技術(shù)特征：

1.基于RBF神經(jīng)網(wǎng)絡的溶解氧智能控制系統(tǒng)，其特征在于：

硬件包括檢測儀表、電氣設(shè)備、數(shù)據(jù)采集、數(shù)據(jù)處理與存儲模塊、控制功能模塊化幾個主要的功能模塊，具體實現(xiàn)如下：

現(xiàn)場儀表包括溶解氧測量儀、溫度測量儀、PH測量儀以及COD分析儀和NH₄-N分析儀；現(xiàn)場檢測儀表與PLC相連，PLC與數(shù)據(jù)處理與存儲模塊通過現(xiàn)場總線中RS232和RS485進行通訊，數(shù)據(jù)處理與存儲模塊與控制功能模塊通過通信接口相連，電氣設(shè)備包括鼓風機以及電動閥門，電氣設(shè)備與PLC之間連接；控制功能模塊在線給出控制策略后，通過PLC將控制信號下發(fā)到執(zhí)行機構(gòu)電動閥門；

對序批式間歇活性污泥系統(tǒng)中溶解氧DO濃度進行控制，以鼓風機曝氣量為控制量，溶解氧DO濃度為被控量；

包括以下步驟：

(2)設(shè)計基于RBF神經(jīng)網(wǎng)絡的污水處理系統(tǒng)預測模型，預測模型RBF神經(jīng)網(wǎng)絡分為三層：輸入層、隱含層和輸出層；預測模型RBF神經(jīng)網(wǎng)絡輸入為u(k)＝[u₁(k),u₂(k)]^T，u₂(k)＝u₁(k-1)，u₁(k)為k時刻溶解氧DO濃度控制量，u₁(k-1)為k-1時刻的溶氧DO濃度控制量，T為矩陣的轉(zhuǎn)置；預測模型RBF神經(jīng)網(wǎng)絡輸出為溶解氧DO濃度預測值；其計算方式如下：

①初始化預測模型RBF神經(jīng)網(wǎng)絡：確定神經(jīng)網(wǎng)絡2-P-1的連接方式，即輸入層神經(jīng)元為2個，隱含層神經(jīng)元為P個，P為大于2的正整數(shù)；輸出層神經(jīng)元為1個；預測模型RBF神經(jīng)網(wǎng)絡輸入層到隱含層的連接權(quán)值為1，隱含層和輸出層間的連接權(quán)值在[0,1]范圍內(nèi)進行隨機賦值；神經(jīng)網(wǎng)絡的輸出表示如下：

$y_m\left(k\right)=\underset{j=1}{\overset{P}{\Σ}}{w}_j\left(k\right)f_j\left(u\right(k\left)\right)---\left(1\right)$

其中，y_m(k)為k時刻預測模型RBF神經(jīng)網(wǎng)絡的輸出，w_j(k)為隱含層第j個神經(jīng)元和輸出層的連接權(quán)值，j＝1,2,…,P；f_j是預測模型RBF神經(jīng)網(wǎng)絡隱含層第j個神經(jīng)元的輸出，其計算公式為：

$f_j\left(u\right(k\left)\right)=\exp (-|\left|u\right(k)-{\mathrm{\μ}}_j(k\left)\right||/{\mathrm{\σ}}_j^2(k\left)\right)---\left(2\right)$

其中，μ_j(k)表示k時刻隱含層第j個神經(jīng)元中心值，σ_j(k)表示k時刻隱含層第j個神經(jīng)元的中心寬度；

②定義預測模型RBF神經(jīng)網(wǎng)絡的性能指標J_m(k)

$J_m\left(k\right)=\frac{1}{2}{e}_m^2\left(k\right)---\left(3\right)$

e_m(k)＝y(tǒng)(k)-y_m(k) (4)

其中，y(k)為k時刻實際測量的溶解氧DO濃度值，e_m(k)為k時刻溶解氧DO濃度值的誤差；

③對預測模型RBF神經(jīng)網(wǎng)絡的參數(shù)進行更新

${\mathrm{\Δw}}_j\left(k\right)=\frac{\∂J_m\left(k\right)}{\∂w_j\left(k\right)}=-e_m\left(k\right)f_j\left(u\right(k\left)\right)(1-y(k\left)\right)y\left(k\right)---\left(5\right)$

w_j(k+1)＝w_j(k)-ηΔw_j(k)＝w_j(k)+ηe_m(k)f_j(u(k))(1-y(k))y(k) (6)

$\begin{array}{cc}{\mathrm{\μ}}_j(k+1)={\mathrm{\μ}}_j\left(k\right)-\mathrm{\η}\frac{\∂J_m\left(k\right)}{\∂{\mathrm{\μ}}_j\left(k\right)}---\left(7\right)& {\mathrm{\σ}}_j(k+1)={\mathrm{\σ}}_j\left(k\right)-\mathrm{\η}\frac{\∂J_m\left(k\right)}{\∂{\mathrm{\σ}}_j\left(k\right)}\end{array}---\left(8\right)$

其中，Δw_j(k)為k時刻第j個隱含層神經(jīng)元和輸出層神經(jīng)元連接權(quán)值的修正量，w_j(k)為k時刻第j個隱含層神經(jīng)元與輸出層神經(jīng)元的連接權(quán)值，w_j(k+1)為k+1時刻第j個隱含層神經(jīng)元與輸出層神經(jīng)元的連接權(quán)值，μ_j(k+1)表示k+1時刻隱含層第j個神經(jīng)元中心值，σ_j(k+1)表示k+1時刻隱含層第j個神經(jīng)元的中心寬度；η為學習率，η∈(0,1]；

④判斷當前時刻溶解氧DO預測的目標函數(shù)的大小，如果J_m(k)>0.01,則重復步驟③；如果J_m(k)<0.01，則轉(zhuǎn)到步驟①計算預測模型RBF神經(jīng)網(wǎng)絡的輸出y_m(k)；

(3)設(shè)計用于控制的RBF神經(jīng)網(wǎng)絡控制器；x(k)＝[x₁(k),x₂(k)]^T為RBF神經(jīng)網(wǎng)絡控制器的輸入，x₁(k)為k時刻溶解氧DO濃度設(shè)定值與實際值的誤差，x₂(k)為k時刻溶解氧DO濃度設(shè)定值與實際值誤差的變化率；

①初始化RBF神經(jīng)網(wǎng)絡控制器：確定神經(jīng)網(wǎng)絡2-M-1的連接方式，即輸入層神經(jīng)元為2個，隱含層神經(jīng)元為M個，M為大于2的正整數(shù)；輸出層神經(jīng)元為1個；RBF神經(jīng)網(wǎng)絡控制器輸入層到隱含層的連接權(quán)值為1，隱含層和輸出層間的連接權(quán)值在[0,1]范圍內(nèi)進行隨機賦值；神經(jīng)網(wǎng)絡的輸出表示如下：

$u\left(k\right)=\underset{i=1}{\overset{M}{\&Sigma;}}{w}_i^c\left(k\right)f\left(x\right(k\left)\right)---\left(9\right)$

其中，u(k)為k時刻RBF神經(jīng)網(wǎng)絡控制器的輸出，w_i^c(k)為RBF神經(jīng)網(wǎng)絡控制器隱含層第i個神經(jīng)元和輸出層的連接權(quán)值，i＝1,2,…,M；f_i是RBF神經(jīng)網(wǎng)絡隱含層第i個神經(jīng)元的輸出，其計算公式為：

$f_i\left(x\right(k\left)\right)=\exp (-|\left|x\right(k)-{\mathrm{\&mu;}}_i^c(k\left)\right||/{\left({\mathrm{\&sigma;}}_i^c\left(k\right)\right)}^2)---\left(10\right)$

其中，μ_i^c(k)表示k時刻RBF神經(jīng)網(wǎng)絡控制器隱含層第i個神經(jīng)元中心值，σ_i^c(k)表示k時刻RBF神經(jīng)網(wǎng)絡控制器隱含層第i個神經(jīng)元的中心寬度；

②定義RBF神經(jīng)網(wǎng)絡控制器的指標J_c(k)

$J_c\left(k\right)=\frac{1}{2}{e}^2\left(k\right)---\left(11\right)$

e(k)＝r(k)-y(k) (12)

其中，e(k)為k時刻溶解氧DO濃度的誤差，r(k)為k時刻溶解氧DO濃度設(shè)定值；

③對RBF神經(jīng)網(wǎng)絡控制器的參數(shù)進行更新

${\mathrm{\&Delta;w}}_i^c\left(k\right)=\frac{\&part;J_c\left(k\right)}{\&part;w_i^c\left(k\right)}=-e\left(k\right)f\left(x\right(k\left)\right)(1-y(k\left)\right)y\left(k\right)---\left(13\right)$

$w_i^c(k+1)=w_i^c\left(k\right)-{\mathrm{\&eta;}}_1{\mathrm{\&Delta;w}}_i^c\left(k\right)=w_i^c\left(k\right)+{\mathrm{\&eta;}}_{1}e\left(k\right)f\left(x\right(k\left)\right)(1-y(k\left)\right)y\left(k\right)---\left(14\right)$

${\mathrm{\&mu;}}_i^c(k+1)={\mathrm{\&mu;}}_i^c\left(k\right)-{\mathrm{\&eta;}}_1\frac{\&part;J_c\left(k\right)}{\&part;{\mathrm{\&mu;}}_i^c\left(k\right)}---\left(15\right)$

${\mathrm{\&sigma;}}_i^c(k+1)={\mathrm{\&sigma;}}_i^c\left(k\right)-{\mathrm{\&eta;}}_1\frac{\&part;J_c\left(k\right)}{\&part;{\mathrm{\&sigma;}}_i^c\left(k\right)}---\left(16\right)$

其中，Δw_i^c(k)為k時刻RBF神經(jīng)網(wǎng)絡控制器隱含層第i個神經(jīng)元與輸出層神經(jīng)元連接權(quán)值的修正量，w_i^c(k+1)為k+1時刻的RBF神經(jīng)網(wǎng)絡控制器隱含層第i神經(jīng)元與輸出層神經(jīng)元的連接權(quán)值；μ_i^c(k+1)表示k+1時刻RBF神經(jīng)網(wǎng)絡控制器隱含層第i個神經(jīng)元中心值，σ_i^c(k+1)表示k+1時刻RBF神經(jīng)網(wǎng)絡控制器隱含層第i個神經(jīng)元的中心寬度；η₁為學習率，η₁∈(0,1]；

④判斷當前時刻溶解氧DO的目標函數(shù)的大小，如果J_c(k)>0.01,則重復步驟③；如果J_c(k)<0.01，則轉(zhuǎn)到步驟①計算RBF神經(jīng)網(wǎng)絡控制器的輸出u(k)；

(4)利用求解出的u(k)對溶解氧DO進行控制，u(k)為k時刻為曝氣量即控制量，控制系統(tǒng)的輸出為實際溶解氧DO的濃度值。