氧化溝系統(tǒng)出水COD預(yù)報的神經(jīng)網(wǎng)絡(luò)模型

摘要以漯河市污水凈化中心的Carrousel氧化溝系統(tǒng)為考察對象，針對該系統(tǒng)進水水質(zhì)復(fù)雜，控制滯后的難點，引入人工神經(jīng)網(wǎng)絡(luò)的理論和方法，對其模擬分析，建立了基于BP網(wǎng)絡(luò)的氧化溝系統(tǒng)出水COD預(yù)報模型。模型性能檢驗和靈敏度檢驗表明，建成的模型準(zhǔn)確度高，適應(yīng)性強，可直接用于該系統(tǒng)出水COD預(yù)報，這為氧化溝工藝在線控制提供了一條簡便的途徑。

關(guān)鍵詞人工神經(jīng)網(wǎng)絡(luò)氧化溝系統(tǒng)出水COD

TheANNModelPredictingEffluentCODofCarrouselOxidationDitchSystem.

Abstract:ThecarrouseloxidationditchsysteminLuoheCenterofWastewaterTreatmentisdifficulttocontrolon-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(shù)指標(biāo)：一期工程：2000年萬噸/日，設(shè)計流量8萬噸/日，設(shè)計的進水負荷：COD≤500mg/l，BOD5≤200mg/l，SS≤200mg/l，設(shè)計出水指標(biāo)：COD≤120mg/l，BOD５≤30mg/l，SS≤30mg/l，實際出水水質(zhì)狀況：SS：10～170mg/l，COD：16～77mg/l，TN：～56mg/l，TP：～/l；二期工程2010年萬噸/日。由于進水中工業(yè)污水成分達到約74%,實際運行水質(zhì)波動極大，對系統(tǒng)構(gòu)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(zhì)強烈起伏，使工藝在線控制比較棘手，出水達標(biāo)排放難以保證。對氧化溝這一復(fù)雜的活性污泥系統(tǒng)，由于影響工藝過程的因素反應(yīng)的復(fù)雜性和高度非線性，常規(guī)的模型適應(yīng)能力有限，而以機理分析為基礎(chǔ)的動力學(xué)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(luò)(ANN)以其連續(xù)時間的動力學(xué)行為、良好的非線性品質(zhì)、大規(guī)模并行分布處理、高度穩(wěn)健性和學(xué)習(xí)聯(lián)想能力等特點，被廣泛應(yīng)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(jié)構(gòu)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(zhì)復(fù)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(xué)習(xí)樣本建模，預(yù)報出水COD，詳細探討了模型設(shè)計、訓(xùn)練及檢驗等環(huán)節(jié)，建成的模型準(zhǔn)確度較高，適應(yīng)性強，可作為一種定性與定量相結(jié)合的有效工具，直接用于該系統(tǒng)出水COD預(yù)報。

1模型原理及設(shè)計

BP網(wǎng)絡(luò)模型按誤差反向傳播原則建立的BP(BackPropoga--tion)學(xué)習(xí)算法，是當(dāng)前ANN技術(shù)中最成功的學(xué)習(xí)算法，前饋型BP網(wǎng)絡(luò)及在此基礎(chǔ)上改進的神經(jīng)網(wǎng)絡(luò)，是當(dāng)前應(yīng)用最廣泛的網(wǎng)絡(luò)類型。本研究以MATLAB環(huán)境下的神經(jīng)網(wǎng)絡(luò)工具箱與統(tǒng)計工具箱為數(shù)學(xué)工具，編制的BP模型由三層神經(jīng)元組成，其主要特點是輸入層由影響出水COD的各因素組成，為使樣本信息盡量豐富，并考慮到指標(biāo)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。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(fù)雜性有關(guān)，隱含層層數(shù)的增加將使訓(xùn)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(luò)可調(diào)數(shù)；②幾何平均規(guī)則：對一個三層網(wǎng)絡(luò)，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(xùn)練成功的一組網(wǎng)絡(luò)結(jié)構(gòu)。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(luò)訓(xùn)練，擇優(yōu)而用。以logsig作為輸出層激活函數(shù)，將輸出結(jié)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)：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(xùn)練中的比重，是目前最快的收斂算法，大大降低了訓(xùn)練費用。

訓(xùn)練集與檢驗集ANN模型的預(yù)報能力與學(xué)習(xí)樣本質(zhì)量及信息量緊密相關(guān)，出水COD預(yù)報的BP網(wǎng)絡(luò)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，初步確定為學(xué)習(xí)樣本集。進水水質(zhì)參數(shù)變化范圍：水溫：～3℃；SS：139～1062mg/l；COD：109～694mg/l；NH4+-N：～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(jié)果反映出進水水量是一個重要模型參數(shù)，由于缺乏相關(guān)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，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(xué)習(xí)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(jié)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(xùn)練集。最終確定47組用于訓(xùn)練，35組用于檢驗。聚類分析，保證了所取的訓(xùn)練樣本分布均勻且能覆蓋原始樣本提供的結(jié)構(gòu)信息，彌補了原始數(shù)據(jù)量較少的不足。對訓(xùn)練集與檢驗集數(shù)據(jù)做預(yù)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(jié)構(gòu)。②絕大部分網(wǎng)絡(luò)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(yīng)區(qū)。對logsig函數(shù)而言，敏感區(qū)為[,]。③網(wǎng)絡(luò)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(yù)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(xùn)練輸入值：

建模試驗要點由于訓(xùn)練、檢驗樣本自身含有噪聲，其大小未知，故建模應(yīng)以預(yù)報準(zhǔn)確度作為首要目標(biāo),精度作為次要目標(biāo)。這里引入①檢驗誤差E：檢驗樣本網(wǎng)絡(luò)輸出值允許誤差的上限；②準(zhǔn)確度：不大于E的檢驗合格率。用訓(xùn)練總平方誤差G衡量模型精度，精度不可過高，否則會誘導(dǎo)網(wǎng)絡(luò)記住噪聲。如何協(xié)調(diào)精度與準(zhǔn)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。BP網(wǎng)絡(luò)學(xué)習(xí)收斂速度及局部最小點的性能對初始化權(quán)值、偏差矩陣十分敏感，本研究通過加大隨機初始化次數(shù)來搜索模型滿意解，對給定的網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)組合實行1000次隨機初始化權(quán)值、偏差矩陣搜索。模型性能檢驗，采用四項指標(biāo)[9-12]:相關(guān)系數(shù)C，均方根誤差R，標(biāo)準(zhǔn)均方根誤差N，平均相對誤差A(yù)，如下式中x、y分別表示輸入與輸出樣本值，下標(biāo)i表示第i次訓(xùn)練時對應(yīng)樣本值，n表示訓(xùn)練次數(shù)，、表示相應(yīng)樣本均值，x1i表示輸入第一個變量的第i個樣本值，x2i類推

對網(wǎng)絡(luò)實際輸出與期望輸出(觀測值)作指標(biāo)檢驗，可反映出模型的逼近性能。模型的靈敏度檢驗[13]：目標(biāo)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(wǎng)絡(luò)輸出的影響過弱，靈敏度曲線出現(xiàn)突變或中斷表示該項輸入對網(wǎng)絡(luò)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(yīng)繼續(xù)搜索或調(diào)整輸入變量個數(shù)重新訓(xùn)練。

2模型訓(xùn)練及檢驗建模數(shù)值試驗參數(shù)調(diào)整范圍設(shè)定：E:～；G:～；隱節(jié)點數(shù)H:4～14；隱含層激活函數(shù):tansig或logsig；輸出層激活函數(shù):logsig;訓(xùn)練最大迭代次數(shù):1000。從72,000次搜索訓(xùn)練中篩選出最佳的一組解:網(wǎng)絡(luò)結(jié)構(gòu)7-6-1(三層神經(jīng)網(wǎng)絡(luò)每層節(jié)點數(shù)),E=,G=,H=6,隱含層函數(shù):tansig。模型訓(xùn)練經(jīng)過18次迭代達到穩(wěn)定，訓(xùn)練總平方誤差,圖2為誤差下降曲線；模型模擬及檢驗(預(yù)報)結(jié)果見圖3。圖2誤差下降曲線

Fig2.TheErrorCurveofTraining

模型性能指標(biāo)值見表1。表1模型性能指標(biāo)Tab1TheValuesofModelPerformanceTesting

指標(biāo)C

R

N

A模擬預(yù)報綜合從學(xué)習(xí)樣本集檢驗合格的樣本中任取一組樣本,對應(yīng)輸入矢量X1…X7分別為:{,273,292,33,5479,3394,44},考察網(wǎng)絡(luò)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(yù)報結(jié)果ObservedandSimulated/PredictedResultsofEffluentCOD圖4模型靈敏度曲線Fig4.TheSentivityCurvesofModel

3討論學(xué)習(xí)樣本的質(zhì)量對模型預(yù)報精度及準(zhǔn)確度影響極大。學(xué)習(xí)樣本自身的噪聲干擾降低了模型的預(yù)報精度及準(zhǔn)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(xùn)練樣本規(guī)模較小是模型訓(xùn)練準(zhǔn)確度與精度進一步提高的主要障礙。模型性能檢驗基本合格，檢驗集對應(yīng)的平均相對誤差＜，相關(guān)系數(shù)接近,標(biāo)準(zhǔn)均方根誤差,通過圖3可看出，模型在預(yù)報區(qū)能對出水COD峰值作出正確響應(yīng)，表明網(wǎng)絡(luò)在訓(xùn)練中捕捉到了氧化溝系統(tǒng)參數(shù)間關(guān)系的本質(zhì)。在E≤的前提下，預(yù)報準(zhǔn)確率達到%，在E≤的前提下，預(yù)報準(zhǔn)確率達到%，綜合相關(guān)系數(shù),綜合標(biāo)準(zhǔn)均方根誤差,建成的模型可行。數(shù)值試驗中，提高精度，準(zhǔn)確度下降；降低精度，準(zhǔn)確度上升。對含較大噪聲的樣本訓(xùn)練而言，適當(dāng)降低精度，把檢驗重點放在準(zhǔn)確度上是可取的。從靈敏度曲線分析可見，出水COD對7項輸入?yún)?shù)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(zhì)條件下出水COD與單項輸入?yún)?shù)的相關(guān)性及單項參數(shù)對出水COD的最佳控制點。

4結(jié)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(jīng)網(wǎng)絡(luò)方法對其進行模擬分析，建立了氧化溝系統(tǒng)出水COD預(yù)報模型。2建立的預(yù)報模型，在E≤的前提下，預(yù)報準(zhǔn)確率達到%，在E≤的前提下，預(yù)報準(zhǔn)確率達到%，綜合相關(guān)系數(shù),綜合標(biāo)準(zhǔn)均方根誤差。3建立的預(yù)報模型，出水COD對7項輸入?yún)?shù)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(zhì)條件下出水COD與單項輸入?yún)?shù)的相關(guān)性及單項參數(shù)對出水COD的最佳控制點，為建立水質(zhì)參數(shù)的反饋控制模型，將預(yù)報與反饋控制相結(jié)合，實現(xiàn)氧化溝系統(tǒng)在線智能控制奠定了基礎(chǔ)。

參考文獻

1靳蕃.神經(jīng)計算智能基礎(chǔ)原理、方法[M].成都:西南交通大學(xué)出出版社,2000.

2田禹,王寶貞,周定.人工神經(jīng)網(wǎng)絡(luò)對水處理系統(tǒng)建模適應(yīng)性研究[J].環(huán)境科學(xué)學(xué)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(jīng)網(wǎng)絡(luò)水質(zhì)模型[J].中國給水排水,2000,16(11):15－18.

4楊建剛.人工神經(jīng)網(wǎng)絡(luò)實用教程[M].杭州:浙江大學(xué)出版社,2001.

5聞新,周露,王丹力等.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京:科學(xué)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(jīng)網(wǎng)絡(luò)預(yù)測含硫芳香族化合物好氧生物降解速率常數(shù)[J].環(huán)境科學(xué),1998,

19(1):37－40.

7朱東海,張土喬,任愛珠等.BP神經(jīng)網(wǎng)絡(luò)用于給水管網(wǎng)模擬試驗時的構(gòu)造參數(shù)設(shè)計[J].給水排水,2001,27(2):10－13.

8蘇金明,阮沈勇.實用指南(上冊)[M]