一种好氧堆肥智能控制方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115959933A(43)申请公布日2023.04.14(21)申请号202310137870.2(22)申请日2023.02.20(71)申请人南开大学地址300350天津市津南区海河教育园区同砚路38号(72)发明人杨楠张振宗于宏兵于晗杨桐辉杨礼(74)专利代理机构北京高沃律师事务所11569专利代理师韩雪梅(51)Int.Cl.C05F17/70(2020.01)C05F17/90(2020.01)C05F17/979(2020.01)权利要求书3页说明书9页附图5页(54)发明名称一种好氧堆肥智能控制方法及系统(57)摘要本发明公开一种好氧堆肥智能控制方法及系统，涉及农林固体废弃物资源化利用技术领域，方法包括：对第一TS模糊神经网络进行训练以确定通风量预测关系式；对第二TS模糊神经网络进行训练以确定鼓风机能耗预测关系式；对第三TS模糊神经网络进行训练以确定渗滤液pH预测关系式；对第四TS模糊神经网络进行训练以确定堆体碳氮比预测关系式；基于通风量预测关系式、鼓风机能耗预测关系式、渗滤液pH预测关系式和堆体碳氮比预测关系式建立好氧堆肥多目标优化模型，求解得到Pareto最优解；将Pareto最优解输入至PID控制器，以实现对好氧发酵罐内氧气浓度和温度的跟踪控制。本发明实现好氧堆肥的自动精准调控。CN115959933ACN115959933A权利要求书1/3页1.一种好氧堆肥智能控制方法，其特征在于，应用于好氧堆肥装置，所述好氧堆肥装置包括好氧发酵罐、渗滤液罐、鼓风机和PID控制器；好氧堆肥智能控制方法包括：获取历史通风量数据集、历史鼓风机能耗数据集、历史渗滤液pH数据集、所述好氧发酵罐中的历史氧气浓度数据集、历史氨气浓度数据集、历史温度数据集和历史堆体碳氮比数据集；基于所述历史氧气浓度数据集、所述历史温度数据集和所述历史通风量数据集，对第一TS模糊神经网络进行训练，以确定通风量预测关系式；基于所述历史氧气浓度数据集、所述历史温度数据集和所述历史鼓风机能耗数据集，对第二TS模糊神经网络进行训练，以确定鼓风机能耗预测关系式；基于所述历史氧气浓度数据集、所述历史温度数据集、所述历史氨气浓度数据集和所述历史渗滤液pH数据集，对第三TS模糊神经网络进行训练，以确定渗滤液pH预测关系式；基于所述历史氧气浓度数据集、所述历史温度数据集、所述历史氨气浓度数据集和所述历史堆体碳氮比数据集，对第四TS模糊神经网络进行训练，以确定堆体碳氮比预测关系式；基于所述通风量预测关系式、所述鼓风机能耗预测关系式、所述渗滤液pH预测关系式和所述堆体碳氮比预测关系式，建立好氧堆肥多目标优化模型；对所述好氧堆肥多目标优化模型求解，以得到Pareto最优解；所述Pareto最优解包括所述好氧发酵罐中氧气浓度优化设定值和温度优化设定值；将所述Pareto最优解输入至所述PID控制器，以实现对所述好氧发酵罐内氧气浓度和温度的跟踪控制。2.根据权利要求1所述的好氧堆肥智能控制方法，其特征在于，所述第一TS模糊神经网络包括输入层、模糊层、模糊规则计算层和输出层；所述输入层用于输入所述历史氧气浓度数据集、所述历史温度数据集和所述历史通风量数据集；所述历史氧气浓度数据集和所述历史温度数据集构成优化变量；所述模糊层用于通过隶属度生成函数对所述优化变量进行模糊化处理，以得到模糊隶属度；所述模糊规则计算层用于对所述模糊隶属度进行模糊规则的计算；所述输出层用于接收所述模糊规则计算层输出的所有数据，并根据所述优化变量对应的历史通风量数据对所接收到的数据进行校正，以确定通风量预测值。3.根据权利要求2所述的好氧堆肥智能控制方法，其特征在于，所述通风量预测关系式为：其中，为通风量预测值；n为模糊规则的个数，为第j条规则对应的模糊层输出，Thj为对应第j条规则的后件输出；z＝[z1z2z3…zr]为第一TS模糊神经网络的输入，即通2CN115959933A权利要求书2/3页风量预测关系式的输入，r为输入的优化变量个数，θj为网络的后件参数，j＝1，2，…，n；AjkT(z(k))表示网络输入z(k)经模糊化后得到的隶属度矩阵，z(k)＝[x1(k)x2(k)]，x1(k)为k时刻氧气浓度数据，x2(k)为k时刻温度数据，z(k)即所述优化变量，且z(k)简记为zk。4.根据权利要求1所述的好氧堆肥智能控制方法，其特征在于，所述好氧堆肥多目标优化模型包括目标函数和约束函数；所述目标函数为：MinF(k)＝{fae(x),fle(x)}；所述约束函数为：其中，MinF(x)为函数fae(x)为与函数fle(x)均为最小，fae(x)为鼓风机能耗预测关系式，fle(x)为通风量预测关系式，b1、b2、b3均为预设常数阈值，g1(