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！

龙图腾网恭喜北京工业大学申请的专利基于神经网络的城市污水处理过程多设备非对称约束控制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117784598B 。

龙图腾网通过国家知识产权局官网在2025-03-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311584635.6，技术领域涉及：G05B13/04；该发明授权基于神经网络的城市污水处理过程多设备非对称约束控制方法是由乔俊飞;陈鼎元;杨翠丽设计研发完成，并于2023-11-27向国家知识产权局提交的专利申请。

本基于神经网络的城市污水处理过程多设备非对称约束控制方法在说明书摘要公布了：基于神经网络的城市污水处理过程多设备非对称约束控制方法涉及人工智能领域。本文针对在污水处理厂容易出现执行器饱和的情况下，实现多设备的瞬态和稳态控制性能。由于污水处理厂处理过程长，干扰频繁，采用自组织模糊神经网络对动态非线性进行精确估计。由于峰值功率的限制，建立了蠕动泵和饱和气泵的统一模型，更适合污水处理厂的运行要求。由于水质波动严重，引入了非对称屏障李雅普诺夫函数，将曝气泵和回流泵的调控指标约束在预期的非对称边界内。

本发明授权基于神经网络的城市污水处理过程多设备非对称约束控制方法在权利要求书中公布了：1.基于神经网络的城市污水处理过程多设备非对称约束控制方法，其特征在于：针对污水处理中存在的动态不确定项，定义未知函数和并利用模糊神经网络的逼近特性对未知函数进行辨识；辨识器的输出结果Lt如下： 其中xit是输入层第i个神经元输入向量，cijt为第j个激活函数中心，σijt为第j个激活函数宽度，是每次迭代时的实际规则层第l个神经元输出值，为第l个神经元权值向量，p为当前规则层神经元的总个数；设计辨识器结构调整机制，具体步骤为：在污水处理过程中，由于现有的均方误差准则难以解决扰动引起的非平稳性和非线性问题，采用最大相关熵准则来提高污水处理长过程的在线辨识能力： 其中yt是实际溶解氧或硝态氮的实际浓度，由传感器在污水处理过程中测量可得，ydt是期望的溶解氧或硝态氮的浓度，按照国际水质协会章程设定，σr为核宽度；1初始时刻：根据初始数据和参数建立网络模型的结构；2增长阶段：根据相关熵设计了模糊神经网络中的规则增长准则，θt＜J1θt＞J23其中J1和J2分别表示相关熵上限和下限的预设规则增长阈值；如果满足上述条件，则新增的神经元参数cp+1＝xit，σp+1＝μ0||xit||，cp+1是新增神经元的中心，σp+1是新增神经元的宽度，wp+1是新增神经元的权值，||·||是范数，μ0＞0代表重叠系数，一般在区间[0.51]之间任意取值，以0.02为步长，以辨识结果为评价标准，选择对应辨识误差最小的重叠系数值作为辨识器参数；并且规则的数目被更新为p＝p+1；3修剪阶段:当满足条件 其中J3为预先设定的相关熵阈值，J4为规则层激活强度阈值，则cp＝0，σp＝0，wp＝0，其中cp是被删减神经元的中心，σp是被删减神经元的宽度，wp是被删减神经元的权值，且规则总个数更新为p＝p-1；4停止更新:设置网络结构停止条件θt＞J55其中J5是常数；如果网络性能满足上述要求，则结构将停止调整；此时可得规则层神经元总个数r＝p；J1,J2,J3,J4,J5将根据曝气泵和回流泵的辨识器定义具体参数值J11,J12,J13,J14,J15和J21,J22,J23,J24,J25；控制方法的设计步骤如下：1首先，建立生化反应过程中反硝化和曝气过程的等效模型： 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是生化反应迟第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为最后一个好氧区氧传递系数，Qct为内回流量，Qit,i＝1,2,4,5为第i个池子的流速，V5＝1333为第五区生化反应池的容积，V2＝1333为第二区生化反应池的容积，kO＝0.2为异养菌有氧呼吸饱和系数，SO,S＝8为溶解氧浓度饱和值；2设计曝气泵控制器：①对控制信号进行饱和处理：KLa5t＝γ11vOt+γ12vOt7其中vOt是控制器的输入信号，函数γ11是一任意非零常数，vmo是控制器允许的最大输入信号，函数π＝3.14，x可取任意非零实数；②计算溶解氧浓度浓度跟踪误差为：zOt＝SO,5t-SO,sett8其中SO,5t是溶解氧的实际浓度，SO,sett为溶解氧浓度的设定值，按照国际水质协会章程设定；③计算溶解氧浓度跟踪误差的时间导数为： 其中是溶解氧浓度的设定值的导数；定义符号qzOt为： ④构造非对称障碍李雅普诺夫候选函数： 其中存在两个常数η1和η2可以满足条件-η1≤zNOt≤η2，η1和η2是预先定义的参数；⑤非对称李雅普诺夫函数的导数得： 其中是宽度值、中心值、权值、饱和处理值的当前值和期望最优值之间的差值；是辨识器每次经过循环迭代时的当前宽度值、中心值、权值、饱和处理值；是辨识器经过循环迭代结构调整后得到的期望最优宽度值、中心值、权值、饱和处理值，它们将在最大相关熵为1或大于阈值J5时辨识器结构停止调整后被获得；是宽度值、中心值、权值、饱和处理值的自适应率；此外，变量和⑥污水处理过程的动态非线性方程可定义如下： 基于自组织模糊神经网络的识别能力，未知动态函数可以替换为 其中是结构和参数调整后模糊神经网络归一化层的当前实际输出值，是在辨识器在辨识过程中得到的常数，它们将在最大相关熵为1或大于阈值J5时辨识器结构停止调整后被获得；定义变量其中是辨识器结构调整结束后的期望规则层输出减去每次迭代时的实际规则层输出值的结果；是每次迭代时的实际规则层输出值；则公式12改写为： 存在杨氏不等式： 其中为任意非零常数；⑦则把公式16带入到15得 ⑧令其中和分别是矩阵的第一个和第二个值，和分别是矩阵的第一个和第二个值，和分别是矩阵的第一个和第二个值；则对进行泰勒展开，可得： 其中为泰勒展开的高阶项.⑨则设计控制器输入： 其中k1为控制器系数，是辨识器每次迭代时的实际权值，是辨识器每次迭代时的实际规则层输出值，ε1＝1；四个自适应率设计为： 其中a1,b1,c1,δ1是自适应速率系数，它们是固定常数；3设计回流泵控制器：①对控制信号进行饱和处理：Qct＝γ21vNOt+γ22vNOt24其中vNOt是控制器的输入信号，函数γ21是一个任意非零常数，函数vmn是控制器允许的最大输入信号，π＝3.14，x可取任意非零实数；②计算溶解氧浓度浓度跟踪误差为：zNOt＝SNO,2t-SNO,sett25其中SNO,2t是第二区硝态氮的实际浓度；SNO,sett是硝态氮浓度的期望设定点；③构造非对称障碍李雅普诺夫候选函数： 其中，如果zNOt＞0，则qzNOt＝1；如果zNOt≤0，则qzNOt＝0；有两个常数η3和η4可以满足条件-η3≤zNOt≤η4，η3和η4是预先定义的参数；④非对称李雅普诺夫函数的导数得： 其中是宽度值、中心值、权值、饱和处理值的当前值和期望最优值之间的差值；是辨识器每次经过循环迭代时的当前宽度值、中心值、权值、饱和处理值；是辨识器经过循环迭代结构调整后得到的期望最优宽度值、中心值、权值、饱和处理值，它们将在最大相关熵为1或大于阈值J5时辨识器结构停止调整后被获得；是宽度值、中心值、权值、饱和处理值的自适应率；此外，变量和⑤基于自组织模糊神经网络，动态非线性方程RNOt如下 其中是结构和参数调整后模糊神经网络归一化层的当前实际输出值，是在辨识器在辨识过程中得到的常数，它们将在最大相关熵为1或大于阈值J5时辨识器结构停止调整后被获得；定义变量其中是辨识器结构调整结束后的期望规则层输出减去每次迭代时的实际规则层输出值的结果；是每次迭代时的实际规则层输出值；⑥根据杨氏不等式，可以进一步得到： 其中为任意非零常数；⑦则设计控制器输入： 相应的四个自适应率设计为： 其中k2为控制器系数，是辨识器每次迭代时的实际权值，是辨识器每次迭代时的实际规则层输出值，ε2＝1；a2,b2,c2,δ2是自适应速率系数，它们是固定常数；4曝气泵的辨识器参数设定为：σr＝0.6，相关熵预设规则增长阈值上限J11＝0.995,相关熵预设规则增长阈值下限J12＝0.6,相关熵预设规则删减阈值J13＝0.99995,规则层激活强度阈值J14＝0.2,停止更新阈值J15＝0.999995,回流泵的辨识器参数设定为：σr＝0.6，相关熵预设规则增长阈值上限J21＝0.995,相关熵预设规则增长阈值下限J22＝0.6,相关熵预设规则删减阈值J23＝0.99995,规则层激活强度阈值J24＝0.2,停止更新阈值J25＝0.999995,控制器参数设定为：k1＝8,k2＝1995，ε1＝1，ε2＝1，a1＝0.1，b1＝0.1，c1＝0.1，δ1＝0.1，a2＝0.1，b2＝0.1，c2＝0.1，δ2＝0.1，η1＝0.01，η2＝0.02，η3＝0.03，η4＝0.04。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。