饒小康，賈寶良，魯 立

(長江科學(xué)院 儀器及自動化研究所，武漢 430010)

基于人工神經(jīng)網(wǎng)絡(luò)算法的水廠混凝投藥控制系統(tǒng)研究與開發(fā)

饒小康，賈寶良，魯 立

(長江科學(xué)院 儀器及自動化研究所，武漢 430010)

針對自來水生產(chǎn)投藥工藝長滯后、非線性、多輸入因子、不確定性、時變性、模糊性等特點，采用人工神經(jīng)網(wǎng)絡(luò)算法對周圍環(huán)境自適應(yīng)和自學(xué)習(xí)，研究和開發(fā)了一套用于水廠混凝投藥的自動控制系統(tǒng)。系統(tǒng)以武漢市第一大水廠——宗關(guān)水廠為例，研究了Elman神經(jīng)網(wǎng)絡(luò)算法對控制系統(tǒng)混凝投藥效果的影響，并基于OLE-DB開放性數(shù)據(jù)訪問標準實現(xiàn)對WinCC工控系統(tǒng)樣本數(shù)據(jù)讀取和存儲的預(yù)處理。系統(tǒng)主要包括投藥工藝、數(shù)據(jù)查詢、曲線生成、配藥查詢、報警日志、報警統(tǒng)計、藥耗統(tǒng)計、波動評價、報警設(shè)置等功能模塊，在宗關(guān)水廠的成功運行實現(xiàn)了混凝投藥工藝生產(chǎn)運行參數(shù)的在線監(jiān)視和全自動化運行。為水廠的安全生產(chǎn)提供了保障，達到了節(jié)約藥耗、減少人工、降低操作人員勞動強度的目的。

Elman神經(jīng)網(wǎng)絡(luò)；自來水廠；混凝投藥；WinCC；控制系統(tǒng)

1 研究背景

自來水廠凈化工藝主要包括投藥和配藥2個部分，而混凝投藥是凈化工藝中最重要的處理工藝，它使水中的各種懸浮顆粒、雜質(zhì)以及致病微生物聚結(jié)和粘結(jié)，以便出廠水達到居民生活水質(zhì)要求。

混凝投藥作為自來水廠水處理工藝中的核心工藝，其混凝沉淀的效果直接影響著出廠水質(zhì)?；炷端幨且粋€復(fù)雜的物理化學(xué)反應(yīng)過程，具有非線性、多輸入因子(源水流量、源水濁度、溫度、pH值、藥濃度等)、不確定性、時變性、模糊性等特點，很難準確地建立反應(yīng)過程的數(shù)學(xué)模型，且目前國內(nèi)尚無有效的控制手段來解決精確投藥的問題。因此，有必要研究和開發(fā)一套具有自適應(yīng)、自學(xué)習(xí)能力的混凝投藥控制系統(tǒng)，加速我國自來水廠自動化的進程[1]。

以武漢市宗關(guān)水廠為研究對象，基于人工神經(jīng)網(wǎng)絡(luò)算法對其混凝投藥進行自動控制。武漢市宗關(guān)水廠位于硚口區(qū)宗關(guān)街水廠一路東側(cè)，占地面積18.4萬m2，取水于漢江，綜合生產(chǎn)能力達到105萬m3/d。供水范圍以長江、漢江為界，東至黃浦路，南至沿河大道，西抵建一路，北達姑嫂樹、張公堤一帶，供水面積約140 km2。系統(tǒng)自2014年10月開始運行至今，實現(xiàn)了混凝投藥自動控制且運行穩(wěn)定，能夠及時根據(jù)現(xiàn)場參數(shù)的變化調(diào)整投加量，控制效果優(yōu)于人工控制。

2 關(guān)鍵技術(shù)研究

2.1 人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)算法是由大量處理單元互聯(lián)組成的非線性、自適應(yīng)的信息處理系統(tǒng)，其適應(yīng)性是通過自學(xué)習(xí)實現(xiàn)，根據(jù)環(huán)境的變化對權(quán)值進行調(diào)整、改善系統(tǒng)的行為。針對自來水生產(chǎn)的投藥工藝長滯后、非線性、多輸入因子、不確定性、時變性、模糊性等特點，系統(tǒng)采用人工神經(jīng)網(wǎng)絡(luò)算法對周圍環(huán)境自適應(yīng)、自學(xué)習(xí)，通過對樣本數(shù)據(jù)進行訓(xùn)練學(xué)習(xí)，進行參數(shù)自適應(yīng)調(diào)整和學(xué)習(xí)結(jié)果的權(quán)值調(diào)整。

2.1.1 Elman神經(jīng)網(wǎng)絡(luò)模型

Elman神經(jīng)網(wǎng)絡(luò)是Elman于1990年首先針對語音處理問題提出來的，是一種典型的動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)[2]。該網(wǎng)絡(luò)除了常規(guī)神經(jīng)網(wǎng)絡(luò)中的輸入層、隱含層和輸出層外，還提出了一個特定的承接層。在Elman神經(jīng)網(wǎng)絡(luò)的模型中，輸入層單元進行信號的傳輸，輸出層單元進行線性加權(quán)輸出，隱含層單元實現(xiàn)信號的映射變換，其傳遞函數(shù)可采用線性或非線性函數(shù)，承接層又稱上下文層，是Elman神經(jīng)網(wǎng)絡(luò)的核心，可用來記憶隱含層單元前一時刻的輸出值，并反饋給網(wǎng)絡(luò)的輸入，本質(zhì)上來說是一個延時算子，它使得Elman神經(jīng)網(wǎng)絡(luò)特別適合于反映動態(tài)過程和預(yù)測控制。結(jié)構(gòu)為r-n-m的Elman神經(jīng)網(wǎng)絡(luò)模型如圖1所示。

圖1 Elman神經(jīng)網(wǎng)絡(luò)模型Fig.1 Model of Elman neural network

2.1.2Elman神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法

圖1中Elman神經(jīng)網(wǎng)絡(luò)的輸入為u，隱含層和承接層的輸出分別為x和xc，輸出為y。神經(jīng)網(wǎng)絡(luò)的權(quán)值W1，W2，W3分別為n×n，n×r，m×n的矩陣。Elman神經(jīng)網(wǎng)絡(luò)相關(guān)的數(shù)學(xué)模型和訓(xùn)練公式為[3]：

(1)

(2)

(3)

為了對網(wǎng)絡(luò)進行訓(xùn)練，定義神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)為

(4)

其中yd(k)為神經(jīng)網(wǎng)絡(luò)的第k個期望輸出，根據(jù)梯度下降法，則權(quán)值的調(diào)整公式為：

(5)

(6)

(7)

式中:ω為權(quán)值調(diào)整量；δ為權(quán)值修正系數(shù)；η1，η2，η3分別為權(quán)值W1，W2，W3的學(xué)習(xí)速率。式中其他參數(shù)的計算為：

(8)

(9)

(10)

式中:d為期望輸出；f′(·)為傳遞函數(shù)一階導(dǎo)數(shù)；由式(5)、式(6)、式(7)即可實現(xiàn)Elman網(wǎng)絡(luò)權(quán)值的調(diào)整，完成Elman神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)。

圖2 Elman混凝投藥 預(yù)測模型Fig.2 Model of coagulation dosage prediction

2.1.3 混凝投藥Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型

系統(tǒng)混凝投藥Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型主要包括：混凝投藥樣本數(shù)據(jù)獲??；樣本數(shù)據(jù)預(yù)處理；初始化網(wǎng)絡(luò)權(quán)值，輸入樣本值；計算輸入層、隱含層、輸出層和承接層數(shù)值；計算誤差函數(shù)；更新權(quán)值；判斷是否滿足設(shè)定的精度或訓(xùn)練次數(shù)；利用訓(xùn)練好的模型進行實際投藥量預(yù)測。預(yù)測模型流程如圖2所示。

系統(tǒng)自2014年10月起于武漢市宗關(guān)水廠七期投藥間開始自動運行，針對水廠運行數(shù)據(jù)進行自學(xué)習(xí)，輸入量包括源水流量(sourceQ)、源水濁度(sourceNTU)、溫度(sourceT)、濾前水濁度(NTU)和藥流量(realFlow)，共包含2 800組數(shù)據(jù)，構(gòu)成樣本庫以預(yù)測控制量；輸出量為投藥量(Flow)，當相對誤差平方和均值E達到預(yù)先設(shè)定誤差時停止網(wǎng)絡(luò)訓(xùn)練，此時網(wǎng)絡(luò)模型就是所需的投藥神經(jīng)網(wǎng)絡(luò)模型。

2.2 樣本數(shù)據(jù)預(yù)處理

由于宗關(guān)水廠新老設(shè)備分別在不同時期建設(shè)，設(shè)備狀況和自動化水平存在差異，新老設(shè)備、監(jiān)控系統(tǒng)來自不同的廠家，采用的通訊協(xié)議各不相同，使得上位機控制系統(tǒng)與各設(shè)備之間通訊困難。為便于混凝投藥控制系統(tǒng)的運行與管理，系統(tǒng)采用OLE-DB開放性數(shù)據(jù)訪問標準與WinCC工業(yè)控制平臺通訊進行控制系統(tǒng)樣本數(shù)據(jù)的存儲和讀取。

針對影響混凝投藥效果主要因素的源水流量、源水濁度、溫度、濾前水濁度和藥流量，系統(tǒng)采用限幅濾波加滑動平均濾波的復(fù)合算法進行數(shù)字濾波預(yù)處理，此方法既去除突發(fā)尖脈沖非正常干擾信號，又濾去一定限幅的隨機噪聲信號，使數(shù)據(jù)樣本變得更加真實，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練更為準確有效。

限幅濾波算法為

(11)

式中：Yn為第n次采樣的濾波器的輸出；Xn為第n次采樣值；Xn-1為第n-1次采樣值；ΔX為采樣允許的最大偏差值。

滑動平均濾波算法為

(12)

式中N為滑動濾波長度。

將式(11)、式(12)相結(jié)合得到的復(fù)合算法對于非正常的干擾突發(fā)尖峰脈沖信號以及超過隨機噪聲幅值的脈沖信號都具有很好的濾波效果。

3 系統(tǒng)的設(shè)計與實現(xiàn)

3.1 系統(tǒng)開發(fā)環(huán)境

系統(tǒng)采用面向?qū)ο蟮脑O(shè)計思想，充分考慮系統(tǒng)的兼容性、靈活性、可擴展性和安全性，基于.NET開發(fā)環(huán)境和WinCC工業(yè)控制平臺進行開發(fā)。系統(tǒng)采用.NET進行上位機應(yīng)用程序的開發(fā)，并在WinCC平臺上二次開發(fā)進行數(shù)據(jù)存儲和讀取。

WinCC是西門子公司與微軟共同開發(fā)的一款優(yōu)秀的人機界面軟件，廣泛用于工業(yè)自動化系統(tǒng)中與PLC等基礎(chǔ)自動化設(shè)備連接，提供操作員對自動化系統(tǒng)的監(jiān)視、操作、報警、報表等人機對話功能。它是第一個使用32位技術(shù)的過程監(jiān)視系統(tǒng)，具有良好的開放性和靈活性，可基于WEB持續(xù)延展，采用開放性標準，集成簡便；可用選件和附加件進行擴展，適用于所有工業(yè)和技術(shù)領(lǐng)域的解決方案。WinCC通過建立通訊變量能與投藥、配藥PLC進行數(shù)據(jù)通訊，讀取PLC內(nèi)存地址中的數(shù)值，將過程數(shù)據(jù)通過接口程序存儲至服務(wù)器數(shù)據(jù)庫，實現(xiàn)數(shù)據(jù)的采集和處理。

3.2 系統(tǒng)總體設(shè)計與功能實現(xiàn)

系統(tǒng)在邏輯架構(gòu)上包括采集控制層、通信層、業(yè)務(wù)層、應(yīng)用層。采集控制層包括數(shù)據(jù)庫采集模塊和數(shù)據(jù)處理模塊；通信層包括工業(yè)以太網(wǎng)通信模塊；業(yè)務(wù)層包括投藥工藝、數(shù)據(jù)查詢、曲線生成、配藥查詢、報警日志、報警統(tǒng)計、藥耗統(tǒng)計、波動評價、報警設(shè)置等功能模塊；應(yīng)用層包括遠程監(jiān)控模塊。系統(tǒng)在物理架構(gòu)上包括PLC、交換機、工作站/服務(wù)器、客戶機，總體架構(gòu)如圖3所示[4]。

圖3 系統(tǒng)總體架構(gòu)Fig.3 Overall architecture of the system

4 系統(tǒng)運行結(jié)果分析

以武漢市宗關(guān)水廠為研究對象，進行基于神經(jīng)網(wǎng)絡(luò)算法的混凝投藥自動控制。武漢市宗關(guān)水廠為武漢市第一大水廠，規(guī)模大、投藥系統(tǒng)復(fù)雜、工作量大、且工藝改造難度高，水廠七期投藥間擁有6個投藥點，包括1個總投藥點和5個分支投藥點，配藥系統(tǒng)服務(wù)于全廠投藥系統(tǒng)。宗關(guān)七期投藥系統(tǒng)的研究和開發(fā)既有其特殊性也有其普遍性，投藥系統(tǒng)的成功運行可為其他自來水廠的自動投藥起到重要的示范作用。

系統(tǒng)運行于投藥間中控室內(nèi)工控機上，通過工業(yè)以太網(wǎng)連接投藥PLC、配藥PLC控制柜和WinCC服務(wù)器，實現(xiàn)投藥間1#—5#沉淀池和13#沉淀池濾前水投藥以及2個溶藥池配藥的自動控制。

4.1 系統(tǒng)仿真前后效果比較

系統(tǒng)利用人工神經(jīng)網(wǎng)絡(luò)算法對宗關(guān)水廠七期投藥間1#—5#沉淀池和13#沉淀池濾前水進行自動投藥控制。針對2015年4月份水廠運行數(shù)據(jù)進行訓(xùn)練學(xué)習(xí)，輸入量包括源水流量、源水濁度、溫度、濾前水濁度和藥流量，構(gòu)成樣本庫以預(yù)測控制量。系統(tǒng)經(jīng)過1 000次迭代學(xué)習(xí)，誤差輸出≤0.01，采樣頻率每1 min取一次平均值[3]，Elman神經(jīng)網(wǎng)絡(luò)隱含層傳遞函數(shù)采用Tansig函數(shù)，訓(xùn)練函數(shù)采用自適應(yīng)梯度遞減訓(xùn)練函數(shù)(Traingdx)。自學(xué)習(xí)后訓(xùn)練誤差曲線如圖4所示，即達到期望誤差精度0.01，神經(jīng)網(wǎng)絡(luò)需訓(xùn)練150步才能達到收斂的效果。

圖4 人工神經(jīng)網(wǎng)絡(luò)樣本誤差 輸出曲線(迭代次數(shù)-誤差)Fig.4 Curve of forecast error of artificial neural network sample

經(jīng)過自學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)算法計算輸出的投藥量預(yù)測值與人工投藥實際值對比如圖5所示。紅色曲線為神經(jīng)網(wǎng)絡(luò)算法的投藥量預(yù)測值曲線，藍色曲線為人工投藥量實際值曲線，二者變化趨勢相同，預(yù)測值較實際值減少了很多突變值，控制更為準確，能夠根據(jù)各輸入量參數(shù)的實時變化對投藥量進行更為精確的調(diào)整，以達到更高的控制精度。

圖6 投藥控制系統(tǒng)工藝流程界面Fig.6 Interface of the process of coagulation dosage control

圖5 人工神經(jīng)網(wǎng)絡(luò)預(yù)測值與實際人工投藥實際值的比較Fig.5 Comparison of coagulant dosage between artificial neural network prediction and actual operation

系統(tǒng)運行大半年以來，自動控制穩(wěn)定，能及時根據(jù)現(xiàn)場參數(shù)的變化調(diào)整投加量，自動控制效果優(yōu)于人工控制；與此同時，通過藥耗統(tǒng)計得知較去年同期條件下，每千噸水平均藥耗量從15 kg降至10 kg以內(nèi)。

4.2 系統(tǒng)主要功能模塊展示

水廠混凝投藥控制系統(tǒng)主要包括投藥工藝、數(shù)據(jù)查詢、曲線生成、配藥查詢、報警日志、報警統(tǒng)計、藥耗統(tǒng)計、波動評價、報警設(shè)置等功能模塊[5]。

4.2.1 投藥工藝

投藥工藝界面為系統(tǒng)初始化運行的主界面，一天24 h不間斷運行，實時調(diào)用人工神經(jīng)網(wǎng)絡(luò)算法計算投藥、配藥反饋值參數(shù)，顯示各PLC控制柜的開關(guān)和啟停運行狀態(tài)，與用戶進行交互，下達各類參數(shù)和指令，遠程控制PLC控制柜，實現(xiàn)自動控制和遠程控制，如圖6所示。

4.2.2 數(shù)據(jù)查詢與曲線生成

數(shù)據(jù)查詢包括七期投藥間1#—5#，13#沉淀池的投藥量、實時流量、濾前水濁度、源水流量、計量泵頻率和行程等參數(shù)，用戶可自定義選擇需要查看或?qū)Ρ鹊膮?shù)，直觀、快捷地反映出投藥量等參數(shù)的歷時變化情況，分析自動投藥的投加效果，為投藥自動控制工藝的改進提供技術(shù)指標，如圖7所示。

圖7 投藥控制系統(tǒng)曲線界面Fig.7 Interface of curves in coagulation dosage control system

4.2.3 配藥工藝

系統(tǒng)自動配藥系統(tǒng)已逐步取代之前的人工配藥操作并形成自動配藥參數(shù)記錄，實現(xiàn)了夜間自動配藥控制且控制精確，大大減少了現(xiàn)場工作人員的勞動強度，實現(xiàn)了無人值守。

4.2.4 報警日志和統(tǒng)計

水廠混凝投藥控制工藝關(guān)乎水廠的安全生產(chǎn)，系統(tǒng)一天24 h不間斷地運行要求記錄現(xiàn)場各類操作和參數(shù)的異常變化情況，故系統(tǒng)報警日志的記錄和追蹤顯得尤為重要。系統(tǒng)針對投藥、配藥工藝制定了100多條報警信息，包括現(xiàn)場PLC控制柜各類實時參數(shù)報警、神經(jīng)網(wǎng)絡(luò)算法投藥量投加報警、投藥中斷報警、設(shè)備操作故障報警以及通訊故障報警等等，如圖8所示。

圖8 投藥控制系統(tǒng)報警設(shè)置界面Fig.8 Interface of alarm settings of coagulation dosage control system

4.2.5 藥耗統(tǒng)計

系統(tǒng)按照年份、月份或時間段進行每個沉淀池累計投藥量(kg)統(tǒng)計，實時掌握管理者所關(guān)心的藥耗計量問題，能實時對藥耗量進行逐月統(tǒng)計。事實證明，基于人工神經(jīng)網(wǎng)絡(luò)算法的自動投藥系統(tǒng)在運行期內(nèi)降低了藥耗，達到了節(jié)能降耗的目的。

5 結(jié)論與展望

(1) 本系統(tǒng)針對水廠混凝投藥過程中反應(yīng)周期長、多因子干擾、非線性變化等技術(shù)難題，引入Elman神經(jīng)網(wǎng)絡(luò)算法對大量運行參數(shù)不斷自學(xué)習(xí)，調(diào)整各個參數(shù)對投藥效果的影響權(quán)重，實時跟進，將濾前水濁度自動控制在預(yù)設(shè)范圍內(nèi)；同時系統(tǒng)針對水廠新老設(shè)備通訊協(xié)議不一致性，基于OLE-DB開放性數(shù)據(jù)訪問標準實現(xiàn)對WinCC工控系統(tǒng)樣本數(shù)據(jù)存儲和讀取的預(yù)處理研究。系統(tǒng)在武漢市宗關(guān)水廠的成功運行實現(xiàn)了混凝投藥工藝的全自動化和生產(chǎn)運行參數(shù)的在線監(jiān)測，為水廠安全生產(chǎn)提供了保障，達到了節(jié)約藥耗、減少人工、降低操作人員勞動強度的目的。

(2) 本系統(tǒng)采用的人工神經(jīng)網(wǎng)絡(luò)算法對源水流量、濁度、溫度、濾前水濁度、藥流量多個參數(shù)進行了自學(xué)習(xí)，但混凝投藥是一個開放的大系統(tǒng)概念，除了能夠檢測的參數(shù)有限外，整個系統(tǒng)還受到江水污染、間隔排污、沖沙、暴雨、過濾池工況變化等多種未知因素的影響，故還需在當前算法的基礎(chǔ)上逐步加入其他影響參數(shù)，使其更加完善，以達到更好的控制效果。

(3) 系統(tǒng)是以武漢市宗關(guān)水廠七期投藥間自動投藥為例進行研究的，需要對6個沉淀池進行自學(xué)習(xí)運算，每次需要對幾十萬條水廠運行參數(shù)進行訓(xùn)練，無疑增加了系統(tǒng)軟硬件的負荷，一定程度上造成了自動控制時多通道間的相互干擾和影響，建議在條件允許的情況下，一套算法控制2個通道的自動投藥為宜。

[1] 漆為民，姬巧玲．基于神經(jīng)網(wǎng)絡(luò)和Delphi語言的水廠智能投礬系統(tǒng)設(shè)計[J]．計算機應(yīng)用與軟件，2010，27(6)：172-174.

[2] ELMAN J L．Finding Structure in Time[J] ．Cognitive Science，1990，14(2) ：179-211.

[3] 蔡利民，楊曉林．用人工神經(jīng)網(wǎng)絡(luò)方法設(shè)計與實現(xiàn)自來水投礬控制[J]. 江漢大學(xué)學(xué)報(自然科學(xué)版)，2008，36(9)：35-37.

[4] 李 喆，譚德寶，張 穗，等．水利工程建設(shè)項目管理系統(tǒng)的設(shè)計與開發(fā)[J]. 長江科學(xué)院院報，2014，31(1)：66-71.

[5] 汪朝輝，宋 麗，程學(xué)軍，等．基于ArcGIS Engine的烏東德水電站環(huán)境信息系統(tǒng)的設(shè)計與實現(xiàn)[J]. 長江科學(xué)院院報，2007，10(1)：38-43．

(編輯：陳 敏)

Research and Development of Coagulation Dosage Control System fora Waterworks Based on Artificial Neural Network

RAO Xiao-kang, JIA Bao-liang, LU Li

(Instrumentation and Automation Department, Yangtze River Scientific Research Institute,Wuhan 430010, China)

In view of the long lag, nonlinearity, multiple input factor, uncertainty, time-varying and fuzzy characteristics of the dosing process of tap water production, an automatic control system for coagulant dosage of waterworks is developed based on the self-adaption and self-learning of artificial neural network. Zongguan waterworks, the first largest waterworks in Wuhan, is taken as a case study. The influence of Elman neural network on dosage effect is researched, and the preprocessing and data storage and data reading for WinCC industrial control system are accomplished based on OLE-DB open data access standard. The system mainly consists of functional modules including dosing process, data query, curve generation, dosage query, alarm log and alarm statistics, drug consumption statistics, fluctuation assessment, and alarm settings. The system has been applied to Zongguan waterworks successfully. Online monitoring of operation parameters and full automation has been achieved, which provides safeguard for the plant’s safe production. The system also saved dosage consumption, and reduced labor intensity of operators.

Elman neural network; waterworks; coagulation dosage; WinCC; control system

2016-03-07；

2016-04-11

長江科學(xué)院技術(shù)開發(fā)和成果轉(zhuǎn)化基金項目(CKZS2014004/YQ)

饒小康(1985-)，男，湖北黃岡人，工程師，碩士，主要從事水利水電工程施工數(shù)字化研究，(電話)18140555722(電子信箱)283139246@qq.com。

10.11988/ckyyb.20160194

2017,34(5):135-140

TU991.6; TP183

A

1001-5485(2017)05-0135-06