基于神經網絡的混凝投藥控制研究與實現

楊久紅，王小增

（嘉應學院 電子信息工程學院，廣東 梅州 514015）

基于神經網絡的混凝投藥控制研究與實現

楊久紅，王小增

（嘉應學院 電子信息工程學院，廣東 梅州 514015）

作為水質凈化重要環節的混凝投藥是一個非線性系統，目前還很難對其建立準確的數學模型。該文提出了基于改進BP神經網絡的解決方法，根據水源參數的具體特征提取特征值并建立相應的神經網絡，通過訓練，網絡具有較強的適應和學習功能，通過仿真和實驗達到了很好的混凝投藥控制效果，使混凝投藥系統的控制邁向智能化。

改進BP算法；神經網絡；混凝投藥；水質凈化

混凝過程是現代城市給水和工業廢水處理工藝中的關鍵環節之一，是國內外水處理界研究的一個熱點課題。準確控制投藥是取得良好混凝效果的首要前提，可以穩定出廠水水質，降低制水成本，減輕工人勞動強度。該過程具有復雜性、時變性、非線性和大時滯等特點。目前采用的混凝投藥技術有模擬濾池（沉淀池）法、數學模型法、膠體電荷控制法、流動電流法、透光率脈動法。這些方法能部分解決投藥問題，但都存在一定缺陷，且適應性差。因此，研究和開發一種性能優良、適應性好的混凝投藥控制技術，具有重要的理論和現實意義［1－2］。

近年來，隨著微型計算機、儀器儀表、自動控制和人工智能技術的發展，混凝投藥的智能復合控制技術得到了很快發展。它有效克服了傳統控制方法中過程復雜、結果不準確、對變化及干擾適應和抑制能力差等缺點。

1 水處理流程

給水廠常規處理工藝流程如圖1所示。

原水加入混凝劑后進入反應池，混凝劑與水中的懸浮顆粒進行化學反應，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入濾池過濾，濾后水經殺菌消毒后通過送水泵房送水出廠。其中凝聚、絮凝是主要環節，直接關系到出水的水質，而在這一過程中混凝劑的投放量又是一個關鍵因素，能夠根據原水水質參數的變化不斷改變投放量，以滿足出水水質的要求［3－4］。

2 混凝投藥控制神經網絡設計

2.1 人工神經網絡的一般設計步驟

（1）特征向量的提取及歸一化。

（2）網絡的結構與參數的設計，包括輸入輸出節點數、層數、每層的激活函數、隱層節點數、初始值的選取、學習速率的確定，訓練算法的選定或改進。其中網絡結構和訓練算法尤為關鍵。

（3）網絡訓練及測試［6－8］。

2.2 水源參數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、水中雜質的成分、性質等因素的影響。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）等幾個主要原水參數將影響混凝劑的投量和混凝效果［5，9］。選取的訓練樣本如表1，期望輸出如表2。

表1 訓練樣本

由于傳遞函數S型函數的輸入范圍要求在［0，1］之間，因此，對樣本數據和期望輸出進行歸一化，得到表3，4。歸一化公式為：

式中 X，Y為歸一化前后的數據；Min和Max為每列數據的最小和最大值。

表2 期望輸出

表3 歸一化后的訓練樣本

2.3 混凝投藥神經網絡控制結構

找出影響混凝效果的主要因素之后確定采取3層網絡結構，如圖2所示，輸入層節點數為5個，分別為TUB1、pH、TUB2、TE、AL；輸出層節點數為1個，即混凝劑的投放量；隱層節點數為8個。

表4 歸一化后的期望輸出

2.4 混凝投藥神經網絡的訓練

2.4.1 訓練算法

（1）初始化權及閾值為一個小的隨機數。

（2）把表1的訓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，逐層計算實際輸出。

（4）計算實際輸出與期望輸出的誤差，按式（2）調整各層權值。

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

（5）重復步驟（3）～（5），經過81次后收斂，誤差達到0.000099，滿足預定誤差0.0001的要求，結束。

2.4.2 訓練曲線

網絡訓練曲線如圖3所示，實際輸出表5與表4的期望輸出相符，訓練效果很好。

表5 測試輸出

2.5 混凝投藥神經網絡測試

用表6歸一化后的樣本對訓練好的網絡進行測試，實際輸出為0.33546，經換算后得到混凝劑投放量為1101，與實際投放量1100相差很小，誤差為0.09%。

表6 歸一化后的檢驗樣本

3 結語

利用所建立的混凝劑投放量控制網絡可以在符合水質要求的同時節約混凝劑，系統工作穩定可靠，動態性能好，尤其是對原水流量、濁度變化大的情況適應性較強。同任何技術一樣，混凝投藥控制技術在不斷進步。隨著人工智能和人工神經網絡理論在各行各業的應用，智能化和網絡化已成為混凝工藝的發展趨勢，同時也必將產生良好的社會效益和經濟效益。

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

［2］蘇騰，陳中興，陸柱.混凝劑的研究應用現狀與開發動向（一）［J］.凈水技術，2000，18（3）：7－9.

［3］曾明如，江智軍，孫達志.給水廠混凝投藥實時控制專家系統研究［J］.給水排水，2004，30（5）：101－103.

［4］周開利，康耀紅.神經網絡模型及其MATLAB仿真程序設計［M］.北京：清華大學出版社，2007.

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

［6］史步海，朱學峰.基于模糊神經網絡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的設計及應用［J］.計算機測量與控制，2006，14（4）：462－464.

［8］陳安，羅亞田.人工神經網絡方法在環境科學領域應用進展［J］.重慶環境科學，2003，25（9）：65－67.

［9］郭曉磊，楊靜.人工神經網絡在污水處理中的應用［J］.廣東化工，2008，35（8）：85－87.

Study and Realization of Coagulant Dosing Control Based on Neural Network

YANG Jiu－hong，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基金資助項目（2010KJA28）

楊久紅（1973－），女（滿族），遼寧北鎮人，副教授，主要從事BP神經網絡的研究和應用以及嵌入式系統設計工作，（Tel）15914928525。