[发明专利]一种用于MBR膜污染在线监测方法及系统

权利要求书

1.一种用于MBR膜污染在线监测方法，其特征在于，所述膜污染在线监测方法包括：

获取当前时刻来水中的MBR膜污染影响参数数据；

将当前时刻的MBR膜污染影响参数数据输入到当前最优的LSTM循环神经网络模型中，得到当前时刻的膜通量预测结果；其中，LSTM循环神经网络模型主要基于MBR膜污染影响因素和膜通量的历史数据构成的训练数据集，根据主成分分析、LSTM循环神经网络算法建立而成；

其中，所述当前最优的LSTM循环神经网络模型的建立方法具体包括：

获取训练样本，所述训练样本包括由MBR膜污染影响因素和MBR膜通量构成的历史数据，具有多个输入和一个输出；所述输入为MBR膜污染影响因素；所述输出为MBR膜通量；

训练样本输入特征参数优化，采用主成分分析算法对所述训练样本中的MBR膜污染影响因素进行处理，得到与MBR膜通量相关的主成分；

建立LSTM循环神经网络模型，所述LSTM循环神经网络模型为多输入单输出的三层模型；所述第一层为输入层，其对应于训练数据集中MBR膜污染影响因素的参数时间序列；所述第二层为隐含层，其为LSTM循环网络结构；所述第三层为输出层，其对应于MBR膜通量预测序列，基于主成分分量训练得到膜通量预测结果，并对比训练数据集中的实际膜通量数据，计算LSTM模型误差函数，并反向训练计算，不断优化LSTM网络模型，最终得到最优的LSTM网络模型。

2.根据权利要求1所述的膜污染在线监测方法，其特征在于，所述训练样本对为输入时间序列信号和输出时间序列信号组成的时间序列集(X,Y)；

所述输入时间序列信号为所述训练样本的输入值；所述输入时间序列信号为X＝[x_i]_m＝[x_ij]_mⅹp，i＝1,2,…,t,…m，j＝1,2,……p，m为训练样本的样本个数，p为所述MBR膜污染影响因素参数个数；所述MBR膜污染影响因素参数主要包括污泥浓度、温度、跨膜压差、pH值、污泥混合液浓度、曝气强度、颗粒粒度、COD污泥负荷等；

所述输出时间序列信号为所述样本对的输出值；所述输出时间序列信号为Y＝[y_i]_mⅹ1，i＝1,2,…,t,…m，m为所述训练样本中MBR膜通量的样本个数。

3.根据权利要求1所述的膜污染在线监测方法，其特征在于，训练样本输入特征参数优化，采用主成分分析算法对所述训练样本中的MBR膜污染影响因素进行处理，得到与MBR膜通量相关的主成分，具体包括：

计算所述训练样本中所述MBR膜污染影响参数的相关系数矩阵R：

其中，r_ab为所述训练样本中x_a与x_b的相关系数，r_ab＝r_ba，为变量x_a的样本均值，为变量x_b的样本均值；

根据特征方程|λI-R|＝0，计算特征值，所述特征值为λ_j,j＝1,2,...,p，并按从大到小的顺序排序所述特征值，λ₁≥λ₂≥…≥λ_p，其中，I表示单位矩阵；

计算每个所述特征值λ_j,j＝1,2,...,p对应的特征向量e_j,j＝1,2,...,p；其中，||e_j||＝1；

根据所述特征值，计算累计贡献率，选取所述累计贡献率达85％～95％的特征值，并所述累计贡献率达85％～95％的特征值的个数被确定为所述主成分分量的个数；所述累计贡献率的计算公式为：

根据所述特征值以及所述特征向量，计算主成分载荷；所述主成分载荷的计算公式为

根据所述主成分载荷，确定主成分矢量矩阵；所述主成分矢量矩阵为Z＝[z_il]_m×q：