人工神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)10人工神經(jīng)網(wǎng)絡(luò)應(yīng)用目錄基于人工神經(jīng)網(wǎng)絡(luò)的污染物排放智能檢測(cè)0102基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制01基于人工神經(jīng)網(wǎng)絡(luò)的污染物排放智能檢測(cè)隨著全球生態(tài)文明建設(shè)的推進(jìn)，污染治理過(guò)程的智能化成為重要發(fā)展方向。而人工神經(jīng)網(wǎng)絡(luò)在這一領(lǐng)域展現(xiàn)出巨大潛力，在污染物排放智能檢測(cè)方面應(yīng)用廣泛。

城市污水處理系統(tǒng)智能檢測(cè)城市污水處理系統(tǒng)分析：城市污水處理系統(tǒng)是一個(gè)復(fù)雜的、大滯后的生物化學(xué)反應(yīng)過(guò)程數(shù)據(jù)收集與預(yù)處理：數(shù)據(jù)預(yù)處理是構(gòu)建可靠模型最關(guān)鍵的基礎(chǔ)。人工神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)：徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)因其良好的非線性映射能力而被廣泛應(yīng)用。圖10-1人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖301基于人工神經(jīng)網(wǎng)絡(luò)的污染物排放智能檢測(cè)城市污水處理利用微生物的凝聚、吸附和氧化功能分解去除污水中的有機(jī)污染物，是一個(gè)復(fù)雜的、大滯后的生物化學(xué)反應(yīng)過(guò)程?；钚晕勰喙に囀钱?dāng)前城市污水處理中較成熟且應(yīng)用最為廣泛的一種生物處理工藝，下圖為活性污泥法城市污水處理工藝流程。

城市污水處理系統(tǒng)圖10-2城市污水處理工藝流程圖401基于人工神經(jīng)網(wǎng)絡(luò)的污染物排放智能檢測(cè)活性污泥工藝基本流程由初沉池、曝氣池、二沉池、曝氣設(shè)備以及回流設(shè)備組成。

城市污水處理系統(tǒng)工藝分析初沉池：清除污水中的部分有機(jī)物和懸浮物，降低后續(xù)處理工藝的負(fù)荷。曝氣池：作為工藝核心部分，主要進(jìn)行好氧和厭氧生物降解，使污水得到凈化。二沉池：實(shí)現(xiàn)出水泥水分離以及活性污泥濃縮和回流。曝氣設(shè)備：向曝氣池供氧，使池內(nèi)有機(jī)物與溶解氧充分接觸。回流設(shè)備：將二沉池中的部分污泥送回曝氣池，保持污泥活性的同時(shí)提高系統(tǒng)穩(wěn)定性。生化需氧量(Biochemicaloxygendemand,BOD)和總磷(TotalPhosphorus,TP)是反映出水水質(zhì)的關(guān)鍵指標(biāo)參數(shù)，對(duì)其進(jìn)行實(shí)時(shí)檢測(cè)至關(guān)重要。501基于人工神經(jīng)網(wǎng)絡(luò)的污染物排放智能檢測(cè)基于獲取到的北京某污水廠(活性污泥處理工藝)2014年的數(shù)據(jù)，對(duì)其進(jìn)行預(yù)處理后按每天一組進(jìn)行采樣，得到365組數(shù)據(jù)。將365組數(shù)據(jù)分為三組：183組作為訓(xùn)練樣本；91組作為驗(yàn)證樣本；91組作為測(cè)試樣本。

數(shù)據(jù)收集與預(yù)處理表10-1軟測(cè)量模型候選變量注：固體懸浮物濃度(Suspendedsolids,SS)；污泥沉降比(Settlingvelocity,SV)；混合懸浮固體濃度(Mixedliquidsuspendedsolid,MLSS)；溶解氧(Dissolvedoxygen,DO)。601基于人工神經(jīng)網(wǎng)絡(luò)的污染物排放智能檢測(cè)由于城市污水處理過(guò)程呈現(xiàn)出高度的非線性特征，經(jīng)典的線性相關(guān)性分析方法難以有效變量間的相關(guān)性，因此引入互信息對(duì)參數(shù)變量間的相關(guān)性進(jìn)行度量。

數(shù)據(jù)收集與預(yù)處理給定兩個(gè)隨機(jī)變量X和Y，假定其邊緣概率分布和聯(lián)合概率分布分別為p(x)，p(y)和p(x,y)，則兩變量間的互信息I(X;Y)可計(jì)算如下：(10-1)選取進(jìn)水TP、出水H4-N、曝氣池SV、出水油類(lèi)、曝氣池MLSS、進(jìn)水油類(lèi)作為出水BOD的特征變量(藍(lán)色框)；選取出水NH4-N、出水溫度、進(jìn)水TP、曝氣池DO、出水油類(lèi)以及進(jìn)水油類(lèi)作為出水TP的特征變量(紅色框)。701基于人工神經(jīng)網(wǎng)絡(luò)的污染物排放智能檢測(cè)本節(jié)將選用RBF神經(jīng)網(wǎng)絡(luò)分別構(gòu)建面向城市污水處理過(guò)程的出水BOD智能檢測(cè)模型和出水TP智能檢測(cè)模型。

人工神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)圖10-3RBF建模策略圖8

網(wǎng)絡(luò)結(jié)構(gòu)對(duì)神經(jīng)網(wǎng)絡(luò)性能的影響當(dāng)采用RBF神經(jīng)網(wǎng)絡(luò)建立出水BOD智能檢測(cè)模型時(shí)，隨著神經(jīng)元數(shù)量增加到11個(gè)，網(wǎng)絡(luò)的驗(yàn)證誤差和測(cè)試誤差不再降低反而出現(xiàn)了上升，因此最終隱含層選用10個(gè)神經(jīng)元。當(dāng)采用RBF神經(jīng)網(wǎng)絡(luò)建立出水TP智能檢測(cè)模型時(shí)，神經(jīng)元數(shù)量增加到6個(gè)后，網(wǎng)絡(luò)的驗(yàn)證誤差和測(cè)試誤差不再降低反而增加，因此最終選用隱含層選用5個(gè)神經(jīng)元。隱含層神經(jīng)元數(shù)量的增加會(huì)提高網(wǎng)絡(luò)的學(xué)習(xí)精度，但過(guò)大的網(wǎng)絡(luò)結(jié)構(gòu)又會(huì)導(dǎo)致網(wǎng)絡(luò)出現(xiàn)過(guò)擬合。因此在神經(jīng)網(wǎng)絡(luò)實(shí)際應(yīng)用中，應(yīng)根據(jù)具體任務(wù)選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)，以平衡網(wǎng)絡(luò)的學(xué)習(xí)能力和泛化能力。圖10-4出水BOD智能檢測(cè)網(wǎng)絡(luò)性能與結(jié)構(gòu)間的關(guān)系圖10-5出水TP智能檢測(cè)網(wǎng)絡(luò)性能與結(jié)構(gòu)間的關(guān)系01基于人工神經(jīng)網(wǎng)絡(luò)的污染物排放智能檢測(cè)9

出水BOD智能檢測(cè)效果上圖分別給出了用于出水BOD檢測(cè)的RBF神經(jīng)網(wǎng)絡(luò)輸出與期望輸出的擬合效果以及相應(yīng)的擬合誤差。從圖中可以看出，網(wǎng)絡(luò)實(shí)際輸出值能夠較好擬合期望輸出值，擬合誤差在±1之間。圖10-6出水BOD智能檢測(cè)效果圖圖10-7出水BOD智能檢測(cè)誤差圖01基于人工神經(jīng)網(wǎng)絡(luò)的污染物排放智能檢測(cè)10

出水TP智能檢測(cè)效果上圖分別給出了用于出水TP檢測(cè)的RBF神經(jīng)網(wǎng)絡(luò)輸出與期望輸出的擬合效果以及相應(yīng)的擬合誤差。從圖中可以看出，網(wǎng)絡(luò)實(shí)際輸出值同樣能夠較好擬合期望輸出值，擬合誤差在±0.2之間。圖10-8出水TP智能檢測(cè)效果圖圖10-9出水TP智能檢測(cè)誤差圖01基于人工神經(jīng)網(wǎng)絡(luò)的污染物排放智能檢測(cè)11

實(shí)驗(yàn)結(jié)論本實(shí)例結(jié)果表明，應(yīng)用增長(zhǎng)型RBF神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)對(duì)城市污水處理出水BOD和出水TP的精準(zhǔn)檢測(cè)。盡管用于構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)一樣，但具體任務(wù)不同導(dǎo)致所建立的網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)并不相同，說(shuō)明通過(guò)結(jié)構(gòu)的自組織設(shè)計(jì)，網(wǎng)絡(luò)能夠根據(jù)待解決任務(wù)自適應(yīng)確定最佳網(wǎng)絡(luò)結(jié)構(gòu)。01基于人工神經(jīng)網(wǎng)絡(luò)的污染物排放智能檢測(cè)1202基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制污染治理不僅需要對(duì)污染物排放進(jìn)行有效檢測(cè)，更需要對(duì)治理過(guò)程進(jìn)行精準(zhǔn)控制；人工神經(jīng)網(wǎng)絡(luò)在污染治理過(guò)程智能控制方面也有著重要的應(yīng)用，特別是針對(duì)城市固廢焚燒過(guò)程中的爐膛溫度控制。

城市固廢焚燒過(guò)程智能控制城市固廢焚燒系統(tǒng)分析：城市固廢焚燒過(guò)程是一個(gè)具有強(qiáng)非線性、不確定性等特點(diǎn)的復(fù)雜動(dòng)態(tài)系統(tǒng)。模型預(yù)測(cè)控制框架：被控對(duì)象過(guò)程模型、爐膛溫度預(yù)測(cè)模型、反饋校正和滾動(dòng)優(yōu)化。人工神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)：基于BP神經(jīng)網(wǎng)絡(luò)的過(guò)程模型建立和基于LSTM預(yù)測(cè)模型的建立?？刂坡汕蠼膺^(guò)程：目標(biāo)函數(shù)的定義、梯度下降法的應(yīng)用以及控制性能實(shí)驗(yàn)結(jié)果。13城市固廢焚燒(Municipalsolidwasteincineration，MSWI)過(guò)程通過(guò)熱解、氧化、燃燒將有機(jī)物轉(zhuǎn)化為無(wú)機(jī)物并使得固廢中的有毒有害物質(zhì)被消除，實(shí)現(xiàn)城市固廢減容減量的同時(shí)獲得可再生能源，兼具減量化、無(wú)害化、資源化等特點(diǎn)。下圖為城市固廢焚燒工藝流程圖

城市固廢焚燒系統(tǒng)02基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制圖10-10城市固廢焚燒過(guò)程工藝流程圖14

城市固廢焚燒系統(tǒng)工藝分析MSWI過(guò)程主要包括固廢存儲(chǔ)、固廢燃燒、余熱發(fā)電、煙氣凈化等工藝環(huán)節(jié)，由固廢池、焚燒爐、非選擇性催化還原器、余熱鍋爐、汽輪機(jī)、發(fā)電機(jī)、脫酸塔、選擇性催化還原器、布袋除塵器等裝置組成。固廢發(fā)酵：發(fā)酵，脫水固廢焚燒：干燥、燃燒、燃燼余熱交換蒸汽發(fā)電煙氣凈化：脫酸、除塵煙氣排放：檢測(cè)、排放MSW燃燒熱能燃燒煙氣特性強(qiáng)非線性MSWI過(guò)程出現(xiàn)非線性行為強(qiáng)耦合性各個(gè)子系統(tǒng)之間相互作用多變量性MSWI過(guò)程中多個(gè)變量影響穩(wěn)定運(yùn)行不確定性MSWI過(guò)程存在不確定工況02基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制15

爐膛溫度控制意義為保證城市固廢充分焚燒的同時(shí)減少污染物的排放，將爐膛溫度控制在850℃以上

爐膛溫度控制已成為制約我國(guó)固廢焚燒廠運(yùn)營(yíng)和發(fā)展的主要瓶頸，能否將其穩(wěn)定快速控制在合理范圍之內(nèi)是固廢焚燒廠高效穩(wěn)定運(yùn)行的關(guān)鍵。爐溫范圍溫度過(guò)低低溫腐蝕生成二噁英焚燒不充分溫度過(guò)高高溫結(jié)渣NOx排放增加爐體負(fù)擔(dān)增加02基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制16

模型預(yù)測(cè)控制架構(gòu)模型預(yù)測(cè)控制(Modelpredictivecontrol,MPC)是一種基于特定范圍內(nèi)目標(biāo)函數(shù)優(yōu)化的先進(jìn)控制策略，可以彌補(bǔ)時(shí)變、干擾等引起的不確定性，能夠處理有約束、多變量、多目標(biāo)的控制問(wèn)題，已成功應(yīng)用于城市固廢焚燒過(guò)程控制中，并表現(xiàn)出了良好的效果。MPC在每個(gè)采樣時(shí)刻，利用預(yù)測(cè)模型預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)系統(tǒng)的動(dòng)態(tài)行為，通過(guò)在線求解一個(gè)非線性?xún)?yōu)化問(wèn)題得到控制序列，進(jìn)而實(shí)現(xiàn)對(duì)控制變量的優(yōu)化控制。02基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制圖10-11MPC控制策略結(jié)構(gòu)圖17

模型預(yù)測(cè)控制架構(gòu)在本實(shí)例中，通過(guò)利用人工神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)DMPC策略，從而實(shí)現(xiàn)城市固廢焚燒過(guò)程中爐膛溫度的智能控制。本節(jié)介紹的面向城市固廢焚燒過(guò)程中爐膛溫度的DMPC策略由四部分組成，包括基于BP神經(jīng)網(wǎng)絡(luò)的被控對(duì)象過(guò)程模型、基于LSTM神經(jīng)網(wǎng)絡(luò)的爐膛溫度預(yù)測(cè)模型、反饋校正和滾動(dòng)優(yōu)化。其中，為爐膛溫度參考值，是經(jīng)反饋校正后的預(yù)測(cè)值，是經(jīng)優(yōu)化后的控制量，是被控對(duì)象輸出值，是預(yù)測(cè)模型輸出值。02基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制圖10-12DMPC控制策略結(jié)構(gòu)圖18

輸入變量選取02基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制MSWI過(guò)程變量眾多，為準(zhǔn)確評(píng)估變量間的相關(guān)性關(guān)系以選取輸入變量，選取皮爾遜相關(guān)系數(shù)(Pearsoncorrelationcoefficient,PCC)分析，結(jié)合現(xiàn)場(chǎng)專(zhuān)家的實(shí)際工程經(jīng)驗(yàn)，篩選出與爐膛溫度相關(guān)性較高的工藝變量。其中，PCC分析是目前數(shù)學(xué)統(tǒng)計(jì)領(lǐng)域內(nèi)常用的相關(guān)性分析方法，相關(guān)系數(shù)的取值范圍為[-1,1]，絕對(duì)值越大，則相關(guān)性越強(qiáng)，可由如下公式表示：其中，和分別是變量x和y的平均值。表10-2候選輸入變量(10-2)19

輸入變量選取02基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制表10-3部分工藝變量與爐膛溫度的PCC值由相關(guān)性分析結(jié)果可知，一次風(fēng)量、二次風(fēng)量、一次風(fēng)溫、進(jìn)料器速度和爐排速度的PCC值較高，與爐膛溫度的相關(guān)性較強(qiáng)，即上述變量變化時(shí)對(duì)于爐膛溫度變化的影響較大。上述工藝變量與爐膛溫度的PCC值如下表所示：因此，將模型輸入變量確定為以上5個(gè)20

輸入變量選取02基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制進(jìn)而，采用準(zhǔn)則（即拉依達(dá)準(zhǔn)則）進(jìn)行異常值篩選與剔除。其原理為：假設(shè)數(shù)據(jù)集由條樣本組成，每條樣本由個(gè)變量組成。計(jì)算每一特征變量（這里以第m個(gè)特征變量為例）的標(biāo)準(zhǔn)差，如下并對(duì)所有樣本的特征變量進(jìn)行判斷，當(dāng)滿(mǎn)足下式時(shí)則被標(biāo)記為異常樣本：依次重復(fù)上述過(guò)程，直到判斷完所有特征變量，最后一次性刪除全部異常樣本。最終，經(jīng)異常值剔除后，獲得爐膛溫度模型的建模數(shù)據(jù)集，共包含2629條樣本。按照2:1:1的比例，將數(shù)據(jù)集分別劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。(10-3)(10-4)21

基于BP神經(jīng)網(wǎng)絡(luò)的過(guò)程模型建立02基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制由于MSWI過(guò)程固有的強(qiáng)非線性和不確定性，導(dǎo)致其燃燒過(guò)程機(jī)理難以用數(shù)學(xué)式表達(dá)，因此采用人工神經(jīng)網(wǎng)絡(luò)建立MSWI過(guò)程模型。由于反向傳播（Backpropagation,BP）神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性建模和逼近能力，因此被廣泛應(yīng)用于工業(yè)過(guò)程建模中。在本節(jié)中，選用含一層隱含層BP神經(jīng)網(wǎng)絡(luò)構(gòu)建MSWI過(guò)程模型。本節(jié)中，我們?cè)O(shè)置輸入層神經(jīng)元個(gè)數(shù)為5，輸出層神經(jīng)元個(gè)數(shù)為1，根據(jù)第3章給出的經(jīng)驗(yàn)公式確定隱含層神經(jīng)元個(gè)數(shù)為9，采用梯度下降法作為優(yōu)化算法，通過(guò)誤差的反向傳播調(diào)整網(wǎng)絡(luò)參數(shù)，最大迭代次數(shù)為3000，收斂誤差為0.001，學(xué)習(xí)率為0.1。圖10-13BPNN結(jié)構(gòu)圖22

基于BP神經(jīng)網(wǎng)絡(luò)的過(guò)程模型建立02基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制本節(jié)提出的基于BP神經(jīng)網(wǎng)絡(luò)的爐膛溫度過(guò)程模型的擬合效果如下圖所示，分別為訓(xùn)練集、驗(yàn)證集和測(cè)試集的擬合曲線。圖10-14(a)訓(xùn)練集擬合曲線圖10-14(b)驗(yàn)證集擬合曲線圖10-14(c)測(cè)試集擬合曲線上圖分別給出了三個(gè)數(shù)據(jù)集下BP神經(jīng)網(wǎng)絡(luò)的擬合效果。從圖中可以看出，網(wǎng)絡(luò)實(shí)際輸出值同樣能夠較好擬合期望輸出值。23

基于BP神經(jīng)網(wǎng)絡(luò)的過(guò)程模型建立02基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制為了進(jìn)一步驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)過(guò)程模型對(duì)爐膛溫度動(dòng)態(tài)變化的擬合性能，本節(jié)采用均方根誤差(Rootmeansquareerror,RMSE)、平均絕對(duì)誤差(Meanabsoluteerror,MAE)和決定系數(shù)(R-squared,R2)作為評(píng)價(jià)指標(biāo)，進(jìn)行擬合性能評(píng)估。上述評(píng)價(jià)指標(biāo)的定義如下，且BP神經(jīng)網(wǎng)絡(luò)過(guò)程模型對(duì)爐膛溫度動(dòng)態(tài)變化的擬合性能如表10-4所示：表10-4BPNN模型性能指標(biāo)由表10-4可知，BP神經(jīng)網(wǎng)絡(luò)爐膛溫度過(guò)程模型的RMSE和MAE均處于較低水平，且R2接近1。由此可知，該模型對(duì)爐膛溫度動(dòng)態(tài)變化的擬合精度較高。因此，本節(jié)提出的BP神經(jīng)網(wǎng)絡(luò)爐膛溫度過(guò)程模型能夠精確反映MSWI過(guò)程爐膛溫度的動(dòng)態(tài)特性。(10-5)(10-6)(10-7)24

基于LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型建立02基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制建立爐膛溫度預(yù)測(cè)模型所采用的數(shù)據(jù)集，是在建立被控對(duì)象的數(shù)據(jù)集的基礎(chǔ)上，將過(guò)去時(shí)刻的各工藝變量和爐膛溫度作為特征變量。在眾多數(shù)據(jù)驅(qū)動(dòng)模型中，長(zhǎng)短期記憶(Longshort-termmemory,LSTM)網(wǎng)絡(luò)可用內(nèi)部存儲(chǔ)單元上的門(mén)控機(jī)制來(lái)學(xué)習(xí)輸入序列數(shù)據(jù)之間的長(zhǎng)期依賴(lài)關(guān)系，對(duì)時(shí)間序列數(shù)據(jù)具有較好的預(yù)測(cè)性能。因此，在本實(shí)例中選取LSTM網(wǎng)絡(luò)用于建立MSWI過(guò)程中爐膛溫度的預(yù)測(cè)模型。本節(jié)中，我們根據(jù)本書(shū)第3章給出的經(jīng)驗(yàn)公式確定LSTM網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)為15，采用基于誤差的反向傳播算法調(diào)整網(wǎng)絡(luò)參數(shù)，設(shè)置迭代訓(xùn)練次數(shù)為100，學(xué)習(xí)率為0.05。圖10-15LSTM網(wǎng)絡(luò)結(jié)構(gòu)圖25

基于LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型建立02基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制本節(jié)提出的基于LSTM的爐膛溫度預(yù)測(cè)模型的預(yù)測(cè)效果如圖所示，圖中(a)、(b)和(c)分別為訓(xùn)練集、驗(yàn)證集和測(cè)試集的擬合曲線。圖10-16(a)訓(xùn)練集擬合曲線圖10-16(b)驗(yàn)證集擬合曲線圖10-16(c)訓(xùn)練集擬合曲線上圖分別給出了三個(gè)數(shù)據(jù)集下LSTM神經(jīng)網(wǎng)絡(luò)的擬合效果。從圖中可以看出，網(wǎng)絡(luò)實(shí)際輸出值同樣能夠較好擬合期望輸出值。26

基于LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型建立02基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制此外，為進(jìn)一步驗(yàn)證LSTM神經(jīng)網(wǎng)絡(luò)過(guò)程模型對(duì)爐膛溫度動(dòng)態(tài)變化的擬合性能，本節(jié)采用RMSE、MAE和R2作為評(píng)價(jià)指標(biāo)，進(jìn)行擬合性能評(píng)估。LSTM神經(jīng)網(wǎng)絡(luò)過(guò)程模型對(duì)爐膛溫度動(dòng)態(tài)變化的擬合性能如表10-5所示：表10-5LSTM預(yù)測(cè)模型性能指標(biāo)由表10-5可知，LSTM預(yù)測(cè)模型的RMSE和MAE均處于較低水平，且R2接近1。由此可知，該模型對(duì)爐膛溫度變化趨勢(shì)的擬合精度較高，預(yù)測(cè)性能較強(qiáng)。因此，本節(jié)設(shè)計(jì)的LSTM預(yù)測(cè)模型能夠精確反映MSWI過(guò)程爐膛溫度的未來(lái)變化趨勢(shì)。27

控制律求解02基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制基于上節(jié)所建立的BP神經(jīng)網(wǎng)絡(luò)過(guò)程模型和LSTM預(yù)測(cè)模型，DMPC在每個(gè)控制瞬間在線求解非線性?xún)?yōu)化問(wèn)題，獲得最優(yōu)控制序列，從而實(shí)現(xiàn)對(duì)爐膛溫度的穩(wěn)定高效控制。通過(guò)將爐膛溫度設(shè)定值跟蹤問(wèn)題轉(zhuǎn)化為最小化目標(biāo)函數(shù)的優(yōu)化問(wèn)題，采用梯度下降法在線求解控制律。首先，定義以下目標(biāo)函數(shù)：其中，爐膛溫度參考輸出，為爐膛溫度預(yù)測(cè)輸出，和為可調(diào)的目標(biāo)函數(shù)控制權(quán)重因子。采用梯度下降法求解控制律，令更新后的控制輸入序列

為：(10-8)(10-9)28

控制律求解02基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制最終，可以得到控制量增量的表達(dá)式為：(10-10)(10-11)其中，計(jì)算公式為：

29

控制律求解02基于人工神經(jīng)網(wǎng)絡(luò)的污染治理過(guò)程智能控制基于上節(jié)所建立的BP神經(jīng)網(wǎng)絡(luò)過(guò)程模型和LSTM預(yù)測(cè)模型，采用梯度下降法滾動(dòng)優(yōu)化目標(biāo)函數(shù)，得到最優(yōu)控制序