楊久紅，王小增

（嘉應(yīng)學(xué)院 電子信息工程學(xué)院，廣東 梅州 514015）

基于神經(jīng)網(wǎng)絡(luò)的混凝投藥控制研究與實(shí)現(xiàn)

楊久紅，王小增

（嘉應(yīng)學(xué)院 電子信息工程學(xué)院，廣東 梅州 514015）

作為水質(zhì)凈化重要環(huán)節(jié)的混凝投藥是一個(gè)非線性系統(tǒng)，目前還很難對(duì)其建立準(zhǔn)確的數(shù)學(xué)模型。該文提出了基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的解決方法，根據(jù)水源參數(shù)的具體特征提取特征值并建立相應(yīng)的神經(jīng)網(wǎng)絡(luò)，通過訓(xùn)練，網(wǎng)絡(luò)具有較強(qiáng)的適應(yīng)和學(xué)習(xí)功能，通過仿真和實(shí)驗(yàn)達(dá)到了很好的混凝投藥控制效果，使混凝投藥系統(tǒng)的控制邁向智能化。

改進(jìn)BP算法；神經(jīng)網(wǎng)絡(luò)；混凝投藥；水質(zhì)凈化

混凝過程是現(xiàn)代城市給水和工業(yè)廢水處理工藝中的關(guān)鍵環(huán)節(jié)之一，是國內(nèi)外水處理界研究的一個(gè)熱點(diǎn)課題。準(zhǔn)確控制投藥是取得良好混凝效果的首要前提，可以穩(wěn)定出廠水水質(zhì)，降低制水成本，減輕工人勞動(dòng)強(qiáng)度。該過程具有復(fù)雜性、時(shí)變性、非線性和大時(shí)滯等特點(diǎn)。目前采用的混凝投藥技術(shù)有模擬濾池（沉淀池）法、數(shù)學(xué)模型法、膠體電荷控制法、流動(dòng)電流法、透光率脈動(dòng)法。這些方法能部分解決投藥問題，但都存在一定缺陷，且適應(yīng)性差。因此，研究和開發(fā)一種性能優(yōu)良、適應(yīng)性好的混凝投藥控制技術(shù)，具有重要的理論和現(xiàn)實(shí)意義［1－2］。

近年來，隨著微型計(jì)算機(jī)、儀器儀表、自動(dòng)控制和人工智能技術(shù)的發(fā)展，混凝投藥的智能復(fù)合控制技術(shù)得到了很快發(fā)展。它有效克服了傳統(tǒng)控制方法中過程復(fù)雜、結(jié)果不準(zhǔn)確、對(duì)變化及干擾適應(yīng)和抑制能力差等缺點(diǎn)。

1 水處理流程

給水廠常規(guī)處理工藝流程如圖1所示。

原水加入混凝劑后進(jìn)入反應(yīng)池，混凝劑與水中的懸浮顆粒進(jìn)行化學(xué)反應(yīng)，形成具有良好沉淀性能的絮凝體，在沉淀池充分沉淀后得到較潔凈的水進(jìn)入濾池過濾，濾后水經(jīng)殺菌消毒后通過送水泵房送水出廠。其中凝聚、絮凝是主要環(huán)節(jié)，直接關(guān)系到出水的水質(zhì)，而在這一過程中混凝劑的投放量又是一個(gè)關(guān)鍵因素，能夠根據(jù)原水水質(zhì)參數(shù)的變化不斷改變投放量，以滿足出水水質(zhì)的要求［3－4］。

2 混凝投藥控制神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

2.1 人工神經(jīng)網(wǎng)絡(luò)的一般設(shè)計(jì)步驟

（1）特征向量的提取及歸一化。

（2）網(wǎng)絡(luò)的結(jié)構(gòu)與參數(shù)的設(shè)計(jì)，包括輸入輸出節(jié)點(diǎn)數(shù)、層數(shù)、每層的激活函數(shù)、隱層節(jié)點(diǎn)數(shù)、初始值的選取、學(xué)習(xí)速率的確定，訓(xùn)練算法的選定或改進(jìn)。其中網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練算法尤為關(guān)鍵。

（3）網(wǎng)絡(luò)訓(xùn)練及測試［6－8］。

2.2 水源參數(shù)特征的提取及歸一化

混凝劑的投加量除取決于原水流量和濁度外，還受水溫、pH值、水中雜質(zhì)的成分、性質(zhì)等因素的影響。分析得出：水源的污濁度（TUB1）、水的pH值、已沉淀水的污濁度（TUB2）、水溫（TE）、水中的堿值（AL）等幾個(gè)主要原水參數(shù)將影響混凝劑的投量和混凝效果［5，9］。選取的訓(xùn)練樣本如表1，期望輸出如表2。

表1 訓(xùn)練樣本

由于傳遞函數(shù)S型函數(shù)的輸入范圍要求在［0，1］之間，因此，對(duì)樣本數(shù)據(jù)和期望輸出進(jìn)行歸一化，得到表3，4。歸一化公式為：

式中 X，Y為歸一化前后的數(shù)據(jù)；Min和Max為每列數(shù)據(jù)的最小和最大值。

表2 期望輸出

表3 歸一化后的訓(xùn)練樣本

2.3 混凝投藥神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)

找出影響混凝效果的主要因素之后確定采取3層網(wǎng)絡(luò)結(jié)構(gòu)，如圖2所示，輸入層節(jié)點(diǎn)數(shù)為5個(gè)，分別為TUB1、pH、TUB2、TE、AL；輸出層節(jié)點(diǎn)數(shù)為1個(gè)，即混凝劑的投放量；隱層節(jié)點(diǎn)數(shù)為8個(gè)。

表4 歸一化后的期望輸出

2.4 混凝投藥神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

2.4.1 訓(xùn)練算法

（1）初始化權(quán)及閾值為一個(gè)小的隨機(jī)數(shù)。

（2）把表1的訓(xùn)練樣本作為輸入向量，表2的期望輸出作為輸出向量。

（3）從第一隱層開始，逐層計(jì)算實(shí)際輸出。

（4）計(jì)算實(shí)際輸出與期望輸出的誤差，按式（2）調(diào)整各層權(quán)值。

式中 grad（k）為第k次迭代的梯度；Δw（k）為權(quán)值或閾值第k次迭代的幅度修正值，其初始值Δw（0）是用戶設(shè)置的；kinc為增量因子，由用戶設(shè)置，本網(wǎng)絡(luò)取1.15；kdec為減量因子，由用戶設(shè)置本網(wǎng)絡(luò)取0.2。

（5）重復(fù)步驟（3）～（5），經(jīng)過81次后收斂，誤差達(dá)到0.000099，滿足預(yù)定誤差0.0001的要求，結(jié)束。

2.4.2 訓(xùn)練曲線

網(wǎng)絡(luò)訓(xùn)練曲線如圖3所示，實(shí)際輸出表5與表4的期望輸出相符，訓(xùn)練效果很好。

表5 測試輸出

2.5 混凝投藥神經(jīng)網(wǎng)絡(luò)測試

用表6歸一化后的樣本對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測試，實(shí)際輸出為0.33546，經(jīng)換算后得到混凝劑投放量為1101，與實(shí)際投放量1100相差很小，誤差為0.09%。

表6 歸一化后的檢驗(yàn)樣本

3 結(jié)語

利用所建立的混凝劑投放量控制網(wǎng)絡(luò)可以在符合水質(zhì)要求的同時(shí)節(jié)約混凝劑，系統(tǒng)工作穩(wěn)定可靠，動(dòng)態(tài)性能好，尤其是對(duì)原水流量、濁度變化大的情況適應(yīng)性較強(qiáng)。同任何技術(shù)一樣，混凝投藥控制技術(shù)在不斷進(jìn)步。隨著人工智能和人工神經(jīng)網(wǎng)絡(luò)理論在各行各業(yè)的應(yīng)用，智能化和網(wǎng)絡(luò)化已成為混凝工藝的發(fā)展趨勢，同時(shí)也必將產(chǎn)生良好的社會(huì)效益和經(jīng)濟(jì)效益。

［1］李培軍，光儀，建鋒.混凝投藥控制技術(shù)的現(xiàn)狀及發(fā)展趨勢研究［J］.市政技術(shù)，2009，27（5）：504－505.

［2］蘇騰，陳中興，陸柱.混凝劑的研究應(yīng)用現(xiàn)狀與開發(fā)動(dòng)向（一）［J］.凈水技術(shù)，2000，18（3）：7－9.

［3］曾明如，江智軍，孫達(dá)志.給水廠混凝投藥實(shí)時(shí)控制專家系統(tǒng)研究［J］.給水排水，2004，30（5）：101－103.

［4］周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)［M］.北京：清華大學(xué)出版社，2007.

［5］邵軍力，張景，魏長華.人工智能基礎(chǔ)［M］.北京：電子工業(yè)出版社，2000.

［6］史步海，朱學(xué)峰.基于模糊神經(jīng)網(wǎng)絡(luò)的混凝沉淀投藥控制［J］.控制工程，2009，16（6）：723－724.

［7］江智軍，何小斌，楊曉鮮.自來水廠混凝投藥控制系統(tǒng)的設(shè)計(jì)及應(yīng)用［J］.計(jì)算機(jī)測量與控制，2006，14（4）：462－464.

［8］陳安，羅亞田.人工神經(jīng)網(wǎng)絡(luò)方法在環(huán)境科學(xué)領(lǐng)域應(yīng)用進(jìn)展［J］.重慶環(huán)境科學(xué)，2003，25（9）：65－67.

［9］郭曉磊，楊靜.人工神經(jīng)網(wǎng)絡(luò)在污水處理中的應(yīng)用［J］.廣東化工，2008，35（8）：85－87.

Study and Realization of Coagulant Dosing Control Based on Neural Network

YANG Jiu－h(huán)ong，WANG Xiao－zeng
（Department of Electronics and Information Engineering，Jiaying University，Meizhou 514015，China）

The Coagulant Dosing is a nonlinear system.It is very important in the process of water purification.It is difficult to establish a precise mathematical model.The paper puts forward a solution based on improved BP algorithm.According to the water source parameters，determines characteristic values and establishs neural network which is very excellent in learn speed and adaptability.The simulation and experiment of the coagulant dosing system show that the demand of control precision is satisfied.The paper put forward a improved BP algorithm which makes the coagulant dosing system control more intelligentize.

improved BP Algorithm； neural network； coagulant dosing； water purification

X52

A

1672-9900（2011）01-0014-02

2011－01－05

廣東省梅州市自然科學(xué)基金資助項(xiàng)目（2010KJA28）

楊久紅（1973－），女（滿族），遼寧北鎮(zhèn)人，副教授，主要從事BP神經(jīng)網(wǎng)絡(luò)的研究和應(yīng)用以及嵌入式系統(tǒng)設(shè)計(jì)工作，（Tel）15914928525。