人工神經網絡在污水處理過程模擬中的應用與研究進展

許家齡

摘 要：介紹了在污水處理過程模擬中應用較廣的人工神經網絡（ANN）模型。闡述了人工神經網絡在污水處理過程模擬中的研究應用特點，總結了近年來人工神經網絡在污水處理過程模擬中算法優化、模型前處理、模型結合等方面的研究進展。最后，對人工神經網絡在污水處理過程模擬的發展前景進行了展望。

關鍵詞：人工神經網絡;ANN;污水處理過程模擬;研究進展

中圖分類號：TB ? ? 文獻標識碼：A ? ? ?doi：10.19311/j.cnki.1672-3198.2020.08.097

隨著計算機技術的發展和人工智能的興起，各行各業均有向自動化和智能化的發展趨勢。近年來，由于環境意識的提高，污水處理研究也得到了巨大發展，同時也對污水處理的智能化產生了需求。人工神經網絡理論作為一門活躍的邊緣交叉學科，廣泛應用于模式分類、系統識別、智能控制等方面。目前，人工神經網絡在污水處理過程模擬方面的研究已經取得了一定成果，仍需要持續進一步的研究發展。

1 人工神經網絡介紹

人工神經網絡尚難以統一地定義。美國的神經網絡學家Hecht Nielsen對人工神經網絡的定義是：“人工神經網絡是人工建立的、由多個很簡單的處理單元組成的動態系統，并且這些處理單元之間按某種方式相互連接。這個系統的拓撲結構是有向圖，信息處理方式是對連續或斷續的輸入做狀態響應。”

近年來，應用于污水處理過程模擬領域研究的神經網絡模型類型主要是基于BP神經網絡和RBF神經網絡等。

BP和RBF神經網絡都屬于多層前向神經網絡。其包含輸入層、隱含層和輸出層，隱含層可以為多層。輸入層中每個源節點通過激勵函數后的輸出組成了第二層神經元的輸入信號，網絡中每一個神經元接收上一層相應被連接的神經元的輸出信息。

BP神經網絡就是應用了BP（誤差反向傳播）算法的多層感知器，具有處理線性不可分問題的能力。工作信號沿正向傳播，到達輸出層時，基于監督學習，對比期望值得到誤差信號，進行反向傳播。誤差信號反向傳播的過程中，網絡節點間的權值基于誤差反饋不斷被調節修正，以期模型輸出更接近期望輸出。BP應用廣泛，但BP神經網絡也存在兩個主要缺點：收斂速度慢，訓練容易陷入局部極小。

RBF（徑向基函數）神經網絡由三層構成。其中隱含層采用徑向基函數作為基函數，將原來線性不可分的問題轉換為線性可分。其具有結構簡單、收斂速度快、能逼近任意非線性函數等優點，在近年內應用廣泛。根據隱含層節點數目的不同可分為正則化RBF網絡和廣義RBF網絡等。徑向基函數網絡中需要訓練的參數為：隱含層基函數的中心、隱含層基函數的標準差、隱含層與輸出層之前的權值等。

2 人工神經網絡在污水處理過程模擬中的研究應用特點

污水處理系統屬于復雜系統，影響系統輸出的參數多，部分內部機理未被認知。人工神經網絡不依賴系統的機理知識，基于數據的訓練而建立輸入與輸出的非線性映射關系，對污水處理過程的模擬比較適用。

然而，污水處理系統具有時滯性，污水處理實際過程復雜，嚴格來講，系統內某個時刻輸出信息是由之前多個輸入狀態信息所映射的，而神經網絡模型的輸入一般為某一個時刻的數據。這也給神經網絡模型在污水處理過程模擬中的應用增加了難度。

同時，神經網絡模型基于數據的訓練，對于數據的數量和質量有一定要求，特別是對于復雜的神經網絡結構，訓練至收斂需要的數據較多。而在污水處理系統中，部分參數的自動檢測還不成熟，如COD、TP等水質指標參數也容易產生測量誤差。樣本數據的數量和質量受到限制，會使得建立的神經網絡模型的性能受到限制。

另外，污水處理系統中，與輸出相關性強的參數指標較多。而輸入維數的增加會大大增加所建立神經網絡模型的復雜程度，這顯然也是不利于神經網絡模型的訓練收斂的。

3 人工神經網絡在污水處理過程模擬中的研究進展

目前人工神經網絡應用于污水處理過程模擬的研究主要集中于提升模型性能和提高在污水處理過程模擬中的適用性兩方面，采取的方式主要有算法優化、模型前處理、模型結合等。

3.1 算法優化研究

總結了近10年內應用或提出并應用于污水處理過程的神經網絡模擬的一些算法，如表1。其主要是為了優化神經網絡連接權值的計算方法，以及克服神經網絡的某些固有缺點等。

3.2 模型前處理研究

關于神經網絡模型的前處理研究，主要集中在為了降低模型的復雜程度而對神經網絡的輸入數據提取特征和變量選擇等方面。

Hanbay D等人采用小波包分解（wavelet packet decomposition）對神經網絡模型的輸入數據進行降維，基于Malatya污水處理廠歷史數據建立神經網絡模型，模型性能良好。劉鴻斌等人通過計算每個輸入變量在偏最小二乘（PLS）模型中的權重，確定潛變量，再通過變量投影重要性（VIP）指標衡量各解釋變量相對于響應變量的解釋程度和各解釋變量包含信息對模型的重要性，以此作為選擇輸入變量的依據，從而實現輸入數據降維。針對污水處理的COD和SS軟測量，選擇變量后的神經網絡模型比未選擇變量的神經網絡模型復雜程度更低、泛化能力更強。李文靜等人，通過計算比較每個輸入變量與輸出變量的歸一化互信息值，選取相關性強的輸入變量作為模型的輸入變量。在污水處理廠的歷史數據中，選取10個輸入變量，利用260組樣本數據建立并訓練神經網絡模型，模型性能良好。

另外，諸如主成分分析、相關性分析、靈敏度分析等常用數據預處理方法也廣泛應用于神經網絡模型數據的前處理。

3.3 模型后處理研究

一般地，人工神經網絡模型對于污水處理過程的模擬中，人工神經網絡模型的輸出便作為對實際系統的預測值。也有少量研究，對人工神經網絡模型的輸出預測進行進一步分析，以優化預測效果。

李佟等人用BP神經網絡粗擬污水處理過程后，用馬爾可夫鏈對擬合結果及誤差進行狀態劃分以進一步提高預測精確度，最后運用基于BP神經網絡與馬爾可夫鏈的組合模型分析預測效果。其擁有好的適用性，能準確預測出水水質范圍。

3.4 模型結合研究

近年來，也有一些結合不同類型的神經網絡或結合神經網絡與其他方法及模型的研究。

閔振輝等人結合新陳代謝灰模型和廣義回歸神經網絡模型，對污水處理廠出水參數預測，性能較傳統的廣義回歸神經網絡模型更好。王德望等人結合BP神經網絡和PID控制器，實現了PID控制參數的自整定。通過污水處理溶解氧仿真試驗，改進后的PID控制器能更好的滿足系統要求。諸飛等人將GA神經網絡和BP神經網絡相結合，用GA算法優化BP神經網絡的拓撲結構、權重和閾值，使模型可以隨著問題的復雜程度做出自適應的改變。能有效解決BP神經網絡容易陷入局部極小和收斂速度慢等問題。將結合模型用于污水處理廠的水質分類識別，效果良好，具有推廣價值。

4 結語

人工神經網絡在污水處理過程領域的模擬研究具有較廣闊的發展前景，目前其主要應用于污水處理過程的系統識別和參數軟測量等。黑箱性質、非線性映射能力強、魯棒性等特點使得它具有較好的適用性和通用性，其在污水處理工程控制優化方向發展的具有一定潛力。優化神經網絡模型和發展新型神經網絡等是一個重要研究方向，近年來相關研究也較多。另外，在人工神經網絡應用于污水處理過程模擬的方面，如何處理污水處理系統中的時滯影響，如何在污水處理系統樣本數據數量和質量受限的情況下獲得好的性能，如何在模型輸入保留大部分系統信息的前提下降低模型的復雜程度，都是可以進行研究的方向。

參考文獻

[1]張莉，艾勝書，王帆，等.多段多級AO工藝處理城市污水的研究進展[J].長春工程學院學報（自然科學版），2017，18（02）：83-87+95.

[2]朱大奇.人工神經網絡研究現狀及其展望[J].江南大學學報，2004，3（1）：103-110.

[3]高雋.人工神經網絡原理及仿真實例[M].北京：機械工業出版社，2003.

[4]陳明.MATLAB神經網絡原理與實例精解[M].北京：清華大學出版社，2013.

[5]甄博然，韓紅桂，喬俊飛.基于增長型神經網絡的污水處理過程溶解氧控制[J].中南大學學報（自然科學版），2009，40（S1）：74-79.

[6]鄭廣勇，羅飛，陳偉斌.基于免疫粒子群神經網絡的污水水質預測[J].微處理機，2010，31（02）：75-77+81.

[7]廖雪平，羅飛.混合神經網絡在污水毒性預測中的應用[J].化工自動化及儀表，2011，38（02）：211-213+238.

[8]張照生，羅健旭.基于DE-BP算法的模糊神經網絡控制器及其在污水處理溶解氧濃度控制上的應用[J].華東理工大學學報（自然科學版），2013，39（01）：55-60.

[9]王樹東，葛珉昊，陳明明.基于混合遞階遺傳算法優化RBF神經網絡的BOD_5軟測量方法[J].給水排水，2014，40（03）：149-153.

[10]李娥，王波.HS算法在生物生態組合污水處理中的應用[J].計算機工程與應用，2015，51（01）：238-242.

[11]Guo H，Jeong K，Lim J，et al.Prediction of effluent concentration in a wastewater treatment plant using machine learning models[J].Journal of Environmental Sciences，2015，（32）：90-101.

[12]Khademikia S，Haghizadeh A，Godini H，et al.Artificial Neural Network-Cuckoo Optimization Algorithm （ANN-COA） for Optimal Control of Khorramabad Wastewater Treatment Plant，Iran[J].Civil Engineering Journal，2016，2（11）：555-567.

[13]喬俊飛，李瑞祥，柴偉，等.基于PSO-ESN神經網絡的污水BOD預測[J].控制工程，2016，23（04）：463-467.

[14]鄭博一，任亮.人工魚群神經網絡應用于城市污水處理廠進水量預測研究[J].環境科學與管理，2016，41（10）：87-91.

[15]喬俊飛，孫玉慶，韓紅桂.改進K-means算法優化RBF神經網絡的出水氨氮預測[J].控制工程，2018，25（03）：375-379.

[16]高明，崔鈳，李昊，等.基于HCPS多層感知器的污水處理后氨氮濃度測量[J].輕工學報，2018，33（06）：92-100+108.

[17]魯明，劉東儒，章毅，等.基于灰狼算法與RBF神經網絡對污水出水BOD的預測[J].蘭州工業學院學報，2019，26（02）：83-87.

[18]Hanbay D，Turkoglu I，Demir Y.Prediction of wastewater treatment plant performance based on wavelet packet decomposition and neural networks[J].Expert Systems With Applications，2008，34（2）：1038-1043.

[19]劉鴻斌，宋留.變量選擇在廢水處理過程軟測量建模中的應用[J/OL].山東大學學報（工學版）：1-10[2019-12-25].http：//kns.cnki.net/kcms/detail/37.1391.T.20190909.1632.004.html.

[20]李文靜，李萌，喬俊飛.基于互信息和自組織RBF神經網絡的出水BOD軟測量方法[J].化工學報，2019，70（02）：687-695.

[21]李佟，李軍.基于BP神經網絡與馬爾可夫鏈的污水處理廠脫氮效果模擬預測[J].環境科學學報，2016，36（02）：576-581.

[22]閔振輝，張志強.基于灰色神經網絡的污水處理廠水質預測研究[J].自動化與儀器儀表，2013，（03）：10-11+16.

[23]王德望，趙敏.污水處理系統溶解氧的BP-PID控制算法[J].軟件導刊，2018，17（02）：68-70+73.

[24]諸飛，俞阿龍.基于改進GA-BP神經網絡的工廠污水監測系統研究[J].現代電子技術，2018，41（11）：133-138.