1.基于双RBF神经网络的反渗透膜组压力优化控制方法，其特征在于：包括变工况下优化压力的获取、基于RBF神经网络的优化压力在线调整、采用RBF神经网络自适应补偿的优化压力控制；所述优化压力的获取以变海水盐度下额定优化压力为单膜优化压力初始值，以各段膜压力综合最优为目标构建优化目标函数，采用拉格朗日乘数法获取反渗透膜组首段膜系统压力优化值；所述优化压力在线调整以膜组反渗透效率为性能评价指标，采用RBF神经网络令实际反渗透效率逼近最优反渗透效率，在线调整首段膜系统压力优化值；所述RBF神经网络自适应补偿控制采用基于状态反馈的主压力跟踪控制器和基于RBF神经网络自适应的干扰补偿控制器；所述主压力跟踪控制器采用状态反馈控制器，以优化压力跟踪误差及其导数作为状态反馈控制输入；所述干扰补偿控制器采用RBF神经网络自适应控制，以优化压力跟踪误差及其导数为控制输入，自适应地调整神经网络权值，以输出的干扰估计值逼近系统中的未知扰动。

2.根据权利要求1所述的基于双RBF神经网络的反渗透膜组压力优化控制方法，包括以下步骤：步骤1构建用于优化控制的首段膜系统压力动态模型及其它各段膜压力稳态模型、用于优化性能评价的各段膜产水流量稳态模型其中，ρ为浓水区液体密度，Pi(i＝1，2，……，n)为各段膜的系统压力，ηs为粘度系数，Vvr浓水阀液体体积，evr为浓水阀阻，vr为浓水流速，Qf为进水流量，λ为沿程阻力系数，l为膜元件轴向长度，d为浓水区管道当量直径，Am为膜面积，Ap为水管截面积， 为因膜组弹性造成的浓水区平均流量变化量，CH为膜组液容，Qpi(i＝1,2,3,…，n)为各段膜产水流量，Rvi(i＝1,2,3,4)为各段膜渗透液阻，Δπi(i＝1,2,3,4)为各段膜渗透液压差，Ki(i＝1,2,…,7)、C1为膜间关联系数；

步骤2反渗透膜组首段膜系统压力在线优化

第一步，以不同海水盐度下单膜额定压力PNref为输入优化目标函数的单膜优化压力初始值；

5 4 3 2

PNref＝0.02117S‑3.281S+204.6S‑6637S+241500S+653700    (2)其中，S为海水盐度；

第二步，以膜组各段膜压力综合最优为目标构建优化目标函数；

2 2 2

min G＝γ1(P1‑PNref) +γ2(P2‑PNref) +…+γn(Pn‑PNref)   (3)其中，γi(i＝1，2，……，n)为第i段膜的优化权值；

第三步，设定反渗透膜组压力优化的约束条件：其中，Pf为膜组进水压力，Pdi(i＝1,2,3,…，n)表示n个反渗透膜的管压降，Qi(i＝1,2,

3,…，n)为各段膜的轴向流量，Pr为浓水出口处的压力，Qr为浓水出口的流量，Psysmin、Psysmax为反渗透膜所允许的系统压力最大值和最小值，Smin、Smax为送入反渗透膜组海水的最小盐度和最大盐度；

第四步，采用拉格朗日乘数法获得反渗透膜组首段膜额定系统压力优化值：第五步，根据实时采集的反渗透膜组产水流量计算反渗透膜滤饼污染层厚度：其中，α为滤饼层累积系数，Am为反渗透膜面积，为海水平均污染浓度；

第六步，根据实时获得的滤饼层厚度，更新反渗透膜渗透液阻，获得变海水盐度下的反new渗透膜组反渗透效率和最大反渗透效率ηrM对应的首段膜系统压力P1ref ；

第七步，根据实时监测的反渗透膜组各段膜产水流量计算膜组的实际反渗透效率：第八步，采用RBF神经网络实现反渗透膜组压力在线优化，计算最大反渗透效率逼近误差eη＝ηrM‑ηr，以eηr和 为神经网络输入，即第九步，计算RBF神经网络的高斯基函数：其中，cj为高斯基函数中心，bj为高斯基函数宽度；

第十步，得到RBF神经网络输出的优化压力补偿值：其中，ωj为输出层权值，hj为高斯基函数；

第十一步，将额定压力优化值与优化压力补偿值相加，获得首段膜系统压力优化值：P1ref＝P1Nref+ΔP1ref      (10)第十二步，设定RBF神经网络权值在线优化最小目标函数：第十三步，根据梯度下降法，在线调整RBF神经网络权值：wj(N)＝wj(N‑1)+Δwj(N)+k(wj(N‑1)‑wj(N‑2))     (13)其中，Δwj(N)为RBF神经网络权值的修正值，η为学习率，满足η∈[0,1]；

步骤3构建包含首段膜系统压力动态模型与电磁阀线圈电流模型的四膜反渗透膜组模型其中，evrmax为最大阀阻，imax为电磁阀最大励磁电流， 为膜组弹性形变扰动，ΔRi为电磁阀绕组温升扰动，上式中，第四段膜的系统压力P4、膜组浓水流速vr以及函数l(P1)形如上述模型中的Ki(i＝1,2,3,…，23)、C1、C2、C3均为膜间关联系数；

步骤4反渗透膜组海水淡化系统模型转化

第一步，将如式(14)所示的反渗透膜组模型简化如下：其中

第二步，求取反渗透膜组海水淡化系统平衡点忽略电流模型中的扰动，令电流的变化率为零，即求解式(19)，得到的电流即为平衡点处的电流i0：其中，uin0为电磁阀外电路输入电压uin的稳态值；

将求得的系统平衡点电流i0带入式(20)计算平衡点的压力，得到平衡点处的压力P1,0，由上式求得的压力即为平衡点的压力P1,0，该系统的平衡点即为(P1,0,i0)；

第三步，在反渗透膜组系统平衡点处得到线性化的反渗透膜组模型为：其中，干扰项归结如下：

步骤5主压力跟踪控制器设计

第一步，以P1为状态变量x1，以 为状态变量x2，将模型中的扰动项统一归结为干扰项fxp，写出反渗透膜组淡化系统的状态空间方程：其中，扰动项为

第二步，计算压力跟踪误差e＝P1ref‑P1＝P1ref‑x1， 定义虚拟变量写出系统压力跟踪误差增广模型：

其中，虚拟控制输入为

第三步，对式(25)进行极点配置，采用状态反馈法设计主压力跟踪控制器，写出反渗透膜组淡化系统闭环特征多项式：其中，KE＝[‑kp ‑kd]为状态反馈增益矩阵；

第四步，通过选取合适的闭环极点，得到反馈增益矩阵KE的参数值，则此时的控制输入为：步骤6基于RBF神经网络自适应的干扰补偿控制器设计第一步，在状态反馈的基础上引入RBF神经网络自适应补偿，设计控制律为：第二步，将(29)代入式(25)，得到状态空间方程：第三步，定义最优权值为

其中，Ω表示具有希望边界的子集，即Ω＝{W|||f||≤M}，M为设计参数；

第四步，以RBF神经网络输出的自适应补偿 逼近干扰项fxp第五步，定义模型逼近误差为

第六步，将式(33)代入式(30)，将状态空间方程表示为：其中，

第七步，将式(32)代入式(34)，将闭环系统状态空间方程改写为：第八步，设计Lyapunov函数为

T

其中，γ是一个正实数，P为对称正定矩阵，且满足Lyapunov方程ΛP+PΛ＝‑Q，Q为对称正定矩阵；

第九步，取 对V1求导，可得

其中， 则有

第十步，对V2求导，可得

第十一步，计算V的导数：

第十二步，为确保 设计权值自适应律：

T

其中，γ是一个正实数，P为对称正定矩阵，且满足ΛP+PΛ＝‑Q，Q为对称正定矩阵。