技術特征：

1.膜生物反應器-MBR出水透水率的智能檢測方法，其特點在于，包括以下步驟：

(1)確定目標變量和特征變量；以膜生物反應器-MBR污水處理系統(tǒng)為研究對象，對水質(zhì)數(shù)據(jù)進行特征分析，提取產(chǎn)水流量、產(chǎn)水壓力、單池膜擦洗氣量、厭氧區(qū)ORP和好氧區(qū)硝酸鹽作為特征變量，以出水透水率作為目標變量；

(2)建立出水透水率軟測量模型；利用模糊神經(jīng)網(wǎng)絡設計MBR處理污水過程中預測出水透水率的軟測量模型，出水透水率軟測量模型的拓撲結(jié)構(gòu)分為四層：輸入層、RBF層、歸一化層、輸出層；拓撲結(jié)構(gòu)為5-R-R-1的連接方式，輸入層與RBF層之間的連接權(quán)值為1，歸一化層與輸出層之間的連接權(quán)值隨機賦值，賦值區(qū)間[-1,1]，模糊神經(jīng)網(wǎng)絡的期望輸出表示為y_d(t)，實際輸出表示為y(t)；基于模糊神經(jīng)網(wǎng)絡的出水透水率的軟測量方法計算依次為：

①輸入層：該層由5個神經(jīng)元組成，其輸出為，

x(t)＝[x₁(t),x₂(t),…,x₅(t)]^T (1)

其中，x(t)表示t時刻輸入層的輸出，x₁(t)表示t時刻產(chǎn)水流量的值、x₂(t)表示t時刻產(chǎn)水壓力的值、x₃(t)表示t時刻單池膜擦洗氣量的值、x₄(t)表示t時刻厭氧區(qū)ORP的值、x₅(t)表示t時刻好氧區(qū)硝酸鹽的值；

②RBF層：該層由R個神經(jīng)元組成，每個神經(jīng)元的輸出為，

其中是t時刻RBF層第j個神經(jīng)元的輸出，c_j(t)為t時刻第j個RBF層神經(jīng)元的中心向量，c_j(t)＝[c_1j(t),c_2j(t),…,c_ij(t)]，i＝1,2，…5，c_ij(t)表示RBF層t時刻第j個神經(jīng)元中心值的第i個元素，為t時刻第j個RBF層神經(jīng)元的寬度向量，d_ij(t)表示RBF層t時刻第j個神經(jīng)元寬度值的第i個元素；

③歸一化層：該層的神經(jīng)元個數(shù)和RBF層相同，為R個，每個神經(jīng)元的輸出為，

其中v_j(t)是t時刻歸一化層第j個神經(jīng)元的輸出，是t時刻RBF層第j個神經(jīng)元的輸出，為RBF輸出之和；

④輸出層：輸出層輸出為出水透水率軟測量模型的實際輸出，

$y\left(t\right)={\mathrm{\Σ}}_{j=1}^R{w}_j\left(t\right)v_j\left(t\right)---\left(4\right)$

y(t)是t時刻輸出神經(jīng)元的輸出，w_j(t)表示t時刻歸一化層第j個神經(jīng)元與輸出神經(jīng)元之間的權(quán)值，定義模糊神經(jīng)網(wǎng)絡軟測量模型輸出y(t)與期望輸出y_d(t)的誤差函數(shù)e(t)為：

e(t)＝y(tǒng)_d(t)-y(t) (5)

(3)MBR出水透水率軟測量模型校正，過程如下：

①給定神經(jīng)網(wǎng)絡RBF層與規(guī)則層神經(jīng)元個數(shù)R，R為自然數(shù)，R通過經(jīng)驗法確定，出水透水率的軟測量模型的訓練輸入為x(1)，x(2)，…，x(t)，…，x(N)，對應的期望輸出y_d(1)，y_d(2)，…，y_d(t)，…，y_d(N)，軟測量模型的訓練樣本為N組，期望誤差設為E_d，迭代步數(shù)設為s，計算代價函數(shù)值E(t)，定義停止標準，當E(t)<E_d，令t＝0；

定義網(wǎng)絡的代價函數(shù)E(t)，

$E\left(t\right)=\underset{t=1}{\overset{N}{\mathrm{\&Sigma;}}}{e}^T\left(t\right)\&times;e\left(t\right)---\left(6\right)$

②設置學習步數(shù)s＝s+1；計算出水透水率智能特征模型輸出y(t)，誤差e(t)，計算向量J(t)，其中，

$J\left(t\right)=\&lsqb;\frac{\&part;e\left(t\right)}{\&part;w_1\left(t\right)}...\frac{\&part;e\left(t\right)}{\&part;w_j\left(t\right)},\frac{\&part;e\left(t\right)}{\&part;c_{11}\left(t\right)}...\frac{\&part;e\left(t\right)}{\&part;c_{ij}\left(t\right)},\frac{\&part;e\left(t\right)}{\&part;d_{11}\left(t\right)}...\frac{\&part;e\left(t\right)}{\&part;d_{ij}\left(t\right)}\&rsqb;---\left(7\right)$

擬海瑟矩陣Q(t)計算公式為，

Q(t)＝J^T(t)J(t) (8)

梯度向量g(t)計算公式為，

g(t)＝J^T(t)e(t) (9)

其中，誤差關于各個參數(shù)的偏導數(shù)計算如下；

計算誤差關于中心的偏導數(shù)

$\frac{\&part;e\left(t\right)}{\&part;c_{ij}\left(t\right)}=-\frac{2w_j\left(t\right)\&times;v_i\left(t\right)\&times;\&lsqb;x_i\left(t\right)-c_{ij}\left(t\right)\&rsqb;}{d_{ij}\left(t\right)}---\left(10\right)$

計算誤差關于寬度的偏導數(shù)

$\frac{\&part;e\left(t\right)}{\&part;d_{ij}\left(t\right)}=-\frac{w_j\left(t\right)\&times;v_i\left(t\right)\&times;\left|\right|x_i\left(t\right)-c_{ij}\left(t\right)|{|}^2}{d_{ij}^2\left(t\right)}---\left(11\right)$

計算誤差關于權(quán)值的偏導數(shù)

$\frac{\&part;e\left(t\right)}{\&part;w_j\left(t\right)}=-v_j\left(t\right),---\left(12\right)$

③采用自適應二階算法更新模糊神經(jīng)網(wǎng)絡的參數(shù)，

Δ(t+1)＝Δ(t)+(Q(t)+λ(t)I)^-1g(t) (13)

其中，Δ＝[w₁(t)，…w_R(t)，c₁₁(t)，…c₅₁(t)，…，c_1j(t)，…c_5j(t)，…c_1R(t)，…c_5R(t)，d₁₁(t)，…d₅₁(t)…，d_1j(t)，…d_5j(t)，…d_1R(t)，…d_5R(t)]，w_j(t)表示t時刻歸一化層第j個神經(jīng)元與輸出神經(jīng)元之間的權(quán)值，c_ij(t)是RBF層的中心，d_ij(t)是RBF層的寬度；

其中，自適應學習率λ(t)為，

λ(t)＝θ||e(t)||+(1-θ)||g(t)|| (14)

0<θ<1是實參數(shù)，e(t)是誤差向量；

④計算代價函數(shù)E(t)，當滿足精度E(t)<E_d，迭代停止，否則跳轉(zhuǎn)到步驟②；

將測試樣本數(shù)據(jù)作為訓練后的模糊神經(jīng)網(wǎng)絡的輸入，模糊神經(jīng)網(wǎng)絡的輸出即為膜出水透水率的軟測量值。

2.一種基于模糊神經(jīng)網(wǎng)絡的膜生物反應器-MBR出水透水率的智能檢測方法，其特征在于，

硬件平臺包括沉砂池、污水調(diào)節(jié)池、生化反應池和生物膜池；采集儀表包括流量儀、ORP檢測儀、硝酸鹽檢測儀、壓力器；

在處理污水過程中，采取運行7分鐘停止1分鐘的工作模式，采集開始后的3到5分鐘數(shù)據(jù)采集的數(shù)據(jù)通過現(xiàn)場總線傳至上位機中；上位機上安裝相應的基于OPC標準的組態(tài)軟件，PLC以總線RS485的方式連接到服務器上，組態(tài)和PLC的變量關聯(lián)；數(shù)據(jù)傳輸?shù)木唧w過程為PLC把儀表采集的信號進行A/D轉(zhuǎn)換后傳給上位機后，采集的儀表信號通過OPC服務實時采集至OPC客戶端。