[发明专利]基于任务驱动RBF神经网络的出水总氮TN软测量方法

说明书

本发明公开一种基于任务驱动RBF神经网络的出水总氮TN软测量方法，本发明基于任务驱动径向基神经网络建立了出水总氮软测量模型，实现了对出水总氮浓度的实时精准获取；首先，结合机理知识和互信息分析，确定与出水TN相关的特征变量；然后，有机结合二阶学习算法和自适应结构增删算法，自适应设计任务驱动RBF神经网络，建立城市污水处理出水总氮TN软测量模型，实现对出水总氮TN的实时检测，解决城市污水处理出水总氮TN难以实时精准测量的问题。

技术领域

本发明既属于污水处理领域，尤其涉及一种基于任务驱动RBF神经网络的出水总氮TN软测量方法。

背景技术

城市污水是稳定的淡水资源，其再生利用既可以减少社会对自然水的需求，又能减少对水环境的污染，是实现淡水资源持续利用和良性循环的有效途径。因此，随着国家对环境与水资源管理问题的重视，以及城市发展对淡水资源的重大需求，城市污水处理已然成为污水回收、可持续再利用以及水环境保护的重要方式。氮是城市污水处理中主要的污染物指标，氨氮、总氮等含氮水质指标不达标，将引起水体富营养问题，严重危害水体生态环境。然而，污水处理过程出水总氮TN的影响因素繁多，且各影响因素之间关系复杂，难以进行实时测量，严重影响了污水处理过程的稳定运行。基于任务驱动RBF神经网络的出水总氮TN软测量方法，有利于城市污水处理过程安全稳定运行、提高城市污水处理厂脱氮效率，具有显著的经济效益、环境效益、社会效益。

污水处理过程是一个复杂的生化反应过程，由于测量技术的局限，污水处理过程中的一些重要参数是难以精确测量的。目前，我国大部分城市污水处理厂仍采用人工取样化验法检测出水中的含氮化合物。在用人工取样化验法测量水中氮含量时，需要经过采样、化验以及反馈等环节，步骤繁琐，测量周期耗时长，存在较大的时间滞后。另一方面，温度、时间、试剂以及人工操作等因素均会影响测量结果的准确率。随着工业和自动化的发展，国内外企业开始研发检测设备或仪表替代人工操作，尽管自动化仪器仪表将检验员从繁琐的取样、送检及化验的步骤中解放出来，但并未从根本上改变含氮量的检测原理，仍然需要选用相应的化学试剂作为辅助，限制了仪器仪表的精准性和通用性。含氮水质检测设备普遍价格昂贵、维护困难，长期处于恶劣工作环境也会导致仪器仪表腐蚀及损坏。因此，研究新的测量方法，解决出水总氮TN实时检测问题具有重要现实意义。

随着控制理论、智能科学的发展，借助关键特征变量对待测变量进行分析研究的软测量技术受到学术界和工业界的广泛关注，成为过程在线检测领域的研究热点软测量是基于机理分析或数据，建立易测变量与难以直接测量的待测变量之间的映射关系，即软测量模型，进而通过数学计算或估计的方法，实现对待测变量的预测。近年来，软测量技术被广泛应用于污水处理过程水质参数的特征建模中，其中以神经网络作为软测量工具的方法研究最为活跃。本发明提出了一种基于任务驱动RBF神经网络的软测量方法。通过神经元增长和修剪来自组织网络结构。一方面，RBF神经元的每一次添加都是为了补偿较大的残差，提高学习能力。另一方面，剪枝的过程是为了避免结构冗余而不丧失学习能力。同时，采用二阶算法对所有参数进行优化，以提高学习性能。该方法能够实现对出水总氮的实时检测，提高出水总氮TN测量质量及污水处理过程的监测能力，具有广泛的应用前景和重要的现实意义。

发明内容

针对现有方法存在的不足，本发明提出一种基于任务驱动径向基(RBF)神经网络的总氮TN软测量方法，基于互信息理论与专家知识，分析总结与总氮TN密切相关的易测辅助变量，确定神经网络模型的输入量，基于自组织方法，设计网络结构，建立总氮TN的软测量模型，实现对出水总氮TN的实时检测，解决污水处理出水总氮TN难以测量的问题。

本发明采用了如下的技术方案及实现步骤：

(1)确定出水总氮TN的输入与输出变量：软测量模型特征变量的选取分为主要变量的选取和辅助变量的选取，以出水总氮TN浓度为主要变量，利用互信息分析关键水质参数与其他相关变量之间的相关性，确定进水水温、出水水温、出水氨氮NH₄-N、进水总氮TN、进水总磷TP、悬浮物浓度为辅助变量；