引用本文

苏尹, 杨翠丽, 乔俊飞. 基于自组织递归小波神经网络的污水处理过程多变量控制. 自动化学报, 2024, 50(6): 1199−1209 doi: 10.16383/j.aas.c220679

Su Yin, Yang Cui-Li, Qiao Jun-Fei. Multivariate control of wastewater treatment process based on self-organized recurrent wavelet neural network. Acta Automatica Sinica, 2024, 50(6): 1199−1209 doi: 10.16383/j.aas.c220679

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c220679

关键词

神经网络控制，污水处理过程，自组织机制，多变量控制 

摘要

污水处理过程(Wastewater treatment process, WWTP)是一个包含多个生化反应的复杂过程, 具有非线性和动态特性. 因此, 实现污水处理过程的精准控制是一项挑战. 为解决这个问题, 提出一种基于自组织递归小波神经网络(Self-organized recurrent wavelet neural network, SRWNN)的污水处理过程多变量控制. 首先, 针对污水处理过程的动态特性, 根据小波基的激活强度设计一种自组织机制来动态调整递归小波神经网络控制器的结构, 提高控制的性能. 然后, 采用结合自适应学习率的在线学习算法, 实现控制器的参数学习. 此外, 通过李雅普诺夫稳定性定理证明此控制器的稳定性. 最后, 采用基准仿真平台进行仿真验证, 实验结果表明, 此控制方法可以有效提高污水处理过程的控制绝对误差积分(Integral of absolute error, IAE)和积分平方误差(Integral of squared error, ISE)的精度.

文章导读

随着人口的增长和经济的发展, 全国水污染问题日益严重, 水环境持续恶化[1]. 污水处理过程(Wastewater treatment process, WWTP)能够去除污水中的污染物和难降解的有机物, 已经成为缓解水资源、解决水污染问题的重要方法[2-3]. 污水处理过程包含复杂的生化反应, 难以建立精确的机理模型, 各个参数的动力学反应是非线性的, 同时是一个动态时变的过程. 因此, 如何实现污水处理过程的精准控制是一项挑战. 

近年来, 一些传统的控制方法如前馈控制[4] 和PID控制[5-7]广泛应用于污水处理的控制. 这些方法的结构简单、应用广泛, 但是针对复杂的污水处理过程控制精度有限. 为解决污水处理过程的非线性, 提高控制精度, 学者们提出一些智能控制方法. 例如, Hoang等[8] 提出一种对冲代数方法对污水处理过程中溶解氧(Dissolved oxygen, DO) 进行控制, 实验结果表明该方法能够有效地跟踪控制DO 浓度. 许进超等[9] 提出一种基于自组织模糊神经网络的DO 控制方法, 结果表明该方法的控制精度优于传统的控制方法. 但是, 实际的污水处理过程包含多个控制回路和控制变量, 是一个典型的多变量控制过程[10-12]. 以上方法仅考虑DO 浓度的控制, 因此, 不能保证污水处理过程的高效稳定运行. 

为保证污水处理过程的稳定运行, 多变量控制方法引起人们的广泛关注. 例如, 乔俊飞等[13] 提出一种基于知识的方法对污水处理过程进行优化控制. Vega 等[14] 提出一种多目标模型预测控制方法对DO 浓度和硝态氮(Nitrate nitrogen, NO)浓度进行控制. Han 等[15]提出一种基于模糊神经网络的多变量控制方法, 实验结果证明能够有效地提高污水处理过程的控制精度. 在这些方法中, 神经网络控制由于其对非线性系统强大的自学习能力已经成为多变量控制的研究热点[16-18]. 其中, 递归小波神经网络结合递归神经网络的动态特性和小波分析的能力, 具有较好的控制效果[19-20]. 然而, 控制器的结构是固定的, 难以适应污水处理过程不同的操作条件. 

神经网络控制器的结构会影响控制的性能, 当网络结构过大时, 虽然控制的性能更佳, 但是耗时长; 当网络结构过小时, 虽然控制速度更快, 但是控制的精度可能不足. 因此, 为自动调整神经网络控制器的结构, 张伟等[21]提出一种基于规则无用率的结构修剪算法对模糊神经网络的结构进行调整. El-Sousy等[22] 提出一种结构增长的自组织递归模糊小波神经网络进行跟踪控制. Han等[23]提出一种神经网络增长和删减机制调整控制器的结构. 实验结果证明这些方法都能够有效地调整控制器的结构, 提高控制精度. 其中, 增长和删减机制对神经元的衡量更加全面, 因此在本文中选取其作为神经网络控制器的调整机制. 

基于以上分析, 针对污水处理过程的非线性和动态特性, 为提高控制精度, 本文提出一种基于自组织递归小波神经网络(Self-organized recurrent wavelet neural network, SRWNN) 的污水处理过程控制方法. 首先, 设计基于神经元激活响度的小波节点自组织机制, 基于该机制SRWNN 能够在控制过程中自动调整网络的结构以适应不同的操作工况, 提高网络的控制性能. 此外, 在参数学习过程中设计自适应学习率, 提高网络的学习速度. 并且证明了控制器的稳定性, 保证其在实际污水处理过程中的应用. 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) 验证了方法的有效性. 

图 1  活性污泥法

图 2  控制框图

图 3  SRWNN结构图

污水处理过程是一个典型的具有非线性的动态过程, 难以实现精准控制. 针对这个问题, 本文提出了一种基于SRWNN的多变量控制方法. 首先, 基于小波节点的激活强度设计了控制器的自组织机制, 根据该机制, SRWNN能够自动调整网络的结构以适应不同的工况. 然后, 提出了一种结合自适应学习率的在线学习算法对控制器的参数进行调整. 此外, 基于李雅普诺夫稳定性定理分析了控制方法的稳定性. 实验结果证明SRWNN能够有效地控制污水处理过程. 

在未来的工作中, 考虑动态调整DO和NO浓度的设定值, 平衡污水处理过程的水质和能耗. 

作者简介

苏尹

嘉兴大学信息科学与工程学院讲师. 2023年获得北京工业大学控制科学与工程专业博士学位. 主要研究方向为基于神经网络的城市污水处理过程预测及过程控制. E-mail: suy@zjxu.edu.cn

杨翠丽

北京工业大学信息学部副教授. 2008年获得中国石油大学(东营)工学学士学位, 2010年获得天津大学理学硕士学位, 2014年获得香港城市大学博士学位. 主要研究方向为计算智能, 污水处理过程的建模与控制. E-mail: clyang5@bjut.edu

乔俊飞

北京工业大学信息学部教授. 分别于1992年和1995年获得辽宁工业大学控制工程学士和硕士学位, 1998年获得东北大学博士学位. 主要研究方向为神经网络, 智能系统, 自适应系统和过程控制. 本文通信作者. E-mail: adqiao@bjut.edu.cn