周报学习记录-8-20

摘要

本周的学习内容包括：阅读一篇深度学习跟传统DO控制方法结合的论文，学习其他人的写作思路、代码学习以及DO控制方法学习。总体来说，在DO控制方法学习上完成度并不高，这部分查找到的资料比较多，我学习的太浅了，除了PID和MCP，其他几个方法只知道是什么东西，还并不了解原理。

This week’s study topics include: reading a paper that combines deep learning with traditional dissolved oxygen (DO) control methods, studying others’ writing approaches, code comprehension, and learning DO control methods. Overall, my progress in learning DO control methods is not very high. There is a lot of information available on this topic, but my understanding is shallow. Apart from PID and MPC, I only have a basic idea about the other methods and don’t yet understand their underlying principles.

论文阅读

论文题目：Dissolved Oxygen Control in Activated Sludge Process Using a Neural Network-Based Adaptive PID Algorithm

论文作者：Xianjun Du , Junlu Wang , Veeriah Jegatheesan ,Guohua Shi

论文地址：https://www.mdpi.com/2076-3417/8/2/261

摘要分析

活性污泥系统曝气池中，传统技术基本采用PID控制器偏多，而PID控制器参数调整不具有自适应性，针对断崖性的干扰难以及时准确的调整DO浓度。因此，作者这篇文章提出了一种基于径向基函数（RBF）神经网络（NN）的自适应PID（RBFNNPID）算法，并在基于活性污泥工艺的废水处理中进行了模拟，以更好地控制DO。

• 传统PID控制方法对于复杂的非线性系统和快速变化的情况效果不佳，而活性污泥污水处理过程是一个非线性过程，传统PID控制效果不佳。

• 引入神经网络或其他自适应算法可以提高PID控制性能

背景写作分析

1. 首先是介绍DO控制的重要性------》介绍活性污泥工艺曝气池中DO浓度作为一个重要控制参数，对于处理效率、运营成本和系统稳定性有很大影响，DO过高，过低对污水处理产生的影响，以及能耗问题。

2. 进一步分析DO浓度变化的原因有哪些？－－》人工曝气，温度，水质，流量都会影响水体中DO的浓度

3. 因为以上因素，DO控制变难－－－》氧气的传输是一个复杂的过程，具有大的时间延迟以及强烈的非线性、耦合和干扰特性。包括上面第二点作者列举的这一系列因素，导致控制DO浓度难度大。

4. 目前污水处理厂的过程控制方法－－－－》污水处理厂常用的是PI，PID控制方法，然而PI跟PID控制果可能会受到未知、意外的干扰以及操作条件的巨大变化的影响，总的来说就是不稳定，鲁棒性差。

5. 过去提出的解决方法－－－－》Belchior等提出了一种适用于追踪溶解氧设定点的自适应模糊控制（AFC）策略，应用于国际水协会提出的基准模拟模型No.1（BSM1）以及MPC控制。

   其次在深度学习领域也有一些方法：

   Macnab和 Mirghasemi 提出了一种自适应神经网络控制策略，并将其用于控制活性污泥工艺中的溶解氧。所提出的方法可以防止权重漂移和相关的爆发，而不损害性能。他们通过使用算法CMAC算法来估计系统的非线性行为，从而改善了控制性能。

   Ruan等提出了一种基于遗传算法（GA）进化模糊小波神经网络软传感器的在线混合智能控制系统，以控制处理造纸废水AAO工艺中的溶解氧。

   AFC和MPC方法记录：

   • AFC自适应模糊控制：AFC方法的核心思想是结合模糊逻辑和自适应机制，以创建一个能够根据实际系统响应动态调整的控制器。这种方法的优势在于它结合了模糊控制的适应性和自适应控制的能力，使控制器能够根据实际情况智能地调整。

   • MPC控制：MPC方法是一种模型预测控制方法，用于实现对系统的动态控制。在DO控制中，MPC方法使用数学模型来预测系统的未来行为，并基于这些预测结果来制定最优的控制策略，以维持适当的DO水平。MPC方法在DO控制中的优势在于它能够根据系统的模型和未来预测来制定控制策略，以优化控制性能。这种方法能够应对系统的动态变化和不确定性，提供更精确和智能的控制。缺点是：计算复杂优化问题要考虑计算响应时间。

6. 过去方法有哪些不足？----》神经网络和预测控制方法控制污水处理系统中的溶解氧浓度取得了很好的结果，但这些方法的结构复杂，需要大量计算，这在实际工程应用中难以实施。 现有的工程还是大多数采用PID这种简单实用的控制策略。PID控制的关键问题在于容易受污水处理过程的非线性和大时滞特性的影响。

7. 因此，作者引出了自己的方法，将智能算法跟PID控制方法结合。 这里有一个点：作者的方法为什么不存在大量计算？

这里思考一下，我可以不可以做时序模型，把时序模型的输出作为PID的输入？如果这样做的话，计算量大不大，计算响应时间能不能达到这篇论文提到的？

方法分析

描述反应过程模型

1. 在2.1这部分，作者先介绍了ASP活性污泥工艺和基准仿真模型No. 1（BSM1）。BSM1在上周论文中读过了，这部分作者在介绍采用BSM1描述反应过程。下面用公式来说明各个反应器发生的反应。

   第一个公式是反应器1

   第二个公式是反应器2~5

   

   其中，Q是流量，Z是底物或细菌质量浓度，V是反应器的体积，r是反应速率，KLa是氧气传递系数，SO是溶解氧浓度。S是氧的饱和浓度（S = 15°C时为8 g/m3）；同时，Q1 = Qa + Qr + Q0；Qk = Qk-1。

   核心算法介绍

2. 关键是看第二部分.2.2基于神经网络的自适应PID算法。

   RBFNNPID学习：其实是一种结合了神经网络和传统PID控制方法的算法。在论文中，作者把传统PID跟改进后的PID做了对比图：

   

   首先是网络的构建-→RBF神经网络是一个三层前馈网络，包括输入层、隐藏层和输出层。隐藏层的激活函数由径向基函数（RBF）组成，RBF是一种用于处理非线性问题的函数。RBF的输入包括：PID控制器的输出，系统的测量输出（也就是实际溶解氧的浓度值），前一时刻测量的系统输出值（用于考虑系统的动态性能和变化趋势）。

   RBF神经网络自适应地计算权重系数和参数梯度信息，结果被用来实时更新PID控制器的参数，从而实现PID参数的自适应调整。

   通过这种方式，RBFNNPID算法能够更好地应对污水处理系统中的不确定性、非线性和扰动等问题，从而实现更有效的溶解氧浓度控制。

   • 问题1，作者在介绍部分提到了别人做的深度学习方法存在计算量大，响应时间问题，这里提出模型后并没有针对响应时间做对比。

   • 问题2，时序模型的输出结果能否用来作为PID控制器的输入，调节PID参数？

DO控制方法总结

• PID控制：PID控制法是一种闭环控制策略，它基于系统的反馈信息来调整控制信号，以使系统的输出（溶解氧浓度）尽量接近设定的目标值。PID控制法的基本原理是根据当前的溶解氧浓度和目标溶解氧浓度之间的差异来计算控制信号。比例项用于调整当前误差，积分项用于消除稳态误差，微分项用于平滑系统的响应。

  PID控制法由三个组成部分组成：比例（P）、积分（I）和微分（D）。它们分别对应于系统误差的不同方面：

  1. 比例（P）：比例控制根据当前误差（实际测量值与目标值之间的差异）来调整控制信号。如果误差较大，控制信号的变化也会较大，以更快地减小误差。

  2. 积分（I）：积分控制考虑了误差的累积情况。它通过累积误差的积分值来调整控制信号，以消除系统存在的稳态误差。

  3. 微分（D）：微分控制关注误差的变化速率。它通过测量误差的变化速率来预测未来误差的趋势，以避免系统产生振荡或过度调整。

  PID控制的缺点在于对于复杂、非线性和变化的水体系统不太行。

• MPC模型预测控制

• 模糊控制

• 神经网络控制

• 自适应控制

总结

读一篇论文：100%

查找DO控制方法：50%，虽然查到了一堆方法，但是对技术不了解。总体来说对PID和MCP了解了一些。

根据上周的汇报，这周学习后总结了以下问题：

• 上周老师提到了控制和模型，这周我看了这篇PID跟深度学习结合的论文，做控制的话能用PID吗？

• 如果把时序模型对于未来一段时间的预测输出，作为PID控制器的输入参考信号可行吗？

• 时序模型的预测的是能使设备运行状态最佳的溶解氧浓度吗？如果是这样的话，可以把最优溶解氧浓度跟目前溶解氧浓度的误差作为调节PID控制器的信号。

• 看了一些文章，提到神经网络用于溶解氧控制的时候有一个计算时滞，如果是时序+PID的形式，会不会也存在这样的问题呢？