本發(fā)明基于污水處理過程活性污泥工藝中容易發(fā)生污泥膨脹并且原因不易辨識(shí)，利用遞歸rbf神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了一種污泥膨脹故障辨識(shí)方法，實(shí)現(xiàn)了故障變量辨識(shí)后對(duì)污泥膨脹的提前有效調(diào)節(jié)；污水處理污泥容積指數(shù)svi是表征污泥膨脹的重要參量，污水處理過程污泥容積指數(shù)svi與過程變量的關(guān)系是實(shí)現(xiàn)有效預(yù)測(cè)污泥膨脹的基礎(chǔ)環(huán)節(jié)；并且，污泥膨脹故障的辨識(shí)對(duì)污水處理的穩(wěn)定安全運(yùn)行有著重要影響，是先進(jìn)制造
技術(shù)領(lǐng)域：
的重要分支，既屬于控制領(lǐng)域，又屬于水處理領(lǐng)域。因此，對(duì)污泥膨脹故障辨識(shí)在污水處理系統(tǒng)中具有重要意義。
背景技術(shù)：
：城市污水處理過程，要保證污水處理系統(tǒng)的可靠性和穩(wěn)定性。然而，污水處理過程的活性污泥工藝法常常發(fā)生污泥膨脹的現(xiàn)象。然而，污水處理過程各變量之間相互影響相互制約，對(duì)引起污泥膨脹的故障變量難以辨識(shí)，進(jìn)而不能實(shí)施有效的調(diào)節(jié)控制，嚴(yán)重影響了污水處理過程的穩(wěn)定運(yùn)行?；谶f歸rbf神經(jīng)網(wǎng)絡(luò)的污泥膨脹故障辨識(shí)方法有利于提高城市污水處理效率、加強(qiáng)城市污水處理廠精細(xì)化管理、確保污水處理出水水質(zhì)達(dá)標(biāo)排放，緩解我國(guó)當(dāng)前污水處理過程常出現(xiàn)的污泥膨脹現(xiàn)象的發(fā)生。不但具有較好的經(jīng)濟(jì)效益，而且具有顯著的環(huán)境和社會(huì)效益。因此，本發(fā)明的研究成果具有廣闊的應(yīng)用前景。目前，活性污泥法在處理城市污水及造紙、印染、化工等眾多工業(yè)廢水方面得到了普遍應(yīng)用。但是，污泥膨脹問題一直是活性污泥法工藝中存在的棘手問題，由于泥水不能正常分離，導(dǎo)致污水處理流程工藝失敗。污泥膨脹發(fā)生頻繁，基本上污水處理流程工藝中都存在不同程度的污泥膨脹；污泥膨脹的發(fā)生覆蓋率高，在德國(guó)、英國(guó)、南非等國(guó)家的污水處理廠調(diào)查結(jié)果顯示，半數(shù)以上的污水處理廠存在著污泥容積指數(shù)過高、絲狀菌過度增長(zhǎng)的情況?？梢?，污泥膨脹是國(guó)內(nèi)外污水處理廠面臨的一個(gè)普遍的問題，各國(guó)的學(xué)者對(duì)預(yù)防和控制污泥膨脹做了大量的研究，雖然取得一些進(jìn)展，但是到目前為止，并沒有對(duì)污泥膨脹的有效的控制措施；重點(diǎn)是，一旦發(fā)生污泥膨脹，原因不易探究，且需要較長(zhǎng)的時(shí)間處理工藝的失敗。綜上所述，污泥膨脹一旦發(fā)生，后果不容忽視。因此，對(duì)污泥膨脹這種故障現(xiàn)象的提前診斷和預(yù)防是解決污泥膨脹本質(zhì)問題的行之有效的方法，有很高的實(shí)際意義。本發(fā)明提出一種基于遞歸rbf神經(jīng)網(wǎng)絡(luò)的污泥膨脹故障辨識(shí)方法，通過構(gòu)建基于遞歸rbf神經(jīng)網(wǎng)絡(luò)污泥容積指數(shù)svi軟測(cè)量模型，利用梯度下降的參數(shù)修正算法保證了遞歸rbf神經(jīng)網(wǎng)絡(luò)的精度。一旦預(yù)測(cè)出發(fā)生污泥膨脹，采用故障變量辨識(shí)cvi算法對(duì)引起污泥膨脹的故障變量進(jìn)行辨識(shí)，該方法能有效的降低污泥膨脹的發(fā)生率，減少了污水處理廠的經(jīng)濟(jì)損失。技術(shù)實(shí)現(xiàn)要素：本發(fā)明獲得了一種基于遞歸rbf神經(jīng)網(wǎng)絡(luò)的污泥膨脹故障辨識(shí)方法，該方法通過分析污水處理過程，在眾多可測(cè)變量中選擇一組與污泥容積指數(shù)svi有密切聯(lián)系又容易測(cè)量的變量作為輔助變量，通過構(gòu)造遞歸rbf神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)輔助變量與污泥容積指數(shù)svi之間的映射，實(shí)現(xiàn)污泥容積指數(shù)svi的實(shí)時(shí)測(cè)量。一旦預(yù)測(cè)出發(fā)生污泥膨脹，采用故障變量辨識(shí)cvi算法對(duì)引起污泥膨脹的變量進(jìn)行辨識(shí)，可以有效的提前對(duì)污泥膨脹進(jìn)行調(diào)節(jié)控制；本發(fā)明采用了如下的技術(shù)方案及實(shí)現(xiàn)步驟：1.一種基于遞歸rbf神經(jīng)網(wǎng)絡(luò)的污泥膨脹故障辨識(shí)方法，其特征在于通過特征分析獲取污泥容積指數(shù)svi的特征值，采用遞歸rbf神經(jīng)網(wǎng)絡(luò)建立污泥容積指數(shù)svi的軟測(cè)量模型，利用故障變量辨識(shí)cvi算法，辨識(shí)引起污泥膨脹的故障變量，包括以下步驟：(1)確定污泥容積指數(shù)svi的輸入與輸出變量：以活性污泥法污水處理過程為研究對(duì)象，對(duì)污水處理過程變量進(jìn)行特征分析，選取與污泥容積指數(shù)svi相關(guān)的過程變量為污泥容積指數(shù)svi軟測(cè)量模型的輸入：溶解氧do濃度，混合懸浮物mlss濃度，溫度t，化學(xué)需氧量cod濃度以及總氮tn濃度，污泥容積指數(shù)svi軟測(cè)量模型的輸出為污泥容積指數(shù)svi值；(2)設(shè)計(jì)用于污泥容積指數(shù)svi的軟測(cè)量模型，利用遞歸rbf神經(jīng)網(wǎng)絡(luò)建立污泥容積指數(shù)svi的軟測(cè)量模型，遞歸rbf神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)分為三層：輸入層、隱含層、輸出層；神經(jīng)網(wǎng)絡(luò)為5-j-1的連接方式，即輸入層神經(jīng)元為5個(gè)，隱含層神經(jīng)元為j個(gè)，j為大于2的正整數(shù)，輸出層神經(jīng)元為1個(gè)；輸入層與隱含層之間的連接權(quán)值都賦值為1，隱含層與輸出層之間的連接權(quán)值隨機(jī)賦值，賦值區(qū)間為[-1,1]；設(shè)共有n個(gè)訓(xùn)練樣本，設(shè)第t時(shí)刻遞歸rbf神經(jīng)網(wǎng)絡(luò)輸入為x(t)＝[x1(t)，x2(t)，x3(t)，x4(t)，x5(t)]，x1(t)表示t時(shí)刻溶解氧濃度do，x2(t)表示t時(shí)刻混合懸浮物濃度mlss，x3(t)表示t時(shí)刻溫度t，x4(t)表示t時(shí)刻化學(xué)需氧量cod濃度，x5(t)表示t時(shí)刻總氮tn濃度，遞歸rbf神經(jīng)網(wǎng)絡(luò)的期望輸出表示為yd(t)，實(shí)際輸出表示為y(t)；基于遞歸rbf神經(jīng)網(wǎng)絡(luò)的污泥容積指數(shù)svi的軟測(cè)量方法計(jì)算方式依次為：①輸入層：該層由5個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元的輸出為：ui(t)＝xi(t)(1)其中，ui(t)是t時(shí)刻第i個(gè)神經(jīng)元的輸出,i＝1,2,…,5，xi(t)為t時(shí)刻輸入層第i個(gè)神經(jīng)元的輸入；②隱含層：隱含層由j個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元的輸出為：其中，cj(t)為t時(shí)刻第j個(gè)隱含層神經(jīng)元的中心向量，cj(t)＝[c1j(t),c2j(t),…,c5j(t)]，cij(t)表示隱含層t時(shí)刻第j個(gè)神經(jīng)元中心值的第i個(gè)元素，||hj(t)-cj(t)||表示hj(t)與cj(t)之間的歐式距離，σj(t)是t時(shí)刻第j個(gè)隱含層神經(jīng)元的寬度，hj(t)是t時(shí)刻第j個(gè)隱含層神經(jīng)元的輸入向量hj(t)＝[u1(t),u2(t),u3(t),u4(t),u5(t),vj(t)×y(t-1)](3)y(t-1)是t-1時(shí)刻遞歸rbf神經(jīng)網(wǎng)絡(luò)的輸出，vj(t)為t時(shí)刻輸出神經(jīng)元與第j個(gè)隱含層神經(jīng)元的反饋連接權(quán)值，v(t)＝[v1(t),v2(t),…,vj(t)]t為t時(shí)刻輸出神經(jīng)元與隱含層神經(jīng)元的反饋連接權(quán)值向量，t表示轉(zhuǎn)置；③輸出層：輸出層輸出為：其中，w(t)＝[w1(t),w2(t),...,wj(t)]t為t時(shí)刻隱含層與輸出層的連接權(quán)值向量，wj(t)為t時(shí)刻第j個(gè)隱含層神經(jīng)元與輸出神經(jīng)元的連接權(quán)值，θ(t)＝[θ1(t),θ2(t),...,θj(t)]t為t時(shí)刻隱含層的輸出向量，θj(t)為t時(shí)刻第j個(gè)隱含層神經(jīng)元的輸出，y(t)為t時(shí)刻遞歸rbf神經(jīng)網(wǎng)絡(luò)的輸出；定義遞歸rbf神經(jīng)網(wǎng)絡(luò)的誤差為：其中，yd(t)為t時(shí)刻遞歸rbf神經(jīng)網(wǎng)絡(luò)的期望輸出，y(t)為t時(shí)刻遞歸rbf神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出；(3)訓(xùn)練遞歸rbf神經(jīng)網(wǎng)絡(luò)，具體為：①給定遞歸rbf神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元個(gè)數(shù)為j，j為大于2的正整數(shù)，遞歸rbf神經(jīng)網(wǎng)絡(luò)的輸入為x(1)，x(2)，…，x(t)，…，x(n)，對(duì)應(yīng)的期望輸出為yd(1)，yd(2)，…，yd(t)，…，yd(n)，n表示遞歸rbf神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)，期望誤差值設(shè)為ed，ed∈(0,0.01)，初始中心值cj(1)中每個(gè)變量的賦值區(qū)間為[-2,2]，初始中心寬度σj(1)的賦值區(qū)間為[0,1]，初始反饋連接權(quán)值vj(t)的賦值區(qū)間為[0,1]，j＝1，2，…，j；初始權(quán)值w(1)中每個(gè)變量的賦值區(qū)間為[-1,1]；②設(shè)置學(xué)習(xí)步數(shù)s＝1；③t＝s，根據(jù)公式(1)、(2)、(3)、(4)計(jì)算遞歸rbf神經(jīng)網(wǎng)絡(luò)的輸出y(t)，運(yùn)用快速下降算法調(diào)整遞歸rbf神經(jīng)網(wǎng)絡(luò)的參數(shù)為：vj(t+1)＝vj(t)-ηv(yd(t)-y(t))wj(t)θ(t)y(t-1)(8)wj(t+1)＝wj(t)-ηw(yd(t)-y(t))θj(t)(9)其中，ηc為中心c的學(xué)習(xí)率，ηc∈(0,0.01]；ησ為寬度σ的學(xué)習(xí)率，ησ∈(0,0.01]；ηv為反饋連接權(quán)值v的學(xué)習(xí)率,ηv∈(0,0.02]；ηw為連接權(quán)值w的學(xué)習(xí)率，ηw∈(0,0.01]；cj(t+1)＝[c1j(t+1),c2j(t+1),…,c5j(t+1)]為t+1時(shí)刻第j個(gè)隱含層神經(jīng)元的中心向量；σj(t+1)為t+1時(shí)刻第j個(gè)隱含層神經(jīng)元的寬度；vj(t+1)為t+1時(shí)刻輸出神經(jīng)元與第j個(gè)隱含層神經(jīng)元的反饋連接權(quán)值；wj(t+1)為t+1時(shí)刻第j個(gè)隱含層神經(jīng)元與輸出神經(jīng)元的連接權(quán)值；④學(xué)習(xí)步數(shù)s增加1，如果步數(shù)s<n，則轉(zhuǎn)向步驟③進(jìn)行繼續(xù)訓(xùn)練，如果s＝n轉(zhuǎn)向步驟⑤；⑤根據(jù)公式(5)計(jì)算遞歸rbf神經(jīng)網(wǎng)絡(luò)的性能，如果e(t)≥ed，則轉(zhuǎn)向步驟③進(jìn)行繼續(xù)訓(xùn)練，如果e(t)<ed，則停止訓(xùn)練；(4)污泥容積指數(shù)svi濃度預(yù)測(cè)；將測(cè)試樣本數(shù)據(jù)作為訓(xùn)練后的遞歸rbf神經(jīng)網(wǎng)絡(luò)的輸入，遞歸rbf神經(jīng)網(wǎng)絡(luò)的輸出即為污泥容積指數(shù)svi濃度的軟測(cè)量值。(5)污泥膨脹故障變量辨識(shí)算法cvi，具體為：①計(jì)算遞歸rbf神經(jīng)網(wǎng)絡(luò)的輸出與期望輸出的差值，若滿足條件：轉(zhuǎn)向步驟②，若不滿足，則停止故障變量辨識(shí)過程；②定義兩個(gè)公式如下：其中，ic1(t)為t時(shí)刻輸入變量間的馬氏距離，ic2(t)為t時(shí)刻的平方預(yù)測(cè)誤差，m代表輸入數(shù)據(jù)的主要成分個(gè)數(shù),θm(t)為t時(shí)刻第m個(gè)主成分輸入數(shù)據(jù)的隱含層輸出向量。δ(t)＝[δ1(t),…,δm(t),…,δm(t)]t為t時(shí)刻輸入數(shù)據(jù)的映射，并且δm(t)為其中，為t時(shí)刻對(duì)于隱含層的m個(gè)主要成分輸入數(shù)據(jù)的中心化的輸出向量。k為當(dāng)前樣本個(gè)數(shù)，為t時(shí)刻第m個(gè)主成分輸入數(shù)據(jù)的輸出向量，ak(t)是常數(shù)，并且ak(t)∈(0,0.01]，t時(shí)刻m個(gè)主要成分的特征值對(duì)角矩陣被定義為：λm(t)為t時(shí)刻特征值的對(duì)角矩陣，滿足：其中，i(t)是單位矩陣，是正則化的協(xié)方差矩陣c(t)，l’(t)是一個(gè)常數(shù)，滿足：ω(t)＝ic1(t)+l'-1(t)ic2(t)(16)其中，ω(t)為t時(shí)刻每個(gè)輸入變量的能量，θk(t)為t時(shí)刻第k個(gè)樣本的隱含層神經(jīng)元輸出向量。常數(shù)向量a(t)＝[a1(t),…aj(t),…ak(t)]t為其中，g(t)為t時(shí)刻輸入變量的高斯矩陣，并且λ(t)為特征值g(t)＝{θi(t)·θj(t)}k×k(19)λ(t)p(t)＝c(t)p(t)(20)其中，p(t)為t時(shí)刻協(xié)方差矩陣c(t)的特征向量；③對(duì)于第i個(gè)輸入變量，其貢獻(xiàn)度指數(shù)定義如下：其中，gi(t)為t時(shí)刻第i個(gè)變量的貢獻(xiàn)度指數(shù)，κi(t)為t時(shí)刻第i個(gè)變量的貢獻(xiàn)度，對(duì)于第i個(gè)變量t時(shí)刻的測(cè)試數(shù)據(jù)xi(t)，計(jì)算該測(cè)試數(shù)據(jù)與測(cè)試數(shù)據(jù)和訓(xùn)練數(shù)據(jù)之間的差異集的互信息得到，κi(t)表達(dá)為：κi(t)＝i(xi(t),vδ(t))(22)i(xi(t),vδ(t))為t時(shí)刻測(cè)試數(shù)據(jù)xi(t)與測(cè)試數(shù)據(jù)和訓(xùn)練數(shù)據(jù)間的差異集vδ(t)之間的互信息：vδ(t)＝vtr(t)-vte(t)(23)其中，vtr(t)，vte(t)分別為t時(shí)刻訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集的獨(dú)立數(shù)據(jù)集：vtr(t)＝d-1(t)g(t)(24)vte(t)＝dte-1(t)gte(t)(25)其中，d(t)為t時(shí)刻φ(t)的協(xié)方差矩陣：d(t)＝e{φ(t)φt(t)}(26)φ(t)＝[θ(t-k+1),…,θ(t-1),θ(t)]t(27)其中，φ(t)為t時(shí)刻隱含層輸出矩陣，θ(t-k+1)為遞歸rbf神經(jīng)網(wǎng)絡(luò)t-k+1時(shí)刻的隱含層神經(jīng)元輸出向量；④對(duì)于變量i，若t時(shí)刻貢獻(xiàn)度指標(biāo)gi(t)滿足條件：g1(t)+…gi(t)≥0.8(28)則變量1,…,i為t時(shí)刻引起污泥膨脹的故障變量。本發(fā)明的創(chuàng)造性主要體現(xiàn)在：(1)本發(fā)明針對(duì)當(dāng)前污水處理過程中頻繁發(fā)生的污泥膨脹現(xiàn)象并且原因不易探究，提出了一種基于遞歸rbf神經(jīng)網(wǎng)絡(luò)的污泥膨脹故障辨識(shí)方法，不僅能夠預(yù)測(cè)污泥膨脹的發(fā)生，還能辨識(shí)引起污泥膨脹的故障變量。根據(jù)實(shí)際污水處理廠工作報(bào)表提取了與污泥容積指數(shù)svi濃度相關(guān)的5個(gè)相關(guān)變量：溶解氧濃度do，混合懸浮物濃度mlss，溫度t，化學(xué)需氧量cod以及總氮tn，實(shí)現(xiàn)了污泥容積指數(shù)svi濃度的預(yù)測(cè)，解決了污泥膨脹的在線預(yù)測(cè)問題。(2)本發(fā)明采用故障變量辨識(shí)cvi算法，有效的辨識(shí)引起污泥膨脹的故障變量，從而，實(shí)現(xiàn)了提前對(duì)污泥膨脹的有效調(diào)節(jié)控制；辨識(shí)故障變量具有精度高，對(duì)污水處理過程發(fā)生的污泥膨脹有良好的調(diào)節(jié)作用；特別要注意：本發(fā)明采用與污泥容積指數(shù)svi相關(guān)的6個(gè)特征變量建立其軟測(cè)量模型，只要采用了本發(fā)明的相關(guān)變量及遞歸rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行污泥容積指數(shù)svi檢測(cè)方法研究都應(yīng)屬于本發(fā)明的范圍。附圖說明圖1是本發(fā)明的遞歸rbf神經(jīng)網(wǎng)絡(luò)初始結(jié)構(gòu)拓?fù)鋱D；圖2是本發(fā)明的污泥容積指數(shù)svi的預(yù)測(cè)結(jié)果圖，其中藍(lán)色實(shí)線為遞歸rbf神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值，紅色實(shí)線為污泥容積指數(shù)svi的實(shí)際輸出值；圖3是本發(fā)明污泥容積指數(shù)svi的預(yù)測(cè)誤差圖；圖4是本發(fā)明ic1(t)變化值圖；圖5是本發(fā)明ic2(t)變化值圖；圖6是本發(fā)明對(duì)應(yīng)ic1(t)和ic2(t)變化的標(biāo)記故障點(diǎn)，其中綠色實(shí)線對(duì)應(yīng)ic1(t)的變化標(biāo)記的故障點(diǎn)，紅色實(shí)線對(duì)應(yīng)ic2(t)的變化標(biāo)記的故障點(diǎn)；圖7是本發(fā)明輸入變量的貢獻(xiàn)度指數(shù)值圖；表1-12是本發(fā)明實(shí)驗(yàn)數(shù)據(jù)，表1-5為訓(xùn)練樣本輸入，表6-10為預(yù)測(cè)樣本輸入，表11為污泥容積指數(shù)svi實(shí)際輸出值，表12為污泥容積指數(shù)svi預(yù)測(cè)輸出值。具體實(shí)施方式本發(fā)明選取污泥容積指數(shù)svi的特征變量為混合懸浮物濃度mlss、溫度t、溶解氧濃度do、化學(xué)需氧量cod以及總氮tn，以上單位均為毫克/升；實(shí)驗(yàn)數(shù)據(jù)來自某污水處理廠2014年水質(zhì)分析日?qǐng)?bào)表；剔除異常實(shí)驗(yàn)樣本后剩余100組可用數(shù)據(jù)，其中60組用作訓(xùn)練數(shù)據(jù)，其余40組作為測(cè)試數(shù)據(jù)；本發(fā)明采用了如下的技術(shù)方案及實(shí)現(xiàn)步驟：基于遞歸rbf神經(jīng)網(wǎng)絡(luò)的污泥膨脹故障辨識(shí)算法具體步驟如下：1.一種基于遞歸rbf神經(jīng)網(wǎng)絡(luò)的污泥膨脹故障辨識(shí)方法，其特征在于通過特征分析獲取污泥容積指數(shù)svi的特征值，采用遞歸rbf神經(jīng)網(wǎng)絡(luò)建立污泥容積指數(shù)svi的軟測(cè)量模型，利用故障變量辨識(shí)cvi算法，辨識(shí)引起污泥膨脹的故障變量，包括以下步驟：(1)確定污泥容積指數(shù)svi的輸入與輸出變量：以活性污泥法污水處理過程為研究對(duì)象，對(duì)污水處理過程變量進(jìn)行特征分析，選取與污泥容積指數(shù)svi相關(guān)的過程變量為污泥容積指數(shù)svi軟測(cè)量模型的輸入：溶解氧do濃度，混合懸浮物mlss濃度，溫度t，化學(xué)需氧量cod濃度以及總氮tn濃度，污泥容積指數(shù)svi軟測(cè)量模型的輸出為污泥容積指數(shù)svi值；(2)設(shè)計(jì)用于污泥容積指數(shù)svi的軟測(cè)量模型，利用遞歸rbf神經(jīng)網(wǎng)絡(luò)建立污泥容積指數(shù)svi的軟測(cè)量模型，遞歸rbf神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)分為三層：輸入層、隱含層、輸出層；神經(jīng)網(wǎng)絡(luò)為5-5-1的連接方式，即輸入層神經(jīng)元為5個(gè)，隱含層神經(jīng)元為5個(gè)，輸出層神經(jīng)元為1個(gè)；輸入層與隱含層之間的連接權(quán)值都賦值為1，隱含層與輸出層之間的連接權(quán)值隨機(jī)賦值，賦值區(qū)間為[-1,1]；設(shè)共有n個(gè)訓(xùn)練樣本，設(shè)第t時(shí)刻遞歸rbf神經(jīng)網(wǎng)絡(luò)輸入為x(t)＝[x1(t)，x2(t)，x3(t)，x4(t)，x5(t)]，x1(t)表示t時(shí)刻溶解氧濃度do，x2(t)表示t時(shí)刻混合懸浮物濃度mlss，x3(t)表示t時(shí)刻溫度t，x4(t)表示t時(shí)刻化學(xué)需氧量cod濃度，x5(t)表示t時(shí)刻總氮tn濃度，遞歸rbf神經(jīng)網(wǎng)絡(luò)的期望輸出表示為yd(t)，實(shí)際輸出表示為y(t)；基于遞歸rbf神經(jīng)網(wǎng)絡(luò)的污泥容積指數(shù)svi的軟測(cè)量方法計(jì)算方式依次為：①輸入層：該層由5個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元的輸出為：ui(t)＝xi(t)(29)其中，ui(t)是t時(shí)刻第i個(gè)神經(jīng)元的輸出,i＝1,2,…,5，xi(t)為t時(shí)刻輸入層第i個(gè)神經(jīng)元的輸入；②隱含層：隱含層由j個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元的輸出為：其中，cj(t)為t時(shí)刻第j個(gè)隱含層神經(jīng)元的中心向量，cj(t)＝[c1j(t),c2j(t),…,c5j(t)]，cij(t)表示隱含層t時(shí)刻第j個(gè)神經(jīng)元中心值的第i個(gè)元素，||hj(t)-cj(t)||表示hj(t)與cj(t)之間的歐式距離，σj(t)是t時(shí)刻第j個(gè)隱含層神經(jīng)元的寬度，hj(t)是t時(shí)刻第j個(gè)隱含層神經(jīng)元的輸入向量hj(t)＝[u1(t),u2(t),u3(t),u4(t),u5(t),vj(t)×y(t-1)](31)y(t-1)是t-1時(shí)刻遞歸rbf神經(jīng)網(wǎng)絡(luò)的輸出，vj(t)為t時(shí)刻輸出神經(jīng)元與第j個(gè)隱含層神經(jīng)元的反饋連接權(quán)值，v(t)＝[v1(t),v2(t),…,vj(t)]t為t時(shí)刻輸出神經(jīng)元與隱含層神經(jīng)元的反饋連接權(quán)值向量，t表示轉(zhuǎn)置；③輸出層：輸出層輸出為：其中，w(t)＝[w1(t),w2(t),...,wj(t)]t為t時(shí)刻隱含層與輸出層的連接權(quán)值向量，wj(t)為t時(shí)刻第j個(gè)隱含層神經(jīng)元與輸出神經(jīng)元的連接權(quán)值，θ(t)＝[θ1(t),θ2(t),...,θj(t)]t為t時(shí)刻隱含層的輸出向量，θj(t)為t時(shí)刻第j個(gè)隱含層神經(jīng)元的輸出，y(t)為t時(shí)刻遞歸rbf神經(jīng)網(wǎng)絡(luò)的輸出；定義遞歸rbf神經(jīng)網(wǎng)絡(luò)的誤差為：其中，yd(t)為t時(shí)刻遞歸rbf神經(jīng)網(wǎng)絡(luò)的期望輸出，y(t)為t時(shí)刻遞歸rbf神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出；(3)訓(xùn)練遞歸rbf神經(jīng)網(wǎng)絡(luò)，具體為：①給定遞歸rbf神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元個(gè)數(shù)為j，j為大于2的正整數(shù)，遞歸rbf神經(jīng)網(wǎng)絡(luò)的輸入為x(1)，x(2)，…，x(t)，…，x(n)，對(duì)應(yīng)的期望輸出為yd(1)，yd(2)，…，yd(t)，…，yd(n)，n表示遞歸rbf神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)，期望誤差值設(shè)為ed，ed∈(0,0.01)，初始中心值cj(1)中每個(gè)變量的賦值區(qū)間為[-2,2]，初始中心寬度σj(1)的賦值區(qū)間為[0,1]，初始反饋連接權(quán)值vj(t)的賦值區(qū)間為[0,1]，j＝1，2，…，j；初始權(quán)值w(1)中每個(gè)變量的賦值區(qū)間為[-1,1]；②設(shè)置學(xué)習(xí)步數(shù)s＝1；③t＝s，根據(jù)公式(1)、(2)、(3)、(4)計(jì)算遞歸rbf神經(jīng)網(wǎng)絡(luò)的輸出y(t)，運(yùn)用快速下降算法調(diào)整遞歸rbf神經(jīng)網(wǎng)絡(luò)的參數(shù)為：vj(t+1)＝vj(t)-ηv(yd(t)-y(t))wj(t)θ(t)y(t-1)(36)wj(t+1)＝wj(t)-ηw(yd(t)-y(t))θj(t)(37)其中，ηc為中心c的學(xué)習(xí)率，ηc∈(0,0.01]；ησ為寬度σ的學(xué)習(xí)率，ησ∈(0,0.01]；ηv為反饋連接權(quán)值v的學(xué)習(xí)率,ηv∈(0,0.02]；ηw為連接權(quán)值w的學(xué)習(xí)率，ηw∈(0,0.01]；cj(t+1)＝[c1j(t+1),c2j(t+1),…,c5j(t+1)]為t+1時(shí)刻第j個(gè)隱含層神經(jīng)元的中心向量；σj(t+1)為t+1時(shí)刻第j個(gè)隱含層神經(jīng)元的寬度；vj(t+1)為t+1時(shí)刻輸出神經(jīng)元與第j個(gè)隱含層神經(jīng)元的反饋連接權(quán)值；wj(t+1)為t+1時(shí)刻第j個(gè)隱含層神經(jīng)元與輸出神經(jīng)元的連接權(quán)值；④學(xué)習(xí)步數(shù)s增加1，如果步數(shù)s<n，則轉(zhuǎn)向步驟③進(jìn)行繼續(xù)訓(xùn)練，如果s＝n轉(zhuǎn)向步驟⑤；⑤根據(jù)公式(33)計(jì)算遞歸rbf神經(jīng)網(wǎng)絡(luò)的性能，如果e(t)≥ed，則轉(zhuǎn)向步驟③進(jìn)行繼續(xù)訓(xùn)練，如果e(t)<ed，則停止訓(xùn)練；(4)污泥容積指數(shù)svi濃度預(yù)測(cè)；將測(cè)試樣本數(shù)據(jù)作為訓(xùn)練后的遞歸rbf神經(jīng)網(wǎng)絡(luò)的輸入，遞歸rbf神經(jīng)網(wǎng)絡(luò)的輸出即為污泥容積指數(shù)svi濃度的軟測(cè)量值。污泥容積指數(shù)svi預(yù)測(cè)效果如圖2所示，x軸：預(yù)測(cè)樣本數(shù)，單位是個(gè)，y軸：污泥容積指數(shù)svi預(yù)測(cè)輸出，單位是毫克/升，紅色實(shí)線為污泥容積指數(shù)svi濃度實(shí)際輸出值，藍(lán)色實(shí)線是污泥容積指數(shù)svi濃度預(yù)測(cè)輸出值；污泥容積指數(shù)svi實(shí)際輸出與預(yù)測(cè)輸出的誤差如圖3，x軸：樣本數(shù)，單位是個(gè)，y軸：污泥容積指數(shù)svi預(yù)測(cè)誤差，單位是毫克/升；(5)污泥膨脹故障變量辨識(shí)算法cvi，具體為：①計(jì)算遞歸rbf神經(jīng)網(wǎng)絡(luò)的輸出與期望輸出的差值，若滿足條件：轉(zhuǎn)向步驟②，若不滿足，則停止故障變量辨識(shí)過程；②定義兩個(gè)公式如下：其中，ic1(t)為t時(shí)刻輸入變量間的馬氏距離，ic2(t)為t時(shí)刻的平方預(yù)測(cè)誤差，m代表輸入數(shù)據(jù)的主要成分個(gè)數(shù),θm(t)為t時(shí)刻第m個(gè)主成分輸入數(shù)據(jù)的隱含層輸出向量。δ(t)＝[δ1(t),…,δm(t),…,δm(t)]t為t時(shí)刻輸入數(shù)據(jù)的映射，并且δm(t)為其中，為t時(shí)刻對(duì)于隱含層的m個(gè)主要成分輸入數(shù)據(jù)的中心化的輸出向量。k為當(dāng)前樣本個(gè)數(shù)，為t時(shí)刻第m個(gè)主成分輸入數(shù)據(jù)的輸出向量，ak(t)是常數(shù)，并且，ak(t)∈(0,0.01]，t時(shí)刻m個(gè)主要成分的特征值對(duì)角矩陣被定義為：λm(t)為t時(shí)刻特征值的對(duì)角矩陣，滿足：其中，l’(t)是一個(gè)常數(shù)，i(t)是單位矩陣，是正則化的協(xié)方差矩陣c(t)，滿足：ω(t)＝ic1(t)+l'-1(t)ic2(t)(44)其中，ω(t)為t時(shí)刻每個(gè)輸入變量的能量。θk(t)為t時(shí)刻第k個(gè)隱含層神經(jīng)元輸出向量.常數(shù)向量a(t)＝[a1(t),…aj(t),…ak(t)]t為其中，g(t)為t時(shí)刻輸入變量的高斯矩陣，并且λ(t)為特征值g(t)＝{θi(t)·θj(t)}k×k(47)λ(t)p(t)＝c(t)p(t)(48)其中，p(t)為t時(shí)刻協(xié)方差矩陣c(t)的特征向量；③對(duì)于第i個(gè)輸入變量，其貢獻(xiàn)度指數(shù)定義如下：其中，gi(t)為t時(shí)刻第i個(gè)變量的貢獻(xiàn)度指數(shù)，κi(t)為t時(shí)刻第i個(gè)變量的貢獻(xiàn)度，對(duì)于第i個(gè)變量t時(shí)刻的測(cè)試數(shù)據(jù)xi(t)，計(jì)算該測(cè)試數(shù)據(jù)與測(cè)試數(shù)據(jù)和訓(xùn)練數(shù)據(jù)之間的差異集的互信息得到，κi(t)表達(dá)為：κi(t)＝i(xi(t),vδ(t))(50)i(xi(t),vδ(t))為t時(shí)刻測(cè)試數(shù)據(jù)xi(t)與測(cè)試數(shù)據(jù)和訓(xùn)練數(shù)據(jù)間的差異集vδ(t)之間的互信息：vδ(t)＝vtr(t)-vte(t)(51)其中，vtr(t)，vte(t)分別為t時(shí)刻訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集的獨(dú)立數(shù)據(jù)集：vtr(t)＝d-1(t)g(t)(52)vte(t)＝dte-1(t)gte(t)(53)其中，d(t)為t時(shí)刻φ(t)的協(xié)方差矩陣：d(t)＝e{φ(t)φt(t)}(54)φ(t)＝[θ(t-k+1),…,θ(t-1),θ(t)]t(55)其中，φ(t)為t時(shí)刻隱含層輸出矩陣，θ(t-k+1)為遞歸rbf神經(jīng)網(wǎng)絡(luò)t-k+1時(shí)刻的隱含層神經(jīng)元輸出向量；④對(duì)于變量i，若t時(shí)刻貢獻(xiàn)度指標(biāo)gi(t)滿足條件：g1(t)+…gi(t)≥0.8(56)則變量1,…,i為t時(shí)刻引起污泥膨脹的故障變量。ic1(t)變化值如圖4所示，x軸：預(yù)測(cè)樣本數(shù)，單位是個(gè)，y軸：ic1(t)變化值；ic2(t)變化值如圖5所示，x軸：預(yù)測(cè)樣本數(shù)，單位是個(gè)，y軸：ic2(t)變化值；對(duì)應(yīng)ic1(t)和ic2(t)變化的標(biāo)記故障點(diǎn)如圖6所示，x軸：樣本數(shù)，單位是個(gè)，y軸：標(biāo)記故障點(diǎn)，其中綠色實(shí)線對(duì)應(yīng)ic1(t)的變化標(biāo)記的故障點(diǎn)，紅色實(shí)線對(duì)應(yīng)ic2(t)的變化標(biāo)記的故障點(diǎn)；輸入變量的貢獻(xiàn)度指數(shù)如圖7所示，x軸：過程變量，y軸：貢獻(xiàn)度指數(shù)；訓(xùn)練數(shù)據(jù)：表1.化學(xué)需氧量cod的輸入值(毫克/升)317.655319.9375322.25324.5625326.875329.1875331.5333.8125336.125338.4375340.75343.0345347.6875350350.1875350.375350.5625350.75350.9375351.125351.3125351.5351.6875351.875352.0625352.25352.4375352.625352.8125353348.0625343.125338.1875333.25328.3125323.375318.4375313.5308.5625303.625305.6875306.75306.8125307.875308.9375309310.875311.75320.625329.5328.375327.25326.125325323.875325.75326.625328.5330.375331.25表2.溶解氧濃度do的輸入值(毫克/升)6.8457.2466.6597.2396.2556.7356.4816.7246.9447.4346.9177.8426.1287.9017.4057.6477.8797.4347.1797.2346.5326.5436.5546.0886.9746.2227.8936.0586.6647.7536.6956.387.7516.1126.9357.0387.5066.3556.1526.2227.9746.1296.8537.1386.1786.5556.6177.1517.9246.5256.8997.1947.5557.297.0446.9756.3117.0146.5566.108表3.溫度t的輸入值表4.混合懸浮物濃度mlss的輸入值(毫克/升)1286.8851287.3751286.51285.6251284.751283.87512831282.1251281.251283.3751289.51288.6251287.751287.87512861287.3131284.6251283.9381285.251282.5631281.8751281.1881282.51283.8131285.1251284.4381287.751287.0631286.3751285.68812851285.1881285.3751287.5631288.751289.9381290.1251296.3131296.51296.6881294.8751297.0631297.251297.4381297.6251297.81312981297.3751296.751296.1251295.51293.8751284.251293.62512931302.3751311.751321.1251319.51329.875表5.總氮tn的實(shí)際輸出值(毫克/升)41.27541.312541.3541.387541.42542.462541.543.537541.57544.612542.6541.687541.72544.762545.842.312542.82543.337543.8544.362544.87545.387545.946.412546.92547.437548.9548.462548.97549.487547.24149.537549.07548.612548.1547.687547.22546.762546.345.837547.37548.912547.4543.987543.52544.062542.642.8812543.162543.4437543.72544.0062544.287544.5687545.8544.1312547.412546.6937545.97546.25625預(yù)測(cè)數(shù)據(jù)：表6.化學(xué)需氧量cod的輸入值(毫克/升)332.125334334.8125335.625336.4375337.25338.0625338.875339.6875340.5341.3125342.125342.9375341.75342.5625343.375344.1875343343.875344.75345.625344.5346.375347.25348.125349349.875349.75349.625349.5349.375350.25351.125359356.375353.75351.125348.5345.875346.25表7.溶解氧濃度do的輸入值(毫克/升)6.598756.6931256.78757.2818757.176257.0706256.9656.8593756.753756.6481257.54256.9368756.931256.7256257.127.1781256.836256.9943756.95256.4106256.468756.5268757.0856.6431256.801256.6593756.81756.8756256.933756.9918757.257.33757.1257.112576.98756.9756.96256.956.9375表8.溫度t的輸入值23.138123.284123.444623.559823.633823.668023.675123.730723.739323.753523.737823.719323.676623.629523.609623.557023.495823.448923.404823.400623.394923.404823.419023.491523.819123.847723.866223.890523.014827.208727.293327.333427.31727.302227.288827.268127.235427.198327.158427.0976表9.混合懸浮物濃度mlss的輸入值(毫克/升)1329.251338.62513481346.251344.51342.7513451350.251357.51355.751354.091352.251350.51348.7513471345.251343.51341.7513401338.251336.51334.7513331331.251329.51327.7513261324.251322.51320.7513191317.251315.51313.7513121308.6881305.3751302.0631298.751295.438表10.總氮tn的預(yù)測(cè)值(毫克/升)46.537546.8187547.147.387549.67547.962548.2549.537550.82549.112548.447.687546.97545.262546.5547.837546.12547.412545.744.637544.57543.512541.4541.387541.32541.262543.242.137540.07540.012540.9539.887540.82539.762538.736.47536.2536.02536.837.575表11.污泥容積指數(shù)svi的實(shí)際輸出值(毫克/升)102.1318104.5506104.9427105.2887106.4809107.2111113.4479119.0132121.5167115.047119.9333124.776128.374125.9713130.4835129.933133.8057135.4856135.7096134.7779132.6632136.047135.7843133.8904131.9964138.4294144.1786150.3707152.1785149.7829154.45154.7836152.1172157.832155.5825157.7072158.4782159.0304160.8222157.2703表12.污泥容積指數(shù)svi的預(yù)測(cè)輸出值(毫克/升)104.6798103.4415106.0121102.9707104.3378105.9182112.4079118.0338122.0289118.0726122.6676127.6083133.1356128.6487133.2567132.7159137.5757138.2312140.2654139.2904137.7872137.7449141.9649139.9922136.1045143.3388147.961155.0361159.5865157.078159.0946160.3922161.725164.3612166.4679166.6599165.2393164.7875163.0705162.5019當(dāng)前第1頁12