人工神经网络用于造纸废水处理建模的研究.docx

人工神经网络用于造纸废水处理建模的研 究 摘要：利用造纸废水处理监控系统取得表征废水水质的各 项指标，在此基础上研究了基于 BP 网络和 RBF 网络的造纸 废水处理建模。仿真结果表明，BP 网络较 RBF 网络对样本 数据的仿真误差较小，泛化能力更好；输入量考虑历史出 水 COD 变化趋势的网络，其仿真效果要优于不考虑变化趋 势的网络；运用基于 BP 网络和 RBF 网络的造纸废水处理模 型能够准确的预测出水 COD，为实现废水处理的自动控制提 供可行途径。关键词：造纸；废水处理；BP 神经网络；RBF 神经网络；仿真研究 在造纸废水处理过程中，进水流量、 进水 COD 以及加药量等影响因素直接关系到出水水质的好 坏；另外由于目前大多造纸厂采用人工操作控制，操作误 差、测量滞后等原因，亦造成出水水质不稳定、故障频发 等问题，而智能控制可以解决这一问题。但废水处理过程 具有复杂性、非线性、时变性、不确定性等特点。人工神 经网络以其具有自学习、自组织、自适应以及良好的非线 性映射等能力，特别适合复杂非线性系统的建模与控制， 其中目前广泛应用的 BP 网络和 RBF 网络以其各自的优点， 成为废水处理的研究热点1。本文在造纸废水处理一体化 系统取得表征废水处理指标的基础上，通过实现对 BP 网络 和 RBF 网络的设计、建立、仿真和运行，考察这两种网络 对造纸废水处理的适应性，为更好的有效实现造纸废水处 理的自动控制提供可行途径。 1 人工神经网络废水处理建 模原理 人工神经网络(Artificial Neural Network，简称 ANN)对废水处理系统的建模原理如图 1 所示，首先根据废 水处理系统的输入输出数据建立样本集。在学习过程中把 样本集中的数据输入神经网络；根据样本的输入值计算出 网络的输出值；计算样本输出与网络输出的差值；根据计 算的差值由梯度下降法调整网络的权矩阵；重复上述过程， 直到整个样本集的误差不超过规定范围，学习即结束。图 1 造纸废水处理系统 ANN 建模原理示意图 经过训练后的网络 模型相当于实际废水处理系统的近似模型，如果通过采集 模块采集实际系统的进水各水质指标并输入网络，得到的 网络输出应该近似等于对应于各水质指标的实际系统的出 水 COD。基于这样的原理，针对滞后性的废水处理系统，本 研究采用 ANN 模型对未来时刻的出水 COD 进行预测，其中 网络输入为与未来时刻出水 COD 有关的因素，网络输出为 未来时刻的出水 COD，以期通过预测得到当前时刻的加药量。 2 造纸废水处理实验系统设计 2.1 废水来源 废水取自东莞 某造纸厂,废水 CODcr 为 5001600mg/L，pH5.56.8。 2.2 造纸废水处理实验系统 实验室废水处理工艺流程如图 2 所示。调节池中的废水与絮凝剂 PAC 混合后经进水泵打入 高效一体化反应器2，在里面发生反应、沉淀、过滤和澄 清等作用完成泥水分离，处理水从反应器顶流出，污泥通 过反应器底部排泥阀排出。图 2 造纸废水处理工艺 本实 验采用自动检测控制方法代替手工操作，完成水质的在线 检测以及加药量的自动控制，其监测系统如图 3 所示。COD 仪自动检测原水和出水 COD 值，检测频率通过 PLC 控制电 磁阀实现，COD 值经 ADAM4017模块转换成数字信号，显 示在安装于 IPC 的 MCGS 组态软件中；进水量和加药量通过 ADAM4024 模块输出电压控制蠕动泵和直流泵的工作电压以 改变流量来实现；高效反应器中的污泥通过泥位计实时监 测，再结合 PLC 控制电磁阀保证反应器中的泥位保持在一 定高度。图 3 造纸废水处理系统监控系统框图 2.3 网络样 本数据的选取 考虑进水量、进水 COD 和加药量三个因素， 每个因素取 4 个水平，具体取值如表 1 所示，通过正交实 验 L16(45)，以自动监控系统完成各个水质指标的采集和加 药量的自动加入，剔除 MCGS 数据库中奇异数据后，用于网 络训练和测试的部分数据如表 1 所示。其中 x(t)、u(t)、 v(t)和 y(t)分别表示 t 时刻的进水 COD、加药量、进水量 和出水 COD，y(t-2t)和 y(t-t)分别表示 t-2t 和 t- t 时刻的出水 COD,此处t 取 2h；y和 y”分别表示出 水 COD 在 t-t 时刻的一阶和二阶导数，y y(t) y(t-t)，y” y(t)2 y(t-t) y(t-2t)。表 1 用于网络训练和测试的实验数据序号 x(t)u(t)v(t)y(t-2 t)y(t-t)y(t)yy”期望输出 114000.212515489461-28- 2454214000.212489461454-7- 107491314000.414499525484-41- 67471414000.414525484471- 1328512514000.5165044784951743483614000.51647849548 3-12-29465714000.718419458434-24- 63425814000.718458434425-915449912440.214429441437- 4-164181012440.214441437418-19- 154241112440.41237436839931373821212440.41236839938 2-17-483771312440.518335342321-21- 283361412440.51834232133615363271512440.71629830631 4803XX12440.7163063143206-2323179790.216344354350- 4216354350338-12- 8340199790.418281298284-14- 31279209790.418298284279- 59268219790.5122452222371538215229790.512222237215- 22-37208239790.714311334323-11- 34328249790.714334323328516319256480.218302316296- 20-34279266480.218316296279- 173287276480.416275294288-6- 25281286480.416294288281-7-1273296480.514237258245- 13- 34250306480.514258245250518240316480.712197215209- 6-24XX26480.712215209201-8-21933 基于神经网络的仿真 比较研究 3.1 神经网络结构的建立 网络预测能力可以从优 化网络本身来加以改善，亦可从提高学习样本的质量和对 学习样本的处理方面加以考虑3-4。时滞系统的未来响应 特性与系统当前时刻的状态有关,与当前及过去时刻系统的 状态变化趋势有关5。由于本实验系统水力停留时间约为 2h，对该时滞系统将出水 COD 在 t-t 时刻的一阶和二阶 导数亦作为网络的输入量。 理论与实验表明，含有足够多 节点的单隐含层的 BP 网络可以逼近任意非线性函数，故本 文采用三层网络结构，输入层为 8 个节点，分别代表 x(t)、 u(t)、v(t)、y(t-2t)、y(t-t)、y(t)、 y、y”， 隐含层采用试凑法确定为 15 个节点，输出层为一个节点， 代表 tt 时刻的预测出水 COD。 RBF 网络输入层为 8 个 节点，分别代表 x(t)、u(t)、v(t)、y(t-2t)、y(t-t)、 y(t)、 y、y”，隐含层节点个数采用从 0 个神经元开始 训练，通过检查输出误差使网络自动增加神经元的方法确 定，输出层为一个节点，代表 tt 时刻的预测出水 COD。3.2 仿真比较研究 在确定了 BP 网络和 RBF 网络结构 后，对 2 个网络进行训练6。首先将样本数据归一化到区 间0,1之间以消除各指标的数量级差别，防止部分神经元 达到过饱和状态，并把第 5、10、15、20、25 和 30 组数据 作为测试数据，以检验训练后的网络预测效果，其余组数 据作为训练数据，用于训练网络。最后得到的各训练仿真 曲线绘于图 46 中。图 4 不同仿真输出和实际输出曲线 图 4 为经过训练后的网络仿真输出曲线， BP 模型和 RBF 模 型计算输出能贴近期望出水 COD。特别指出的是，仿真输出 曲线分为两部分，第 5、10、15、20、25 和 30 次采样为第 一部分，其余的采样为第二部分。可以看出，第二部分的 仿真输出曲线几乎和实际输出曲线重合。这是因为该部分 样本数据曾用来训练网络模型，网络模型很好的“记住” 了样本包含的信息，表明模型的学习能力很强；而第一部 分的曲线偏离实际输出曲线，是因为这些样本是网络没有 “见过”的，因此误差相对较大，相应的相对误差如图 5 所示。BP 网络模型最大误差为6.26%，RBF 网络模型最大 误差为 8.5%,在造纸废水处理过程中，上述网络输出误差在 可以接受的范围内，说明网络模型具有很好的泛化能力。 图 5 考虑出水 COD 变化趋势的仿真误差曲线 另外，考虑 BP 网络和 RBF 网络输入量不包含 y和 y”的仿真情况，网 络结构同上，仿真数据仍用表 1 数据，与上述的模型进行 对比，得到的网络输出误差见图 6。可以看出，在这种情况 下 BP 网络模型最大误差为 11.9%，RBF 网络模型最大误差 为-24.30%。我们知道，废水处理出水 COD 除了与进水量、 进水 COD、加药量和历史出水 COD 有关外，还与出水 COD 的 变化趋势有一定关系，图 5 中的网络输出误差相对于图 6 中的网络输出误差要小，就是因为它考虑了出水 COD 的变 化趋势这个不可忽略的因素。图 6 未考虑出水 COD 变化趋 势的仿真误差曲线 值得提出的是，32 组样本数据是分批次 实验得到的，因此各批次间在时间上是不连续的，但在仿 真上没有表现出明显的差异，表明神经网络具有很好的抗 干扰能力；同时 5 组测试数据并未参加网络训练，仍能得 到较好的输出，说明网络具有较好的泛化能力。另外，在 测试数据仿真误差较大点，观察可以看出其相对于训练样 本空间的分布较稀疏，即训练样本空间未能完全的包含各 种可能的系统信息，网络在其周围未能得到充分的训练。 因此，如何得到足够的训练样本以及如何选择训练样本， 避免欠拟和问题和过拟和问题，是需要值得注意的重要问 题7。4 结论 4.1 针对废水处理过程具有复杂性、非线性、 时变性、不确定性等特点，结合人工神经网络以其具有自 学习、自组织、自适应以及良好的非线性映射等能力，建 立了基于 BP 网络和 RBF 网络的废纸造纸废水处理系统模型。 4.2 对于 B