一種基于遞歸rbf神經網絡的mbr膜透水率的智能檢測方法
【專利摘要】一種基于遞歸RBF神經網絡的MBR膜透水率智能檢測方法，屬于污水處理水質參數在線檢測領域。在MBR膜污水處理過程中，污染問題影響膜的出水水質和膜的壽命，阻礙了膜的大規(guī)模應用；MBR膜污水處理過程隨機干擾嚴重，具有強非線性、大時變、嚴重滯后的特點，污染不能直接測量和在線檢測。本發(fā)明基于特征提取的方法獲取6類與透水率相關性強的過程變量；同時以膜透水率為模型的輸出，6類過程變量為模型的輸入，基于遞歸RBF神經網絡建立膜透水率的軟測量模型，完成了膜污染程度的實時檢測，取得了較好的精度，結果表明能夠快速、準確地預測透水率的大小，保證了MBR膜污水處理過程的穩(wěn)定安全運行，提高了膜污水處理的質量和效率。
【專利說明】
一種基于遞歸RBF神經網絡的MBR膜透水率的智能檢測方法
技術領域
[0001] 本發(fā)明屬于污水處理水質參數在線檢測領域，在MBR膜污水處理過程真實運行數 據的基礎上，通過特征分析方法提取MBR膜透水率的特征變量，利用遞歸RBF神經網絡建立 其軟測量模型，來預測MBR膜污水處理過程中難以直接測量的膜透水率;將智能檢測方法應 用于MBR膜污水處理過程，實現了膜透水率的在線智能檢測，根據透水率的大小在線獲得膜 的污染狀況，提高了膜的出水水質和使用壽命。
【背景技術】
[0002] 根據《中國污水處理行業(yè)市場前瞻與投資戰(zhàn)略規(guī)劃分析報告》顯示，截至2015年 底，全國設市城市、縣累計建成污水處理廠3717座，污水處理能力1.57億立方米/日，較2014 年新增約800萬立方米/日。2015年，全國城鎮(zhèn)污水處理廠累計處理污水480.6億立方米，比 2014年增長8.1 % ;運行負荷率達到84.1 %，比2014年增長1.5個百分點。污水處理量的增長 速度高于污水處理能力的增加速度，運行負荷率也快速增長，說明污水處理需求快速增加。 并且國家發(fā)展規(guī)劃中提出要研究推廣低能耗、高效的污水處理技術，應用MBR膜處理污水作 為一種新型污水處理技術應用前景十分廣泛；因此，本發(fā)明具有重大的研究意義和應用價 值。
[0003] 傳統(tǒng)的污水處理過程中污泥產出量大，處理不當會對環(huán)境造成嚴重污染。此外傳 統(tǒng)的活性污泥法處理污水具有占地面積大、處理水質不理想、管理操作復雜等缺點。膜生物 反應器技術用膜工藝取代傳統(tǒng)活性污泥法中的二沉池，融合了傳統(tǒng)的生物處理技術中的生 物降解功能和I旲尚效的分尚功能，是一種新型的、尚效的處理污水技術，具有出水水質尚、 污泥產量小、占地面積小、管理方便等優(yōu)點，適合污水處理的實際應用。但在膜處理污水的 長期過程中，膜污染問題不可避免，膜污染問題會造成膜通量和透水率的減少、跨膜壓差和 膜表面阻力的增大，使膜的出水水質降低和使用壽命縮短，這阻礙了膜的進一步大規(guī)模應 用，因此正確預測膜的污染狀況及時對膜進行清洗維護很有必要。透水率可以直接表示膜 的污染程度，因此可以通過預測透水率的大小來預測膜的污染程度。透水率不能直接測量， 水廠一般采用計算的方法估計透水率的大小，這導致了透水率的大小具有嚴重的滯后性， 不能實現對膜污染狀況的精確在線預測。因此，研究新的預測技術解決過程變量的實時獲 取問題，已成為污水控制領域研究的重要課題，并且具有重要的現實意義。
[0004] 本發(fā)明涉及了一種膜透水率智能檢測方法，該方法利用特征分析方法提取特征變 量并基于遞歸RBF神經網絡建立了膜透水率的軟測量模型，該模型減少了透水率的計算復 雜度，實現了透水率的在線精確測量和實時校正，為污水處理中預測膜的污染狀態(tài)提供了 一種有效的方法，提高了 MBR膜污水處理過程的工作效率和經濟效益。

【發(fā)明內容】

[0005] -種基于遞歸RBF神經網絡的MBR膜透水率的智能檢測方法，其特征在于，包括以 下步驟：
[0006] (1)特征分析確定MBR膜透水率智能檢測模型的輸入與輸出變量；
[0007] 以用MBR膜處理污水的系統(tǒng)為研究對象，選取Μ個實測數據作為樣本，建立特征分 析模型，可測的16個影響因素記為自變量P，P=[ P1，P2, . . .，Ρ16]，膜的透水率記為因變量q; 其中，Pl，p2, ...，p16分別表示進水化學需氧量、進水氨氮、進水pH、進水生物需氧量、進水固 體懸浮物、進水總磷、出水濁度、好氧區(qū)硝酸鹽、產水流量、產水壓力、單池膜擦洗氣量、污泥 濃度、溶解氧、溫度、氣水比、跨膜壓差，氣水比無單位、溫度的單位是攝氏度、出水濁度的單 位是NTU、產水流量和單池膜擦洗氣量的單位是m 3/h、產水壓力和跨膜壓差的單位是kPa、其 余影響因素的單位是mg/L; q表示膜的透水率，單位是LMH/bar; pj = [pij，p2j，…，pij，…，pMj ]T，q=[qi，q2，."，qM]T，j = l，2，···，16;T表示轉置；
[0008] ①對自變暈和因變暈的數據集合進行標準化處理，公式為：
[0010]馬和^分別表示P中第j列元素的平均值和標準差，歹和s分別表示q中所有元素的 平均值和標準差，公式為：
[0012] p'j^p'u'u，· · ·，p'Mj]T為Pj標準化后的值，Ε〇=[ρ'ι，ρ'2, · · ·，p'i6]為P標準化 后的矩陣，Fo=[qi'，q'2,…，q'M]%q標準化后的值;？、表示仍標準化后第j列中的第i個元 素，表示q標準化后的第i個元素 ，i = l，2,…，M;
[0013]②進行成分的提取;計算相關變量，公式為：
[0015] 其中h(h<16)為提取主成分個數，巧為(1標準化后的值，Eh為提取的h個成分時標準 化的自變量矩陣，Fh為提取的h個成分時標準化的因變量矩陣，Fh-iS提取的h-Ι個成分時標 準化的因變量矩陣，vh為從Eh-i中提取的成分，ah表示h個成分標準化自變量矩陣參數、bh表 示h個成分標準化自變量矩陣中間向量、:Th表示h個成分標準化因變量矩陣中間向量；
[0016] ③模型的輸入與輸出變量;根據自變量和因變量相關性的大小，利用交叉有效性 確定最終提取成分的個數;提取出的主成分個數為K，其變量記為 X1，…，χκ，作為軟測量模型 的輸入變量;透水率的大小作為軟測量模型的輸出變量，記為y，并選擇m組數據作為軟測量 模型的訓練樣本，η組數據作為軟測量模型的測試樣本；
[0017] (2)設計膜透水率軟測量模型，利用遞歸RBF神經網絡建立預測膜透水率的軟測量 模型如下：
[0018] 遞歸RBF神經網絡的拓撲結構分為三層:輸入層、隱含層、輸出層;神經網絡為K-L-1的連接方式，即輸入層神經元為Κ個，隱含層神經元為L個，L為大于2的正整數，輸出層神經 元為1個;輸入層與隱含層之間的連接權值都賦值為1，隱含層與輸出層之間的連接權值隨 機賦值，賦值區(qū)間為[-1，1 ];第t時刻遞歸RBF神經網絡輸入為X(t) = [X1 (t)，…，XK(t)]，遞 歸RBF神經網絡的期望輸出表示為yd(t)，實際輸出表示為y(t);基于遞歸RBF神經網絡預測 膜透水率的軟測量方法計算方式依次為：
[0019] ①輸入層:該層由K個神經元組成，每個神經元的輸出為：
[0020] uk(t)=xk(t) (4)
[0021]其中，Uk(t)是t時刻第k個神經元的輸出，k = l，2,…，K，xk(t)為t時刻輸入層第k個 神經元的輸入；
[0022]②隱含層:隱含層由L個神經元組成，每個神經元的輸出為：
[0024] 其中，ci(t)為t時刻第1個隱含層神經元的中心向量，ci(t) = [cii(t)，C2i(t)，···， cki(t)，…，cia(t)]，cki(t)表示隱含層t時刻第1個神經元中心值的第k個元素，I |hi(t)_ci (t)| I表示之間的歐式距離，〇1(t)是t時刻第1個隱含層神經元的寬度，hKt) 是t時刻第1個隱含層神經元的輸入向量
[0025] hi(t) = [ui(t)，U2(t)，...，UK(t)，vi(t)Xy(t_l)] (6)
[0026] 7(卜1)是卜1時刻遞歸1^?神經網絡的輸出，111((〇是〖時刻輸入層第1(個神經元的 輸出，Vl(t)為t時刻輸出神經元與第1個隱含層神經元的反饋連接權值，V(t) = [Vl(t)，V2 (t)，…，VL ( t) ]t時刻輸出神經元與隱含層神經元的反饋連接權值向量；
[0027] ③輸出層:輸出層輸出為：
[0029]其中，W(t) = [Wl(t)，W2(t), . . .，WL(t)]T為t時刻隱含層與輸出層的連接權值向 量，Wi(t)為t時刻第1個隱含層神經元與輸出神經元的連接權值，0(1:) = 110:(1:)，02(t)，...， 0L(t)]%t時刻隱含層的輸出向量，eKt)為t時刻第1個隱含層神經元的輸出，y(t)為t時刻 遞歸RBF神經網絡的輸出；定義遞歸RBF神經網絡的誤差為：
[0031]其中，yd (t)為t時刻遞歸RBF神經網絡的期望輸出，y (t)為t時刻遞歸RBF神經網絡 的實際輸出；
[0032] (3)透水率軟測量模型校正過程如下：
[0033]①給定遞歸RBF神經網絡的初始隱含層神經元個數為L，L為大于2的正整數，遞歸 RBF神經網絡的輸入為x(l)，x(2)，…，x(t)，…，x(m)，對應的期望輸出為yd(l)，yd(2)，…，y d (t)，…，yd(m)，m組數據作為軟測量模型的訓練樣本，期望誤差值設為Ed，Ede(0,0.01)，初 始中心值Cl(1)中每個變量的賦值區(qū)間為[-2，2]，初始中心寬度σι(1)的賦值區(qū)間為[Ο，1 ]， 初始反饋連接權值vi (t)的賦值區(qū)間為[Ο，1 ]，1 = 1，2，…，L;初始權值w(1)中每個變量的賦 值區(qū)間為[_1，1];設置最大循環(huán)步數為N;
[0034]②設置學習步數s = l;
[0035]③t = s，根據公式(4)、（5)、（6)、（7)計算遞歸1^?神經網絡的輸出7(〇，運用快速 下降算法調整遞歸RBF神經網絡的參數為：
[0038] vi(t+l) =vi(t)-nv(yd(t)-y(t) )wi(t)0i(t)y(t-l) (11)
[0039] wi(t+l) =wi(t)-nw(yd(t)-y(t) )θι(?) (12)
[0040] 其中，n。為中心向量Cl的學習率，n。e (0,0.01 ];n。為寬度〇1的學習率，n。e (ο， 〇. 〇 1 ]; nv為反饋連接權值VI的學習率，nve(〇,〇.〇2]; 為連接權值wi的學習率，e (〇， 0.01];(3辦+1)為七+1時刻第1個隱含層神經元的中心向量;〇辦+1)為七+1時刻第1個隱含層 神經元的寬度;Vi(t+1)為t+1時刻輸出神經元與第1個隱含層神經元的反饋連接權值;wi(t+ 1)為t+1時刻第1個隱含層神經元與輸出神經元的連接權值;ci(t)為t時刻第1個隱含層神 經元的中心向量;σι⑴為t時刻第1個隱含層神經元的寬度;vi(t)為t時刻輸出神經元與第1 個隱含層神經元的反饋連接權值;wi (t)為t時刻第1個隱含層神經元與輸出神經元的連接 權值；
[0041] ④學習步數s增加1，如果步數s〈N，則轉向步驟③進行繼續(xù)訓練，如果s = N轉向步 驟⑤；
[0042]⑤根據公式（5)計算遞歸RBF神經網絡的性能，如果E(t)多Ed，則轉向步驟③進行 繼續(xù)訓練，如果E( t)〈Ed，則停止調整；
[0043] (4)透水率預測；
[0044]將測試樣本數據作為訓練后的遞歸RBF神經網絡的輸入，遞歸RBF神經網絡的輸出 即為透水率的軟測量值。
[0045] 本發(fā)明的創(chuàng)造性主要體現在：
[0046] (1)針對MBR膜污水處理過程中膜透水率不能在線測量的問題，本發(fā)明通過提取與 膜透水率相關的特征變量，提出了一種基于遞歸RBF神經網絡的膜透水率預測方法，實現了 膜透水率的預測，解決了膜透水率難以實時測量的問題，具有預測精度高、操作簡單的優(yōu) 點。
[0047] (2)本發(fā)明根據當前MBR膜污水處理過程是一個復雜的、動態(tài)時變的過程，膜透水 率與相關變量間的關系不僅具有非線性、強耦合等特點，而且難以用精確數學模型描述，因 此，基于實際污水處理廠實測數據，采用了遞歸RBF神經網絡實現了膜透水率的預測，具有 預測精度高，對環(huán)境差異具有很好的適應能力等特點。
[0048]特別要注意：本發(fā)明采用與膜透水率相關的6個相關變量，基于遞歸RBF神經網絡 設計了一種膜透水率的預測方法，只要采用了本發(fā)明的相關變量和方法進行膜透水率預測 都應該屬于本發(fā)明的范圍。
【附圖說明】
[0049] 圖1是本發(fā)明的基于遞歸RBF神經網絡智能特征建模拓撲結構；
[0050] 圖2是本發(fā)明的擬合結果圖，其中紅色實線為透水率實際計算值，藍色實線為透水 率擬合值；
[0051] 圖3是本發(fā)明擬合結果誤差圖；
[0052]圖4是預測結果圖，其中紅色實線為透水率實際計算值，藍色為透水率智能檢測模 型預測值；
[0053]圖5是本發(fā)明智能預測結果誤差圖；
[0054]表1-16是本發(fā)明實驗數據;表1-6是訓練樣本，表7是透水率實際計算值，表8為智 能檢測模型擬合值，表9-14為測量樣本，表15透水率實際計算值，表16為智能檢測模型預測 值。
【具體實施方式】
[0055]本發(fā)明獲得了一種基于遞歸RBF神經網絡的MBR膜透水率的智能檢測方法;其特點 在于通過特征分析獲取MBR膜透水率的特征變量，利用遞歸RBF神經網絡建立MBR膜透水率 的軟測量模型，實現對MBR膜透水率的智能檢測，提高了污水處理廠膜透水率實時監(jiān)控水 平，保障污水處理過程正常運行；
[0056] 實驗數據來自某污水處理廠2015年的實測數據，數據經過預處理后，選擇其中150 組數據作為分析數據，70組數據作為神經網絡的訓練數據，80組數據作為神經網絡的測試 數據。包括以下步驟：
[0057] 1 一種基于遞歸RBF神經網絡的MBR膜透水率的智能檢測方法，其特點在于通過特 征分析獲取MBR膜透水率的特征變量，利用遞歸RBF神經網絡建立MBR膜透水率的軟測量模 型，實現對MBR膜透水率的智能檢測，包括以下步驟：
[0058] (1)特征分析確定MBR膜透水率智能檢測模型輸入輸出變量；
[0059]以用MBR膜處理污水的系統(tǒng)為研究對象，選取150個實測數據作為分析數據，建立 特征分析模型，可測的16個影響因素記為自變量？，？=[?1，？2，...，？16]，膜的透水率記為因 變量q;其中， Pl，p2, . . .，p16分別表示進水化學需氧量、進水氨氮、進水PH、進水生物需氧量、 進水固體懸浮物、進水總磷、出水濁度、好氧區(qū)硝酸鹽、產水流量、產水壓力、單池膜擦洗氣 量、污泥濃度、溶解氧、溫度、氣水比、跨膜壓差，氣水比無單位、溫度的單位是攝氏度、出水 濁度的單位是NTU、產水流量和單池膜擦洗氣量的單位是m 3/h、產水壓力和跨膜壓差的單位 是kPa、其余影響因素的單位是mg/L; q表示膜的透水率，單位是LMH/bar; pj = [pij，p2j，…， pi50j]τ，q= [qi，q2，…，qi50]T，j = 1，2，…，16;T表示轉置；
[0060]①對自變量和因變量的數據集合進行標準化處理，公式為：
[0062]巧和~分別表示Ρ中第j列元素的平均值和標準差，f和s分別表示q中所有元素的 平均值和標準差，公式為：
[0064] p'j=[p'lj，p'2j, · · ·，P'15Qj]T為Pj標準化后的值，Eq=[P'1，P'2, · · ·，p'16]為P標準 化后的矩陣，Fo=[qi'，q'2,…，q' 15Q]%q標準化后的值;P、表示W標準化后第j列中的第i 個元素 ，q ':表示q標準化后的第i個元素 ，i = 1，2，…，150 ;
[0065] ②進行成分的提取;計算相關變量，公式為：
[0067] 其中h(h< 16)為提取主成分個數，Eh為提取的h個成分時標準化的自變量矩陣，Fh 為提取的h個成分時標準化的因變量矩陣，vh為從Eh*提取的成分，ah表示h個成分標準化 自變量矩陣參數、bh表示h個成分標準化自變量矩陣中間向量、:Th表示h個成分標準化因變量 矩陣中間向量；
[0068] ③模型的輸入與輸出變量;根據自變量和因變量相關性的大小，利用交叉有效性 確定最終提取成分的個數;提取出的主成分個數為6,分別為:進水氨氮、產水流量、產水壓 力、單池膜擦洗氣量、溫度、氣水比、跨膜壓差，記為 X1，…，X6,作為軟測量模型的輸入變量； 透水率的大小作為軟測量模型的輸出變量，記為y;選擇 m，m = 70組數據作為軟測量模型的 訓練樣本，n，n = 80組數據作為軟測量模型的測試樣本；
[0069] (2)設計膜透水率軟測量模型，利用遞歸RBF神經網絡建立預測膜透水率的軟測量 模型如下：
[0070] 自組織遞歸RBF神經網絡的拓撲結構分為三層:輸入層、隱含層、輸出層;神經網絡 為6-8-1的連接方式，即輸入層神經元為6個，隱含層神經元為8個，輸出層神經元為1個;輸 入層與隱含層之間的連接權值都賦值為1，隱含層與輸出層之間的連接權值隨機賦值，賦值 區(qū)間為[-1，1 ];第t時刻遞歸RBF神經網絡輸入為X(t) = [X1 (t)，…，χ6(t)]，遞歸RBF神經網 絡的期望輸出表示為yd(t)，實際輸出表示為y(t);基于遞歸RBF神經網絡預測膜透水率的 軟測量方法計算方式依次為：
[0071] ①輸入層:該層由6個神經元組成，每個神經元的輸出為：
[0072] uk(t)=xk(t) (16)
[0073] 其中，Uk(t)是t時刻第k個神經元的輸出，i = l，2,…，6，xk(t)為t時刻輸入層第k個 神經元的輸入；
[0074] ②隱含層:隱含層由8個神經元組成，每個神經元的輸出為：
[0076] 其中，ci(t)為t時刻第1個隱含層神經元的中心向量，ci(t) = [cii(t)，C2i(t)，···， C81(t)]，Ckl⑴表示隱含層t時刻第1個神經元中心值的第k個元素 ，I |?ηα)-(ηα)| I表示In ⑴與^⑴之間的歐式距離，〇1(t)是t時刻第1個隱含層神經元的寬度，hA)是t時刻第1個 隱含層神經元的輸入向量
[0077] hi(t) = [ui(t)，U2(t)，."，UK(t)，vi(t)Xy(t_l)] (18)
[0078] 7(卜1)是卜1時刻遞歸1^?神經網絡的輸出，^(〇為《寸刻輸出神經元與第」個隱 含層神經元的反饋連接權值，V ( t ) = [ VI ( t )，V2 ( t )，…，V8 ( t ) ]T為t時刻輸出神經元與隱含 層神經元的反饋連接權值向量；
[0079] ③輸出層:輸出層輸出為：
[0081]其中，W(t) = [Wl(t)，W2(t), . . .，W8(t)]T為t時刻隱含層與輸出層的連接權值向 量，Wi(t)為t時刻第1個隱含層神經元與輸出神經元的連接權值，0(1:) = 110:(1:)，02(t)，...， 08(t)]%t時刻隱含層的輸出向量，eKt)為t時刻第1個隱含層神經元的輸出，y(t)為t時刻 遞歸RBF神經網絡的輸出；定義遞歸RBF神經網絡的誤差為：
[0083]其中，yd (t)為t時刻遞歸RBF神經網絡的期望輸出，y (t)為t時刻遞歸RBF神經網絡 的實際輸出；
[0084] (3)透水率軟測量模型校正過程如下：
[0085]①給定遞歸RBF神經網絡的初始隱含層神經元個數為8,遞歸RBF神經網絡的輸入 為x(l)，x(2)，…，x(t)，…，x(m)，對應的期望輸出為yd(l)，yd(2)，…，yd(t)，···，yd(m)，m組 數據作為軟測量模型的訓練樣本，期望誤差值設為Ed，E de (0,0.01)，初始中心值C1(l)中每 個變量的賦值區(qū)間為[-2，2 ]，初始中心寬度σι (1)的賦值區(qū)間為[0，1 ]，初始反饋連接權值vi (t)的賦值區(qū)間為[0，1 ]，1 = 1，2，…，L;初始權值w(1)中每個變量的賦值區(qū)間為[-1，1 ];設 置最大循環(huán)步數為N=200;
[0086]②設置學習步數s = l;
[0087] ③t = s，根據公式（16)、（17)、（18)、（19)計算遞歸1^?神經網絡的輸出7(〇，運用 快速下降算法調整遞歸RBF神經網絡的參數為：
[0090] vi(t+l) =vi(t)-nv(yd(t)-y(t) )wi(t)0i(t)y(t-l) (23)
[0091] wi(t+l) = wi(t)-nw(yd(t)-y(t) )9j(t) (24)
[0092] 其中，n。為中心向量ci的學習率，nc=〇. 〇i; n。為寬度〇i的學習率，n〇=〇· 〇i;%為反 饋連接權值VI的學習率，％=〇. 〇 2; 為連接權值W1的學習率，=〇. 〇 1; Cl (t+1)為t+1時刻 第1個隱含層神經元的中心向量;〇i(t+l)為t+1時刻第1個隱含層神經元的寬度;vi(t+l)為t +1時刻輸出神經元與第1個隱含層神經元的反饋連接權值;Wi(t+1)為t+1時刻第1個隱含層 神經元與輸出神經元的連接權值；
[0093]④學習步數s增加1，如果步數s〈200,則轉向步驟③進行繼續(xù)訓練，如果s = 200轉 向步驟⑤；
[0094]⑤根據公式(20)計算遞歸RBF神經網絡的性能，如果E (t)彡0.01，則轉向步驟③進 行繼續(xù)訓練，如果E( t)〈0.01，則停止調整；
[0095] (4)透水率預測；
[0096]將測試樣本數據作為訓練后的遞歸RBF神經網絡的輸入，遞歸RBF神經網絡的輸出 即為智能檢測方法的膜透水率測量值。
[0097]訓練數據：
[0098]表1.進水氨氮(mg/L)
[0100] 表2.產水流量(m3/h)
[0101]
[0102] 表3.產水壓力（kPa)




【主權項】
1. 一種基于遞歸RB巧巾經網絡的MBR膜透水率的智能檢測方法，其特征在于，包括w下 步驟： (1)特征分析確定MBR膜透水率智能檢測模型的輸入與輸出變量； W用MBR膜處理污水的系統(tǒng)為研究對象，選取Μ個實測數據作為樣本，建立特征分析模 型，可測的16個影響因素記為自變量Ρ，Ρ=[ρι，ρ2, . . .，ρ?6]，膜的透水率記為因變量q;其 中，pi，P2, ...，P16分別表示進水化學需氧量、進水氨氮、進水抑、進水生物需氧量、進水固體 懸浮物、進水總憐、出水濁度、好氧區(qū)硝酸鹽、產水流量、產水壓力、單池膜擦洗氣量、污泥濃 度、溶解氧、溫度、氣水比、跨膜壓差，氣水比無單位、溫度的單位是攝氏度、出水濁度的單位 是NTU、產水流量和單池膜擦洗氣量的單位是m3A、產水壓力和跨膜壓差的單位是kPa、其余 影響因素的單位是mg/L; q表示膜的透水率，單位是LMH/bar; pj = [pij，p2j，…，Pij，…，PMj ]τ， q=[qi，q2，···，qM]T，j = l，2，···，16;Τ表示轉置； ① 對自變量和因變量的數據集合進行標準化處理，公式為：(1) 巧和S汾別表示Ρ中第j列元素的平均值和標準差，穿和S分別表示q中所有元素的平均 值和標準差，公式為：P'j=[Pl'j，P'2j, . . .，P'Mj]T為Pj標準化后的值，Eo=[p'i，p'2, . . .，p'16]為P標準化后的 矩陣，F日=[ql'，q'2，…，q'Mf為q標準化后的值;p/l徒示W標準化后第j列中的第i個元素， qi '表示q標準化后的第i個元素 ，i = 1，2，…，M; ② 進行成分的提取;計算相關變量，公式為：其中Kh《16)為提取主成分個數，機為q標準化后的值，虹為提取的h個成分時標準化的 自變量矩陣，Fh為提取的h個成分時標準化的因變量矩陣，Fh-i為提取的h-1個成分時標準化 的因變量矩陣，vh為從Eh-i中提取的成分，ah表示h個成分標準化自變量矩陣參數、bh表示h個 成分標準化自變量矩陣中間向量、rh表示h個成分標準化因變量矩陣中間向量； ③模型的輸入與輸出變量;根據自變量和因變量相關性的大小，利用交叉有效性確定 最終提取成分的個數;提取出的主成分個數為K，其變量記為XI，···，χκ，作為軟測量模型的輸 入變量;透水率的大小作為軟測量模型的輸出變量，記為y，并選擇m組數據作為軟測量模型 的訓練樣本，η組數據作為軟測量模型的測試樣本； (2) 設計膜透水率軟測量模型，利用遞歸RB巧巾經網絡建立預測膜透水率的軟測量模型 如下： 遞歸RB巧巾經網絡的拓撲結構分為Ξ層:輸入層、隱含層、輸出層；神經網絡為K-kl的 連接方式，即輸入層神經元為K個，隱含層神經元為L個，L為大于2的正整數，輸出層神經元 為1個;輸入層與隱含層之間的連接權值都賦值為1，隱含層與輸出層之間的連接權值隨機 賦值，賦值區(qū)間為[-1，U 時刻遞歸RB巧申經網絡輸入為X(t) = [XI(t)，…，抽(t)]，遞歸 RB巧申經網絡的期望輸出表示為yd(t)，實際輸出表示為y(t);基于遞歸RB巧申經網絡預測膜 透水率的軟測量方法計算方式依次為： ① 輸入層:該層由K個神經元組成，每個神經元的輸出為： Uk(t) =xk(t) (4) 其中，uk(t)是t時刻第k個神經元的輸出，k= 1，2，…，Κ，祉(t)為t時刻輸入層第k個神經 元的輸入； ② 隱含層:隱含層由L個神經元組成，每個神經元的輸出為：(5) 其中，Cl(t)為t時刻第1個隱含層神經元的中屯、向量，Cl(t) = kll(t)，C21(t)，…，Ckl (t)，-，，CKi(t)]，cki(t)表示隱含層t時刻第1個神經元中屯、值的第k個元素，||hi(t)-ci(t) 表示hi(t)與ci(t)之間的歐式距離，〇i(t)是t時刻第1個隱含層神經元的寬度，hi(t)是t時 刻第1個隱含層神經元的輸入向量 hi(t) =[山(t)，U2(t)，...，UK(t)，vi(t) Xy(t-l)] (6) 7(*-1)是*-1時刻遞歸1^巧申經網絡的輸出，111(4)是*時刻輸入層第1(個神經元的輸出， VI ( t )為t時刻輸出神經元與第1個隱含層神經元的反饋連接權值，V ( t) = [VI ( t )，V2 ( t )，…， VL(t)]T為t時刻輸出神經元與隱含層神經元的反饋連接權值向量； ③ 輸出層:輸出層輸出為：(7) 其中，*(1：) = [￥1(1：)，'\￥2(1：)，...，'\￥1(1：)]'''為1：時刻隱含層與輸出層的連接權值向量，'\￥1 (t)為t時刻第1個隱含層神經元與輸出神經元的連接權值，0(t) = [0i(t)，02(t)，...，0L (t)]T為t時刻隱含層的輸出向量，0l(t)為t時刻第1個隱含層神經元的輸出，y(t)為t時刻遞 歸RB巧巾經網絡的輸出；定義遞歸RB巧巾經網絡的誤差為： .…化） 其中，yd(t)為t時刻遞歸RB巧申經網絡的期望輸出，y(t)為t時刻遞歸RB巧申經網絡的實 際輸出； (3) 透水率軟測量模型校正過程如下： ① 給定遞歸RB巧巾經網絡的初始隱含層神經元個數為L，L為大于2的正整數，遞歸RB巧申 經網絡的輸入為x(l)，x(2)，…，x(t)，…，x(m)，對應的期望輸出為yd(l)，yd(2)，…，yd (t)，'''，yd(m)，m組數據作為軟測量模型的訓練樣本，期望誤差值設為Ed,Ede (〇,〇.〇!)，初 始中屯、值Cl(1)中每個變量的賦值區(qū)間為[-2，2]，初始中屯、寬度01 (1)的賦值區(qū)間為[0，1 ]， 初始反饋連接權值VI (t)的賦值區(qū)間為[0，1 ]，1 = 1，2，…，L初始權值W(1)中每個變量的賦 值區(qū)間為[-1,1];設置最大循環(huán)步數為N; ② 設置學習步數s = l; ③ t = s，根據公式(4)、（5)、（6)、（7)計算遞歸1^巧巾經網絡的輸出7(〇，運用快速下降 算法調整遞歸RB巧巾經網絡的參數為：其中，Tie為中屯、向量C1的學習率，屯￡(〇,〇.〇1」；11。為寬度〇1的學習率，11?！?〇,〇.〇1」；％ 為反饋連接權值VI的學習率，rive(〇,〇.〇2];屯為連接權值W1的學習率，屯e (0，0.01 ]; C1 (t+ 1)為t+1時刻第1個隱含層神經元的中屯、向量;〇i(t+l)為t+1時刻第1個隱含層神經元的寬 度;vi(t+l)為t+1時刻輸出神經元與第1個隱含層神經元的反饋連接權值;wi(t+l)為t+1時 刻第1個隱含層神經元與輸出神經元的連接權值;ci(t)為t時刻第1個隱含層神經元的中屯、 向量;〇i(t)為t時刻第1個隱含層神經元的寬度;vi(t)為t時刻輸出神經元與第1個隱含層神 經元的反饋連接權值;wi(t)為t時刻第1個隱含層神經元與輸出神經元的連接權值； ④ 學習步數S增加1，如果步數s<N，則轉向步驟③進行繼續(xù)訓練，如果s = N轉向步驟⑤； ⑤ 根據公式巧)計算遞歸RB巧巾經網絡的性能，如果E(t)>Ed，則轉向步驟③進行繼續(xù)訓 練，如果E( t) <Ed，則停止調整； (4)透水率預測； 將測試樣本數據作為訓練后的遞歸RB巧巾經網絡的輸入，遞歸RB巧巾經網絡的輸出即為 透水率的軟測量值。
【文檔編號】G06N3/08GK106096730SQ201610405933
【公開日】2016年11月9日
【申請日】2016年6月9日
【發(fā)明人】韓紅桂, 張碩, 侯瑩, 喬俊飛
【申請人】北京工業(yè)大學