（检测技术与自动化装置专业论文）污水处理中ph中和过程的辨识与控制研究.pdf

摘要 摘要 在污水处理过程中，p h 值作为表征水酸碱特性的指标，是评价水质是否合格的 重要标准之一，同时p h 值对污泥中好氧微生物的繁殖有一定的影响，因此在污水处 理过程中，对p h 值进行有效地控制是至关重要的。 p h 中和过程是典型的非线性和大滞后过程，因此对该过程的辨识与控制是控制 领域中的难题之一，如何处理系统的非线性问题和大滞后问题是解决该问题的关键。 针对污水处理p h 中和过程的特点，提出了一种新的基于非线性时滞细胞神经网络的 辨识方法，并应用李雅普诺夫理论证明了此辨识方法的误差收敛性。将该方法应用 于中和过程建模，设计了p h 中和过程的细胞神经网络辨识器，仿真结果表明该方法 不仅可以实现权值的在线调整，而且能很好的实现中和过程的在线辨识。此外，用 b p 神经网络对p h 中和过程进行辨识，并将两种方法的辨识效果进行对比，结果表 明细胞神经网络辨识方法能够更好的辨识具有非线性和纯滞后特性的p h 中和过程。 细胞神经网络辨识为p h 中和过程有效控制奠定了基础。本文利用辨识得到的细 胞神经网络模型设计了p h 中和过程的细胞神经网络自适应控制器，仿真结果表明该 控制方法具有上升时间短、超调量小、稳态性能好，抗干扰能力强的优点。 最后设计了一套简单实用的p h 中和实验平台，应用组态王软件设计了监控系 统。将本文提出的基于细胞神经网络自适应控制方法应用于该实验平台，很好的实 现了p h 中和过程的自动控制，从而验证了该方法的有效性和实用性。 关貅污水处理；- p h 值；细胞神经网络；辨识；自适应控制 河北科技大学硕士学位论文 a b s t r a c t i nw a s t e w a t e rt r e a t m e n t p r o c e s s ，p hv a l u ea s a l li n d i c a t o ro ft h ea c i d - b a s e _ c h a r a c t e r i s t i c so fw a t e ri so n eo ft h em o s ti m p o r t a n tc r i t e r i o n st h a ti n d i c a t ew h e t h e rw a t e r q u a l i t yi ss t a n d a r d a tt h es a m et i m e ，p hv a l u eh a ss o m ei m p a c t s o n t h eb r e e d i n go f a e r o b i cm i c r o - o r g a n i s m si nt h es l u d g e t h e r e f o r e ，t h ee f f e c t i v ec o n t r o lo fp hv a l u ei s e s s e n t i a li nt h ew a s t e w a t e rt r e a t m e n tp r o c e s s p hn e u t r a l i z a t i o np r o c e s si sat y p i c a ln o n l i n e a rp r o c e s s ，w h i c hc o n t a i n sl a r g et i m e d e l a yp a r t t h e r e f o r e ，i t si d e n t i f i c a t i o na n dc o n t r 0 1 i so n eo ft h em o s td i f f i c u l tp r o b l e m si n c o n t r o lf i e l d t h ec o r ep r o b l e mi sh o wt od e a lw i t hi t i nv i e wo ft h ec h a r a c t e r i s t i co fp h n e u t r a l i z a t i o np r o c e s s ，an e ws y s t e mi d e n t i f i c a t i o nm e t h o db a s e do nn o n l i n e a rt i m e d e l a y c e l l u l a rn e u r a ln e t w o r ki sp r o p o s e d ，a n di d e n t i f i c a t i o ne r r o ri sp r o v e dt ob ec o n v e r g e n tb y l y a p u n o vf u n c t i o n ac e l l u l a rn e u r a ln e t w o r ki d e n t i f i e ri sd e s i g n e di nt h em o d e l i n go ft h e p hn e u t r a l i z a t i o np r o c e s sb yt h ei d e n t i f i c a t i o nm e t h o d s i m u l a t i o nr e s u l t ss h o wt h a tt h e w e i g h t sc a nb ea d j u s t e do nl i n ea n dd ow e l li nt h eo n l i n ei d e n t i f i c a t i o no fp h n e u t r a l i z a t i o np r o c e s s i na d d i t i o n ，p hn e u t r a l i z a t i o np r o c e s si si d e n t i f i e dw i t hb pn e u r a l n e t w o r k t h et w om e t h o d sa r ec o m p a r e d ，w h i c hr e s u l t ss h o wt h a tc e l l u l a rn e u r a ln e t w o r k i d e n t i f i c a t i o nm e t h o dh a sab e t t e re f f e c tf o r p hn e u t r a l i z a t i o np r o c e s sw i t h t h e c h a r a c t e r i s t i c so fn o n l i n e a ra n dp u r et i m ed e l a y t h ei d e n t i f i c a t i o no ft h ep hn e u t r a l i z a t i o np r o c e s sb a s e do nc e l l u l a rn e u r a ln e t w o r k m a k e st h eb a s ef o rt h ee f f e c t i v e ：c o n t r o lo ft h i s p r o c e s s ：a na d a p t i v e c e l l u l a rn e u r a l n e t w o r kc o n t r o l l e rf o rt h ep hn e u t r a l i z a t i o np r o c e s si sd e s i g n e db yu t i l i z i n gt h ec e l l u l a r n e u r a ln e t w o r km o d e lo b t a i n e db yi d e n t i f i c a t i o n s i m u l a t i o nr e s u l t si r l d i c a t et h a tt h i s c o n t r o lm e t h o dh a sm e r i t so ns h o r tr i s i n gt i m e ，s m a l lo v e r s h o o t ，g o o ds t a b i l i t y , a n ds t r o n g a b i l i t yo fr e s i s t i n gd i s t u r b a n c e f i n a l l y , as e to fs i m p l ep r a c t i c a lp hn e u t r a le x p e r i m e n tp l a t f o r mi sd e s i g n e da n d m o n i t o r i n gs y s t e mi sd e v i s e db yk i n g v i e ws o f t w a r e w i t ht h eu s eo ft h ep r o p o s e dc o n t r o l m e t h o di nt h ee x p e r i m e n tp l a t f o r m ，t h ea u t o m a t i cc o n t r o lo f p hv a l u ei sa c c o m p l i s h e d v e r yw e l l ，w h i c hv e r i f i e st h ee f f e c t i v e n e s sa n dp r a c t i c a b i l i t yo ft h em e t h o d k e yw o r d s w a s t e w a t e rt r e a t m e n t ；p hv a l u e ；c e l l u l a rn e u r a ln e t w o r k ；i d e n t i f i c a t i o n ； a d a p t i v ec o n t r o l ； i i ；- - i ：i l 科技大学学位论文原创性l 声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工 作所取得的成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方 式标明。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发 表或撰写过的作品或成果。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名： 量笋左 砂听年舌月箩日 河北科技大学学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留 并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本 人授权河北科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检 索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文， 口保密，在一年解密后适用本授权书。 本学位论文属于 圈，不保密。 ( 请在以上方框内打“ ) 学位敝作者签名= 壶扭汇 立e h d ? 年臼g 日 似了 马日 名 月 瞪 q 师 ，荤， 教“ 导 v 乜日 ，i 一秒 1 ， 叮 各 月 币 三 i y 了- 撕 绛 导 j 7 菸 p 第1 章绪论 第1 章绪论 本章阐述了论文的选题背景、研究意义以及目前p h 中和过程的建模与控制问题 的研究进展情况，并简要介绍了论文的主要内容。 1 1 选题背景和研究意义 现代工业生产尤其是一些化学反应生产过程会产生大量污水，如果不加处理就 将生产污水排入江河，将对生态环境造成严重破坏，因此国家规定工业污水必须经 过处理达标后才能排放。在污水处理过程中，污水酸碱度( p h 值) 作为表征水的酸碱 特性的指标，是评价水质是否合格的重要标准之一，国家环保局在工业废水排放标 准中明确规定了排放污水和工业废水的p h 值必须在6 5 8 5 之间。因此，p h 中和反 应过程控制是污水处理控制的关键环节，其控制质量的好坏直接影响污水处理的合 格程度。同时，p h 值对污泥中好氧微生物的繁殖有一定的影n 1 6 j ( 较低的p h 是发生污 泥膨胀的一个因素，p h 值会影响氧化分解反应的速度等) ，一般要求将p h 值控制在 6 9 之间。从前面的分析中可以看出，在污水处理过程中，对p h 值进行有效地控制 是至关重要的。 中和过程p h 值控制一直被认为是工业过程控制中最难控制的变量之一，主要原 因在于：l ) 过程本身具有严重的非线性：中和点附近的斜率极大，而两端的斜率急剧 变小，在中和点附近具有极高的灵敏度，非线性特性非常明显| 1 】，给控制造成很大困 难；2 1 少量的杂质会使过程特性发生严重畸变，难以建立准确的数学模型；3 ) p h 传 感器的动态特性易受环境f 如温度、压力、电极的清洁度等) 变化的影响，实际中和反 应过程中还存在混合、测量等纯滞后环节，而且延迟时间一般很长，就更增加了辨 识和控制的难度【2 1 。可见，p h 中和过程的辨识和控制问题是一个解决非线性和滞后 的问题。因此，如何处理非线性与滞后是解决这一问题的关键。 同时，由于在控制领域中，非线性和滞后问题广泛存在，目前，还没有解决此 类问题的有效方法，因此对这一课题的研究不仅对p h 中和过程的辨识和控制有重要 意义，对其他的非线性滞后系统也有着普遍的意义。 1 2 p h 中和过程建模发展现状 1 2 1传统建模 p h 值的高级控制策略很太程度上可以说是一个化学建模问题，因为过程建模对 于获得控制品质具有深远的意义。只有对过程有效的建立模型，才能获得高品质的 控制效果。特别是近代高级自适应控制和预测控制，都依赖于过程模型的建立。 河北科技大学硕士学位论文 近二十年来，关于p h 过程的建模己有不少文献进行了讨论，尤其是在连续搅拌 反应器( c s t r ：c o n t i n u o u ss t i r r e dt a n kr e a c t o r ) q b 进行的强酸一强碱系统的中和过程 建模，由于其在中和点附近有极高的增益( 在p h 较大的变化范围内，其静态增益变 化达1 0 3 倍) 而引起人们高度重视。可能是由于涉及到的化学方面的知识稍多的缘故， 很多控制工程师在处理酸碱反应的p h 值控制过程时，总是习惯地用一个简单的一阶 线性模型( 往往加上时滞) 来表示，如下所示： 丁了d ( p h ) 。勋- p h ( 1 - 1 ) d f 这里丁为时间常数，k 为过程增益，这在很多情况下是不对的，随着溶液的p h 值和溶液的缓冲能力两者不同，k 是不同的，因为p h 中和过程是本质非线性过程， 如果控制的p h 范围变化稍大，对一般的p h 中和过程( 除非期望控制在p h 值很低或 很高的一个窄的范围内或缓冲能力极强的系统、) ，一般工业过程控制中不是这样的， 做这样的假设是与实际不符的，其设计的控制器也必然是不能用的。 随着智能控制研究深入与不断发展，人们已经认识到要想建立一个像线性系统 那样完善的精确模型是不太可能的，虽然对于酸碱化学反应理论上可以给出其精确 的机理模型，但是实际上由于系统中的许多不确定因素，诸如缓冲剂的变化，温度 的影响，各种干扰等，以及p h 中和过程的高度非线性和复杂性，使得通过化学方法 所建立的机理模型往往在工作中失效。而且，更为重要的是许多p h 中和过程由于涉 及到的因素很多以致根本不可能写出其有效的机理模型，所以有必要寻求其它非线 性模型，它不但能够几乎完全反映机理模型的非线性特征，而且具有较强的容错性、 在线学习能力和自适应能力【蛐】。 1 2 2 神经网络建模 在实时控制系统中，系统辨识器作为被控对象的模型，可由其不断地调整控制 器参数，以获得比较好的控制效果，如自校正、模型参考自适应控制等。神经网络 是本质的非线性系统。理论上，神经网络能以任意精度实现任意非线性映射，网络 还可以实现较其它方法更优越的系统建模。 很多学者针对p h 中和过程的辨识进行了研究，c h s i n g 等用模糊逻辑方法辨识 对象模型【7 】；李少远采用了多模型方法1 8 】；s a n d r aj n o r q u a y 等人采用w i e n e r 模型9 】； 但是这些方法建立模型过程复杂。神经网络由于具有学习特性，在建立系统模型时 只需要对象的输入输出数据；简单易实现，但应用神经网络辨识对象的一个关键问 题是神经网络的选择。神经网络经过半个世纪的发展，出现了很多种类型的神经网 络，包括前馈神经网络、径向基函数神经网络、自适应共振理论神经网络等。a n d r e a s d r a e g e r 用b p 网络来建立对象的模型【1 0 】；m e nk u o ，m e l s h e i m e 则用r b f 网络构 2 第1 章绪论 建对象的模型1 1 1 j ；贾平等用多个b p 网络作为系统模型【2 】；刘贺平等采用多层局部回 归神经网络离线建立对象模型1 2 】；翁学义，赵光宙采用径向基函数网络( r b f ) 分别构 建对象的静态犊脚动态模型f 1 3 】；针对具有时延的非线性系统，刘宝坤、王慧、曹 明、李光泉利用递阶遗传算法建立起对象的离线n n 模型作为预报模型1 1 4 】；池涛等 采用基于先验知识的神经元模型实现p h 检测和控制，但其需要建立在知道实际生产 过程的经验和知识1 1 5 j 。 上述类型的神经网络大都属于静态网络，在动态时序信号处理、非线性动态系 统控制等带有强时序行为系统的应用中存在相当大的困难，利用上述网络对动态系 统进行辨识，实际上是将动态时间建模问题变为一个静态空间建模问题，这就必然 出现诸多问题，比如需要先验信息的非线性自回归滑动平均模型类n a r m a ( n o n l i n e a r a u t or e g r e s s i v em o v i n g a v e r a g e ) ，其需要对结构模型进行定阶，特别是随 着系统阶次的增加，迅速膨胀的网络结构将使学习速度更加缓慢，而且网路的规模 庞大时，往往会出现网络对权值的过渡拟合( o v e r f i t t i n g ) 现象，从而泛化能力较差 【1 6 】1 1 7 1 。后来，寇新副18 1 、田吲1 9 1 等在静态网络基础上有一些改进的方法，但这些方 法仍难以满足动态系统的要求，特别是无法有效的对大滞后系统建模。 从控制角度来看，对神经网络结构的简单及实时学习训练性的要求较高，动态 神经网络在这方面有一定的特点，动态神经网络虽然只是单层的神经网络，由于网 络增加了反馈环节，使其更适合于非线性动态系统，尤其是非线性动态系统的辨识。 动态回归网络包含了网络内部状态反馈来描述系统的非线性动力学行为。构成回归 神经网络模型的方法有很多，总的思想是通过对前向传播网络中加入一些附加的、 内部的反馈通道来增加网络本身处理动态信息的能力i 删。e l m a n 网络和j o r d a n 网络 是两种动态回归网络，e l m a n 网络是隐含层节点反馈的网络，j o r d a n 网络是输出节点 反馈的网络，这两种神经网络己被应用于动态非线性系统的辨识及控制【2 1 】1 2 2 】【2 3 】，二 者学习算法一般仍然使用b p 神经网络的梯度下降误差回馈原理。但这种算法一般收 敛比较慢，而且常常容易陷入局部极小点，需要探索新的快速学习算法。训练过程 中的鲁棒性、收敛性的理论分析等还有待于进一步的研究。日本学者h i r a s a w a 等提 出了一种新型的动态回归神经网络通用学习网络( u n i v e r s a ll e a r n i n gn e t w o r k ， u l n ) 1 2 4 j ，贾小勐利用通用学习网络对p h 中和过程进行辨识仿真，结果表明通用 学习网络辨识效果要好于其他方法，泛化能力强，能够有效的体现系统的动态特性、 非线性特性【硐。但是辨识模型不能随着对象变化进行相应的调整，通用学习网络的 在线学习还有待进一步研究。 对于大滞后系统而言，上述动态神经网络往往不能体现系统的大滞后特性，如 何使延迟时间在神经网络模型中得到体现，是大滞后系统辨识的关键，1 9 8 8 年，美 国伯克莱加利福尼亚大学的l 0 c h u a 教授结合h o p f i e l d 神经网络和n e u m a n 细胞自 3 河北科技大学硕士学位论文 动机，首创性地提出了具有实时信号并行处理功能的大规模非线性模拟电路细 胞神经网络( c m 娜旧。c n n 显示了神经网络和细胞自动机两者的优势，特别是高速 并行处理功能和连续时间的动力学性质。由于细胞神经网络是一种灵活而有效的神 经网络模型，在细胞神经网络中引入线性时滞模块和非线性时滞模块，得到了非线 性时滞细胞神经网络，使延迟时间在神经网络模型中得到体现，适用于非线性滞后 系统。 1 3 p h 中和过程控制方法的研究现状 虽然关于p h 值的控制并非一个新课题，但要取得良好效果也并非容易。众多的 国内外学者对p h 的控制问题进行了各种尝试和研究。目前，p h 中和过程的控制方 法主要包括传统的p i d 控制方法、智能控制方法等。 p i d 控制方法简单易实现，广泛的应用于控制领域。但是由于p h 中和反应过程 中，中和点附近的高增益使得常规的p i d 控制器参数调整非常困难，因为控制器只 能采用很小的比例增益，否则系统不稳定；而比例增益过小，又使系统的动态特性 变坏。一种改进的p i d 控制方法是增量式三区段非线性变增益p i d 控制，能够在一 定程度上克服中和反应中时滞和严重非线性对系统的影响，控制结果优于常规的p i d 控制器1 2 引，如何划分区段是这一方法的难点，划分不当依然难以实现有效控制。 随着智能控制技术的迅速发展，智能控制方法越来越多的应用于p h 值控制问 题。主要有以下几种方法： ( i ) 专家系统控制方法专家智能控制具有根据专家经验对现场情况分析判断 的能力，并在此基础上自行组织最佳控制策略，实现最优控制。马浩采用专家系统 方法对锅炉补水进行p h 值控制( 2 9 】，庞全则把专家智能控制技术应用于提炼烟碱的过 程1 3 0 1 ，周福章等也在p h 值控制中使用了专家系统【3 1 】，一般专家系统控制由三部分 组成：知识库、数据库、推理系统。因此建立专家智能控制系统，需要大量的系统 信息和相关的专业知识，包括有关中和特征、当量计算等与p h 值控制有关的基本化 学方程式、计算公式、曲线。系统信息库装载着废水中和系统的基本物理结构、参 数信息，如中和池容积、单位时间流量、加中和剂泵的扬程流量、中和剂性质等， 还有生产历史资料等，因此建立专家系统比较困难，过程繁琐。 ( 2 ) 模糊控制方法自从1 9 6 5 年美国加利福尼亚大学控制论专家z a d e h 提出模 糊数学以来，其理论和方法日臻完善，并且广泛的应用于自然科学和社会科学的各 个领域。把模糊逻辑应用于控制则始于1 9 7 2 年1 3 2 】。模糊控制的特点主要有两点：一 是能够将一些人类经验结合起来。二是通过成员函数，模糊逻辑可以表达非线性。 一些学者也将其应用于p h 值控制问题【3 3 枷】。可以通过模糊方法建立对象的模型用于 模型预报控制【8 ，3 3 1 。还可以把模糊方法与传统控制方法相结合起来进行控制【3 4 1 ，但 4 第1 章绪论 不管哪种形式，利用模糊技术都要进行模糊推理，建立模糊规则和分类方法，并且 需要一些经验知识，因此限制了该方法的应用。 ( 3 ) 神经网络方法人工神经网络技术源于对脑神经的模拟，具有很强的适应 于复杂环境和多目标控制要求的自学习能力，也具有以任意精度逼近任意非线性连 续函数的特性。这为解决控制系统的非线性和不确定性阀题提供了一条新的途径。 目前，人工神经网络技术己经渗透到了自动控制的各个领域，包括系统辨识、非线 性系统的控制、智能控制、优化计算及控制系统的故障诊断与容错控制等。 神经网络应用于自动控制系统，按它在系统中所起的作用来分有以下几种类型： 1 ) 在基于模型的各种控制系统中充当对象的模型；2 ) 充当控制器；3 ) 在控制中起优化 作用；4 ) 与其它控制方法相融合，为其提供非参数化对象模型、推理模型掣4 1 】【4 2 1 。 根据控制系统的结构，可把神经网络控制的研究分为几种主要方法，诸如监督式控 制、逆控制、神经自适应控制和预测控制等。 神经网络自适应控制将自适应控制与神经网络适当结合，充分发挥自适应控制 技术的优越性能，提高控制的鲁棒性、实时性、容错性以及对控制参数的自适应和 学习能力，更有效的实现对一些存在多种不确定性和难以确切描述的非线性复杂过 程的控制。神经网络自适应控制在非线性系统的控制中有着良好的应用前景。 1 4 细胞神经网络的提出与发展 细胞神经网络( c e l l u l a rn e u r a ln e t w o r k ，简记为c n n ) 是人工神经网络的分支，是 一种能实时、连续及并行运算的大规模信息处理系统，它是美国伯克莱加利福尼亚 大学的l o c h u a 教授在1 9 8 8 年提出来的一种局域连接、权可设计的人工神经网络， 它起源于h o p f i e l d 神经网络，细胞神经网络同h o p f i e l d 网络一样是反馈式人工神经 网络的- - $ 中1 4 3 1 。它不像h o p f i e l d 网络一样要求每个神经元与其它神经元完全连接， 因为在真实的生物神经网络里，并没有这种要求。在真实视觉初级加工的神经网络 中，每个神经细胞与其相近的神经细胞之间的连接较强，而远离该神经细胞的连接 权较弱。视觉处理就是利用这种连接权的方向进行方向检测、边缘提取等工作。细 胞神经网络就是以神经网络的这种连接方式为背景，来实现一种局部连接的，权可 设计的人工神经网络。细胞神经网络最初的设计就是用来替代h o p f i e l d 神经网络， 因为它要求全局连通性，网络布线将随着细胞阵列的增大而成幂指数增长，细胞神 经网络只要求局部连通性，容易硬件的超大规模集成，其计算速度至少是d s p 的1 0 0 0 倍。细胞神经网络的种种特性吸引了越来越多的研究者。由于在生物神经网络中存 在时滞现象，如细胞时滞、传输时滞、突触时滞等，而在人工神经网络中也存在信 号传递时滞。因此，r o s k a 和c h u a1 4 4 】在细胞神经网络中引入线性时滞模块和非线性 时滞模块，得到了非线性时滞细胞神经网络。h a r r e r 和n o s s e k1 4 5 】于1 9 9 2 年提出了 5 河北科技大学硕士学位论文 离散时间细胞神经网络。g u z e l i s 和c h u a1 4 6 1 在细胞神经网络中引入一般输出函数， 得到了广义的细胞神经网络模型。c h u at 4 7 】于1 9 9 7 年提出了无外部输入的自控细胞 神经网络模型，用来模拟和产生来自生物、化学、经济、工程、物理等领域的许多 图形和非线性波现象。d o g a r u 、c h u a 、h a n g g i l 4 8 j 为了使细胞神经网络具有更强的功 能和存储能力，把标准细胞神经网络中的三分段线性输出函数改为多分段线性输出 函数，得到了基于共振隧穿二极管的细胞神经网络模型( 简称r t d c n n 模型) 。此外， 还有高阶细胞神经网络模型f 4 9 】，时变细胞神经网络模型【5 0 ，5 1 1 ，以及模糊细胞神经网 络模型【5 2 】等。c n n 作为一种灵活而有效的神经网络模型，在图像处理、模式识别、 控制、保密通信、物理学等领域的应用得到很多学者的关注，以c n n 为理论基础的 模拟计算机也己诞生，c n n 己成为神经网络研究的新热点。 1 5 论文的主要内容 本文以石家庄维生药业污水处理p h 控制废液处理系统为工程背景，针对p h 中 和过程系统的非线性和纯滞后特点，对p h 值中和过程的辨识和控制系统的设计进行 了研究及仿真。本文的主要工作如下： 1 ) 分析了p h 中和过程建模和控制方法的研究现状，以及p h 中和过程的特性和 机理模型存在的缺陷； 2 ) 对细胞神经网络在p h 值中和控制领域中的应用进行了探索，提出了种新的 基于细胞神经网络的系统辨识方法，应用李雅普诺夫函数证明了此辨识方法的收敛 性，说明此辨识方法是可行的： 3 ) 应用提出的细胞神经网络辨识方法，设计p h 中和过程的辨识器，应用m a t l a b 对进行仿真研究，并将基于细胞神经网络的系统辨识方法与基于b p 神经网络的系统 辨识方法的辨识效果进行了对比； 4 ) 设计了基于细胞神经网络的p h 中和控制过程自适应控制方案，方案中应用细 胞神经网络辨识的结果，设计了自校正控制器，并应用m a t l a b 进行了仿真研究； 5 ) 设计了一套简单实用的p h 中和实验系统，并应用此实验系统对提出的基于神 经网络自适应控制方法进行了验证。 6 第2 章p h 中和过程特性分析与机理模型 第2 章p h 中和过程特性分析与机理模型 2 1 p h 中和过程特性分析 中和过程的p h 值控制成为众所周知的控制难题，主要是因为过程的动力学特性 变化太大。“瓶颈在于p h 值和浓度之间的静态非线性，这种非线性取决于溶液中 的物质和它们的浓度。 p h 的概念是1 9 0 9 年丹麦科学家索伦森提出的 5 3 】。p h 值是溶液的酸度标度单位， 更精确的说，是溶液中氢离子活性的一种量度，所以p h 值是表征各种溶液酸碱度的 一个重要参数。在对数坐标系中，p h 值定义为以每升离子数表示的氢离子浓度的负 对数： p ht i l t - l o g h + 】 ( 2 - 1 ) 式中，h + 代表氢离子浓度。 水分子按如下化学式解离： h 2 0 营h + + o h 一 ( 2 - 2 ) 在化学平衡下，氢离子h + 的浓度和氢氧离子o h 的浓度由下式确定： 【坚：! 【q 豳。c 伽盯 ( 2 - 3 、 【h 2 0 】 水是一种弱解离的分子，水中仅有一小部分水分子解离为离子。因此，水的活 性实际为1 。 所以有 【h + 】 o h _ 】= k w ( 2 4 ) 式中，k ，是平衡常数。 纯水解离为浓度相等的氢离子和氢氧根离子，在2 5 时，水的解离平衡常数是： k 。一【h + 】【o h 一】= 1 0 。1 4 ( 2 - 5 ) 由式( 2 5 ) 能确定任意一个已知的p h 值的水溶液的氢氧根浓度： 【o h 卜1 0 川。1 4( 2 - 6 ) 由此可见，水的中和点是在氢和氢氧根离子的浓度相等，即p h 值为7 的地方。 强酸和强碱是完全解离的，也就是它们所有的氢和氢氧根都以离子的形式出现 在溶液中，假定以浓度分别为吒和x b 的盐酸和氢氧化钠加入水中，所得的溶液在电 荷上一定是平衡的： 【h + 】+ 【n a + 】一【c 1 一】+ 【o h 一】 ( 2 - 7 ) 由式( 2 - 1 ) 和式( 2 6 ) ，可把氢氧根离子浓度与氢离子浓度联系起来，即： 7 河北科技大学硕士学位论文 解出得： x = 一= 1 0 一弘一1 0 p h - 1 4 【h + 】_ 豚+ ( 2 - 8 ) ( 2 9 ) o h 小跖一( z - a o ) 进而导出： 灿m ) = - l o g ( 厩瓦+ 必) ( 2 - 1 1 ) 式( 2 1 1 ) 给出了中和反应中浓度与p h 值之间的对应关系。函数厂的曲线成为中和曲 线，如图2 - 1 所示，横坐标是浓度差x a x b ，也可用试剂量重新刻度。 1 6 1 4 1 2 1 0 p h 8 6 4 2 o 2 厂 1 0 8 0 6 0 4 0 2 00 20 40 6 0 81 x ( t o o l l 。1 、 进一步分析滴定曲线的变化情况，求出函数f 的导数表达式为： 州。丽l g e 可见，这个导数在p h 值为7 时达到最大值，即，t2 2 x 1 0 6 。对于较大和较小 的p h 值，厂7 将急剧的下降。如当p h 值为4 和1 0 时，厂；4 3 x 1 0 3 ，增益变化达几 个数量级。 弱酸碱对的中和反应情况较强酸碱对中和反应要复杂。图2 - 2 中对醋酸中和曲线 与盐酸中和曲线进行了比较。对醋酸来说，缓冲点出现在p h 值为4 7 5 处，该处酸 第2 章p h 中和过程特性分析与机理模型 性的变化对p h 的影响最小，这是过程的一种固有的控制特性，它使p h 控制更为容 易。许多溶液是弱酸和弱碱的混合物，它们的特点是p h 曲线无高增益区，但是对于 中和过程模型的建立难度更大。 综上，中和反应特性呈非线性，当p h 值较大和较小时，曲线较为平缓，当p h 为6 - 9 时，存在很强的非线性，即所谓的“两头平，中间陡”。 1 4 1 2 1 0 8 p h 6 4 2 0 ， l 乡 歹 厶 | 、 弘 0 n a o h 克分子数酸克分子数 曲线：lc h 3 c 0 0 h 和c h 3 c o o n a2 c h 3 c o o h 3 h c l4 h 2 s 0 4 图2 2 弱酸碱中利曲线 f i g 2 2 c u r v eb e t w e e nw e a ka c i d b a s en e u t r a l i z a t i o n 因此p h 值的控制，被认为是一个典型的非线性严重的控制系统，由于变增益的 存在，用一般常规的调节方法将得不到稳定的调节回路l ”】。在强酸、强碱的p h 值控 制系统中，有时还要加入缓冲溶液以降低p h 值控制过程在中和点附近的灵敏度。另 外，被中和溶液中通常还含有一定浓度的弱酸或弱碱，上述物质的存在通常会使滴 定曲线的拐点数目增加，曲线变得相当复杂，从而增加控制难度。 p h 值控制过程中由于混和、测量等环节存在着纯滞后，使得被调量不能及时的 反映系统所承受的扰动，即使测量信号到达调节器，调节机构接受调节信号后立即 动作，也需要经过纯滞后时间以后，才涉及被调量，使之受到控制【5 5 】。因此，这样 的过程必然产生较明显的超调量和较长的调节时间。纯滞后的存在，也使得p h 过程 较难控制。针对维生药业污水处理p h 控制废液处理系统的要求，又使得控制问题在 几方面复杂化了： 1 ) 入口和出口流量的变化不稳定，废液的浓度可以变化很大，给控制系统造成很 大的扰动； 2 ) 废液中所含的酸碱的成分是比较复杂的，特别是在p h 为7 附近时强酸、强碱 9 河北科技大学硕士学位论文 或弱酸、弱碱共存时更难控制； 3 ) 由于容器的混和与仪器在实际测量、传输、控制过程中将引入的时延、噪声、 不精确，都会影响实际控制的效果1 5 引。 2 2 p h 中和过程的机理模型 从最广泛的意义上说，数学模型是事物行为规律的数学描述。用机理法建模就 是根据过程中实际发生的变化机理，写出各种有关的平衡方程，如物质平衡方程、 能量平衡方程等，从中获得所需的数学模型。 建立过程模型时，首先考虑中和反应过程动力学特性，建立一个静态非线性滴 定曲线模型，描述p h 与浓度的函数关系；其次，建立动态模型描述混合动力学特性； 最后用一个线性动态模型和一个静态非线性滴定曲线模型来模拟整个p h 值控制系 统中和反应过程。式( 2 9 ) 给出了化学反应部分浓度与p h 值之间的函数关系，下面主 要考虑除化学反应外系统剩余部分的情况。 为建立过程数学模型，将中和池内的中和反应过程控制模型，简化为图2 3 所示 的简易等效控制模型，连续搅拌反应釜( c s t r ) ，并假设：反应物完全混和、反应瞬 时完成、所有离子完全电离、忽略热效应及体积变化。 则中和过程机理模型可以由以下三个方程组成f 5 7 】： d h ；q 1 + q 2 + q 3 - q 4 - p x h - h o l d 幢= q l ( 墨- s ) + q 2 ( s 2 一s ) + q 3 ( s 3 - s ) 灿山g t 。( 平) ( 2 - 1 3 ) ( 2 1 4 ) f 2 1 5 ) 第2 章p h 中和过程特性分析与机理模型 其中，h 是反应池液位，h 。是反应池液体流出液位；d 是反应池面积；p 表示 固定常数：q ，、q ：、日。分别是酸液、缓冲液、碱液的流量；s 表示氢离子浓度与氢 氧根离子浓度之差，s ，、s ，、s ，分别表示酸液、缓冲液、碱液的氢离子浓度与氢氧 根离子浓度之差；k 。表示水的解离常数。 由于p h 的测量存在传输时延f ，所以： p h 。一p h ( t r ) ( 2 1 6 ) 综上可知，中和过程的机理模型建立在较多的假设条件之上，在实际工程中不 能作为控制算法设计的依据，只能作为参考。所以有必要寻求其它非线性模型，它 不但能够几乎完全反映机理模型的非线性特征，而且具有较强的容错性、在线学习 和自适应能力。 2 3 本章小结 本章从p h 值的定义出发，通过强酸碱中和曲线和弱酸碱中和曲线的特点，总结 出p h 中和过程的特性：存在严重的非线性，即“两头平，中间陡”，当污水成分复 杂时，中和过程的非线性更加明显，这成为p h 控制中的难点。同时由于混合、测量 等环节存在纯滞后，也加大了p h 值控制的难度。文章第二节介绍了中和过程的机理 模型，由于机理模型建立在较多的假设条件之上，在实际工程中不能作为控制算法 设计的依据，只能作为参考，有必要寻求其它具有较强的容错性、在线学习和自适 应能力的非线性模型。 1 1 河北科技大学硕士学位论文 第3 章 基于细胞神经网络的p h 中和过程系统辨识 3 1 基于神经网络的系统辨识原理 3 1 1 神经网络结构原理 图3 - 1 为神经元的数学模型。它是一个多输入单输出的信息处理单元，且对于信 息的处理是非线形的【5 8 】。 图3 - 1 神经元的数学模型 f i g 3 1 m a t h e m a t i c a lm o d e lo fn c u l o n 图3 1 中，五，石：，x n 为神经元输入，m ，为神经元对鼍，x 2 ， ，的权值系数，有时也称为突触权重值。q 为神经元阈值，厂 ) 是激发函数， 只为神经元输出。神经元的数学描述为： - 三l - p z ：心蕾一q ( 3 1 ) 智 厂 ) 可以为线性函数、域值函数、s 形逻辑函数、双曲正切函数等。学习规则 是修正神经元之间联结强度或加权系数的算法，使获得的知识结构适应周围环境的 变化，在学习过程中，执行学习规则，修正加权系数。 神经网络就是由单个或多层单个神经元按照一定的规则联结而成的，具有单向 传播或者有反馈的运算单元网络，根据一定的学习规则来修正神经网络各层参数， 最终目的是使得某个变量的输出值与其期望的值差值缩小到一定程度。通常目标值 取指标参数的二范数l | y 。一y 。i f 2 。 人工神经网络由于吸取了生物神经网络的部分优点，因而具有以下特点： ( 1 )适应功能它主要是根据所提供的数据，通过学习和训练，找出输入和输 出之间的内在联系，从而求得问题的解答，而不是依靠对问题的先验知识和规则， 因而它具有很好的适应性。 ( 2 )泛化功能它能够处理那些未经训练过的数据，而获得相应于这些数据的 合理解答。同样，它能够处理那些有噪声或不完全的数据，从而显示了很好的容错 1 2 第3 章基于细胞神经网络的p h 中和过程系统辨识 能力。对于许多实际问题来说，泛化能力是非常有用的，因为现实世界所获得的数 据常常受到噪声的污染或残缺不全。 ( 3 ) 非线性映射功能f 5 9 】现实的问题常常是非常复杂的，各个因数之间互相影 响，呈现出复杂的非线性关系，神经元网络为处理这些问题提供了有用的工具。 ( 4 )高度并行处理功能神经网络是由许多小的处理单元互相连接而成，每个 单元的功能简单，但大量简单的处理单元集体地、并行地活动得到预期的识别、计 算的结果，具有较快的并行处理。因此用硬件实现的神经网络的处理速度可远远高 于通常计算机的处理速度。 3 1 2 神经网络系统辨识的原理 基于神经网络的系统辨识f 印1 ，就是选择适当的神经网络作为被辨识系统p ( 尸可 是线性系统，也可是非线性系统) 的模型户、逆模型户。1 ( 假定p 是可逆的) ，也就是 用神经网络来逼近实际系统或其逆。辨识过程是：当所选网络结构确定之后，在给 定的被辨识系统输入输出观测数据情况下，网络通过学习( 或称训练) 不断地调整权 系值，使得准则函数最优而得到的网络，即是被辨识系统的模型户或逆模型户一。本 节阐述动态系统辨识问题。 3 1 2 1 系统模型及逆模型的辨识 图3 2 中a 1 所示为系统p 的模型户的辨识原理结构，可进行离线辨识，也可做在 线辨识，图b ) 所示为被辨识系统p 的逆模型户。1 的辨识原理结构，可用于离线或在线 训练神经网络。图中，似) 是系统扰动，包括作用于系统上的干扰与量测噪声。 a ) 模型辨识结构b ) 逆模型辨识结构 a ) i d e n t i f i c a t i o ns t r u c t u r eo fm o d e lb ) i d e n t i f i c a t i o ns t r u c t u r eo fi n v e r s em o d e l 图3 2 神经网络辨识结构 f i g 3 - 2 i d e n t i f i c a t i o ns t r u c t u r eo fn e u r a ln e t w o r k 在线辨识是在系统实际运行中完成的，辨识过程要求具有实时性，即必须在一 1 3 河北科技大学硕士学位论文 个采样周期的时间间隔内产生一次模型参数估计的调整值。离线辨识是在取得系统 的输入输出数据并存储后再辨识，因此辨识过程与实际系统是分离的，无实时性要 求。 离线辨识能使网络在系统工作前预先完成学习( 或称训练) 过程，但因输入输出 训练集很难覆盖系统所有可能的工作范围，是难以适应系统在工作过程中的参数变 化，所