人工神经网络用于造纸废水处理建模的研究.docVIP

人工神经网络用于造纸废水处理建模的研究 摘要：利用造纸废水处理监控系统取得表征废水水质的各项指标，在此基础上研究了基于BP网络和RBF网络的造纸废水处理建模。仿真结果表明，BP网络较RBF网络对样本数据的仿真误差较小，泛化能力更好；输入量考虑历史出水COD变化趋势的网络，其仿真效果要优于不考虑变化趋势的网络；运用基于BP网络和RBF网络的造纸废水处理模型能够准确的预测出水COD，为实现废水处理的自动控制提供可行途径。关键词：造纸；废水处理；BP神经网络；RBF神经网络；仿真研究在造纸废水处理过程中，进水流量、进水COD以及加药量等影响因素直接关系到出水水质的好坏；另外由于目前大多造纸厂采用人工操作控制，操作误差、测量滞后等原因，亦造成出水水质不稳定、故障频发等问题，而智能控制可以解决这一问题。但废水处理过程具有复杂性、非线性、时变性、不确定性等特点。人工神经网络以其具有自学习、自组织、自适应以及良好的非线性映射等能力，特别适合复杂非线性系统的建模与控制，其中目前广泛应用的BP网络和RBF网络以其各自的优点，成为废水处理的研究热点[1]。本文在造纸废水处理一体化系统取得表征废水处理指标的基础上，通过实现对BP网络和RBF网络的设计、建立、仿真和运行，考察这两种网络对造纸废水处理的适应性，为更好的有效实现造纸废水处理的自动控制提供可行途径。1人工神经网络废水处理建模原理人工神经网络(ArtificialNeuralNetwork，简称ANN)对废水处理系统的建模原理如图1所示，首先根据废水处理系统的输入输出数据建立样本集。在学习过程中把样本集中的数据输入神经网络；根据样本的输入值计算出网络的输出值；计算样本输出与网络输出的差值；根据计算的差值由梯度下降法调整网络的权矩阵；重复上述过程，直到整个样本集的误差不超过规定范围，学习即结束。图1造纸废水处理系统ANN建模原理示意图经过训练后的网络模型相当于实际废水处理系统的近似模型，如果通过采集模块采集实际系统的进水各水质指标并输入网络，得到的网络输出应该近似等于对应于各水质指标的实际系统的出水COD。基于这样的原理，针对滞后性的废水处理系统，本研究采用ANN模型对未来时刻的出水COD进行预测，其中网络输入为与未来时刻出水COD有关的因素，网络输出为未来时刻的出水COD，以期通过预测得到当前时刻的加药量。2造纸废水处理实验系统设计2.1废水来源废水取自东莞某造纸厂（主要原料为OCC）,废水CODcr为500－1600mg/L，pH5.5－6.8。2.2造纸废水处理实验系统实验室废水处理工艺流程如图2所示。调节池中的废水与絮凝剂PAC（5聚合氯化铝）混合后经进水泵打入高效一体化反应器[2]，在里面发生反应、沉淀、过滤和澄清等作用完成泥水分离，处理水从反应器顶流出，污泥通过反应器底部排泥阀排出。图2造纸废水处理工艺本实验采用自动检测控制方法代替手工操作，完成水质的在线检测以及加药量的自动控制，其监测系统如图3所示。COD仪自动检测原水和出水COD值，检测频率通过PLC控制电磁阀实现，COD值经ADAM4017＋模块转换成数字信号，显示在安装于IPC的MCGS（MonitorandControlGeneratedSystem）组态软件中；进水量和加药量通过ADAM4024模块输出电压控制蠕动泵和直流泵的工作电压以改变流量来实现；高效反应器中的污泥通过泥位计实时监测，再结合PLC控制电磁阀保证反应器中的泥位保持在一定高度。图3造纸废水处理系统监控系统框图2.3网络样本数据的选取考虑进水量、进水COD和加药量三个因素，每个因素取4个水平，具体取值如表1所示，通过正交实验L16(45)，以自动监控系统完成各个水质指标的采集和加药量的自动加入，剔除MCGS数据库中奇异数据后，用于网络训练和测试的部分数据如表1所示。其中x(t)、u(t)、v(t)和y(t)分别表示t时刻的进水COD（mg/L）、加药量（mL/s）、进水量（mL/s）和出水COD（mg/L），y(t-2△t)和y(t-△t)分别表示t-2△t和t-△t时刻的出水COD（mg/L）,此处△t取2h；y’和y”分别表示出水COD在t-△t时刻的一阶和二阶导数，y’＝y(t)－y(t-△t)，y”＝y(t)－2y(t-△t)＋y(t-2△t)。表1用于网络训练和测试的实验数据序号x(t)u(t)v(t)y(t-2△t)y(t-△t)y(t)y’y”期望输出114000.212515489461-28-2454214000.212489461454-7-107491314000.414499525484-41-67471414000.414525484471-1328512514000.5165044784951743483614000.