基于RBF人工神经网络的生活污水处理软测量方法(1)

第22卷第3期2004年5月北京工商大学学报(自然科学版)Journal of Beijing Techno logy and Business U niversity (N atural Science Edition )V o l 122N o 13M ay 2004 文章编号:167121513(2004)0320036203基于RBF 人工神经网络的生活污水处理软测量方法祁国强1,　刘载文1,　崔莉凤2(11北京工商大学信息工程学院,北京　100037;21北京工商大学化学与环境工程学院,北京　100037)摘　要:为实现城市生活污水处理的在线控制,提出了基于RB F 人工神经网络的软测量方法Ζ运用大量实测数据对RB F 神经网络进行了训练和仿真Ζ结果表明,基于RB F 神经网络的软测量模型对污水处理指标BOD 的实时控制具有实用价值Ζ关键词:软测量;RB F 神经网络;污水处理中图分类号:T P 18 文献标识码:A 收稿日期:20031226基金项目:北京市优秀人才培养资助项目、北京市教委科技发展项目(编号K M 200310011040)作者简介:祁国强(1970-),男,四川绵阳人,硕士研究生,研究方向:智能控制Ζ 环境保护是我国的一项基本国策,污水处理是保护城乡环境的重要措施,因而提高污水处理自动化水平和污水处理质量,是我国城市建设急需解决的重要问题Λ污水处理为复杂的动态工程系统,至今仍没能实现最优控制Λ国内外对此研究了各种方案,有些是避开建模,采用模糊控制[1],控制量为中间变量,但在实际应用过程中控制精度不高Λ在线测量污水质量指标已经成为提高控制质量的关键[2]Λ1　污水处理过程基本流程城市生活污水的一般处理流程包括沉沙池,沉淀池,曝气池,污泥回流和沉淀排放等几个系统Λ本文论述在污水处理过程中,通过测量污泥排放量及生物曝气池中的溶解氧浓度等与主导变量BOD 密切相关的可测辅助变量,对不同的水质经污水处理软测量模型的在线处理,实时估计出出水BOD 值,以达到对出水水质的预测控制Λ2　污水处理出水水质软测量神经网络的选取 选取何种神经网络构建污水处理软测量模型,最终着眼点在于实际应用Λ基于机理分析的软测量模型对生产过程的依赖性太强,而且在污水处理过程中,机理复杂,有很多过程只是经验的总结,并没有清晰的数学表达,机理分析不能胜任这一任务Λ基于线形回归的软测量模型在某些场合下工作得非常好,但是在非线形作用无法忽略的场合下回归严重影响效果,而且这类模型无法进行在线校正;Hop 2field 网络和自组织神经网络等其他网络主要应用于模式识别和联想记忆,一般不用于模型建立ΛB P 神经网络和RB F 神经网络在过程建模中具有十分重要的作用ΛB P 网络是以误差反向传播算法进行神经网络的学习和训练的Λ但是B P 算法是一种梯度下降算法,并且由于非线性隐层单元的存在导致网络存在多个最小点,所以学习过程不一定能保证达到全局最小,使得实际输出和理想输出之间有一定的偏差Λ基于B P 算法的神经网络还存在其他实际应用方面的问题:11学习过程收敛速度慢Λ21不能在线校正ΛRB F 网络的结构与多层前向网络类似,它是一种3层前向网络,隐层节点的基函数一般采用高斯函数Λ隐层节点数视所描述的问题需要决定;第三层为单输出层,神经元采用线性传递函数ΛRB F 神经网络的学习速度比通常的基于B P 算法的神经网络快100多倍,并避免了局部极小问题;更重要的是以B P 网络形成的神经网络模型属于静态模型,在很大程度上不适合污水处理在线控制Λ采用基于RB F 神经网络的软测量方法在实际应用中计算的速度快,63能够在线校正,更好地达到实时控制的目的[3]Λ因而本文采用基于RB F 神经网络的软测量方法Λ3　污水处理出水水质软测量神经网络结构 在生活污水处理中,只需要对BOD 进行软测量就可实现对出水水质的实时控制Λ由于这个特点,可以确定采用的神经网络结构是多输入和单输出的Λ对于神经网络的输入变量选取历来是个难点,一般是基于对实际工况的了解和对过程的机理分析来确定[4]Λ有时候根据选取的神经网络的不同,输入也会相应的不同,比如近年何新贵提出的输入输出均为时变函数的过程神经网络[5]Λ根据SBR 工艺过程分析及对实时检测的数据分析,以及现有实验条件,本文采用进水BOD 值,DO 值,污泥浓度和反应时间为输入量,以出水BOD 值为输出量Λ污水处理出水水质神经网络结构如图1:图1　径向基函数(RBF )神经网络图网络隐层节点数目通常在学习中确定,也可以事先选定,本文根据输入数据情况将网络输入节点定为4个,输出节点为1个,隐层节点数目定为32个Λ隐层神经元的传递函数是高斯函数Λ在RB F 网络的训练过程中,对于隐层和输出层采用的是不同的学习算法:1)对于隐层,学习算法采用聚类算法确定神经元的中心点以及半径Λ假设有N 种类的模式:C 1,C 2,……,C N ,每种模式的代表样本记为T N ,n =1,2,……,N Ζ对于未知的样本X ,找出K 个与X 相近的样本,然后计算属于C N 的数目,最后根据最大的数目值,决定X 属于的模式种类Ζ算法步骤如下:步骤0:确定模式种类数步骤1:设定聚类中心初始值步骤2:设定聚类半径和新的中心步骤3:计算未知样本和代表样本的距离S ,若S <Ε设定值,转至步骤4,否则转至步骤2步骤4:停止计算,给出未知样本所属模式种类,输出结果Λ2)隐层到输出层的权值调整采用正交最小二乘算法Λ网络输入输出数据采用学校SBR 污水处理实验室中实验数据Λ根据在实验室中能够测量且与出水质量指标密切相关的四个量:进水TOC ,DO ,污泥浓度和污水处理反应时间,采用四因素三水平的正交实验获取实验数据Λ4　污水处理软测量模型的训练本文采用测量出水TOC 值和进水TOC 值来代替出水BOD 值和进水BOD 值,TOC 值的测量较之BOD 值的测量来说,简便易得,通常使用仪器十分钟内可以测得Λ二者之间可以方便地换算转换Λ本文通过测量进水TOC (BOD ),DO ,污泥浓度几种能在线检测同时与出水TOC (BOD )密切相关的过程量,得到以进水TOC (BOD ),DO ,污泥浓度和反应时间为输入,出水TOC 为输出的三十组数据,其中二十五组用来训练,五组用来验证Λ实验用M A TLAB 615fo r w indow s 进行仿真,使用N E W RB 函数,其中学习精度为0101,sp read 为1,最大迭代次数为32,输入节点为4个,输出节点为1个,隐层节点数目为32个Λ仿真结果如图2所示Λ图2　仿真结果对照图图2中实线为污水处理过程中BOD 数据,而虚线为网络训练后的输出结果Λ由图可见,网络训练结果与实际污水处理情况较吻合Λ为了测试学习完后的神经网络的泛化能力,用73　第22卷第3期祁国强等:基于RBF 人工神经网络的生活污水处理软测量方法三个非训练样本进行测试,测试结果见表1Λ表1　神经网络的泛化能力测试行号进水TOC(m g l)反应1小时的TOC测量值反应2小时的TOC测量值预测114小时的TOC值预测118小时的TOC值181419114194471488716565158210231582711427318152711846918364919317154166151265188209197 由实验可知,测试结果符合实际反应规律Λ因而用神经网络的方法在污水处理中进行出水BOD实时软测量是完全可以实现的,而且能取得较好的效果Λ5　结论上述研究结果表明,软测量采用神经网络建模是可行的,弥补了基于数学模型的软测量方法的不足Λ在城市生活污水处理范围内,基于RB F神经网络的污水处理软测量方法较之采用其他神经网络的软测量方法,不仅实现简便,结构特点符合,而且精度高,运算速度快,能够在线校正Λ(致谢:本文所完成的试验中,得到了化学与环境工程学院梁赢洲老师和刘太杰同学的支持与帮助,在此表示衷心感谢)参考文献:[1]　李海青,黄志尧,等.软测量技术原理及应用[M].北京:化学工业出版社,2000.[2]　任　敏,王万良,李探微,等.基于神经网络的污水处理软测量系统的研究[J].自动化仪表,2001,22(10):8-9.[3]　汪永生.软测量理论、方法、软件包及其工业应用研究[D].上海交大博士论文,2000.[4]　仲　尉.软测量与先进控制策略研究及在石油化工过程中的应用[D].华东理工大学博士论文,2000.[5]　何新贵.过程神经网络的训练及其应用[J].中国工程科学,2001,3(4):31-35.THE S OFT M EASUR INGM ETHOD BASED ON RBF NEURAL NET WORK FOR M UN I C IPAL W ASTE W ATER TREAT M ENTQ I Guo2qiang1,　L I U Zai2w en1,　CU I L i2feng2(11Colleg e of Inf or m a tion E ng ineering,B eij ing T echnology and B usiness U n iversity,B eij ing100037,Ch ina;21Colleg e of Che m ica l and E nv ironm en ta l E ng ineering,B eij ing T echnology and B usiness U n iversity,B eij ing100037,Ch ina)Abstract:In o rder to ach ieve on-line con tro l of m un ici pal w astew ater treatm en t,the soft m ea2su ring m ethod based on RB F artificial neu ral netw o rk is in troduced in th is paper.T he RB F neu ral netw o rk is trained and si m u lated by ton s of p ractical data.T he app licati on resu lts show that thereal-ti m e con tro l m ethod based on RB F artificial neu ral netw o rk fo r the BOD w h ich indicates quality of w astew ater treatm en t had p ractical value in app licati on s.Key words:soft m easu rem en t;RB F neu ral netw o rk;w astew ater treatm en t(责任编辑:王　宽)83北京工商大学学报(自然科学版)2004年5月　。