申請免費試用、咨詢電話：400-8352-114

簡介： 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，引入人工神經網絡的理論和方法，對其模擬分析，建立了基于BP網絡的氧化溝系統(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：人工神經網絡 氧化溝系統(tǒng) 出水COD

The ANN Model Predicting Effluent COD of Carrousel Oxidation Ditch System.

LUOYa-tian¹, LIAO Run-hua²,CHEN An¹, SUN Yao-hua³, WANG Mian³

(1. School of Resource and Environmental Engineering,Wuhan University of Technology,Wuhan 430070,China; 2. School  of Material Science and Engineering Jingdezzhen Ceramic Institute,Jingdezhen 333001,China;  3. Luohe Center of Wastewater treatment,Luohe 462000,China)

Abstract: The carrousel oxidation ditch system in Luohe Center of Wastewater Treatment is difficult to control on-line because the influent characteristics are complex and vary significantly. To resolve the problem, advanced artificial neural network (ANN) was employed to simulate the correlation between water parameters of oxidation ditch system and a BPNN model predicting effluent COD was built up. Sentivity and performance tests showed that the model can adapt to different situations and has good ability to generalize. It can be directly used to predict effluent COD concentration, which is very helpful to oxidation ditch system control on-line.

Keywords:  ANN; oxidation ditch system; effluent COD

漯河市污水凈化中心于2000年7月正式投產，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，BOD_５≤30mg/l，SS≤30mg/l，實際出水水質狀況（建模(用人工神經網絡建立的氧化溝出水COD預報的模型的簡稱)數學數據范圍，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，參數齊全，實際生產中不便于推廣。人工神經網絡(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數據為學習樣本建模，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網絡模型

按誤差反向傳播原則建立的BP(Back Propoga--tion)學習算法，是當前ANN技術中最成功的學習算法，前饋型BP網絡及在此基礎上改進的神經網絡，是當前應用最廣泛的網絡類型^[4]。本研究以MATLAB環(huán)境下的神經網絡工具箱與統(tǒng)計工具箱^[5]為數學工具，編制的BP模型由三層神經元組成，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：SV_３0（沉降30分鐘污泥體積比）。輸出層產生ANN輸出矢量Y，本研究希望輸出的是出水COD濃度Y。隱含層層數的選擇與問題的復雜性有關，隱含層層數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)點數的確定考慮到兩原則：①樣本數大于網絡可調數^[6]；②幾何平均規(guī)則^[7]：對一個三層網絡，具有n個輸入節(jié)點，m個輸出節(jié)點，則中間層節(jié)點數H= 。本研究取節(jié)點數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絡結構。

1.1.2　以logsig或tansig函數作為隱含層激活函數，分別使用這兩種函數作網絡訓練，擇優(yōu)而用。以logsig作為輸出層激活函數，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)點數值。

logsig函數：  

tansig函數：

1.1.3  采用Levenberg-Marquart收斂規(guī)則，該規(guī)則采用了數值優(yōu)化算法，可根據誤差大小自動調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網絡模型（以下簡稱模型）樣本數據取自漯河市污水凈化中心2000年8月至2002年2月間生產數據，完整記錄（包括全部模型輸入輸出參數）共89組，剔除發(fā)生生產事故(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（考慮到數據樣本集規(guī)模不大，故包括了一些超標排放數據），初步確定為學習樣本集。進水水質參數變化范圍：水溫：10.8～3℃；SS：139～1062mg/l；COD：109～694mg/l；NH₄⁺-N：12.88～496mg/l；控制參數：SV₃₀：12～93；MLVSS：1107～3484 mg/l；MLSS：2226～6226 mg/l。生產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，由于缺乏相關數據，使得模型性能欠佳。篩選出82組代表性數據中，通過主要成分分析及聚類分析^[8]，發(fā)現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將原始樣本分為10類，根據聚類結果，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，彌補了原始數據量較少的不足。

對訓練集與檢驗集數據做預處理，筆者在此提出三點規(guī)范：①保持原始樣本統(tǒng)計規(guī)律，數據拓撲結構。②絕大部分網絡期望輸出要在輸出層激活函數的敏感區(qū)內，避免進入不應區(qū)。對logsig函數而言，敏感區(qū)為[0.15,0.85]。③網絡輸出逆變換不能放大誤差。本研究對原始數據作如下預處理,式中x表是原始值, x_min與x_max分別表示原始值中的最小值與最大值,x_norm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，否則會誘導網絡記住噪聲。如何協調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)化是數值試驗的重中之重。

1.3.2　BP網絡學習收斂速度及局部最小點的性能對初始化權值、偏差矩陣十分敏感，本研究通過加大隨機初始化次數來搜索模型滿意解，對給定的網絡結構及參數組合實行1000次隨機初始化權值、偏差矩陣搜索。

1.3.3　模型性能檢驗，采用四項指標^[9-12]:相關系數C，均方根誤差R，標準均方根誤差N，平均相對誤差A，如下式中x、y分別表示輸入與輸出樣本值，下標i表示第i次訓練時對應樣本值，n表示訓練次數， 、 表示相應樣本均值，x_1i表示輸入第一個變量的第i個樣本值，x_2i類推：

對網絡實際輸出與期望輸出(觀測值)作指標檢驗，可反映出模型的逼近性能。

1.3.4　模型的靈敏度檢驗^[13]：目標值在多維空間中每一點隨各個自變量改變而改變的趨勢。靈敏度曲線平緩表明該項輸入對網絡輸出的影響過弱，靈敏度曲線出現突變或中斷表示該項輸入對網絡輸出的影響過強，此時模型模擬性能不穩(wěn)定，碰到這兩種情況，應繼續(xù)搜索或調整輸入變量個數重新訓練。

2  模型訓練及檢驗

建模數值試驗參數調整范圍設定：E:0.2～0.4；G:0.001～0.5；隱節(jié)點數H:4～14；隱含層激活函數:tansig或logsig；輸出層激活函數:logsig;訓練最大迭代次數:1000。從72,000次搜索訓練中篩選出最佳的一組解:網絡結構7-6-1(三層神經網絡每層節(jié)點數), E=0.3, G=0.15,H=6,隱含層函數:tansig。模型訓練經過18次迭代達到穩(wěn)定，訓練總平方誤差0.13,圖2為誤差下降曲線；模型模擬及檢驗(預報)結果見圖3。

圖2 誤差下降曲線

Fig 2. The Error Curve of Training

模型性能指標值見表1。

表1 模型性能指標

Tab 1 The Values of Model Performance Testing

指標

C

R

N

A

模擬

0.9517

5.0152

0.1309

0.1214

預報

0.7399

9.9225

0.2645

0.2436

綜合

0.8709

7.5127

0.1978

0.1736

從學習樣本集檢驗合格的樣本中任取一組樣本,對應輸入矢量X₁…X₇分別為:{14.3,273,292,33,5479,3394,44},考察網絡輸出隨單項輸入變化而改變的趨勢，靈敏度曲線見圖４

圖3  出水COD原始值與模擬/預報結果

Fig.3.  Observed and Simulated/Predicted Results of Effluent COD

  圖4  模型靈敏度曲線

    Fig 4. The Sentivity Curves of Model

3 　討論

3.1　學習樣本的質量對模型預報精度及準確度影響極大。學習樣本自身的噪聲干擾降低了模型的預報精度及準確度。盡管通過主成分分析與聚類分析有效挖掘了樣本信息，噪聲干擾與訓練樣本規(guī)模較小是模型訓練準確度與精度進一步提高的主要障礙。

3.2　模型性能檢驗基本合格，檢驗集對應的平均相對誤差＜0.25，相關系數接近0.75,標準均方根誤差0.26,通過圖3可看出，模型在預報區(qū)能對出水COD峰值作出正確響應，表明網絡在訓練中捕捉到了氧化溝系統(tǒng)參數間關系的本質。在E≤0.3的前提下，預報準確率達到82.9%，在E≤0.35的前提下，預報準確率達到88.6%，綜合相關系數0.87,綜合標準均方根誤差0.19,建成的模型可行。

3.3　數值試驗中，提高精度，準確度下降；降低精度，準確度上升。對含較大噪聲的樣本訓練而言，適當降低精度，把檢驗重點放在準確度上是可取的。

3.4 從靈敏度曲線分析可見，出水COD對7項輸入參數的靈敏度均較高，靈敏度曲線光滑，并且能定量反映出給定水質條件下出水COD與單項輸入參數的相關性及單項參數對出水COD的最佳控制點。

4  結論

1 以漯河市污水凈化中心氧化溝系統(tǒng)為考察對象，采用人工神經網絡方法對其進行模擬分析，建立了氧化溝系統(tǒng)出水COD預報模型（以下簡稱預報模型）。

2 建立的預報模型，在E ≤0.3的前提下，預報準確率達到82.9%，在E≤0.35的前提下，預報準確率達到88.6%，綜合相關系數0.87,綜合標準均方根誤差0.19。

3 建立的預報模型，出水COD對7項輸入參數的靈敏度均較高，靈敏度曲線光滑，并且能定量反映出給定水質條件下出水COD與單項輸入參數的相關性及單項參數對出水COD的最佳控制點，為建立水質參數的反饋控制模型，將預報與反饋控制相結合，實現氧化溝系統(tǒng)在線智能控制奠定了基礎。

參考文獻：

1  靳蕃. 神經計算智能基礎原理、方法[M]. 成都: 西南交通大學出出版社,2000.

2  田禹,王寶貞,周定.人工神經網絡對水處理系統(tǒng)建模適應性研究[J]. 環(huán)境科學學報,1999，19(1):33－36.

3  郭勁松,龍騰銳,高旭等. 間歇曝氣活性污泥系統(tǒng)神經網絡水質模型[J]. 中國給水排水,2000,16(11):15－18.

4  楊建剛. 人工神經網絡實用教程[M]. 杭州: 浙江大學出版社,2001.

5  聞新,周露,王丹力等. MATLAB神經網絡應用設計[M]. 北京: 科學出版社,2000.

6 張愛茜,韓朔睽, 沈洲等. 運用回歸分析與人工神經網絡預測含硫芳香族化合物好氧生物降解速率常數[J].環(huán)境科學,1998,

19(1):37－40.

7  朱東海,張土喬,任愛珠等. BP神經網絡用于給水管網模擬試驗時的構造參數設計[J]. 給水排水,2001,27(2):10－13.

8 蘇金明,阮沈勇. MATLAB6.1實用指南(上冊)[M]. 北京:電子工業(yè)出版社,2002.

9 Sang H S, Sea C O, Byung W J, etc. Prediction of Ozone Formation Based on Neural Network[J].J. Envir. Engrg.,ASCE,2000, 8:688－696.

10 . Cameron M Z, Donald H B,, Slobodan P S. Short term streamflow forecasting using artificial neural networks[J]. J.Hydro, 1999,214(1):32－48.

11 .Catherine F.B, Pierre L.C..Neural Network Modeling of Organics Removal by Activated Carbon Cloths[J].J.Envir.Engrg,2001,(10):889－894.

12 . Tay J.H, Zhang Xie-yue. Neural Fuzzy Modelling of Anaerobic Biological Wastewater Treatment Systems[J].J. Envir. Engrg.,ASCE,1999,12:1149－1159.

13 .陳念貽,欽佩,陳瑞亮等. 模式識別方法在化學化工中的應用[M].北京:科學出版社.2000.

作者簡介: 羅亞田(1949－),男,貴州畢節(jié)人,武漢理工大學資源與環(huán)境工程學院副教授, 主要研究方向水污染控制工程。