人工神經網絡技術在污水處理系統中的應用現狀與發展前景分析

鐘維平

【中圖分類號】X703 【文獻標識碼】A 【文章編號】1672-5158（2013）03-0079-02

一、人工神經網絡技術原理

人工神經網絡（Artificial Neural Network，ANN）是一種基于對人腦思維活動的初步認識、從研究人腦生理結構出發來研究人的智能行為，模擬人腦信息處理過程而提出的一種信息處理的抽象簡化模型，是由大量處理單元廣泛互聯而成的網絡結構，具有并行處理、分布式存儲與良好容錯性的算法數學模型，并具有自學習、自組織與自適應能力特征。它是植根于神經科學、數學、統計學、物理學、計算機科學及工程等學科的一種技術。

自二十世紀四十年代W.S.McCulloch和W.A.Pitts提出一種最簡單的神經元數學模型M-P網絡模型以來，神經網絡在歷經了啟蒙、低潮、復興、新時期等發展階段以后，取得了長足的進步，成為具有非線性智能化模擬鮮明技術特點、交叉活躍的信息處理學科和應用工具。神經網絡技術應用于城市污水處理領域與范圍日趨廣泛深入。目前常用于污水處理中的神經網絡有BP（誤差反向傳播）神經網絡、RBF（徑向 基函數）神經網絡、自適應神經網絡等，涉及的軟件算法有有感知器（Perceptron）學習規則、Widrow-Hoff學習算法、勝者為王（Winner-Take-All）算法、外星（Outstar）學習算法、模擬退火算法、遺傳算法等。在實際應用中BP神經網絡是各領域應用最為廣泛的一種網絡。

從系統工程角度分析，污水處理系統具有不穩定性和不確定性的特點，即處理過程時刻面臨外部環境的變化及擾動情況，其處理過程具有多變量、非線性及隨機性的特點，加之其系統結構復雜、處理機理不清，難以運用傳統方法建立精確的數學模型求得問題的解析解。應用數學模型設計和管理污水處理廠是提高污水處理廠設計、運行和管理水平的必然需要求，也是污水處理項目在建設或改造時節約建設資金和時間的重要技術手段。人工神經網絡的非線性映射功能對于解決以上傳統建模難題有著得天獨厚的優勢，具有隱層的網絡結構能以任意精度逼近任意復雜的非線性函數，其自調整、自適應結構功能有很強的學習能力和分布式存儲、大容量并行處理的容錯能力。同時，人工神經網絡能通過“能量函數”下降到最小值去尋求處理目標的最優解，比傳統求解目標約束條件下的最有解問題要簡單、快捷。人工神經網絡與基于語言規則的智能控制、基于模糊規則的模糊控制技術相結合，能充分發揮各自的技術特點與優勢，利用計算機的硬件、軟件技術將以上各具優勢的控制技術構建具有多層次、多功能、非線性復合的智能化污水處理系統，是污水處理系統自動化、智能化的研究及應用熱點。

常用于污水處理系統的神經網絡有誤差反向傳播BP網絡（Back Propagation Network）、自適應神經網絡、局部逼近神經網絡等，其中BP神經網絡是至今為止應用最為廣泛的一種網絡。

BP神經網絡最早是由Werbos在1974年提出，在1986年，Rumelhart和McCelland領導的科學家小組在《Parallel Distributed Processing》一書中對具有非線性連續轉移函數的網絡的誤差反向傳播算法進行了詳盡的分析，實現了Minsky關于多層網絡的設想，解決了具有隱層網絡的權值調整問題。其網絡結構一般如圖1所示，由輸入層、中間隱層和輸出層所組成。BP網屬于多層前饋網絡，由信號的正向傳播和誤差的反向傳播兩個過程組成，伴隨網絡各層間的權值調整過程，周而復始地進行，直到網絡輸出誤差減小到可接受程度。

BP網絡的轉移函數一般選用單極性或雙極性的Sigmoid函數。

BP網絡算法具有一定的局限性，首先，網絡隱含層節點個數沒有理論依據，常常需要通過實驗加經驗的方法確定、激活函數S型的確定沒有理論依據；其次網絡收斂的梯度下降算法可能陷入局部最小而得不到全局最小，并且訓練效率低、收斂速度慢；第三存在學習速率難以確定、學新忘舊等問題。

BP算法的改進方法有：1、增加權值調整動量法改進BP算法，減小震蕩；2、在訓練過程中自適應調整學習速率；3、引入梯度因子，提高網絡收斂速度。

二、人工神經網絡技術運用于污水處理領域

神經網絡具有良好的模式辨識及非線性函數映射的功能優勢，可以作為一個廣義的函數逼近器看待。對于污水處理系統這樣典型的大容量非線性、多變量時變特征明顯的復雜系統的建模問題，能提供一種滿足實際需求的解決方案。另外，運用傳統的技術方法，面對系統的實時辨識及其相關算法的時候，不僅算法過程顯得復雜、計算量大，而且受計算機硬件速度及容量的限制，難以滿足實時性的要求，而神經網絡的大容量分布存儲、高速并行處理的技術優勢，能對系統進行快速實時辨識，為執行相應的控制預案提供了準確的判據。神經網絡通過輸入輸出對數據的循環訓練，能將正確的映射關系分布存儲在網絡的連接權值中，從而使復雜的建模問題變得簡單易行，是一種對實際問題普遍使用的辨識方法。在系統建模、水質參數的預測與仿真、軟測量應用、優化控制與節能降耗、加藥控制等方面都有廣泛的應用。

1、神經網絡用于傳統活性污泥污水處理工藝

可以運用BP網絡，對傳統的活性污泥法污水二級處理工藝建立模型，使活性污泥法工藝系統的在線智能控制取得了很好的運行效果。童正環等[3]以傳統活性污泥處理工藝為對象模型，利用人工神經網絡對活性污泥法污水處理進行建模，運用BP神經網絡分別建立初沉池、曝氣池、二沉池三個神經子網絡模擬活性污泥的三個典型工藝環節，各子網均由輸入、輸出和隱層三層組成，設置合適的學習速率和彈性算法對污水處理實際運行數據進行訓練，待網絡穩定后，其模型輸出曲線與實際測量數據曲線變化數據能較好吻合。實踐結果表明：神經網絡完全可以用于活性污泥污水處理工藝的建模與運行控制，并且優于傳統污水處理控制方法。

2、COD-污泥負荷對SBR工藝脫氮效果的預測與仿真

有研究者[4]利用神經網絡分析工具，對SBR工藝中進水COD-污泥負荷對污水處理系統脫氮的影響效果建立了神經預測模型。通過模型預測結果與實測值的比較表明：模型預測精度較高。為在系統運行時及時、合理地調整COD-污泥負荷來提高脫氮效果提供了一條新途徑。

實踐經驗表明，影響SBR脫氮效果的因素主要有：反應時間、污泥齡、進水COD-污泥負荷、pH值、溶解氧、碳源等。其中進水COD濃度與污泥濃度構成的COD-污泥負荷對脫氮效果的影響作用非常巨大。利用BP神經網絡構成非線性函數的映射器，網絡結構設計為4-4-3，即網絡輸入向量設置4個輸入分量，分別為：1、進水COD-污泥負荷；2、進水COD；3、NH3-N；4、TN；設置4個隱層節點，以便逼近目標函數；設置3個輸出節點，分別為：1、出水NH3-N；2、NO3-N；3、TN。用分別代表COD-污泥負荷大、中、小的48組實驗數據中的40組實驗數據作為對該神經網絡進行訓練的訓練樣本，另外8組實驗數據作為測試樣本，通過訓練過程中神經元之間連接權值的動態調整，建立起COD-污泥負荷與系統脫氮效果之間的正確映射關系。通過運用MATLAB的訓練與仿真，表明經訓練后的網絡模型，收斂且穩定，平方和誤差為10-4，網絡的期望輸出與系統實際輸出較為吻合，其相對誤差在0.06%～0.60%之間，誤差很小。

3、徑向基函數人工神經網絡用于預測污水處理廠出水水質

由于活性污泥法的運行和控制過程是很復雜的大系統問題，涉及基質降解、微生物生長環境、生長規律等因素，而這些相互交織的影響因素之間有常常是非線性關系，另外，污水進水成分的時空變化，使得即使是從某個污水處理廠獲得的一些操作運行方面的經驗和知識，也并不能原封不動地用到其他污水廠。

根據人工神經網絡的理論和方法，胡堅等人[5]建立了徑向基函數神經網絡污水水質的預測模型。徑向基函數RBF神經網絡模型（Radial Basis Function Neural Network）有很強的逼近能力、分類能力和學習速度。它把網絡看成對未知函數的逼近，任何函數都可以表示成一組基函數的加權和，也即選擇各隱層神經元的傳輸函數，使之構成一組基函數來逼近未知函數。該RBF人工神經網絡由一個輸入層、一個隱層和一個輸出層組成，RBF中心的選取采用了最近鄰聚類學習算法，隱層單元的節點數不需要事先人為確定，隨著輸入樣本的變化，隱層單元的節點數也隨之而變，訓練樣本學習結束時，隱層單元的節點數隨之確定下來，因此網絡算法具有較大的靈活性。RBF神經網絡的隱層作用基函數選用高斯函數。輸入層X向量對應的進水水質參數是：生化需氧量（COD）、總氮（TN）、溶解氧（DO）、溫度t和進水負荷Q。通過隱層非線性的傳輸函數，即徑向基函數，完成從輸入空間到隱含單元的非線性變換；輸出層的Y向量對應的是出水水質參數：COD、TN。輸出層為線性層，完成對隱層空間模式的線性分類，即提供從隱單元空間到輸出空間的線性變換。采用上述算法對污水處理廠的34個實際運行數據中的29個樣本數據對網絡模型進行訓練和5個樣本用于水質預測驗證，建立的網絡映射模型無需研究生化工藝各個影響因素與結果之間的作用機理與關系。對輸入數據進行歸一化處理后，訓練的徑向基寬度采用0.2，誤差指標控制在0.01。網絡訓練后預測的水質數據與實測的水質數據之間有較好的擬合：COD擬合的絕對誤差最大為0.191mg/l，最小為0.00mg/l；TN擬合的絕對誤差最大為0.316mg/l，最小為0.00mg/l。模擬過程充分體現了人工神經網絡的特點，只要通過系統的輸入與輸出數據，即可獲得較為可靠的模型，并顯示出模型的通用型、動態性和時效性。由于RBF神經網絡運行速度快，能很好地適應對數據有實時性要求的場合，能對進出水水質信息作出快速相應，有望成為污水處理一個快速有效的管理工具。

4、廢水處理中的軟測量應用

廢水處理需測量的水化學參數大多為生物量參數，測量生物量傳統的方法是應用生物傳感器進行測量。生物傳感器主要是以生物酶作為敏感材料集成的測量儀器，生物酶價格昂貴，因此基于生物酶開發的生物傳感器造價很高、測量范圍窄、測量重現性有待提高。污水處理是以生化反應驅動的動力學過程，因此難以用傳統分析方法建造污水處理模型，同時運用以往的水化學分析方法對水樣進行分析，反應慢，周期長，不能滿足實時性要求高的污水測控需要。近年來興起的軟測量技術，對工藝控制中一些難以測量或暫時不能測量的重要變量，根據某種最優準則，選擇一組既與主導變量密切相關又容易測量的輔助變量，通過構造某種數學映射關系，利用計算機軟件對主導變量進行估計。這種技術僅需檢測一些易測變量作為輔助變量，其他工作則通過軟件實現，無需多少投資和時間就可實現。

楊馬英等[6]利用水質參數與污水處理多個相關聯過程可測參數間的關聯關系，提出了基于Elman遞歸人工神經網絡的水質參數軟測量模型，用易測、可測的過程參數ORP、DO濃度和pH值作為網絡輸入參數，來估計不易測的過程參數，以實現對CODcr、NH3-N、TP水質參數的實時軟測量。

污水生化處理實踐表明：CODcr、NH3-N、TP等參數的變化趨勢與ORP、DO濃度和pH值的變化具有相關性。通過處理過程的CODcr、NH3-N、TP變化動態特性，能及時、準確反映微生物狀態的變化信息，確定有機物降解結束、硝化與反硝化結束、生物除磷釋磷、吸磷等生化反應的特征點，從而由上述水質指標作為控制參數來構造污水處理系統新的控制策略。

對Elman網絡，以ORP、DO濃度和pH值作為網絡輸入參數，經過1000次訓練后建立了CODcr、NH3-N、TP作為輸出參數的動態預測模型。結果表明，Elman網絡模型對污水生化反應過程中各個關鍵特征點的確定，模型輸出與系統實際值有很好的擬合，較之于傳統方法，如主元回歸分析、部分最小二乘法所建立的線性、靜態模型，Elman網絡能更生動、更直接地反映污水處理系統的動態特性，為活性污泥法污水處理工藝系統實現在線智能化控制提供了一條經濟實用、簡便可靠的途徑。

5、污水處理系統最優控制與節能降耗應用

遺傳算法（Genetic Algorithm）是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索問題最優價的方法，廣泛用于復雜系統具有魯棒性的優化計算。

王小藝[7]等采用遺傳算法構建的神經網絡得到水中DO的優化控制目標曲線，獲得了不同時段污水控制參數DO的優化值，并且建立了自適應模糊神經網絡污水處理參數DO的跟蹤控制模型，將神經網絡與模糊控制系統相結合，實現了控制規則的自動獲取及模糊隸屬函數的調節，取得了較好的控制效果，通過DO濃度值控制風機頻率，從而使鼓風機供氧能耗降低了15%～40%，節省了處理電費成本。

6、污水處理加藥系統應用

混凝加藥過程是一個多變量、時變的非線性動態系統，控制精度要求較高以滿足凈化污水的實際需要。藥劑投加量與污水原水混濁度、流量、溫度與壓力等因素動態相關?；炷齽┘尤肓坎蛔悖瑒t水中雜質不能凝聚結大、未能充分脫穩，達不到去除的目的；加藥過量，水中顆粒因超荷現象而導致再穩定，混凝效果反而變差。準確的藥劑投加量是提高污水凈化效率的基本前提條件。

針對投藥混凝過程的大時滯、非線性特性，陳琳等[8]研究者采用了BP神經網絡的非線性函數逼近特點，建立了實時預測水處理加藥量的前饋控制模型，網絡結構為3層模型，輸入向量為：原水濁度、原水流量、pH值、溫度和電導率，輸入變量為加藥量。取300組歷史運行數據作為網絡訓練與測試樣本，并在此基礎上設計了模糊PID控制器作為反饋校正對預測投藥量進行實時調整，從而共同完成對出水濁度有效控制，利用MATLAB軟件中的Simulink工具對控制系統進行了仿真，仿真結果表明該系統能夠將出水濁度控制在要求的范圍之內，且當引入較大的外部擾動時，系統仍可達到滿意的控制效果，說明設計BP神經網絡與模糊PID控制器組成的復合加藥控制系統具有較好的魯棒性。

三、神經網絡應用研究中存在的局限與待解決的問題及今后研究的發展方向

當前人工神經網絡的應用研究中還存在以下局限及待解決的問題：一是人工神經網絡的模型原理及學習算法的研究尚無重大進展；二是人工神經網絡的一些重要理論及分析設計方法沒有突破性的進步；三是人工神經網絡硬件實現研究步伐相對滯后；四是人工神經網絡作為構件與其它環節構建智能系統的成功應用實例還不多。

將神經網絡技術應用到污水處理領域，能有效解決傳統污水處理監測控制技術應用所遇到的巨大難題。神經網絡控制特別適用于具有不確定性和高度非線性的多變量污水處理系統的控制。不同污水處理工藝所涉及的多變量的輸入輸出函數映射關系不同，需要建立符合相應函數映射關系的模型，有針對性地采用不同的學習算法訓練，使網絡適應不同的應用場合；神經網絡用于污水處理過程最終和最直接的目的是實現對污水處理過程的高性能控制。這種綜合（集成）智能控制系統可能是神經控制與另外一種或幾種智能控制技術的結合，或者是神經控制與傳統控制技術的結合，如模糊神經控制系統、模糊神經網絡自學習控制系統、神經模糊推理系統、神經網絡專家智能協調控制及神經PID控制等。

神經網絡也存在某些缺點：不適合表達基于規則的知識，不能很好地利用已有的經驗知識，網絡訓練時間長有可能導致陷入非要求的局部極值。如果數據中有干擾和不確定性，則常會出現過界問題。改進神經網絡以及與其它智能控制技術結合可以在一定程度上彌補這些不足。

今后人工神經網絡應用研究的主要發展方向，一定是呈現多學科綜合發展的鮮明特點和應用前景。近年來，人工神經網絡技術與模糊邏輯、遺傳算法及專家系統相結合，取得的綜合應用成果明顯優于各個智能技術方法的單一應用結果，另外，采取有力措施加快神經網絡硬件實現的技術進步，是充分發揮人工神經網絡高速并行處理的優勢必備的物質基礎。神經網絡軟件技術與硬件技術相結合，從人工神經網絡集成到人工神經系統，是人工神經網絡應用研究的嶄新方向。

參考文獻

[1]韓力群 人工神經網絡理論、設計及應用-人工神經細胞、人工神經網絡和人工神經系統 化學工業出版社 2002.1

[2]黃明智 馬邕文等 污水處理中人工神經網絡應用研究的探討環境科學與技術 Vol.31 No.3 131～134

[3]童正環 王靜 許偉明 沈昱明 于蓮芝 人工神經網絡在污水處理建模中的應用 儀器儀表學報 第26卷第8期增刊 347～348

[4]邵青 COD污泥負荷對SBR工藝脫氮效果影響研究――基于MATLAB的人工神經網絡動態仿真法 中國農村水利水電 2002，12 35～38

[5]胡堅 嚴敏等 徑向基函數人工神經網絡預測污水處理廠出水水質 浙江工業大學學報 第34卷第6期 2006.12. 633～636

[6]楊馬英 周芳芹 李軍 基于Elman神經網絡的城市污水處理水質參數軟測量 東南大學學報（自然科學版）第36卷增刊 2006.07 120～123

[7]王小藝 劉載文 齊杰 連曉峰 污水處理智能優化控制方法研究控制工程 2008年7月 第15卷 第4期 366～368

[8]陳琳，楊鵬翔等 基于模糊PID與BP網絡的復合加藥控制系統研究 化學工程與設備 2012年第12期 43～47