论文部分内容阅读
目前活性污泥污水处理工艺普遍存在污泥膨胀现象，但由于其机理复杂、涉及面广和影响因素众多等特点，传统的数学建模受到挑战，难以实现污泥容积指数（SVI）的在线检测。而现有的一些智能检测技术又存在精度低、耗时长等缺点。因此，本文基于递归模糊神经网络建立了SVI的软测量模型。它可以在不了解系统变化及变量之间关系的情况下，实现参量的高精度预测。并可以利用神经网络自组织和自适应能力，实现模型的在线校正，实时地估计SVI值。论文主要的研究工作包括以下几点：1.深入研究软测量技术，提出了一套较为系统的污水处理水质参数软测量建模方法。首先，根据污泥膨胀理论及其产生原因，分析了污泥膨胀形成机理，归纳总结了影响SVI变化的13个水质参量，并通过主元分析法确定主要辅助变量。其次，基于Elman神经网络建立了SVI的软测量模型，实现了SVI的预测。最后，通过仿真实验及性能分析，证明过了该模型的有效性和可行性。2.为了进一步的提高SVI软测量模型的预测精度，本文结合Elman神经网络和T-S模糊神经网络的优点，提出了一种动态T-S模糊Elman神经网络（DTSFEN），实现了DTSFEN学习算法的推导。并基于Lyapunov稳定性定理，给出了DTSFEN收敛性分析过程，证明了该网络的学习率在一定的范围内，它就是收敛的。最后，通过非线性函数逼近实验和SVI软测量实验，结果表明DTSFEN具有较好的收敛能力和泛化能力，能够以较高精度逼近复杂系统，证明了DTSFEN的有效性和可行性。3.基于扩展的卡尔曼滤波算法（EKF），提出了DTSFEN的自组织学习算法。利用递归最小二乘法（RLS）和EKF分别实现网络线性参数和非线性参数的在线调整。以系统误差判据和可容行边界判据作为规则产生准则，实现模糊神经元的扩增；并以误差下降率作为规则修剪策略，删除冗余或不活跃的模糊规则，从而实现网络结构的动态调整，获取一种自组织T-S模糊Elman神经网络（SOTSFEN）。通过函数逼近和非线性动态系统的辨识实验，证明了EKF-SOTSFEN算法的有效性和可行性，能够得到较为紧凑的结构，同时与其他模型比较，具有较高的精度和泛化能力。再者，将SOTSFEN应用于实际污水处理中，建立了基于主元分析法（PCA）和SOTSFEN的SVI在线预测软测量模型，实现了SVI的在线检测。