一种基于自组织鲁棒神经网络的MBR膜透水率智能检测方法

本发明基于膜污染过程的高度不确定性和模糊神经网络的动态特性，利用基于自组织的模糊神经网络设计了一种膜透水率智能预测方法，实现了存在外部扰动下膜透水率的的准确预测。膜透水率是指单位时间内通过单位膜面积的水流量，是评价膜污染程度的重要指标。基于自组织鲁棒神经网络的膜透水率智能检测方法能够降低网络对不确定输入的敏感性，在外部扰动下仍能保持稳定的性能，准确预测膜透水率，获得更加精准的预测效果，属于水科学领域。

背景技术：

1、当前，水资源短缺和水污染问题已成为全球性的环境难题，严重威胁着人类的生存与发展。随着工业化和城市化进程的加快，水资源的需求量不断增加，然而，许多水体却因污染变得无法使用。因此，发展高效的污水处理技术已成为解决这一问题的关键。膜生物反应器技术作为一种先进的污水处理方法，逐渐受到广泛关注。

2、然而，膜生物反应器技术在实际应用中也面临着一些挑战，其中最突出的就是膜污染现象。膜污染指的是污水中的颗粒物、微生物及其代谢产物在膜表面或孔隙内的积聚，导致膜的通量下降和分离效果减弱。膜污染不仅会缩短膜的使用寿命，增加运营成本，还会影响出水水质，降低污水处理的整体效率。因此，设计相应的方法来识别膜污染显得尤为重要，具有极高的现实意义。

3、本发明设计一种基于自组织模糊神经网络的膜污染识别方法，利用模糊神经网络的动态特性，通过自组织策略调节网络结构，使网络适应噪声和异常输入，提高模糊神经网络的鲁棒性，降低外部干扰对预测性能的影响，完成污水处理过程的安全和稳定运行。

技术实现思路

1、本发明获得了一种基于自组织鲁棒神经网络的膜污染识别方法，主要利用基于数据免疫机制的自组织策略来调整网络结构，使模型以更紧凑的结构适应异常的输入数据，从而准确识别膜污染，保证了污水处理过程的安全和稳定运行；

2、本发明采用了如下的技术方案及实现步骤：

3、1.一种基于自组织鲁棒神经网络的mbr膜透水率智能检测方法，其特征在于，建立了基于鲁棒神经网络的智能检测模型，设计了数据免疫机制动态调整模型结构，利用了自适应梯度下降算法更新模型参数，解决了在水质水量波动等干扰条件下mbr膜透水率难以检测的问题，包括以下步骤：

4、(1)建立基于鲁棒神经网络的膜透水率智能检测模型，具体如下：

5、膜透水率可以反应膜生物反应器污水处理运行状态，然而，受到入水水质水量波动等外界干扰因素的影响，操作人员难以有效检测膜透水率，因此，建立基于自组织鲁棒神经网络的智能检测模型，实现对膜透水率的动态检测；基于自组织鲁棒神经网络的智能检测模型分为四层：输入层、径向基函数层、归一化层、输出层；模型为4-10-10-1的初始连接方式，即输入层神经元数为4，对应物理量分别为产水流量、产水压力、单池膜擦洗气量、产水浊度，径向基函数层神经元数为10，归一化层神经元数为10，径向基函数层和归一化层之间连接权值的初值为1，输出层神经元数为1，对应物理量为膜透水率，归一化层和输出层之间连接权值的初值为1；设定神经网络智能检测模型的训练数据样本为n个，测试数据样本为m个，其中n＞m；基于自组织鲁棒神经网络的检测模型中各层表示为：

6、输入层：该层由4个神经元组成，每个神经元的输出为：

7、xi(t)＝ui(t) (1)

8、其中，xi(t)为第t时刻输入层第i个神经元的输出，i＝1,...,4；ui(t)为第t时刻输入层第i个神经元的输入，u1(t)表示t时刻产水流量，u2(t)表示t时刻产水压力，u3(t)表示t时刻单池膜擦洗气量，u4(t)表示t时刻产水浊度；

9、径向基函数层：该层由10个神经元组成，每个神经元的输出为：

10、

11、其中，为t时刻径向基函数层第j个神经元的输出值，j＝1,...,10；mij(t)为t时刻第j个神经元的第i个隶属函数的中心，在区间(0,1]之间随机取值，σij(t)为t时刻第j个神经元的第i个隶属函数的宽度，在区间(0,1]之间随机取值；

12、归一化层：该层由10个神经元组成，每个神经元的输出为：

13、

14、其中，vj(t)为t时刻归一化层第j个神经元的输出值，wvj(t)为t时刻径向基函数层与归一化层之间的权值连接；

15、输出层：该层由1个神经元组成，输出为：

16、

17、其中，为t时刻神经网络智能检测模型的输出，wj(t)为t时刻第j个归一化层神经元与输出层之间的权值连接；

18、(2)设计数据免疫机制动态调整模型结构，具体如下：

19、定义损失函数为：

20、

21、其中，表示模型在t时刻的误差；其损失函数边界为：

22、

23、其中，zb(t)为t时刻的损失函数边界，μ用于定义损失函数边界，要求t时刻的损失函数边界大于t时刻的损失函数值，在(0,0.15]之间随机取值；

24、基于自组织鲁棒神经网络的检测模型结构动态调整具体为：

25、①增长阶段：如果z(t)大于zb(t)，且第j个径向基函数层神经元满足如下条件：

26、wvj(t)≥max(wv(t-1)) (7)

27、则增加一个新的径向基函数神经元，其中，wv(t-1)＝[wv1(t-1),…,wvp(t-1)]；该神经元的参数可表示为：

28、

29、其中，mnew(t)和σnew(t)分别为该径向基函数层神经元的中心和宽度，mj(t)为t时刻第j个径向基函数层神经元的中心矩阵，x(t)为t时刻的输入变量矩阵，σj(t)为t时刻第j个径向基函数层个神经元的宽度矩阵；wvnew(t)和wnew(t)分别为该径向基函数层神经元的权重，wv(t)为t时刻所有径向基函数层神经元的权重矩阵，g(t)为t时刻的期望输出，为t时刻的预测输出，xi(t)为t时刻第i个神经元的输入，minew(t)为t时刻新的神经元的第i个隶属函数的中心，σinew(t)为t时刻新的神经元的第i个隶属函数的宽度；

30、②修剪阶段：如果zb(t-1)大于z(t)，且第h个径向基函数层神经元的权重满足如下条件：

31、

32、则第h个径向基函数层神经元将会被修剪；同时，第h个和第h’个径向基函数层神经元参数设置为：

33、

34、其中，第h’个径向基函数层神经元为与第h个径向基函数层神经元的欧氏距离最近的神经元，m’h(t)和m’h’(t)分别为修剪神经元后第h个和第h’个径向基函数层神经元的中心，mh’(t)为修剪神经元前h’个径向基函数层神经元的中心；σ’h(t)和σ’h’(t)分别为修剪神经元后第h个和第h’个径向基函数层神经元的宽度，σh’(t)为修剪神经元前第h’个径向基函数层神经元的宽度；w’vh’(t)和w’h’(t)分别为修剪神经元后第h’个径向基函数层神经元和归一化层神经元的权重，wvh’(t)和wh’(t)分别为修剪神经元前第h’个径向基函数层神经元和归一化层神经元的权重，wvh(t)和wh(t)分别为修剪神经元前第h个径向基函数层神经元和归一化层神经元的权重，；w’vh(t)和w’h(t)分别为修剪神经元前后第h个径向基函数层神经元的权重；mih(t)和mih’(t)分别为修剪神经元前第h个和第h’个径向基函数层神经元的中心，σih(t)和σih’(t)分别为修剪神经元前第h个和第h’个径向基函数层神经元的宽度；

35、(3)利用自适应梯度下降算法更新模型参数，具体如下：

36、基于自组织鲁棒神经网络的检测模型参数更新梯度为：

37、

38、(4)膜透水率的检测

39、利用训练好的鲁棒神经网络模型检测膜透水率，使用采集到的产水压力，产水流量，产水浊度和单池膜擦洗气量作为模型的输入变量，得到模型的膜透水率预测输出值。

40、利用上述模型结构自组织机制和参数更新策略，降低检测模型对外界干扰的敏感性，提高检测模型的鲁棒性，实现膜透水率的准确检测，完成膜生物反应器状态的动态监测，保证城市污水处理过程的安全稳定运行。本发明的创造性主要体现在：

41、(1)本发明针对城市污水处理过程中的外部扰动引起的异常输入数据，会导致模糊神经网络的预测精度和有效性下降，设计了具有惩罚评估机制的参数学习算法来更新网络参数，降低模型对异常输入数据的敏感性。

42、(2)本发明设计了基于数据免疫机制的网络结构自组织策略，通过动态调整神经元数量和网络结构，使网络以更紧凑的结构适应异常的输入数据，从而增强模型的鲁棒性，使模型在外部扰动下仍然有良好的预测精度和性能。