神經(jīng)網(wǎng)絡用于污水生物脫氮過程控制的軟測量

1、神經(jīng)網(wǎng)絡用于污水生物脫氮過程控制的軟測量    摘要：許多控制參數(shù)不能實現(xiàn)在線檢測導致污水生物處理過程難以實現(xiàn)效果良好的自動控制。神經(jīng)網(wǎng)絡可以用于污水生物脫氮過程控制的軟測量。與EFOR模擬計算結果相比，軟傳感器“測得”的出水總凱氮的絕對誤差在±0.03mg/l之內(nèi)，相對誤差在±2.5之內(nèi)。 關鍵詞：神經(jīng)網(wǎng)絡 污水生物脫氮 自動控制 軟測量  由于排放標準對出水氮、磷濃度限制的提高，近年來提出了很多生物去除營養(yǎng)物（Biological Nutrient RemovalBNR）的工藝。與只包含去除有機物的傳統(tǒng)活性污泥工藝相比，

2、這些BNR工藝多數(shù)需要復雜的檢測和控制。因此，污水處理工藝的自動化越來越引起人們的注意。然而由于活性污泥工藝的生物學特性，許多控制參數(shù)不能實現(xiàn)在線檢測，并且現(xiàn)有的在線傳感器用于工藝自動化還不夠可靠。解決這一問題有兩種途徑1：開發(fā)用于檢測控制參數(shù)的新方法；開發(fā)基于從現(xiàn)有在線傳感器獲得的信息的軟傳感器。由于軟傳感器既可以替代硬件傳感器又可以與硬件傳感器一起應用起到校驗作用和避免冗余，近來很多研究者開始了這方面的研究12345。 神經(jīng)網(wǎng)絡（NN）是人工神經(jīng)網(wǎng)絡(Artificial Neural Networks，ANN)的簡稱，是90年代以來活躍工程領域并迅速發(fā)展的一門前沿科學，它的主要優(yōu)點是可以

3、充分逼近任意復雜的非線性關系【6】。近年來人工神經(jīng)網(wǎng)絡已成為數(shù)學建模領域的一個熱點，得到廣泛應用。用神經(jīng)網(wǎng)絡將難以實時檢測的參數(shù)與污水處理的一些易檢測過程參數(shù)聯(lián)系起來，建立其可靠的相關關系，從而間接實現(xiàn)對污水水質參數(shù)在線實時檢測的目的，這就是所謂的“軟測量”技術，其中的神經(jīng)網(wǎng)絡就是軟傳感器。污水處理廠生物脫氮的控制中，在線傳感器是控制系統(tǒng)的薄弱環(huán)節(jié)。能夠在線檢測的參數(shù)有：氨態(tài)氮(NH4+)、硝態(tài)氮 (NOx-)，但總凱氮（Total Kjeldahl NitrogenTKN）不能在線檢測，這使得脫氮工藝不能實現(xiàn)閉環(huán)控制。污水中的TKN濃度和其它水質參數(shù)之間存在一定的相關關系，用神經(jīng)網(wǎng)絡模擬這種

4、關系，根據(jù)可以精確在線檢測的參數(shù)和得到的它們與TKN之間的相關關系推出TKN的值，即可以實現(xiàn)TKN的在線檢測。以ASM系列模型(ASMs)為基礎的EFOR軟件是國際上最普遍使用的模擬污水生物處理的商業(yè)軟件。EFOR軟件的模擬輸入輸出數(shù)據(jù)可以用于訓練神經(jīng)網(wǎng)絡，用同一組進水數(shù)據(jù)同時作為EFOR軟件和訓練好的神經(jīng)網(wǎng)絡的輸入，比較其輸出，可以評價神經(jīng)網(wǎng)絡的“測量”效果。1 軟傳感器神經(jīng)網(wǎng)絡的構建與TKN濃度相關的可以精確在線檢測的水質參數(shù)包括：污水流量(Q)、總化學需氧量(CODt)、懸浮固體(SS)、氨態(tài)氮(NH4+)、硝態(tài)氮 (NOx-)、總堿度(TAL)、溶解氧(DO)。用這些參數(shù)作為輸入，TK

5、N作為輸出構建神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡類型：采用目前較為廣泛應用的以多層感知器為基礎的誤差反向傳播前饋神經(jīng)網(wǎng)絡BP神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡結構：理論上早已證明，具有偏差和至少一個S型隱含層加上一個線性輸出層的網(wǎng)絡能夠逼近任何有理函數(shù)，神經(jīng)網(wǎng)絡訓練誤差精度的提高應優(yōu)先通過增加隱含層中的神經(jīng)元數(shù)目來獲得【7】。因此，采用有偏差的2層BP神經(jīng)網(wǎng)絡（一個隱含層）。訓練函數(shù)：TRAINLM；自適應學習函數(shù)：LEARNGDM；隱含層傳遞函數(shù)：TANSIG；輸出層傳遞函數(shù)：PURELIN。輸入?yún)?shù)n=7，輸出參數(shù)m=1，取隱含層節(jié)點數(shù)n16。神經(jīng)網(wǎng)絡程序用MATLAB6.5編制。神經(jīng)網(wǎng)絡的結構如圖1示。圖中前面一層是輸

6、入層，此處輸入?yún)?shù)為7個，iw1,1表示輸入層到隱含層的權重矩陣，b1為加到隱含層每個節(jié)點上的閾值矩陣；中間一層為隱含層，隱含層節(jié)點數(shù)為6個，iw2,1表示隱含層到輸出層的權重矩陣，b2為加到輸出層每個節(jié)點上的閾值矩陣；最后一層為輸出層，此處輸出參數(shù)為1個。圖1  6個隱含層節(jié)點的BP神經(jīng)網(wǎng)絡結構2 神經(jīng)網(wǎng)絡的訓練選擇EFOR軟件中提供的基于ASM1的典型脫氮工藝用EFOR對污水生物脫氮工藝（流程如圖2示）進行模擬，得到一組（8×1199個）出水水質數(shù)據(jù)，其中包含Q、CODt、SS、NH4+、NOx-、TAL、DO、TKN，其取值如表1所示。圖2  基于ASM1的

7、典型污水生物脫氮工藝流程Inlet1進水；Outlet1出水；PS1初沉池；AS1曝氣池1；AS2曝氣池2；SS1污泥沉淀池；WS1初沉池剩余污泥排放；WS1二沉池剩余污泥排放；Pump1初沉池剩余污泥排放泵；Pump2內(nèi)回流泵；Pump3污泥回流泵；Pump4二沉池剩余污泥排放泵表1. 用于訓練神經(jīng)網(wǎng)絡的水質參數(shù)的取值 Q (m3/d)CODt (mg/l)SS (mg/l)NH4+ (mg/l)NOx-(mg/l)TAL (mg/l)DO (mg/l)TKN (mg/l)最大1622最小285平均用這組數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練，訓練的過程如圖3示。圖中橫坐標為神經(jīng)網(wǎng)絡訓練步數(shù)，縱坐

8、標為每步訓練得到的神經(jīng)網(wǎng)絡誤差，神經(jīng)網(wǎng)絡訓練的誤差指標為0，經(jīng)100步訓練后得到的神經(jīng)網(wǎng)絡誤差為2.18382×10-5。圖3   神經(jīng)網(wǎng)絡的訓練過程訓練得到的權重矩陣：iw1,1=0.0025874 -0.32124 -0.45552 3.4238 -0.84748 6.0491 0.49367; 0.0011911 -0.18044 0.075046 -22.2312 -0.21167 9.4625 1.7691; -0.00036045 -0.45894 0.19257 -7.6452 -0.21234 -0.90929 -1.1687; 0.0016727 -0.051073 -1.0667 6.9585 -0.54836 1.9055 -1.1866; 0.00021969 0.14555 -0.46177 8.1313 -0.85366 -12.0507 1.2702; -0.000306 -0.28936 -0.27846 8.3247 0.38333 -1.4188