[发明专利]一种基于加权模糊规则的石化污水可生化性分类评价方法

权利要求书

1.一种基于加权模糊规则的石化污水可生化性分类评价方法，其特征在于，包括以下步骤：

(1)确定待分类评价变量和相关变量：针对石化污水处理过程中污水可生化性进行分类评价，确定氧化还原电位ORP、酸碱度pH、氨氮NH₄-N、初沉池化学需氧量COD、进水总磷TP、进水悬浮物SS、进水生化需氧量BOD共7个变量为污水可生化性特征变量，以污水可生化性四种类别即难降解、部分可降解、较易降解、易降解为待分类评价变量，四种类别分别定义为第1～4类；

(2)设计用于评价石化污水可生化性的加权模糊规则：

①根据特征变量的采样周期，其中酸碱度pH和氧化还原电位ORP采样周期为15分钟，分别表示为τ₁和τ₂，获得的变量分别定义为x₁(t₁),x₂(t₂)，其中t₁,t₂分别为采样时刻，氨氮NH₄-N、初沉池化学需氧量COD采样周期为2小时，分别表示为τ₃和τ₄，获得的变量分别定义为x₃(t₃),x₄(t₄)，其中t₃,t₄分别为采样时刻，生化需氧量BOD，进水悬浮物SS，总磷TP采样周期为1天，分别表示为τ₅,τ₆,τ₇，获得的变量分别定义为x₅(t₅),x₆(t₆),x₇(t₇)，其中t₅,t₆,t₇分别为采样时刻，τ_i为正整数，i＝1,2,…,7，定义t₀为初始采样时刻，则各变量对应的采样时刻为t_i＝t₀+cτ_i，c＝0,1,…,n_c；

②提取石化污水处理相关数据的模糊规则，所提取的初始规则如下：

R₁:如果x₁(t₁)是L[v₁(t)]and x₂(t₂)是S[v₂(t)]，则y是C₁[w₁(t)].

R₂:如果x₁(t₁)是M[v₃(t)]and x₃(t₃)是L[v₄(t)]and x₄(t₄)是M[v₅(t)]，则y是C₂[w₂(t)].

R₃:如果x₂(t₂)是M[v₆(t)]and x₄(t₄)是M[v₇(t)]and x₅(t₅)是L[v₈(t)]，则y是C₃[w₃(t)].

R₄:如果x₄(t₄)是L[v₉(t)]and x₆(t₆)是M[v₁₀(t)]，则y是C₄[w₄(t)].

R₅:如果x₁(t₁)是M[v₁₁(t)]and x₅(t₅)是L[v₁₂(t)]and x₇(t₇)是M[v₁₃(t)]，则y是C₄[w₅(t)].

其中，y表示待分类评价变量，C₁、C₂、C₃和C₄分别表示污水可生化性第1～4类，v_o(t)表示模糊规则前提条件的局部权重，w_p(t)为规则R_k的全局权重，o＝1,2,…,13，p＝1,2,…,5，k＝1,2,…,5；S、M和L为模糊语言变量，表示特征变量x_i(t_i)模糊划分后的三个模糊子集，每个模糊子集的隶属函数计算公式为：

其中，μ₁[x_i(t_i)]、μ₂[x_i(t_i)]和μ₃[x_i(t_i)]分别为模糊子集S、M和L的隶属函数；

(3)将加权模糊规则映射为模糊神经网络：将五个加权模糊规则及相应推理机制映射成一个模糊神经网络，其中加权模糊规则中的局部权重和全局权重对应于神经网络的连接权值，该网络的拓扑结构分为三层：术语层、规则层、分类层；确定神经网络13-5-4的连接方式，即术语层神经元13个，规则层神经元为5个，分类层神经元为4个；对模糊神经网络的权值进行随机赋值；模糊神经网络的输入表示为x(t)＝[x₁(t₁),x₂(t₂),…,x₇(t₇)]，神经网络的期望输出表示为y_d(t)＝[y_d¹(t),y_d²(t),y_d³(t),y_d⁴(t)]，实际输出表示为y(t)＝[y₁(t),y₂(t),y₃(t),y₄(t)]，y_d^q(t)和y_q(t)分别表示第q个类别对应网络的期望输出和实际输出，q＝1,2,3,4，第1～4类期望输出分别定义为[1,0,0,0]、[0,1,0,0]、[0,0,1,0]和[0,0,0,1]，第t时刻模糊神经网络的输入表示为x₁(t),x₂(t),…,x₇(t)，模糊神经网络的计算功能是：

①术语层：该层由13个神经元组成，每个神经元的输出为：

其中，a_I(t)表示术语层t时刻第I个神经元的输出，x_i(t)表示术语层t时刻的输入，表示与输入层第I个神经元连接的输入变量及其对应模糊化输入的索引集合；

②规则层：规则层由5个神经元组成，每个神经元的输出为：

其中，为第J个规则层神经元的输出，J＝1,2,…,5，v_IJ(t)为术语层与规则层第J个神经元的局部权重，v_IJ(t)∈(0,1]，min表示取最小值的符号，表示与规则层第J个神经元连接的输入层神经元的索引集合；

③分类层：分类层输出为：

其中，y_q(t)是分类层第q个神经元的输出，q＝1,2,3,4，w_Jq(t)表示规则层第J个神经元与分类层第q个神经元之间的全局权重，Q表示与分类层第q个神经元连接的规则层神经元的索引集合；

④定义误差函数为：

其中，y_d^q(t)是输出层第q个神经元的期望输出，d_q(t)是分类层第q个神经元实际输出的归一化值，计算公式为

其中，max表示取最大值的符号；

(4)训练神经网络，具体为：

①模型输入为x(1)，x(2)，…，x(t)，…，x(P)，P为训练样本个数，进行训练并设计计算步骤L₁＝1；

②t＝L₁，计算模型的输出y(t)，求解对应的归一化输出d_q(t)，利用梯度下降法调整评价模型的参数；

其中，v_IJ(t)和w_Jq(t)分别为模型调整前的局部权重和全局权重，v_IJ(t+1)和w_Jq(t+1)分别为模型调整后的局部权重和全局权重，α,β∈(0,0.1]表示学习率；

③学习步数L₁增加1，如果步数L₁P，转向步骤②进行继续训练，如果L₁＝P停止计算；

(5)通过训练后的神经网络所求解出的y(t)计算d_q(t)，利用归一化得到的d_q(t)对污水可生化性进行评价，即取归一化后具有最大输出概率d_δ(t)对应节点所属的类别作为分类评价结果；d_δ(t)＝max{d₁(t),d₂(t),d₃(t),d₄(t)}，δ＝1,2,3,4；若d₁(t)为最大输出概率即δ＝1，则评价结果为难降解，若d₂(t)为最大输出概率即δ＝2，则评价结果为部分可降解，若d₃(t)为最大输出概率即δ＝3，则评价结果为较易降解，若d₄(t)为最大输出概率即δ＝4，则评价结果为易降解。