买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京工业大学

摘要：本发明提供一种基于规定性能的城市污水处理过程多设备容错最优控制方法，解决污水处理过程中由于执行器故障的发生，导致设备运行能力和污水净化效率降低的问题。通过精确控制污水处理过程中的参数，确保设备以最优能效运行。首先，引入基于误差变换的规定性能控制方法，实现处理过程中控制器的稳定跟踪控制。其次，采用基于故障逼近的容错控制方法，解决了曝气泵和蠕动泵未知故障问题。然后，构建神经网络最优控制器，提高控制精度的同时保证了设备运行的最低能耗。最后，对系统的稳态和暂态性能进行了分析，并验证了控制系统的最优性和有效性。

主权项：1.一种基于规定性能的城市污水处理过程多设备容错最优控制方法，其特征在于，步骤如下：1.1确定控制系统动力学模型：为了直观描述污水处理过程的动态特性，动力学模型如下所示： 且： 其中SO,mt,m＝4,5是生化反应池第m区域的溶解氧浓度，SNO,nt,n＝1,2,5是生化反应池第n区域的硝态氮浓度，XB,Ht为异养生物量浓度，YH＝0.67代表异养生物量产率系数，μt为生长呼吸系数，KLa5t为氧传递系数，Qct为内回流量，Qqt,q＝1,2,4,5为第i个池子的流速，V5＝1333m3为第五区生化反应池的容积，V2＝1333m3为第二区生化反应池的容积，SO,S＝8gm3为溶解氧浓度饱和值，μH＝4为异养细菌的最大特定生长速率，ηg＝0.8为异养生长校正因子，kO＝0.2为异养菌有氧呼吸饱和系数，kNO＝0.5为异养菌硝态氮饱和系数；1.2确定曝气泵控制器：为了保证在污水处理过程中控制器满足规定的性能要求，提出了基于误差转换函数方法设计控制器；溶解氧浓度的误差转换变量设计如下： 其中tan·为正切函数，为使公式简便，定义被约束项Ξ1t为： 其中函数和为zOt的边界，π是圆周率，lo1、lu1、s1、ω1为正常数，且lu1∈0.5,1]，lo1∈0,0.5]，s1∈0,1]，ω1∈0,2]；跟踪误差zOt＝SO,5t-SO,sett，SO,sett为溶解氧浓度设定值，设定值设定范围推荐在[1.8,2.2]中选取；那么，对公式4的时间求导得： 为化简公式，定义误差转换后的常数项G1t为： 定义误差转换后的实际误差系数gψ1t为： 则误差的导数重新被改写为： 其中故障最终值将在后续的控制设计过程中被迭代计算得到，故障变化值为当前辨识值；存在一个未知常数满足未知常数将在后续设计中被得到；κ1t∈0,1]表示设备控制有效性，v1t为曝气泵控制器，将在后续的控制设计过程中计算得到；1、设计基于评判网络的累积误差逼近策略在迭代学习阶段，通过向评判网络提供奖励或惩罚，针对预期和实际运行成本函数之间的误差调整当前控制策略；长期成本函数定义如下 其中ζ1＞0表示计算未来损失函数的常数，τ1是积分项，取值范围在[t,∞；瞬时代价函数则表示为： 由于具有自学习能力，引入由神经网络和模糊逻辑组成的模糊神经网络来近似长期成本函数： 其中为最终评判网络的权值，网络停止调整时即获得的值；F1t为模糊神经网络的规则层输出值，为评判网络边界最终近似误差值，当前评判网络识别输出函数∈1t为当前评判网络边界近似误差值，xp1t＝[ηOtΔηOt]T为评判网络输入值，ΔηOt是溶解氧浓度的转换误差变化率，为当前评判网络权值，cpr1t和σpr1t分别为评判网络中心值和宽度值，P1＝2为评判网络输入层的神经元总数，R1＝6为评判网络隶属层和规则层的神经元总数，评判网络输出层为1；函数的估计误差定义为： 随着时间的积累，t从0→∞，则未来损失函数的常数ζ1将以线性关系从0→∞；因此在t时刻评判网络的代价函数定义为： 其中为ηOt的梯度；因此，评判网络的权值更新规律设计为 其中0＜b1＜1为学习率；2、设计基于执行网络辨识的自适应最优控制器考虑如下的李雅普诺夫函数： 其中执行网络权值变化为为执行网络最终权值，网络停止调整时即获得的值；为执行网络当前权值，故障估计函数变化值估计函数当前值用来估计对公式15的时间求导得到： 在污水处理过程中，未知非线性动态由执行网络确定： 其中F2t为由模糊神经网络构成的执行网络规则层输出，为执行网络边界最终近似误差值，F2t为模糊神经网络的规则层输出，xp2t＝[ηOtΔηOt]T为执行网络输入值，当前执行网络辨识输出函数∈2t为当前执行网络边界近似误差值，cpr2t和σpr2t为执行网络中心值和宽度值，P2＝2为执行网络输入层的神经元总数，R2＝6为执行网络隶属层和规则层的神经元总数，执行网络输出层为1；结合公式17和公式18得到： 根据杨氏不等式，有： 其中是的最大界限值，它是一个非零常数；然后进一步得到： 曝气泵控制器的输入被设计为： 控制器执行网络权值自适应律和故障自适应律分别被设计为： 其中γ1为控制系数，κ1是一个0≤κ1＜κ1t＜1的常数，0＜b2＜1和0＜a1＜1为学习率；基于公式14、22-24，以及杨氏不等式，公式21改写为： 根据梯度下降算法，得到如下不等式： 其中偏置函数且n1t有界,即范数||n1t||≤n1,max，n1,max是一个非零常数，m1t是一个偏置函数；由公式21得： 将公式27、28代入公式26，再次使用杨氏不等式，||·||代表对应函数的二范数，则得到： 其中 1.3确定蠕动泵控制器：基于公式4和6，得到硝态氮浓度的跟踪变换误差为： 为使公式简便，定义被约束项Ξ2t为： 其中函数和为zNOt的边界，π为圆周率，lo2、lu2、s2、ω2为正常数，且lu2∈0.5,1]，lo2∈0,0.5]，s2∈0,1]，ω2∈0,2]；跟踪误差zNOt＝SNO,2t-SNO,sett，SNO,sett为硝态氮浓度设定值，设定值设定范围推荐在[0.75,1.25]中选取；对公式32的时间求导，得到： 其中G2t为误差转换后的常数项，gψ2t为误差转换后的实际误差系数，故障最终值将在后续的控制设计过程中被迭代计算得到，故障变化值为当前辨识值；存在一个未知常数满足未知常数将在后续设计中被得到；κ2t表示设备控制有效性，范围在0,1]；1、设计基于评判网络的累积误差逼近策略；硝态氮浓度的长期损失函数定义为： 其中ζ2＞0表示计算未来损失函数的常数，随着时间的积累，t从0→∞，则ζ2将以线性关系从0→∞；τ2是积分项，取值范围在[t,∞；瞬时代价函数表示为： 长期成本函数由模糊神经网络逼近： 其中为最终评判网络权值，网络停止调整时即获得的值；F3t为模糊神经网络的规则层输出，为评判网络边界最终近似误差值，当前评判网络输出函数∈3t为当前评判网络边界近似误差值，为当前评判网络权值，xp3t＝[ηNOtΔηNOt]T为评判网络输入值，ΔηNOt是硝态氮浓度的转换误差变化率，cpr3t和σpr3t为评判网络中心值和宽度值，P3＝2为评判网络输入层的神经元总数，R3＝6为评判网络隶属层和规则层的神经元总数，评判网络输出层为1；函数的估计误差描述为： 其中为到eNOt的梯度；设评判网络有效函数则评判网络的权重更新规律设计为： 其中0＜b3＜1为学习率；2、设计基于执行网络辨识的自适应最优跟踪控制器；考虑如下的李雅普诺夫函数： 其中执行网络权值变化为为执行网络最终权值网络停止调整时即获得的值，为执行网络当前权值，故障估计函数变化值估计函数当前值用来估计对公式41的时间求导，得到： 在污水处理过程中，动态非线性方程通过执行网络被识别： 其中F4t为由模糊神经网络构成的执行网络规则层输出，为执行网络边界最终近似误差值，当前执行网络辨识输出函数∈4t为当前执行网络边界近似误差值，xp4t＝[ηNOtΔηNOt]T为执行网络输入值，ΔηNOt是硝态氮浓度的转换误差变化率，cpr4t和σpr4t为执行网络中心值和宽度值，P＝2为执行网络输入层的神经元总数，R＝6为执行网络隶属层和规则层神经元总数，执行网络输出层为1；根据公式42、43和杨氏不等式，进一步得到： 其中是为的最大值，是一个非零常数；蠕动泵控制器的输入被设计为： 控制器执行网络权值自适应律和故障自适应律分别被设计为： 其中γ2为控制系数，F4t为模糊神经网络的规则层输出，κ2是一个0≤κ2＜κ2t＜1的常数，0＜b4＜1和0＜a2＜1为学习率；根据梯度下降算法，得到： 其中偏置函数且n2t是有界的,即||n2t||≤n2,max，n2,max是一个非零常数，m2t是一个偏置函数；由公式40得： 基于公式42、47-49，公式46转化为 其中 1.4参数设定如下：1、曝气泵控制器评判网络参数值被设定为：权值初始值为学习率b1＝0.1，宽度值σ＝[3.8,3.3,4.3,4.6,5.4,4.2；-7.1,-5.3,-4.6,-3.8,6.2,-6.8]，中心值c＝[-0.1,-0.2,-0.3,-0.4,-0.6,-0.7；-0.6,-0.4,-0.3,-0.2,-0.5,-0.4]；曝气泵控制器执行网络参数值被设定为：权值初始值为学习率b2＝0.1，宽度值σ＝[3.8,3.3,4.3,4.6,5.4,4.2；-7.1,-5.3,-4.6,-3.8,-6.2,6.8]，中心值c＝[-0.1,-0.2,-0.3,-0.4,-0.6,-0.7；-0.6,-0.4,-0.3,-0.2,-0.5,-0.4]，故障κ1t＝0.78+0.22sint，学习率a1＝0.1；控制器参数：γ1＝365；2、回流泵控制器评判网络参数值被设定为：权值初始值为学习率b3＝0.1，宽度值σ＝[3.8,3.3,4.3,4.6,5.4,4.2；-7.1,-5.3,-4.6,-3.8,-6.2,6.8]，中心制c＝[-0.4,-0.6,-0.7,-0.4,-0.9,-0.5；-0.4,-0.8,-0.6,-0.7,-0.4,-0.9]；回流泵控制器执行网络参数值被设定为：权值初始值为学习率b4＝0.1，宽度值σ＝[3.8,3.3,4.3,4.6,-5.44.2；-7.1,-5.3,-4.6,-3.8,-6.2,-6.8]，中心值c＝[-0.1,-0.2,-0.3,-0.4,-0.6,-0.7；-0.6,-0.4,-0.3,-0.2,-0.5,-0.4]，故障κ2t＝0.82+0.18sint，学习率a2＝0.1；控制器参数：γ2＝395。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于规定性能的城市污水处理过程多设备容错最优控制方法