神经网络PID的溶解氧控制系统.pdf

神经网络PID的溶解氧控制系统.pdf

ID:58015990

大小:283.92 KB

页数:4页

时间:2020-04-20

神经网络PID的溶解氧控制系统.pdf_第1页
神经网络PID的溶解氧控制系统.pdf_第2页
神经网络PID的溶解氧控制系统.pdf_第3页
神经网络PID的溶解氧控制系统.pdf_第4页
资源描述:

《神经网络PID的溶解氧控制系统.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、第30卷第10期计算机与应用化学Vo1.30,No.102013年10月28日ComputersandAppliedChemistryOctober28,2013神经网络PID的溶解氧控制系统付文韬,武利,王莉莉,乔俊飞(北京工业大学电子信息与控制工程学院,北京,100124)摘要:针对传统PID控制方法在溶解氧浓度控制过程中存在控制精度低,参数整定难等问题,文中提出了一种基于前馈神经网络PID控制溶解氧浓度的方法,实质就是利用前馈神经网络的自学习、自组织以及较强的容错能力对PID各参数进行在线实时整定,从而解决传统PID控制方法精度低、参数整定难的问题。通过仿真实验结

2、果表明,神经网络PID控制方法能够较好的控制溶解氧浓度,同时系统还具有良好的自适应性和鲁棒性。关键字:活性污泥法;神经网络;PID控制;溶解氧中图分类号:TQ02;TP391.9文献标识码:A文章编号:1001—4160(2013)10—1135—1138DOI:10.11719/com.app.chem201310111引言过前馈神经网络自适应整定PID参数来实现溶解氧浓度污水处理系统广泛采用的是活性污泥法污水处理工的控制,取得了较好的控制效果。艺。这种处理工艺主要依靠活性污泥中微生物的繁殖与生长来促进污染物的吸收与消除。在整个工艺流程中,2污水处理系统模型的建立曝气

3、池中的溶解氧(D0)浓度是影响活性污泥工作效率的活性污泥法数学模型中,最具有代表性的是国际水重要因素I”。因此,为保证系统的出水水质达标,必须对协提供的数学模型。目前科研人员所使用的大多数模型溶解氧浓度进行良好控制,使溶解氧浓度能够稳定在正均是在其基础上不断改进而来的。最为典型的活性污泥常的范围内,以保证污泥中微生物的正常繁殖与生长。法处理工艺如图1所示,主要是由曝气池、二沉池、回很多中外学者对污水处理中溶解氧的控制进行了大量研流系统、剩余污泥排放系统以及供氧系统等组成。究,并提出了一系列脱离数学模型的智能控制方法,如模糊神经网络L2】、专家控制以及遗传算法等。然而以上

4、的控制方法,都基本存在控制精度低或控制算法复杂等缺。王伟【4提出了一种基于预测模型的模糊专家控制方法,具有良好的控制品质,有效的削弱了大时滞对系统的影响。但是,这一控制方法缺乏自学习能力,无法在回流污泥剩余污泥排放线进行参数调整,同时需要大量的工作经验,从而降低了系统的自适应性;白敏丹【5等提出了一种基于遗传算法Fig.1Plantconfigurationofwastewatertreatmentprocess.图1污水处理过程流程图的模糊控制方法,并将其运用到溶解氧的控制当中,能够快速准确的达到要求。然而,这种基于遗传算法的控在这整个动态系统中,DO浓度的大小与微生

5、物以及制方法往往需要大量的计算过程。有机物等物质浓度有着密切关系,且相对复杂。但是,PID控制作为一种结构简单,易于实现的控制方法,根据能量守恒及质量守恒原理,可以将活性污泥法中各被广泛的应用到各工业领域中【5】。但是,对于具有高度非物质问的关系通过数学模型描述出来H,即活性污泥法线性、大时变以及不确定性的复杂系统,传统的PID控污水处理的动态过程:制很难达到预期效果。付伟l6】等人结合了广义控制方法,设计了一种具有预测功能的PID控制器,根据未来的预鲁一())+(1一)计输出误差进行PID参数的整定,不仅对系统的时延进(1)+-(SsF—Ss)行补偿,还具有较强的鲁棒

6、性;王启源[7】等人将非线性PID控制方法与双闭环控制系统相结合,运用到独轮自警一XHF+~ln()(平衡机器人中,实现了比线性方法更好的鲁棒性能。(2)一盟f坠±11Vq+q文中在PID控制方法的基础上,利用前馈神经网络自学习、自组织以及较强的容错能力等特点[8】,提出了通收稿日期:2013—07.22;修回日期:2013.09.18基金项目:国家自然科学基金项N(61034008,61203099,61225016);北京市自然科学基金项N(4122006)教育部博士点新教师基金项目(20121103120020)作者简介:付文韬(1990一),男,北京人,研究生,

7、从事污水处理过程智能优化控制的研究联系人:乔俊~(1968-),男,内蒙古鄂尔多斯人,教授,博士生导师,E—mail:isibox@sina,corn1136计算机与应用化学2013,30(10)dSofill(_1)()(+(j})=P(尼)一2e(k一1)+e(k一1)(7)‘3这3个量则作为下一模块神经网络的输入量。一旦一g-)(So.s.,-S)oBP神经网络如图3所示:该数学模型涉及到了大量的参数,意义分别如下:输入层隐含层输出层为曝气池底物浓度;为异养菌最大生长速率:为产率系数;为底物饱和系数;D为溶解氧浓度;坍为氧饱和系数;

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。