基于人工智能的污水处理溶解氧浓度建模与控制

【摘要】： 污水处理系统是一个复杂的非线性、时变系统,在整个过程控制当中建立其精确数学模型十分困难,采用传统控制方法只能面向特定的应用,并且精度不高、自适应能力差,因此仅仅依靠传统的控制方法已经不能达到控制要求。目前,智能控制不断发展,在很多非线性系统中得到广泛应用。其中神经网络具有很强的自适应能力,能够以任意精度逼近任意非线性函数;模糊控制的动态响应优越,对过程参数的变化有很强的适应性。 论文首先分析了活性污泥法污水处理系统曝气池中溶解氧浓度的控制要求,并建立了活性污泥法污水处理系统理想条件下的简化模型。其次根据这种模型提出了一种自适应模糊神经网络控制方案,并将控制方案应用到污水处理系统当中。这种控制方法融合了模糊逻辑控制和神经网络控制的优点,使控制方案具有较强的自学习能力,可以自动的产生模糊规则,并且可以根据控制对象的实际要求来调整隶属度函数。最后在训练的过程中得到了控制器的最优参数,使控制方案应用在污水处理系统中能够很快达到控制要求。 论文在上述自适应模糊神经网络污水处理系统设计研究的基础上,提出了另一种新的基于模糊神经网络PID控制的污水处理系统。这种新的控制方法并不依赖于污水处理系统的精确数学模型,这使得整个控制方案更具有普遍意义。控制方案首先是通过动态递归神经网络(Elman)对控制对象进行模型辨识,同样选择活性污泥法污水处理系统曝气池中溶解氧浓度作为控制对象。然后分别对模糊控制与神经网络进行分析研究,将这两种控制方法与传统的PID控制算法相结合,通过神经网络来实现模糊逻辑,并且利用神经网络和模糊控制在线调整PID控制参数,使控制器既具有模糊神经网络的自学习能力,又利用了PID的控制优势,取得了很好的仿真结果。