引用本文

权利敏, 杨翠丽, 乔俊飞. 数据驱动的溶解氧浓度在线自组织控制方法. 自动化学报, 2023, 49(12): 2582−2593 doi: 10.16383/j.aas.c210041

Quan Li-Min, Yang Cui-Li, Qiao Jun-Fei. Data-driven online self-organizing control for dissolved oxygen concentration. Acta Automatica Sinica, 2023, 49(12): 2582−2593 doi: 10.16383/j.aas.c210041

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210041

关键词

数据驱动控制，相关熵，在线自组织，模糊神经网络，溶解氧浓度，稳定性分析 

摘要

针对城市污水处理过程的非线性、不确定性以及非高斯等特点, 提出一种数据驱动的溶解氧(Dissolved oxygen, DO)浓度在线自组织控制方法. 首先, 设计一种基于相关熵的自组织模糊神经网络控制器(Correntropy-based self-organizing fuzzy neural network, CSOFNN), 采用相关熵与规则贡献度指标实现控制器结构与参数的自动构建或修剪. 其次, 设计基于相关熵诱导准则的补偿控制器及参数自适应律, 充分利用相关熵抑制非高斯噪声的能力, 能够有效地降低系统中的不确定性. 然后, 分析所提出的控制方法的稳定性, 从而保证其在实际应用中的可靠性. 最后, 基于基准仿真1号模型(Benchmark simulation model No. 1, BSM1)的实验验证了所提方法的有效性.

文章导读

随着城市化进程的加快, 城市污水已成为水体污染的重要来源之一[1]. 城市污水处理能够去除水中有机污染物, 以及氮、磷等污染物, 是防治水污染、改善城市生态环境的有效手段[2]. 目前, 活性污泥法是利用微生物反应脱氮除磷的主要方法之一, 在国内外城市污水处理中已得到广泛应用[3]. 在活性污泥污水处理过程中, 溶解氧(Dissolved oxygen, DO)浓度直接影响着好氧区微生物的生长与活性, 是决定污水中氨氮、硝态氮的去除率的关键因素[3-4]. 因此, DO浓度的实时精确控制对于提高城市污水处理效率至关重要. 然而, 城市污水处理过程包含复杂的生物化学反应, 易受进水流量、进水污染物组分变化等干扰, 是一个强非线性、非平稳动态过程, 难以对其建立精确的数学模型[5-6]. 因此, 传统的基于机理模型的控制方法容易出现模型失配的问题,难以取得满意的DO浓度控制效果.

近年来, 随着信息科学技术的发展, 数据采集与监控系统(Supervisory control and data acquisition, SCADA)已在城市污水处理厂中得到广泛应用. 因此, 城市污水处理厂能够获得大量蕴含设备状态、运行状态等信息的过程数据[2]. 另一方面, 数据驱动的控制方法, 能够直接利用历史数据或在线数据构建控制器, 是解决复杂过程控制问题的有效方法[7]. 因此, 为了实现DO浓度的精确控制, 学者们对模糊控制[8]、基于神经网络的直接或间接控制[9-11], 以及集成以上方法的混合控制等数据驱动的方法[12-15]开展了广泛的研究. 其中, 基于神经网络的控制方法因为能够充分利用神经网络的非线性逼近能力和自学习能力, 已成为DO浓度控制领域的研究热点. 例如, 韩广等[16]提出一种基于前馈神经网络的建模控制方法, 采用前馈神经网络建立DO浓度的辨识模型和控制器, 取得了比PID和模型预测控制等方法更好的控制精度. Lin等[17]提出一种基于径向基函数(Radial basis function, RBF)神经网络的DO浓度自适应控制方法, 实验结果表明该方法能有效地跟踪DO浓度. 但是, 以上方法采用试凑法选择固定的神经网络结构, 控制系统的设计效率低且难以处理具有强不确定性的城市污水处理过程.

近年来, 模糊神经网络(Fuzzy neural network, FNN)因为具有模糊系统处理不确定信息的能力以及神经网络的自学习能力, 在污水处理过程控制领域得到广泛的应用[18-20]. 针对污水处理过程的不确定性, 为了提高控制系统的设计效率, 乔俊飞等[20]提出一种基于自组织T-S模糊神经网络(Self-organizing T-S fuzzy neural network, SOTSFNN)的DO浓度控制方法. 该方法利用在线数据自动生成控制器的模糊规则, 提高了DO浓度的控制性能. 但是, SOTSFNN控制器的规则只能增加不能删减, 面临规则爆炸的风险. 为了避免网络结构过大, 周红标等[21]提出一种基于自组织模糊神经网络的控制器(Self-organizing fuzzy neural network, SOFNN), 基于模糊规则的激活强度和互信息自动增加或修剪控制器规则, 控制器能以较少的规则获得较高的控制精度. 虽然以上基于模糊神经网络的控制方法取得了较为满意的DO浓度控制效果, 但是这些方法均采用最小均方误差(Minimum mean square error, MMSE)准则, 其目标是最小化跟踪误差的方差, 仅在误差服从零均值的高斯分布时能获得最优解[22]. 然而, 城市污水处理过程易受随机过程扰动及传感器故障等影响, 导致过程数据受非高斯噪声或异常值污染, 表现出非高斯特性[23]. 因此, 采用MMSE准则的控制器在实际应用中容易出现控制性能退化的问题. 迄今, 如何提高DO浓度控制器抗非高斯噪声干扰的能力仍然是一个开放性的难点问题.

在信息论学习领域, 相关熵是一种定义在核空间中的局部非线性相似度度量[23], 因此具有对异常值不敏感的特性. 近年来, 基于最大相关熵准则(Maximum correntropy criterion, MCC)的方法, 因其对非高斯噪声和异常值的鲁棒性, 已在信号处理和机器学习领域中得到广泛应用[24-27]. 为了实现非线性系统的辨识, Bao等[25]提出一种基于相关熵的进化模糊神经系统(Correntropy-based evolving fuzzy neural system, CEFNS), 该方法基于相关熵与距离准则自动构建CEFNS的结构, 并采用基于MCC的梯度下降算法在线更新CEFNS的后件参数. 实验结果表明, CEFNS比其他基于MMSE准则的EFNS具有更好的鲁棒性和辨识精度. 但是, CEFNS的规则在学习过程中只增不减, 处理复杂的非线性系统时, 容易出现规则数目过大的问题. 此外, 针对有机朗肯循环余热回收系统的控制问题, Ren等[28]提出一种基于广义相关熵的单神经元自适应多步预测控制方法, 通过优化基于广义相关熵的性能指标调整单神经元控制器的权值参数, 能够有效地抑制系统中的非高斯扰动. 但是, 该方法缺少对控制系统的稳定性分析.

基于以上分析, 本文提出一种数据驱动的DO浓度在线控制方法, 该方法的控制系统由一个基于相关熵的自组织模糊神经网络(Correntropy-based self-organizing fuzzy neural network, CSOFNN)控制器和一个补偿控制器组成. 首先, 建立基于相关熵的自组织机制, 根据在线输入/输出数据自动构建CSOFNN控制器的结构. 然后, 设计基于相关熵准则的补偿控制器和控制器参数自适应律, 并分析控制系统的稳定性. 最后, 基于活性污泥污水处理基准仿真1号模型(Benchmark simulation model No. 1, BSM1)[29], 在有外部环境干扰及噪声的工况下进行实验验证. 本文的创新点如下:

1) 提出一种基于相关熵补偿的自组织算法, 实现CSOFNN控制器规则的自动增加或删减, 能够利用相关熵准则抑制异常值或外部扰动对控制器结构调整带来的不良影响, 从而提高控制器性能;

2) 设计基于相关熵诱导准则的补偿控制器和参数自适应律, 利用相关熵诱导准则能够提高控制器抗非高斯噪声干扰能力, 同时, 补偿控制器能够减小CSOFNN控制器的逼近误差和降低系统的不确定性.

图 1  A/O工艺城市污水处理流程图

图 2  基于CSOFNN的溶解氧浓度控制系统框图

图 3  外部环境干扰

城市污水处理过程中存在强非线性、不确定性、非高斯性等问题, 难以通过建立溶解氧浓度的精确数学模型实现其在线精准控制. 为了解决以上问题, 提出一种基于数据驱动的在线自组织控制方法, 控制系统由基于相关熵的自组织模糊神经网络(CSOFNN)控制器与补偿控制器组成. 通过实验与分析得到以下结论:

1) 设计了CSOFNN的自组织机制, 利用相关熵补偿与规则贡献度指标, 控制器能够根据在线数据自动增加或删减规则, 保证了控制器结构的紧凑性, 提高了控制器性能.

2) 设计了基于相关熵诱导准则的补偿控制器与参数自适应律, 补偿控制器能够降低CSOFNN的逼近误差, 利用相关熵准则抑制非高斯噪声提高了控制系统抑制外部干扰的能力, 提高了DO浓度的控制精度.

3) 基于李雅普诺夫稳定原理证明了控制方法的稳定性, 保证CSOFNN控制方法在实际应用中的可行性. 实验结果表明, 在不同干扰的环境下, 所提出的CSOFNN控制方法比其他方法具有更好的DO浓度控制性能.

本文仅考虑了城市污水处理过程DO浓度的跟踪控制性能, 然而城市污水处理过程包含多个单元过程, 涉及多个重要控制变量且控制变量之间存在耦合. 因此, 下一步工作重点是考虑污水处理过程中多变量耦合特性, 将本文工作扩展到城市污水处理过程的多变量控制研究中.

作者简介

权利敏

北京工业大学信息学部博士研究生, 青岛理工大学信息与控制工程学院讲师. 主要研究方向为数据驱动建模与控制, 城市污水处理过程智能控制, 神经网络结构优化设计. E-mail: quanlimin12@sina.com

杨翠丽

北京工业大学信息学部副教授. 主要研究方向为神经网络和智能优化算法. E-mail: clyang5@bjut.edu.cn

乔俊飞

北京工业大学信息学部教授. 主要研究方向为城市污水处理过程智能控制, 神经网络结构设计与分析. 本文通信作者. E-mail: junfeq@bjut.edu.cn