QUAN L M, YANG C L. QIAO J F. CFNN-based online control for dissolved oxygen concentration of wastewater treatment processes[J]. CHINESE JOURNAL OF INTELLIGENT SCIENCE AND TECHNOLOGIE, 2020, 2(3): 261-267.
近年来,污水处理过程中DO浓度的控制问题引起了国内外许多学者的广泛关注、神经网络控制等)被广泛应用到DO浓度的控制中。Belchior C A C等人提出一种自适应模糊控制算法,提高了DO浓度控制算法的自适应性,但模糊规则的获取依靠专家经验,控制精度仍有待提高。Bo Y C等人提出一种基于回声状态网络(echo state network,ESN)的自适应动态规划控制方法,并在基准仿真1号模型(benchmark simulation model No.1,BSM1)的干燥天气工况下进行实验,结果表明,基于ESN的自适应动态规划控制方法具有较高的DO浓度控制精度。但是,污水处理过程入水工况多变,干扰频繁,基于ESN的控制方法难以保证系统的稳定性。近来,模糊神经网络(fuzzy neural network,FNN)因既有处理模糊信息的能力,又具有神经网络的自学习能力,而被广泛应用在工业过程的建模与控制中。例如, Qiao J F等人提出一种基于模糊神经网络的自组织模糊控制(self-organizing fuzzy control,SOFC)方法,基于模糊神经网络自动获取模糊规则,提高了DO浓度控制的自适应能力与控制精度。周红标构建了一种自组织模糊神经网络(self-organizing fuzzy neural network,SOFNN)控制器,大大提高了DO浓度控制系统的稳定性与控制精度。
基于以上分析,本文提出一种基于相关熵模糊神经网络(correntropy based fuzzy neural network, CFNN)的 DO 浓度在线控制方法。首先,构建了基于CFNN的控制器,通过梯度下降算法在线更新控制器参数,并在理论上分析了控制系统的稳定性。其次,选取DO浓度跟踪误差与误差变化率作为控制器的输入。最后,基于BSM1,选择雨天、暴雨两种工况进行实验验证。
2.控制问题描述
考虑式(1)所示的非线性时变系统: 其中,为状态量,为控制量,为系统输出,f(·)与g(·)为关于系统状态量与控制量的非线性函数,dk为系统干扰。 污水处理系统是一个非线性动态系统,由于函数f(·)与g(·)是未知的,很难通过建立精确的数学模型对 DO 浓度进行在线控制。因此,采用 FNN 逼近理想控制率,构建基于CFNN的在线控制系统,其结构如图1所示。 在图1所示的控制系统中,控制器的输入为系统跟踪误差e与误差变化率Δe。
为了验证基于CFNN的DO浓度在线控制系统的性能,基于国际水协会(International Water As Research,COST)开发的BSM1进行了实验研究。采用平方误差积分(integral of squared error, ISE)、绝对误差积分(integral of absolute error,IAE)、最大偏差(maximal deviation from set point,Devmax)3个评价指标分析控制器的精度与稳定性。sociation,IWA)与欧盟科技合作组织(European Co-operation in the Field of Scientific and Technical Research,COST)开发的BSM1进行了实验研究。采用平方误差积分(integral of squared error, ISE)、绝对误差积分(integral of absolute error,IAE)、最大偏差(maximal deviation from set point,Devmax)3个评价指标分析控制器的精度与稳定性。