氧化溝系統(tǒng)出水COD預報的神經(jīng)網(wǎng)絡模型

氧化溝系統(tǒng)出水COD預報的神經(jīng)網(wǎng)絡模型摘要：以漯河市污水凈化中心的Carrousel氧化溝（以下簡稱氧化溝）系統(tǒng)為考察對象，針對該系統(tǒng)進水水質復雜，控制滯后的難點，引入人工神經(jīng)網(wǎng)絡的理論和方法，對其模擬分析，建立了基于BP網(wǎng)絡的氧化溝系統(tǒng)出水COD預報模型。模型性能檢驗和靈敏度檢驗表明，建成的模型準確度高，適應性強，可直接用于該系統(tǒng)出水COD預報，這為氧化溝工藝在線控制提供了一條簡便的途徑。關鍵字：人工神經(jīng)網(wǎng)絡氧化溝系統(tǒng)出水CODTheANNModelPredictingEffluentCODofCarrouselOxidationDitchSystem.teminLuoheCenterofWastewaterTreatmentisdifficulttocontrolon-linebecausetheinfluentcharacteristicsarecomplexandvarysignificantly.Toresolvetheproblem,advancedartificialneuralnetwork(ANN)wasemployedtosimulatethecorrelationbetweenwaterparametersofoxidationditchsystemandaBPNNmodelpredictingeffluentCODwasbuiltup.Sentivityandperformancetestsshowedthatthemodelcanadapttodifferentsituationsandhasgoodabilitytogeneralize.ItcanbedirectlyusedtopredicteffluentCODconcentration,whichisveryhelpfultooxidationditchsystemcontrolon-line.Keywords:

ANN;oxidationditchsystem;effluentCOD漯河市污水凈化中心于2000年7月正式投產(chǎn)，采用的是典型的極具代表性的Carrousel氧化溝工藝，污水來源主要是屠宰廢水、食品加工廢水、化工廢水和生活污水，其主要技術指標：一期工程：2000年7.7萬噸/日（生活污水2萬噸/日，工業(yè)污水5.7萬噸/日），設計流量8萬噸/日，設計的進水負荷：COD≤500mg/l，BOD5≤200mg/l，SS≤200mg/l，設計出水指標：COD≤120mg/l，BOD5≤30mg/l，SS≤30mg/l，實際出水水質狀況（建模(用人工神經(jīng)網(wǎng)絡建立的氧化溝出水COD預報的模型的簡稱)數(shù)學數(shù)據(jù)范圍，其它不完整記錄中有超出以下范圍的記錄）：SS：10～170mg/l，COD：16～77mg/l，TN：2.9～56mg/l，TP：0.03～0.91mg/l；二期工程2010年11.8萬噸/日（生活污水2.6萬噸/日，工業(yè)污水9.2萬噸/日）。由于進水中工業(yè)污水成分達到約74%,實際運行水質波動極大，對系統(tǒng)構成強烈沖擊，進水COD最高記錄超過600mg/l，進水SS經(jīng)常維持在115～600mg/l，不同工作日進水水質強烈起伏，使工藝在線控制比較棘手，出水達標排放難以保證。對氧化溝這一復雜的活性污泥系統(tǒng)，由于影響工藝過程的因素反應的復雜性和高度非線性，常規(guī)的模型適應能力有限，而以機理分析為基礎的動力學模型要求信息完備，參數(shù)齊全，實際生產(chǎn)中不便于推廣。人工神經(jīng)網(wǎng)絡(ANN)以其連續(xù)時間的動力學行為、良好的非線性品質、大規(guī)模并行分布處理、高度穩(wěn)健性和學習聯(lián)想能力等特點，被廣泛應用于模式識別、信號處理、系統(tǒng)控制中。并且ANN可以不完備信息建模，不需要被辨識對象階次結構等先驗知識，建模方法簡單[1-3]。本研究針對該凈化中心氧化溝系統(tǒng)進水水質復雜、起伏大，控制滯后的難點，通過使用BP模型，直接以正常運行時的生產(chǎn)數(shù)據(jù)為學習樣本建模，預報出水COD，詳細探討了模型設計、訓練及檢驗等環(huán)節(jié)，建成的模型準確度較高，適應性強，可作為一種定性與定量相結合的有效工具，直接用于該系統(tǒng)出水COD預報。1模型原理及設計1.1

BP網(wǎng)絡模型按誤差反向傳播原則建立的BP(BackPropoga--tion)學習算法，是當前ANN技術中最成功的學習算法，前饋型BP網(wǎng)絡及在此基礎上改進的神經(jīng)網(wǎng)絡，是當前應用最廣泛的網(wǎng)絡類型[4]。本研究以MATLAB環(huán)境下的神經(jīng)網(wǎng)絡工具箱與統(tǒng)計工具箱[5]為數(shù)學工具，編制的BP模型由三層神經(jīng)元組成，其主要特點是：1.1.1

輸入層由影響出水COD的各因素組成，為使樣本信息盡量豐富，并考慮到指標監(jiān)測方便可行，選擇以下參數(shù)作為輸入矢量：X1：水溫，X2:進水SS濃度,X3：進水COD濃度,X4：進水氨氮濃度,X5：MLSS,X6：MLVSS,X7：SV30（沉降30分鐘污泥體積比）。輸出層產(chǎn)生ANN輸出矢量Y，本研究希望輸出的是出水COD濃度Y。隱含層層數(shù)的選擇與問題的復雜性有關，隱含層層數(shù)的增加將使訓練費用急劇上升，本研究采用一層隱含層，隱節(jié)點數(shù)的確定考慮到兩原則：①樣本數(shù)大于網(wǎng)絡可調(diào)數(shù)[6]；②幾何平均規(guī)則[7]：對一個三層網(wǎng)絡，具有n個輸入節(jié)點，m個輸出節(jié)點，則中間層節(jié)點數(shù)H=。本研究取節(jié)點數(shù)4～14，以期對其在更大范圍優(yōu)化。圖1給出了訓練成功的一組網(wǎng)絡結構。1.1.2以logsig或tansig函數(shù)作為隱含層激活函數(shù)，分別使用這兩種函數(shù)作網(wǎng)絡訓練，擇優(yōu)而用。以logsig作為輸出層激活函數(shù)，將輸出結果控制在[0,1]，式中，b為偏差值,x表示隱含層中的節(jié)點數(shù)值。logsig函數(shù)：tansig函數(shù)：1.1.3

采用Levenberg-Marquart收斂規(guī)則，該規(guī)則采用了數(shù)值優(yōu)化算法，可根據(jù)誤差大小自動調(diào)整牛頓法與梯度法在訓練中的比重，是目前最快的收斂算法，大大降低了訓練費用。1.2訓練集與檢驗集ANN模型的預報能力與學習樣本質量及信息量緊密相關，出水COD預報的BP網(wǎng)絡模型（以下簡稱模型）樣本數(shù)據(jù)取自漯河市污水凈化中心2000年8月至2002年2月間生產(chǎn)數(shù)據(jù)，完整記錄（包括全部模型輸入輸出參數(shù)）共89組，剔除發(fā)生生產(chǎn)事故(有記載的酸堿中毒、活性污泥膨脹等)狀態(tài)下記錄7組，剩余82組（考慮到數(shù)據(jù)樣本集規(guī)模不大，故包括了一些超標排放數(shù)據(jù)），初步確定為學習樣本集。進水水質參數(shù)變化范圍：水溫：10.8～3℃；SS：139～1062mg/l；COD：109～694mg/l；NH4+-N：12.88～496mg/l；控制參數(shù)：SV30：12～93；MLVSS：1107～3484mg/l；MLSS：2226～6226mg/l。生產(chǎn)報表無進水水量記載，故假定每個工作日進水水量連續(xù)穩(wěn)定，但建成模型檢驗結果反映出進水水量是一個重要模型參數(shù)，由于缺乏相關數(shù)據(jù)，使得模型性能欠佳。篩選出82組代表性數(shù)據(jù)中，通過主要成分分析及聚類分析[8]，發(fā)現(xiàn)三組樣本有離群傾向，但不太突出，不做去除,以防止信息量的損失，最終確定學習樣本規(guī)模為82組。以歐氏距離作為表征相似性的統(tǒng)計量，采用平均距離判斷依據(jù)將原始樣本分為10類，根據(jù)聚類結果，從各類中隨機挑選1/3左右的樣本歸入檢驗集，剩余的歸入訓練集。最終確定47組用于訓練，35組用于檢驗。聚類分析，保證了所取的訓練樣本分布均勻且能覆蓋原始樣本提供的結構信息，彌補了原始數(shù)據(jù)量較少的不足。對訓練集與檢驗集數(shù)據(jù)做預處理，筆者在此提出三點規(guī)范：①保持原始樣本統(tǒng)計規(guī)律，數(shù)據(jù)拓撲結構。②絕大部分網(wǎng)絡期望輸出要在輸出層激活函數(shù)的敏感區(qū)內(nèi)，避免進入不應區(qū)。對logsig函數(shù)而言，敏感區(qū)為[0.15,0.85]。③網(wǎng)絡輸出逆變換不能放大誤差。本研究對原始數(shù)據(jù)作如下預處理,式中x表是原始值,xmin與xmax分別表示原始值中的最小值與最大值,xnorm表示訓練輸入值：1.3建模試驗要點1.3.1由于訓練、檢驗樣本自身含有噪聲，其大小未知，故建模應以預報準確度作為首要目標,精度作為次要目標。這里引入①檢驗誤差E：檢驗樣本網(wǎng)絡輸出值允許誤差的上限；②準確度：不大于E的檢驗合格率。用訓練總平方誤差G衡量模型精度，精度不可過高，否則會誘導網(wǎng)絡記住噪聲。如何協(xié)調(diào)精度與準確度之間的矛盾，找出二者最佳組合，盡可能達到模型性能最優(yōu)化是數(shù)值試驗的重中之重。奉1.3.泉2峽賴B淘P以網(wǎng)絡學習收斂顯速度及局部最從小點的性能對奶初始化權值、砍偏差矩陣十分繡敏感，本研究券通過加大隨機柜初始化次數(shù)來桶搜索模型滿意公解，對給定的懂網(wǎng)絡結構及參復數(shù)組合實脹行拉100綢0庫次隨機初始化嗽權值、偏差矩福陣搜索。喊1.3.使3葡模型性能檢犧驗，采用四項魂指標榴[9-12]投:談相關系數(shù)盜C往，均方根誤差繼R孤，標準均方根付誤差訂N外，平均相對誤鉛差炊A研，如下式剩中筋x悶、野y裹分別表示輸入順與輸出樣本值可，下土標碰i憲表示鄙第間i愚次訓練時對應密樣本值搖，亦n絹表示訓練次數(shù)娛，林、攜表示相應樣本痛均值，貼x對1i太表示輸入第一紐個變量的辱第堡i箭個樣本值，豆x距2i產(chǎn)類推：腹對網(wǎng)絡實際輸極出與期望輸窩出效(政觀測搶值積)尼作指標檢驗，腹可反映出模型矮的逼近性能。券1.3.璃4絨模型的靈敏偷度檢驗研[13]肉：目標值在多飄維空間中每一拆點隨各個自變歡量改變而改變誦的趨勢。靈敏科度曲線平緩表滅明該項輸入對線網(wǎng)絡輸出的影丘響過弱，靈敏健度曲線出現(xiàn)突熱變或中斷表示腳該項輸入對網(wǎng)繭絡輸出的影響購過強，此時模桑型模擬性能不張穩(wěn)定，碰到這漸兩種情況，應鐵繼續(xù)搜索或調(diào)寬整輸入變量個押數(shù)重新訓練。燈2

緣聾模型訓練及檢鍛驗裂建模數(shù)值試驗查參數(shù)調(diào)整范圍目設定：贈E胳:0.寄2棉～武0.慕4章；膝G述:0.00辣1揚～怪0.莊5摔；隱節(jié)點數(shù)稼H嗚:碼4押～班1絡4揭；隱含層激活捧函秋數(shù)醬:tansi燕g低或宣logsi桂g艱；輸出層激活倘函婚數(shù)寫:logsi聯(lián)g幸;尖訓練最大迭代鮮次餅數(shù)減:100請0砍。鐵從康72,00綠0課次搜索訓練中陸篩選出最佳的課一組鏟解爐:況網(wǎng)絡結該構欺7-6-1敏(數(shù)三層神經(jīng)網(wǎng)絡村每層節(jié)點河數(shù)矛),絨E余=0.3,將G雕=0.15,欣H礦=6爽,主隱含層函晌數(shù)始:tansi申g腰。模型訓練經(jīng)抹過否1懇8絲次迭代達到穩(wěn)貝定，訓練總平要方誤暑差爭0.13喇,勾圖伏2賤為誤差下降曲來線；模型模擬酸及檢算驗朽(偷預固報染)攤結果見壩圖欄3會。梳圖翼2乒墨誤差下降曲線只Fig2.負TheE波rrorC副urveo帶fTrai概ning服模型性能指標奔值見濾表今1摩。嗎表克1慰皂模型性能指標撤Tab1愛TheVa絮lueso殘fMode冷lPerf然ormanc激eTest岸ing借指標撞C魔R拜N揚A芒模擬肉0.9517棒5.0152帶0.1309罷0.1214艱預報碗0.7399匪9.9225漏0.2645僚0.2436斑綜合涼0.8709約7.5127覺0.1978誘0.1736有從學習樣本集銳檢驗合格的樣樂本中任取一組豪樣漁本宴,鉤對應輸入矢廟量薪X弓1萌…蠢X我7緒分別笨為做:{14.3脫,273,2勿92,33,徹5479,3伯394,44江}岸,葬考察網(wǎng)絡輸出頭隨單項輸入變勒化而改變的趨懸勢，靈敏度曲酬線見至圖污4熊圖言3

爬綱出腸水狡CO待D醫(yī)原始值與模緩擬姜/遣預報結果輕Fig.3.木擊

Obser希vedan羞dSimu隸lated/決Predic睜tedRe寸sults羽ofEff避luent老COD紅浩圖輩4

邀租模型靈敏度曲乓線章

Fig駁4.芳TheS慰entivi千tyCur隱vesof稼Model3討論引3.攝1功學習樣本的室質量對模型預茶報精度及準確狹度影響極大。耗學習樣本自身蝶的噪聲干擾降峽低了模型的預尋報精度及準確贏度。盡管通過痰主成分分析與滲聚類分析有效船挖掘了樣本信跪息，噪聲干擾帶與訓練樣本規(guī)挑模較小是模型巡訓練準確度與塊精度進一步提筑高的主要障礙房。井3.蓬2巷模型性能檢圾驗基本合格，惱檢驗集對應的嫌平均相對誤差棄＜環(huán)0.2雀5蕩，相關系數(shù)接償近亡0.75紙,導標準均方根誤誼差赤0.26張,楊通過粘圖筒3纖可看出，模型柏在預報區(qū)能對奇出蠻水貼CO救D池峰值作出正確彩響應，表明網(wǎng)驗絡在訓練中捕柱捉到了氧化溝傷系統(tǒng)參數(shù)間關姓系的本質。在勇E吵≤劑0.郵3合的前提下，預慮報準確率達糟到偷82.9泳%混，在歲E笑≤臘0.3封5陰的前提下，預乖報準確率達泛到妥88.6解%謊，綜合相關系先數(shù)端0.87瘡,視綜合標準均方它根誤倒差停0.19首,航建成的模型可萄行。萍3.腸3耀數(shù)值試驗中震，提高精度，鬼準確度下降；充降低精度，準絕確度上升。對夏含較大噪聲的駝樣本訓練而言殊，適當降低精領度，把檢驗重質點放在準確度肚上是可取的。拿3.4雹站從靈敏度曲線門分析可見，出珍水端CO珍D貼對的7帖項輸入?yún)?shù)的伍靈敏度均較高辛，靈敏度曲線拴光滑，并且能凱定量反映出給蛋定水質條件下累出唯水客CO漂D戲與單項輸入?yún)?shù)的相關性及醋單項參數(shù)對出補水禍CO糕D桌的最佳控制點覺。4

結論灣1茄循以漯河市污水棄凈化中心氧化促溝系統(tǒng)為考察普對象，采用人棚工神經(jīng)網(wǎng)絡方僚法對其進行模培擬分析，建立揉了氧化溝系統(tǒng)億出閉水銜CO允D稍預報模型（以義下簡稱預報模訓型）?？?暈借建立的預報模級型，在置E洗偵≤果0.婚3唇的前提下，預情報準確率達迷到辮82.9哈%亞，在忙E豎≤拌0.3降5加的前提下，預毅報準確率達件到錢88.6秀%棕，綜合相關系俯數(shù)夏0.87碼,溜綜合標準均方絲根誤花差桑0.1簡9已。綁3萬唐建立的預報模晉型，出獸水心CO劈D神對鳴7癥項輸入?yún)?shù)的膊靈敏度均較高固，靈敏度曲線區(qū)光滑，并且能虎定量反映出給巡定水質條件下留出筐水危CO炊D屑與單項輸入?yún)⒏鍞?shù)的相關性及叛單項參數(shù)對出殺水密CO郊D閃的最佳控制點削，為建立水質鴉參數(shù)的反饋控召制模型，將預燥報與反饋控制育相結合，實現(xiàn)農(nóng)氧化溝系統(tǒng)在彈線智能控制奠籍定了基礎。參考文獻：鞠1飽晚靳再蕃常.店極神經(jīng)計算智能隸基礎原理、方瓣法機[M].毀丸成宴都龍:罵管西南交通大學楊出出版明社額,2000.抄2辣勞田劣禹畫,神王寶綁貞蘋,足周企定青.覆人工神經(jīng)網(wǎng)絡糊對水處理系統(tǒng)仰建模適應性研加究集[J].詠怕環(huán)境科學學修報撈,199胸9綠，皂19(1):凈3劈3吹－店36.樹3箭肥郭勁炕松余,伸龍騰鍵銳驢,姜高旭曬等仿.食摸間歇曝氣活性伙污泥系統(tǒng)神經(jīng)燕網(wǎng)絡水質?？啃桶訹J].純乘中國給水排漲水忙,2000,貝16(11)鼻:1希5剛－芒18.鐮4悅險楊建查剛胸.攔鈔人工神經(jīng)網(wǎng)絡桿實用教房程侵[M].誦茂杭合州蠻:摧騙浙江大學出版降社雙,2001.叔5

筍效聞悲新旨,凈周繩露克,耳王丹力挽等顏.MATL罩A惜B獻神經(jīng)網(wǎng)絡應用踏設鳳計酷[M].倘獸北受京勾:螞由科學出版奸社國,2000.懼6音些張愛冤茜剖,逐韓朔療睽吧,進企沈洲輕等側.檔的運用回歸分析綿與人工神經(jīng)網(wǎng)互絡預測含硫芳波香族化合物好鉛氧生物降解速躍率常孟數(shù)掀[J]如.奶環(huán)境科腐學代,1998,街19(1):伶3悲7芹－盾40.惡7

錄累朱東元海鳴,舉張土熟喬嚴,補任愛珠攤等冠.B奸P紅神經(jīng)網(wǎng)絡用于絮給水管網(wǎng)模擬構試驗時的構造崗參數(shù)設吵計愛[J].楊話給水排胳水草,2001,僵27(2):權1皆0繪－珠13.費8拔須蘇金蘋明昏,奔阮沈消勇衛(wèi).MATL雄AB6.覺1己實用指澤南榮(璃上羽冊皆)[M].套轉北榨京收:衣電子工業(yè)出版巷社破,2002.療9Sang指H