案具有较强的自学习能力,可以自动的产生模糊规则,并且可以根据控制对象的实际要求来调整隶属度函数。最后在训练的过程中得到了控制器的最优参数,使控制方案应用在污水处理系统中能够很快达到控制要求。论文在上述自适应模糊神经网络污水处理系统设计研究的基础上,提出了另一种新的基于模糊神经网络PID控制的污水处理系统。这种新的控制方法并不依赖于污水处理系统的精确数学模型,这使得整个控制方案更具有普遍意义。控制方案首先是通过动态递归神经网络(Elman)对控制对象进行模型辨识,同样选择活性污泥法污水处理系统曝气池中溶解氧浓度作为控制对象。然后分别对模糊控制与神经网络进行分析研究,将这两种控制方法与传统的PID控制算法相结合,通过神经网络来实现模糊逻辑,并且利用神经网络和模糊控制在线调整PID控制参数,使控制器既具有模糊神经网络的自学习能力,又利用了PID的控制优势,取得了很好的仿真结果。
王彬[7]2013年在《基于RBF模糊神经网络的污水处理过程中DO控制研究》文中研究表明针对污水处理系统一般在实际运行时总都面临着不同的工作日进水水质复杂、波动大、经常超负荷的情形，要求溶解氧的质量浓度不同等问题，设计了一种模糊RBF神经网络控制器，用来控制参数变化的活性污泥法污水处理系统的溶解氧质量浓度。为了实现达标、稳定、高效、低耗的目标，对污水处理过程进行智能建模与控制方法研究具有重要的理论和现实意义。首先简要概述了污水处理过程中常见的控制变量、以及污水处理厂自动控制水平和污水处理过程中智能控制的研究现状，重点介绍了污水处理过程的方法、原理以及静、动态模型，并结合微生物增殖动力学和有机物降解动力学模型，建立了本文被控对象仿真用数学模型。然后提出控制方案，介绍了RBF神经网络和两种模糊神经网络，根据模糊控制的四个部分，设计了与其对应的四层模糊RBF神经网络，并使用K-聚类算法和梯度下降法相结合的算法作为模糊RBF神经网络控制器的学习算法。最后对MATLAB仿真曲线进行对比和分析，可以得到，这种控制方法对模糊规则能够进行改进，并且能够动态地对隶属函数进行调整。和传统的模糊控制方法相比，该控制方法拥有更理想的控制效果，可以使溶解氧的浓度更准确的达到期望的要求，同时该方法的抗干扰能力和鲁棒性能都很强。
邱启旺[8]2011年在《污水处理过程中的模糊控制研究》文中指出污水处理过程是一类典型的非线性、强耦合复杂过程,而复杂过程的优化控制一直是控制领域的研究热点。活性污泥污水处理法是世界各国普遍采用的一种污水处理的生物方法。进行污水处理过程的智能控制研究,不仅可以强化和充实智能控制的理论和应用范围,而且有助于丰富和发展控制理论与方法,可以为非线性、大滞后的复杂系统控制问题提供新的理论方法。在本项目中,论文针对在目前污水处理过程中所普遍存在的一系列问题,以漳州市某污水处理厂的活性污泥法污水处理系统为研究对象和工业应用实例,在深入地分析了活性污泥法污水处理系统的机理模型之后,建立了变参数的活性污泥水处理系统的机理过程模型。在本项目中,通过首先在对我们所建立的变参数系统模型动态性能进行稳定性分析及能控性分析之后,分析结果表明原污水处理系统模型具有内在的不稳定性,不过其状态则是输出能控的。因而,我们对该系统进行了零极点配置,在此基础上进一步设计了污水处理系统的模糊神经网络控制器。最后,我们通过在漳州市某厂的污水处理仿真实验结果,证明了控制方案的可行性与有效性。本文的主要研究内容概括如下：1.首先,本文对污水处理过程的控制系统发展现状进行了综述；2.其次,建立了活性污泥法污水处理系统的变参数机理过程模型。该模型能够反映曝气量与溶解氧浓度之间存在的内在关系。通过该系统模型的构建可以为污水处理系统的溶解氧控制研究提供依据。3.再次,利用现代控制理论的基础知识对所建立的污水处理过程模型进行稳定性分析研究。4.再次,本文提出了将模糊神经网络控制方法应用于漳州市某厂的变参数活性污泥法污水系统中,以上述构建模型为基础进行仿真验证。5.最后,将本文所设计的模糊神经网络控制器应用于仿真对象,仿真结果表明,所设计的模糊神经网络控制器。本文通过与基于规则的传统模糊控制的比较研究,结果表明具有学习能力的模糊神经网络控制应用于本系统可以获得更优的动态性能,进一步说明模糊神经网络控制具有较强的自适应能力和鲁棒性,具有良好的控制效果,能够抵抗噪声对系统的影响,并且能够实现快速的跟踪控制。
冯裕钊[9]2004年在《缺氧变速生物滤池污水处理系统混合智能控制研究》文中研究表明智能控制是一门新兴的理论和技术,是控制理论发展的高级阶段。 模糊控制、 神经网络控制、 专家控制等构成了智能控制新的学科体系, 其在污水处理控制领域中的应用在国内外尚处在探索性研究阶段, 是当前污水处理工业控制领域一项备受关注的研究课题。 本文在较全面地分析了污水处理智能控制研究现状,以及模糊控制(FC)、神经网络控制(ANNC)基本原理的基础上,以模糊逻辑(FL)理论为核心,提出了污水处理混合智能控制思想,在国内首次将模糊控制与 PID,神经网络相结合的混合智能控制方法引入变速生物滤池工艺自动控制中, 在污水处理混合智能控制研究方面进行了一些开拓性和探索性的研究工作, 为提高我国污水处理智能控制水平提供了新的思路 。 论文以重庆市重点科技攻关课题“中小城镇缺氧/需氧组合式污水处理关键技术研究与工程示范——控制系统研究子专题”为对象,对核心技术缺氧变速生物滤池进行了混合智能控制研究, 对其后补工艺进行了鲁棒控制研究, 完成了缺氧变速生物滤池混合智能控制系统的开发研制和实验研究。 论文的主要工作和结论如下: 1、论文分析了缺氧变速生物滤池污水处理工艺的特点,建立了其混合 智 能 控 制 的 总 体 构 架 提 出 了 污 水 处 理 Fuzzy-PID、IGA-Fuzzy 和ERBFNNC 混合智能控制结构和设计方法。 2、 针对污水处理厂水量、水质对控制系统稳定性的影响, 为避免在考察水量样本时不计及样本分布特性而造成的预测误差较大的缺点, 首次提出基于样本模糊分布识别的短期预测方法, 为解决水量波动对控制系统稳定性影响提供了技术支撑; 为解决水质传感器欠缺的难题, 将神经网络技术与模糊数学有机结合, 提出水质神经网络预测智能软计算(软测量)模型与算法, 为解决水质测量滞后对污水处理控制系统带来的不协调进行了创新性研究。 3、 针对缺氧生物滤池工艺存在的模糊控制规则不易建立、模糊控制器参数不易调整等问题, 论文将模糊控制理论与 PID 控制(F-PID)理论有机地结合起来, 提出了一种快速模糊自适应 PID 控制方法, 使控制器参数能够随污水处理系统运行工况的变化得到实时在线修正, 实现控制器具有快速自适应性的目标, 有效地解决了PID参数整定和自适应控制中所存在的问题。利用改进的基因遗传算法(IGA)实现了对模糊控制规则的优 I
罗隆[10]2014年在《污水生化处理系统的软测量及自适应优化控制策略研究》文中研究表明污水生化处理是当前和未来很长一段时间污水处理和水污染治理应用最广泛、最有效和最经济的技术。城市污水处理过程是一个复杂的生物与化学过程，具有多变量、随机性、非线性、模糊性、时变性、多目标等特性，传统的控制方法不能有效地解决这些问题，以至难于进行系统优化，因此研发污水智能控制系统是解决当前污水处理厂优化控制问题的关键。本课题就是解决污水生化处理智能控制系统运行控制的若干个难题。本课题来源于国家自然科学基金项目“污水生化处理系统的建模与节能优化控制”(项目编号：60774032)、国家住房城乡建设部“污水处理厂污泥回流系统的建模与节能优化控制系统”(项目编号：2010-K9-47)、广州市科技与信息化局科技支撑项目“基于智能控制技术的节能型污泥回流系统的开发与产业化”(项目编号：2010Z1-E301)、广州市教育局“节能减排(水处理)自动化技术应用研究创新学术团队”（穗教科[2009]11号）。本课题针对污水生化处理智能控制的出水水质预测、曝气控制、污泥浓度控制和污水处理运行的节能优化控制四个方面开展研究，分别使用拉普拉斯特征映射与支持向量机相结合（Laplacian Eigenmap-Support Vector Machine，LE-SVM）的算法进行软测量建模对出水水质进行预测；对曝气系统进行一种全局渐近稳定的自适应神经网络控制；对污泥浓度实行鲁棒直接自适应模糊控制；以出水指标作为边界条件，对曝气及污泥回流、排放的费用最优化采用模糊离散粒子群算法进行动态优化，以达到整个污水处理厂的运行费用最低的优化控制，通过仿真验证取得了较好地效果，为污水厂的节能优化控制提供了理论依据，取得了一定的研究成果，具有理论与现实意义。本文的主要研究内容概括如下：1.针对污水处理工艺参数众多，包括水质、水量、负荷、污泥性能等数十个指标相互关联等问题，本文采用拉普拉斯特征映射与支持向量机的相结合的方法建立软测量模型，对出水水质参数生物化学需氧量（Biochemical Oxygen Demand，BOD）进行预测。首先使用拉普拉斯特征映射对测量数据进行非线性降维，解决数据相互之间的相关问题，然后应用支持向量机建模方法对水质参数进行建模预测。利用污水厂采集数据仿真结果表明，该方法建立污水处理软测量模型相比RBF（Radial Base Function）神经网络有更好的预测精度和泛化能力。2.针对于曝气系统中溶解氧的传递系数这个控制参数增益的不确定性，提出一种全局渐近稳定的自适应神经控制（adaptive neural control, ANC）策略，使用线性参数化神经网络逼近闭环系统的总体不确定项。首先提出一种可变控制增益的比例微分（proportional differential, PD）控制方法用于全局镇定被控对象。然后利用状态变化解决由未知控制增益函数导致的控制奇异问题。最后设计了一种连续的自适应鲁棒控制项以实现闭环系统的渐近跟踪。与现有的全局或渐近跟踪ANC方法相比较，本文所提方法不仅简化了PD控制增益的选择，而且减轻了控制输入的颤振问题。仿真实验结果表明了本文所提方法相比传统的PI（proportional integral）控制方法能够有效地动态稳定溶解氧的浓度。3.针对污水处理系统污浓度的控制问题中污泥回流、排泥系统中控制方向的不确定性，给出一种新的鲁棒直接自适应模糊控制算法。首先，采用基于Lyapunov的理想控制律新形式解决了控制奇异问题。其次，利用Nussbaum函数以及新的推导方式解决了非线性系统的未知控制方向问题。此外，使用e2‐修正代替之前的σ‐修正设计模糊系统的参数自适应律，这不仅获得了自适应参数的有界性，而且实现了跟踪误差的渐近收敛到零。最后，仿真结果表明此方法能够通过回流污泥、排放污泥有效地稳定生化池的污泥浓度，验证了本文所提方法的有效性。4.针对污水处理过程运行费用最优控制问题，以溶解氧浓度和污泥回流量作为控制变量，以曝气的电耗、回流泵的电耗和剩余污泥处置费用之和作为目标函数，以出水水质和有机物排放总量作为约束条件，提出了模糊离散粒子群（fuzzy discrete particle swarm，FDPSO）算法进行优化控制，寻找污水处理费用的最优值。在同一约束前提下，用本文所提算法与粒子群算法、遗传算法寻优过程相比较。结果表明，该方法能有效提高粒子群的多样性，具有可靠的全局收敛性及较快的收敛速度，搜索到的费用最优值的次数最多，运行费用平均值和方差最小，能在污水处理过程的动态环境下完成有效的寻优，适合应用于污水处理过程的最优控制中。
参考文献：
[1]. 基于模糊神经网络的污水处理过程智能控制方法研究[D]. 刘超彬. 北京工业大学. 2006
[2]. 活性污泥污水处理系统模糊神经网络控制研究[D]. 胡玉玲. 北京工业大学. 2004
[3]. 基于差分进化算法的模糊神经网络在污水处理中的应用研究[D]. 张照生. 华东理工大学. 2012
[4]. 污水处理过程中DO的模糊神经网络控制研究[D]. 许贵生. 东北大学. 2009
[5]. SBR法污水处理系统中智能控制技术及PLC实现[D]. 包枫. 苏州大学. 2008
[6]. 基于人工智能的污水处理溶解氧浓度建模与控制[D]. 郑翠翠. 燕山大学. 2009
[7]. 基于RBF模糊神经网络的污水处理过程中DO控制研究[D]. 王彬. 西安建筑科技大学. 2013
[8]. 污水处理过程中的模糊控制研究[D]. 邱启旺. 浙江大学. 2011
[9]. 缺氧变速生物滤池污水处理系统混合智能控制研究[D]. 冯裕钊. 重庆大学. 2004
[10]. 污水生化处理系统的软测量及自适应优化控制策略研究[D]. 罗隆. 华南理工大学. 2014
标签：环境科学与资源利用论文; 活性污泥论文; 溶解氧论文; 智能控制论文; 模糊控制论文; 自适应论文; 模糊神经网络论文; 过程控制论文; 污泥负荷论文; 模糊理论论文; 模糊算法论文; 系统仿真论文; 水污染论文; 非线性论文;