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！

龙图腾网获悉北京工业大学申请的专利一种基于软约束模型预测控制的污泥膨胀抑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：CN118878061B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202410904384.3，技术领域涉及：C02F3/00；该发明授权一种基于软约束模型预测控制的污泥膨胀抑制方法是由韩红桂;王岩;孙浩源;刘峥;乔俊飞设计研发完成，并于2024-07-08向国家知识产权局提交的专利申请。

本一种基于软约束模型预测控制的污泥膨胀抑制方法在说明书摘要公布了：本发明提出了一种基于软约束模型预测控制的污泥膨胀抑制方法，根据引发污泥膨胀的原因变量自适应地调整控制策略，使溶解氧浓度和硝态氮浓度跟踪到期望值实现污泥膨胀的抑制。本发明设计污泥膨胀智能诊断算法，计算相对重构贡献诊断引发污泥膨胀的原因变量，设计软约束模型预测控制策略，根据原因变量指导被控目标的优先级排序，利用松弛变量软化严格的输出约束，按序优化被控目标获得控制律。实验结果表明该方法能够有效抑制城市污水处理过程中的污泥膨胀。

本发明授权一种基于软约束模型预测控制的污泥膨胀抑制方法在权利要求书中公布了：1.一种基于软约束模型预测控制的污泥膨胀抑制方法，其特征在于：设计污泥膨胀智能诊断算法，构造软约束模型预测控制器，实现城市污水处理过程污泥膨胀抑制；包括以下步骤： 1设计污泥膨胀智能诊断算法 采集城市污水处理过程污泥膨胀工况下N组样本为Xk=[x1Tk,...,xnTk,...,xNTk]T∈RN×5，T表示向量的转置，n=1,...,N表示样本维度，xnk=[xn1k,...,xnmk,...,xn5k]表示k时刻第n组样本向量，m=1,...,5表示特征维度，xnmk表示k时刻第n组样本向量中第m个特征变量； 污泥膨胀智能诊断算法的5个特征变量分别为：溶解氧浓度，硝态氮浓度，总氮浓度，混悬液浓度，污泥负荷，其中k时刻溶解氧浓度的样本向量表示为xN_1k=[x11k,...,xN1k]T，k时刻硝态氮浓度的样本向量表示为xN_2k=[x12k,...,xN2k]T，k时刻总氮浓度的样本向量表示为xN_3k=[x13k,...,xN3k]T，k时刻混悬液浓度的样本向量表示为xN_4k=[x14k,...,xN4k]T，k时刻污泥负荷的样本向量表示为xN_5k=[x15k,...,xN5k]T； 样本Xk的协方差矩阵计算为： 1； 利用主成分分析方法将协方差矩阵特征分解为： ； 其中，Pk和P̃k分别表示主成分负荷矩阵和残差负荷矩阵，Λk和Λ̃k分别表示包含主特征值和残差特征值的对角矩阵； 假设样本向量xnk中第r个特征变量为故障变量，重构样本向量为： 3； 其中，dnrk表示第n组样本向量中第r个特征变量的故障幅值，表示故障方向，r=1,...,5； 故障检测指标设计为： 4； 其中，Wk=P̃kP̃Tk； 特征变量xnrk对故障检测指标的重构贡献定义为： 5； 计算故障检测指标Indexzrk关于故障幅值dnrk的一阶导数并使其等于0，获得dnrk=ξTrWkξr-1ξTrWkxn，故重构贡献5计算为： 6； 根据特征变量的重构贡献大小进行排序，贡献值最大的特征变量被诊断为引发污泥膨胀的原因变量； 2构造软约束模型预测控制器 软约束模型预测控制器的输入为溶解氧浓度和硝态氮浓度的预测值，输出为氧传递系数和内回流量，具体设计过程为： ①设计溶解氧浓度和硝态氮浓度的目标函数，分别为： 7； 8； 其中，eDOi|k=rDOk+i−ŷDOi|k表示在k时刻计算的k+i时刻溶解氧浓度的跟踪误差，i=0,...,3表示预测的步数，rDOk+i表示k+i时刻溶解氧浓度的设定值，ŷDOi|k表示在k时刻对k+i时刻溶解氧浓度的预测值，ŷDO0|k=yDOk，yDOk表示k时刻溶解氧浓度的测量值，∆uk=[∆uDOk,∆uNOk]表示k时刻控制输入增量，∆uDOk表示k时刻氧传递系数增量，∆uNOk表示k时刻内回流量增量，eNOi|k=rNOk+i−ŷNOi|k表示在k时刻计算的k+i时刻硝态氮浓度的跟踪误差，rNOk+i表示k+i时刻硝态氮浓度的设定值，ŷNOi|k表示在k时刻对k+i时刻硝态氮浓度的预测值，ŷNO0|k=yNOk，yNOk表示k时刻硝态氮浓度的测量值； 城市污水处理过程污泥膨胀控制中，规定氧传递系数的操作范围为40-240天，内回流量的操作范围为每天0-92230立方米，控制溶解氧浓度的范围为每天1.5-2.4毫克升，控制硝态氮浓度的范围为每天0.5-1.5毫克升，具体约束条件设置为： 9； 10； ②构造模糊神经网络预测模型，具体为： 模糊神经网络预测模型的输入为[α1k,α2k,α3k,α4k]，模糊神经网络预测模型的输出表达式为： 11； 其中，p̂k=[p̂1k,p̂2k]表示k时刻模糊神经网络预测模型的预测输出向量，p̂1k表示k时刻模糊神经网络预测模型第1个输出，p̂2k表示k时刻模糊神经网络预测模型第2个输出，wlk表示k时刻模糊神经网络预测模型第l个规则层神经元和输出层神经元的连接权值，wlk在[0,1]范围内随机赋值，αjk表示k时刻模糊神经网络预测模型第j个输入，cjlk表示k时刻模糊神经网络预测模型第l个径向基层神经元对应第j个输入层神经元的中心值，cjlk在[0,1]范围内随机赋值，表示k时刻模糊神经网络预测模型第l个径向基层神经元对应第j个输入层神经元的宽度值，在[0,1]范围内随机赋值，j=1,2,...,4表示模糊神经网络预测模型输入层神经元的数量，l=1,2,...,8表示模糊神经网络预测模型径向基层神经元和规则层神经元的数量，预测误差计算为： 12； 其中，pk=[p1k,p2k]表示k时刻系统输出向量，p1k表示系统第1个输出，p2k表示系统第2个输出； 根据k时刻的预测误差更新k+1时刻模糊神经网络预测模型的权值，中心和宽度： 13； 其中，表示k时刻模糊神经网络预测模型的参数向量，表示k时刻模糊神经网络预测模型第l个径向基层神经元的中心向量，表示k时刻模糊神经网络预测模型第l个径向基层神经元的宽度向量，表示k时刻模糊神经网络预测模型的雅可比矩阵，I表示72行72列的单位矩阵，表示k+1时刻模糊神经网络预测模型的参数向量，表示k+1时刻模糊神经网络预测模型第l个径向基层神经元的中心向量，表示k+1时刻模糊神经网络预测模型第l个径向基层神经元的宽度向量； ③利用模糊神经网络预测模型获取k时刻的3步预测值，具体过程为： 令预测模型输入为[α1k,α2k,α3k,α4k]=[yDOk,yNOk,uDOk-1,uNOk-1]，其中uDOk-1为k-1时刻氧传递系数，uNOk-1为k-1时刻内回流量，获取预测输出[p̂1k,p̂2k]=[ŷDO1|k,ŷNO1|k]； 令预测模型输入为[α1k,α2k,α3k,α4k]=[ŷDO1|k,ŷNO1|k,uDOk-1,uNOk-1]，获取预测输出[p̂1k,p̂2k]=[ŷDO2|k,ŷNO2|k]； 令预测模型输入为[α1k,α2k,α3k,α4k]=[ŷDO2|k,ŷNO2|k,uDOk-1,uNOk-1]，获取预测输出[p̂1k,p̂2k]=[ŷDO3|k,ŷNO3|k]； ④根据污泥膨胀的原因变量指导控制目标的优先级排序，具体为： 原因变量为溶解氧浓度时第一优先控制目标为JDO；原因变量为硝态氮浓度时第一优先控制目标为JNO；原因变量为总氮浓度时第一优先控制目标为JNO；原因变量为混悬液浓度时第一优先控制目标为JDO；原因变量为污泥负荷时第一优先控制目标为JDO； ⑤设计软约束模型预测控制律求解算法，具体为： 根据诊断结果确定JDO为第一优先控制目标时，控制律计算为： 14； 15； 约束条件为： 16； 17； 18； 其中，argmin表示计算函数取得最小值的变量，‖‖表示向量的范数，εNOi|k表示k时刻计算的k+i时刻硝态氮浓度的松弛变量，J*DOk表示k时刻溶解氧浓度目标函数的最优值，计算为： 19； 约束条件为： 20； 21； 其中，min表示计算函数最小值，εDOi|k表示k时刻计算的k+i时刻溶解氧浓度的松弛变量； 根据诊断结果确定JNO为第一优先控制目标时，控制律计算为： 22； 23； 约束条件为： 24； 25； 26； 其中，J*NOk表示k时刻硝态氮浓度目标函数的最优值，计算为： 27； 约束条件为： 28； 29； 3城市污水处理过程污泥膨胀抑制 软约束模型预测控制律uk包含k时刻的氧传递系数和内回流量，可编程逻辑控制器根据计算的氧传递系数控制变频器的频率，变频器通过调节鼓风机的转速来控制曝气量；电动调节阀根据计算的内回流量调节阀门的开度来控制内回流；最终通过控制溶解氧浓度和硝态氮浓度实现城市污水处理过程污泥膨胀的抑制。

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”。

以上内容由龙图腾AI智能生成。