多通道控制的变结构神经网络建模的水净化过程中混凝剂加药

文摘

随机神经网络具有良好的全局收敛性和基于速度梯度的特点学习能力。它可以应用于多维非线性系统,但其泛化能力差。本文结合规则库,通过主成分分析方法,一种改进的多通道变随机向量(MM-P-VSRVNN)神经网络算法提出了混凝剂加药,这是一个水净化过程的关键生产过程。确保合格的水,如何有效地控制凝固用量,获得有效的生产成本,增加更多的利润是一个专注于水处理计划。不同与正常神经网络模式中,PCA用于优化神经网络隐层节点和更新结构在每一个计算。这种方法矫正投药有效,同时保持有效的混凝性能。顺便说一下,MM-P-VSRVNN算法可以减少计算时间,避免过度拟合的学习能力。最后,方法是通过实验证明是可行的,分析了仿真结果。

1。介绍

在水的净化过程中,很重要的一点是混凝剂加药。凝固的作用是使剂量混合胶体粒子和微小的原水中的悬浮物,平息生活体现的无定形物质凝固和沉淀池。混凝剂加药是一个复杂的、物理和化学过程与时变延迟,和非线性特征。此外,仍有许多实际因素,如pH值、浊度水流速和混凝剂量,影响混凝性能。在许多关于混凝剂剂量的引用,大多数水厂采取两种方法,即人工计量和自动计量。手动加药主要取决于工人的经验,是一个明显的开环控制方法。很难有效地节约成本。第二个是自动加药;其控制方法与实际水厂相关技术。仍然没有统一的控制方法。 Currently, PID control and feedforward control are commonly used, but some water plants still work in manual dosing. Take a water plant in Changsha as an example. Its coagulation effect takes about 90 minutes of delay, and the turbidity after coagulation, named turbidity before filtration, is generally about 5 NTU or less. And the most important thing is that the water plants are still in manual dosing that needs more workers to work by turns. The above being concerned, how to complete coagulant dosing automatically is a hot problem. At present, the automatic control of coagulant dosing mainly adopts a single-factor closed-loop method, which needs to change the method from traditional PID control to intelligent control for complex control objects [1,2]。研究人员需要一些预测完成混凝剂加药不同的制造技术。有些人试图找到一种混凝剂剂量的数学模型,所示(3- - - - - -7]。在[3),基于迭代反馈优化(IFT),史密斯预测控制相结合,提出了一种数据驱动的直接控制方法不需要理解实际的时滞对象模型。它可以初始化控制器,在线自调整。在[4),研究水厂混凝剂加药过程后,前馈和反馈控制方法结合广义预测控制(GPC)和PID提出了剂量。在[5),两级控制结构为目标剂量计算和动态优化设计的混凝剂加药系统。模型预测控制(MPC),一个粗鲁的人控制方法,需要较少的控制对象的信息并通过仿真证明了其有效性。在[6),本文在分析混凝剂加药的结构和原理,并使用预测autodisturbance拒绝控制(PADRC)控制器设计一个在线自调整剂量。在[7),提出了一种多通道控制策略基于人工智能的模拟实际操作没有任何手动控制,确保混凝剂剂量的影响。混凝剂用量主要取决于系统的计算结果的准确性的数学模式。因此,精确建模是最难实现的目标。

与人工神经网络(ANN)的发展,它提供了另一个数据驱动的解决方案没有任何这种非线性系统数学模型。常用的安还包括径向基函数(RGF)神经网络反向传播(BP)神经网络控制清晰度(CMCA)小脑模型神经网络和自组织神经网络。有些人运用这些类型的前馈神经网络在混凝剂加药,所示(8- - - - - -11]。在[8),预测控制策略提出了混凝剂加药在污水处理过程中,建立一种自适应神经网络模型分析剂量和去垢力之间的关系,它是由梯度下降优化的方法。在[9),RBF神经网络预测提出了一种前馈补偿。对于单输入和系统中,非线性自回归移动平均模型建立和预测混凝剂加药。在[10]在分析原水的特点,找出相关因素的混凝剂加药,前馈控制器设计与小脑模型神经网络与模糊算法相结合,在线和离线建模完成为了实现优化和预测投药。在[11),建立了神经网络和自适应模糊模型来模拟混凝剂加药过程。最后,仿真证明有效。把神经网络模型是可行的,较低的要求,自主学习能力和泛化能力。这种方法可以应用于复杂的工业过程,没有建立一个精确的数学模型(12]。然而,这些提到gradient-learning算法有一个明显的问题:过度拟合能力和局部最优。所以,小很难设计一个特定的神经网络结构不变的灵活性较低。

为提高神经网络,目前,随机向量神经网络近年来发展迅速,因为他们的学习速度和泛化能力比传统的神经网络算法(13,14]。在许多应用程序中,随机向量中也使用了神经网络非线性复杂系统和有效验证15- - - - - -18]。正如我们所知,水净化本身是一个非线性的复杂工业过程;混凝剂加药的动力机制是复杂的,内部状态尚不清楚。如果我们需要找到输入和输出之间的功能关系因素对混凝剂加药,很难在建立一个数学模型。在本文中,我们选择一个水生植物在长沙作为目标和分析其混凝剂加药过程和相关因素。考虑建立神经网络模型的困难,我们提出一种变结构神经网络随机向量(VS-RVNN)模型对在线学习优化混凝剂用量。

2。分析和建模为混凝剂量的过程

2.1。分析混凝剂量的过程

水净化过程主要包括药品管理局,coagulation-sedimentation,过滤,氯消毒。每个子过程是独立的,相互关联的。凝固过程由数据取样器,控制器,coagulation-sedimentation坦克,和执行设备。在长沙水厂为例,其过程如图1。

当原水经过水泵房,浊度和流速测量之前凝结水箱。此外,在混凝剂和自来水混合在一个适当的比例,混合进入凝结水箱由计量泵和执行与原水混凝反应。混凝剂加药会影响大约90分钟后,意味着一个延期的过程。出口的坦克,浊度测量一次,判断其值是否达到设置值。关键是必要的数据采样设备,计算由控制器和一个最佳混凝剂加药泵操作。泵调整速度和优化在线混凝剂用量。正如我们所知,混凝剂加药过程是复杂的,多种多样,和非线性,长时间的推迟。它不能找到直接输入和输出之间的关系的信息。所以,不容易建立正确的数学模型。

2.2。建模和控制混凝剂加药过程

有三种常见的建模方法在当前,即机制模型、知识模型和数据驱动的模型。首先,机制模型过多依赖于系统内部机制。然而,一个系统变得比以前更多的非线性和强耦合;其内部机制复杂,无法显示明显和清晰的公式。其次,基于知识的模型主要是依靠有限的专业知识较差的适应性。最后,数据驱动模型不需要知道系统的内部状态;然而,它仍然可以预测和给一个合理的决定,很多的数据分析和智能推理。在分析三种方法,建立一个数据驱动的模型已经成为一个强大的方法,近年来一个复杂的系统。神经网络模型(NNM)就是其中之一,可以处理不精确和复杂的信息的复杂的系统19- - - - - -21]。摘要混凝剂加药过程就是这样一种没有分析其机理,收集不足和不准确的专家知识。然而,混凝剂加药过程独立运行;必要的参数可以测量和监控。在长沙水生植物作为一个例子,供水在不同的时间在不同的季节和不同的一天。特别是在高峰期,供水必须大幅增加。然后,投药将预测,适当提前。此外,有两个主要目标水生植物在当前问题。一个是它仍然需要简单的手动加药。另一个问题是系统延迟有点长,和工作条件是多变的。 So, only one simple NNM cannot work useful with abrupt events. Through local investigation, we gather related data and get to a conclusion: turbidity, flow velocity, working pumps affect coagulation obviously. Other parameters such as pH and water temperature also affect coagulation slowly. How to control coagulant dosage is a concerned topic. It satisfies turbidity while decreasing production cost as much as possible. To sum up, aiming at the actual object, a nonlinear autoregressive multimode (NARM) is set up as follows: 历史数据也担心的地方。提供了一个多峰函数公式(1)。 是输入的数据集,是输出, 是落后一步 ,和 各自不同的非线性输入参数和输出参数之间的关系在不同的模式。结合NARM,为解决上述两个问题有关,我们设计一个多通道控制方案,如图2。

控制方案,规则库(RB)包含大量的计量参数和几个模态决策规则。最重要的焦点是变random-weight神经网络(VS-RVNN)。它可以建立变结构神经网络可以优化模型和online-compute最佳剂量。RB将提供合适的计量泵的操作参数。所有数据都将一个计算完成后存储在数据库中。根据混凝剂的相关因素进行定量的分析这一部分,RB将决定系统的工作状态,选择最合适的模式,并纠正存在的规则。神经网络控制器更新目标价值和训练数据集,不同的计算模型,计算最佳剂量,并保持连续循环操作。整个控制方法主要结合了RB和VS-RVNN MM-P-VSRVNN算法和设计。设计出的数字3和4。

在图3关于RB,我们设置多个模式和设计模式切换器。通过已定义的主要影响因素,构建一系列的决策规则和分类设计模式。这些规则的判断标准也切换模式。此外,在每一个模式中,有一些关于水泵控制参数的典型的控制规则。选择的控制规则将会连接到安控制器作为指导原则进行进一步的优化。

在图4,我们设计一个初始NNM在最左边的一个隐层节点的初始值。实时数据采样时,再次NNM法官工作模式,需要一个新的计算后再培训相应的神经网络训练数据,和隐层节点减少来通过主成分分析 ,和神经网络实时更新的结构计算。这意味着NNM会 - - - - - -类型结构后,主成分分析维度。

符号:NNM,提出图4变结构。因为隐层节点的数量始终是一个关键的建模、NNM是不固定的,当我们执行主成分分析(PCA)对隐层节点。所以,NNM结构变量在每个计算。该方法可以有效地解决过度拟合的问题,神经网络的鲁棒性,提高计算速度和泛化能力。

3所示。MM-P-VSRVNN算法

结合部分2。2,整个算法主要包括两个部分,即模态切换和PCA降维。由MM-P-VSRVNN执行预测算法。它有两个阶段:离线和在线优化建模。

在这里,整个算法步骤如下:

在计算之前,我们选择一个多通道为训练样本数据集: 。每种模式都有其独立的数据子集 在里面。(我)步骤1:样本的实时数据,判断RB的工作模式。例如,如果 ,它给NNM和开关的决定我控制策略。(2)第二步:建立一个VS-RVNN随机层(节点)和一个输出层(节点)。的初始值设置为60。随机层可以由隐藏层和输入层。(3)步骤3:把相应的数据子集NNM的训练样本。然后,定义为随机的功能层 当模式=k。然后,定义为随机的功能层 在哪里 是输入的重量吗j隐层节点,的阈值j隐层节点, 是random-weight向量的隐层节点,然后呢 是输入到网络。(iv)第四步:设定培训目标,并开始训练NNM和给定的数据子集。(v)第五步:让 。重复步骤4直到运行培训满足给定的目标。否则,它再次重启在步骤2计算。(vi)第六步:构造一个random-layer培训矩阵 。每一列的代表一个random-layer输出节点,每一行代表一个训练样本的输出。(七)第七步:执行培训矩阵加权不同 ,和删除其非线性或多通道特性。接下来,继续规范 。然后,标准化矩阵 ,并找到它的相关系数矩阵 ,满足其每列中值是0和标准偏差是1: 在哪里表示变量之间的相关系数和变量 。在那之后,特征值分解完成,特征值 和特征向量计算,这些特征值按大小排序。(八)第八步:计算每个特征值的贡献率,所有特征值排序总结组件添加一个接一个的贡献率和计算是否超过95%。如果是,那么计算主要组件数量和构造一个传递矩阵: 基于相应的d特征向量,random-layer矩阵满足和满足平等吗 。(第九)第九步:将收集到的最新样本输入NNM和计算每个输出层节点的函数值= 。所有必要的数据存储。(x)第十步:比较预测结果与RB的剂量值,泵在线的正确控制参数,并完成计量。(十一)步骤11:更新训练样本集。(十二)步骤12:等待下一个采样,重复的工作步骤1 - 11所示。符号:与传统RVNN相比,RS-RVNN可以执行模式切换和培训原始神经网络与相应的数据集和系统状态的控制。隐层节点的输出矩阵是通过多个培训时间和可以通过PCA降维。不同模式下可以优化神经网络结构,确保系统的连续稳定。此外,神经网络控制器实现了变结构的动态优化。网络训练期间执行模式切换,提高了控制器的灵活性。

4所示。实验结果和讨论

在本文中,我们分析了长沙实际水净化过程的水的植物。这种植物建立了两阶段的项目,主要有两个储罐,明矾坦克、凝结水箱和泵车间产能扩张。现在,其中一个是工作。水净化过程与相关参数显示及时存储在系统数据库中。混凝剂加药系统图所示5。

通过这些应用仪器和机电设备提供的数据,我们选择的重要因素与凝结效率:浊度过滤(南大)之前,原水的浊度(南大),排出的水 ,水温(°C),频率 ,pH值,泵冲程(百分比),目标浊度(南大),历史数据的浊度(南大),水的流量 ,和混凝剂加药 。这些是准备建立一个NNM。他们两个,目标浊度(南大)和预测混凝剂加药的价值 ,是NNM的产量目标。从第2部分和第3部分,不能确定隐层节点的数量。NNM,我们设置一个初始值(60)隐层节点,利用主成分分析法(PCA)可以减少。然后,NNM的结构进行优化,预测投药。一个新的NNM P-VSRVNN命名。

混凝剂加药过程包含3工作模式。在这个实验中,我们选择1000组数据。其中,960年分为3组数据子集训练不同的工作模式。和每个子集包括320组数据。剩下的数据也分为3种类型进行测试。每小时获得的一组新的数据采样,包括连接信息工作模式。我们需要设置不同的NNMs为每个不同的训练集,整个实验包括如下工作。整个控制模型中提到的纸被称为MM-P-VSRVNN。

(1)NARM描述,构建一个有效的优化VSRVNN是一个关键的工作。主要计算节点的贡献约为95%,保留相应的节点,并避免过度拟合的学习。VSRVNN与利用主成分分析法(PCA)更新训练集构造的离线,这可以减少60原始隐层节点当它在工作我th模式。降维的40组测试设置表中列出1。

表1告诉我们,VSRVNN变量在不同的结构模式。即使在相同的模式,优化的结果可能不是相同的。的价值从7日至9日,8是绝大多数。以一个计算为例,前8个主成分的分析结果如表所示2。

前8个主成分的影响被添加到超过95%,显示在VSRVNN。因为它的训练集的变化后计算,优化结果也不同,但仍满足节点贡献95%。(2)检查VSRVNN的有效性,我们计划一个名为MM-P-VSRVNN的算法。并对比其预测结果与实际值,总40分图所示6和7。

两个参数比较数据分开。实线贴上“”符号是实际用量,另一行标记为““预计用量。在该测试中,预计用量变化的实际价值和保持一致的趋势。在图平均预测用量减少了约0.4165%6;与此同时,平均预测图浊度增加约0.5%7。仿真结果对企业是可以接受的。对他们来说,它已经满足需求的水净化过程,降低混凝剂用量,节省制造总成本在一定程度上。(3)进一步测试分析的性能MM-P-VSRVNN相比与其他三个类似的算法。其他类似的算法single-modal随机向量神经网络(SM-RVNN),降维后SM-RVNN (SM-P-RVNN)和多通道随机向量神经网络(MM-RVNN)。预测结果对比,在视觉上,如图8和9。

相反,所有的算法都与他们的统计参数,分别命名为均方根误差(RMSE),平均绝对误差(MAE)和标准偏差(SD)。由不同方法和统计结果计算表所示3和4。

这四个提到的算法使用相同的数据集和原始模式。在图6,本文提供的方法具有更好的结果准确性和趋势。它证明,定量计算后,MM-P-VSRVNN可以优化神经网络模式和分类操作模式,导致一个更好的预测。

(4)改善MM-P-VSRVNN的泛化能力,NNM需要新一批新的测量数据计算一次。然后,NNM因为不同隐层节点进行了优化。现在,对于进一步检查,下一个实验改变了隐层节点数从1到20和计算RMSE不同的算法。这些结果与MM-P-VSRVNN所提供的数据10和11。

在数据10和11,MM-P-VSRVNN提供论文中有较低的RMSE和更好的泛化能力,从而避免了神经网络操作时过度拟合问题。

符号:所有的实验中,我们知道,隐层节点的数量需要一个新的更新发生新的计算时,计算模式进行了优化,系统提供了一个合适的结果。顺便说一下,这个计算RMSE也是操作直到隐层节点增加到300,但是我们发现操作时间太长,和对比结果是模糊的。因此,考虑到已知信息,我们设置了最大数量为20。

5。结论

本文在水净化过程中混凝剂加药在长沙水工厂。在分析实际过程和以前的控制模式,我们提出一个NNM和应用一个新的MM-P-VSRVNN剂量算法预测。这NNM由MM-P-VSRVNN优化算法并给出一个适当的控制来执行一个新的动态计量结果。最后,我们还进行一系列的实验设计NNM和其算法证明了实用性。算法提供了一种改进的方法,和混凝剂加药自动控制实现。

数据可用性

所有的数据用于支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由湖南省自然科学基金(批准号2018 jj3891)。

引用

1. m .Ławryńczuk”,显式非线性预测控制的基于神经模型、蒸馏塔”化学工程与技术,32卷,不。10日,1578 - 1587年,2009页。视图:出版商的网站|谷歌学术搜索
2. 我。公园,纽约。荣格,K.-C。夸克和M.-G。春”,在水库水质预测:语言区间预测模型方法,”国际期刊的控制、自动化和系统,8卷,不。4、868 - 874年,2010页。视图:出版商的网站|谷歌学术搜索
3. a . w .雪峰“数据驱动的直接控制方法对大滞后过程的凝固剂量在水中植物,”控制理论与应用,28卷,不。3、336 - 344年,2019页。视图:谷歌学术搜索
4. 张j . d .罗”的应用GPC控制和PID控制混凝剂加药,“信息和控制第41卷。。1,第94 - 89页,2012。视图:谷歌学术搜索
5. g .陈和r .宁”两层混凝剂加药系统的预测控制策略,”浙江大学技术杂志》上第41卷。。4、436 - 441年,2013页。视图:谷歌学术搜索
6. d . Tang和x张”,设计扰动抑制控制器凝固定量预测活跃,”中国控制工程,24卷,不。10日,2099 - 2108年,2017页。视图:谷歌学术搜索
7. r·李问:吴、刘,“多通道控制的复杂过程不确定性的原水净化申请混凝剂用量,”辽宁科技大学学报(自然科学),35卷,不。2、211 - 214年,2016页。视图:谷歌学术搜索
8. h . Mingzhi y马、w .金泉和w·严”模拟造纸厂污水处理使用模糊神经网络,”专家系统与应用程序,36卷,不。3、5064 - 5070年,2009页。视图:出版商的网站|谷歌学术搜索
9. 刘s . j . Wang, w .气,“投药的RBF网络预测控制,”系统仿真学报,21卷,不。1 7,5540 - 5545年,2017页。视图:谷歌学术搜索
10. 许,刘,刘,“应用模糊算法多小脑模型神经网络在混凝剂加药系统中,“计算机应用与软件,33卷,不。10日,52-57,2016页。视图:谷歌学术搜索
11. g . d。吴和S.-L。瞧,“预测实时水处理混凝剂用量由人工神经网络和自适应基于网络的模糊推理系统,”人工智能技术的工程应用,21卷,不。8,1189 - 1195年,2008页。视图:出版商的网站|谷歌学术搜索
12. m元,周p . m . l . Li r·f·李·h·王,和t . y .茶,“聪明的多变量模型高炉molteniron质量动态AGA-ANN和主成分分析的基础上,“钢铁研究学报,国际,22卷,不。60岁,487 - 495年,2015页。视图:出版商的网站|谷歌学术搜索
13. z周p . m .元,h . Wang Wang和T.-Y。茶”,多变量动态模拟铁水质量使用在线连续的随机向量functional-link网络和自反馈连接,”信息科学卷,325年,第255 - 237页,2015年。视图:出版商的网站|谷歌学术搜索
14. 周p y Lv, h . Wang和t .茶,“数据驱动的健壮RVFLNs高炉炼铁过程的建模使用柯西分布加权M-estimation,”IEEE工业电子产品,卷64,不。9日,第7151 - 7141页,2017年。视图:出版商的网站|谷歌学术搜索
15. m .张、刘x和z,”一个工业熔融指数软测量预测基于进化极端的学习机器,”中国化学工程杂志》上,24卷,不。8,1013 - 1019年,2016页。视图:出版商的网站|谷歌学术搜索
16. l .张和d .张“域适应极端的学习机器漂移补偿在电子鼻系统中,“IEEE仪表和测量,卷64,不。7,1790 - 1801年,2015页。视图:谷歌学术搜索
17. h . Wang施p、h·李和周问:“自适应神经对一类非线性系统的跟踪控制与动态不确定性,”IEEE控制论卷,47号10日,3075 - 3087年,2017页。视图:出版商的网站|谷歌学术搜索
18. t .他j . Lu, j .叮,c .刘“原油总碳含量的预测模型使用整体随机权重粒子群优化神经网络优化,“控制理论的应用,36卷,不。2、192 - 199年,2019页。视图:谷歌学术搜索
19. m .他j .唐郭x, g .严“软传感器使用DAMRRWNN球磨机负荷模型,”《自动化学报》,45卷,不。2、398 - 407年,2019页。视图:谷歌学术搜索
20. h·李”,网络流量预测的BP神经网络基于萤火虫群优化算法,”系统科学与控制工程,7卷,不。2、64 - 70年,2019页。视图:出版商的网站|谷歌学术搜索
21. m . s . Hasibuan、l·e·努哥鲁和p i Santosa”模式检测与人工神经网络的学习方式”,技术和科学教育杂志》上,9卷,不。1,第95 - 85页,2019。视图:出版商的网站|谷歌学术搜索

版权

版权©2020张小君和罗大勇。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。