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针对城市污水处理过程执行器故障的容错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：CN120972500B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202511239744.3，技术领域涉及：G05B11/42；该发明授权一种针对城市污水处理过程执行器故障的容错控制方法是由孙浩源;王俊杰;韩红桂;乔俊飞设计研发完成，并于2025-09-01向国家知识产权局提交的专利申请。

本一种针对城市污水处理过程执行器故障的容错控制方法在说明书摘要公布了：本发明提出了一种针对城市污水处理过程执行器故障的容错控制方法，实现了执行器故障影响下的城市污水处理过程溶解氧浓度和硝态氮浓度的稳定控制。首先，设计了非线性观测器准确估计执行器故障；其次构建径向基函数神经网络精确表征污水处理过程的时变非线性动力学特性；设计基于自适应动态规划的容错控制器，通过构建评价网络与执行网络并采用策略迭代算法训练神经网络，求解近似最优控制律，融合先验的经典控制器，共同解决执行器故障导致的溶解氧浓度与硝态氮浓度偏离设定值的问题。实验结果表明，该方法能够实现溶解氧浓度和硝态氮浓度的容错控制，保证城市污水处理过程的稳定运行。

本发明授权一种针对城市污水处理过程执行器故障的容错控制方法在权利要求书中公布了：1.一种针对城市污水处理过程执行器故障的容错控制方法，其特征在于：构造存在执行器故障的城市污水处理过程控制系统，建立非线性观测器估计执行器故障，构建径向基函数网络模型估计未知非线性函数，设计基于自适应动态规划的容错控制器，实现溶解氧浓度和硝态氮浓度的容错控制；包括以下步骤： 1构造存在执行器故障的城市污水处理过程控制系统 存在执行器故障的城市污水处理过程控制系统表达式为： xk+1＝fxk+gxkuk-ufk1 其中，xk+1＝[SO5k+1,SNO2k+1]T表示k+1时刻的系统状态，SO5k+1表示k+1时刻的溶解氧浓度，SNO2k+1表示k+1时刻的硝态氮浓度，T表示向量的转置，xk＝[SO5k,SNO2k]T表示k时刻的系统状态，SO5k表示k时刻的溶解氧浓度，SNO2k表示k时刻的硝态氮浓度，fxk＝[f1xk,f2xk]T表示k时刻未知非线性函数，f1xk表示k时刻的溶解氧浓度控制回路的未知非线性函数，f2xk表示k时刻的硝态氮浓度控制回路的未知非线性函数，gxk＝diag8-SO5k,0.00537SNO2k表示k时刻控制输入的系数，diag表示对角矩阵符号，用于说明gxk是一个对角元素为8-SO5k和0.00537SNO2k的对角矩阵，uk＝[KLa5k,Qak]T表示k时刻的控制输入，KLa5k表示k时刻的氧传递系数，Qak表示k时刻的内回流量，ufk表示k时刻执行器故障； 2建立非线性观测器估计执行器故障 构造非线性观测器对执行器故障ufk进行估计，具体为： 其中，表示k+1时刻xk+1的估计值，表示k时刻xk的估计值，表示k时刻未知非线性函数的估计值，表示k时刻ufk的估计值，κ1＝0.5I2表示一个正定的观测器系数，I2表示一个2×2的单位矩阵，表示k时刻xk的估计误差； 设计的自适应更新律为： 其中，κ2＝0.05I2表示一个正定的观测器系数； 3构建径向基函数神经网络模型估计未知非线性函数 径向基函数神经网络模型的输入为[α1k,α2k,…,αbk]T，径向基函数神经网络模型的输出表达式为： 其中，αlk表示k时刻径向基函数神经网络模型第l个输入，ωrk表示k时刻径向基函数神经网络模型第r个隐含层神经元和输出层神经元的连接权值，clrk表示k时刻径向基函数神经网络模型第r个隐含层神经元对应第l个输入层神经元的中心值，σlrk表示k时刻径向基函数神经网络模型第r个隐含层神经元对应第l个输入层神经元的宽度值，l＝1,2,...,b表示径向基函数神经网络模型输入层神经元的数量，r＝1,2,...,a表示径向基函数神经网络模型隐含层神经元的数量，ωrk,clrk,σlrk在[0,1]内随机赋值； 径向基函数神经网络模型的参数更新策略设计为： 其中，Ek表示k时刻径向基函数神经网络的损失函数； 利用径向基函数神经网络4估计非线性观测器2中的未知项令径向基函数神经网络模型隐含层神经元的数量a＝20，径向基函数神经网络模型输入层神经元的数量b＝12，输入为[α1k,α2k,…,α6k]T，其中每个元素定义为αzk＝xk-z-1z＝1,2,..,6，表示k-z-1时刻的系统状态，输出为损失函数为其中为估计误差； 4设计基于自适应动态规划的容错控制器，具体为： 对于城市污水处理过程控制系统，存在一个原始可用的增量式PID控制器能够实现对溶解氧浓度和硝态氮浓度的跟踪控制，然而当执行器发生故障之后该控制器会失效，因此，设计一个基于自适应动态规划的辅助控制器来实现容错控制； 该容错控制器由两部分组成：增量式PID控制器和基于自适应动态规划的辅助控制器； ①建立增量式PID控制器，具体为： uPk＝Kpek-ek-1+Kiek+Kdek-2ek-1+ek-28 其中，uPk＝[KLa5Pk,QaPk]T表示k时刻增量式PID控制器给出的控制增量，KLa5ok表示k时刻的增量式PID控制器给出的氧传递系数增量,Qaok表示k时刻的增量式PID控制器给出的内回流量增量,Kp＝[200,50000]T表示比例系数，Ki＝[15,5000]T表示积分系数，Kd＝[2,400]T表示微分系数，ek＝xk-xdk为k时刻系统状态的跟踪误差，xdk表示k时刻系统状态的设定值，ek＝xk-1-xdk-1为k-1时刻系统状态的跟踪误差，xdk-1表示k-1时刻系统状态的设定值，ek-2＝xk-2-xdk-2为k时刻系统状态的跟踪误差，xdk-2表示k-2时刻系统状态的设定值，xk，xk-1和xk-2为k，k-1和k-2时刻的系统状态，xdk，xdk-1和xdk-2为k，k-1和k-2时刻系统状态的设定值； ②设计基于自适应动态规划的辅助控制器，具体为： 针对所述容错控制问题，目标是找到一个合适的控制输入，使得成本函数最小，成本函数的表达式如下： 其中τ＝k,k+1,k+2,…代表k及之后的任意时刻，eτ表示τ时刻系统状态的跟踪误差，uτ表示τ时刻的控制输入，Uek,uk＝eTkI2ek+uTk0.05I2uk为k时刻的效用函数，ρ表示执行器故障的估计值的权重系数，表示由非线性观测器2-3得到的k时刻的执行器故障的估计值； 根据贝尔曼最优性原理，最优成本函数满足如下离散时间HJB方程： 其中，Q*ek,uk和Q*ek+1,uk+1分别表示k和k+1时刻的最优成本函数； 最优控制输入通过以下公式求解： 其中，u*k分别表示k时刻的最优控制输入，表示求解使得最优成本函数Q*ek,uk最小的控制输入uk； 构建策略迭代自适应动态规划框架求解最优控制输入，设i＝0,1,2,...imax表示迭代步数，imax表示给定最大迭代步数，每一时刻从u0k＝[0,0]T开始执行迭代过程，求解迭代成本函数： 其中，Qiek,uk和Qiek+1,uk+1分别表示k和k+1时刻第i次迭代的成本函数； 更新迭代控制输入： 其中，ui+1k表示k时刻第i+1次迭代的控制输入； 上述迭代过程表示为 u0k,→Q0ek,uk→u1k→...→uik→Qi+1ek,uk→...14其中，Q0ek,uk和Qi+1ek,uk分别表示k时刻第0次和第i+1次迭代的成本函数，u0k，u1k，ui+1k表示k时刻第0次，第1次和第i+1迭代的控制输入； 当||Qi+1ek,uk-Qiek,uk||10-3或i达到最大迭代步数imax时，停止迭代并输出近似最优控制输入u*k；否则，令迭代步数i＝i+1，继续公式12-13所示迭代过程； k+1时刻的控制输入计算如下： ③利用径向基函数神经网络模型实现自适应动态规划，具体为： 首先，由于成本函数无法直接求取，因此基于径向基函数神经网络4构建评价网络估计成本函数9，径向基函数神经网络模型隐含层神经元的数量a＝14，径向基函数神经网络模型输入层神经元的数量b＝4，输入为[α1k,α2k]T＝[ek,uik]T，其中uik表示k时刻第i次迭代的控制输入，输出为使用参数更新策略5-7更新神经网络参数，损失函数Ek＝12eci2k，其中ecik为估计误差，表示如下： 然后，基于径向基函数神经网络4构建执行网络估计控制输入，令径向基函数神经网络模型隐含层神经元的数量a＝10，径向基函数神经网络模型输入层神经元的数量b＝2，输入为α1k＝ek，每个迭代步的输出为使用参数更新策略5-7更新神经网络参数，损失函数为Ek＝12eai2k，其中为估计误差； 在迭代自适应动态规划算法的神经网络实现过程中，当迭代算法满足收敛要求,即或i达到最大迭代步数imax时，有即可得到近似最优控制输入 最后，根据公式15，计算k+1时刻的最优容错控制律uk+1： 5控制律uk+1包含k+1时刻处理执行器故障所需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，最终通过调控溶解氧浓度和硝态氮浓度实现城市污水处理过程的容错控制。

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。