神经网络智能控制系统应用于废水处理

曾光明，秦肖生，何 理，黄国和，李建兵?
(湖南大学 环境科学与工程系， 湖南长沙 410082)

　　 摘　要：所建立的基于人工神经网络的最优控制模型能够根据废水处理系统中进水水质的变化对出水水质进行预测，将预测结果输入非线性优化器后能在线调整控制变量，从而使整个系统达到实时的最优控制效果。
　　关键词：废水处理；神经网络； 非线性优化；智能控制
　　中图分类号：X703.1
　　文献标识码：A
　　文章编号：1000-4602(2002)08-0017-03

Application of Intelligent Control System in Wastewater Treatment
ZENG Guang?ming， QIN Xiao?sheng， HE Li， HUANG Guo?he， LI Jian?bing
(Dept of Environmental Science and Engineering,Hunan University,Changsha 410082,?China)

　　Abstract： An optimal control model was set up based on artificial neural network.The model can be used to predict the effluent quality according to the variation of influ ent quality in wastewater treatment system.Input of the prediction result into n onlinear optimal controller may result in on-line adjustment of manipulated vari able,so that the whole system may achieve a real time controlling effect.?
　　Keywords: wastewater treatment system; neural network; nonlinear optimization; intellig ent control

　　近年来以非线性大规模连续模拟、并行分布处理为主流的人工神经网络理论得到了很大发展，这种网络具有很强的学习功能及非线性逼近能力^［1］，已被广泛地应用到水处理系统中进行预测和建模^［2～7］。?

1 最优控制模型

　　对于典型的废水处理系统，其输入量包括m个进水指标(如进水量、COD浓度、SS浓度等，记为m维向量X)和n个可控变量(n种药剂的投量，记为n维向量U)，输出量为对各水质指标的去除率(记为m维向量Y)。通过试验可知，Y的变化与X和U密切相关，它们之间的关系可用下式表示：
?　　　　　　　F(X，U)=Y?　(1)
　　事实上式(1)极其复杂，很难用一般的函数形式表达。因此，考虑用一个有m+n个输入和m个输出的人工神经网络对该系统进行辩识。只要将试验测出的p组数据对［(X，U)p，Yp］作为训练样本对网络进行训练就可以得到一个稳定的网络输出，使实际输出和理想输出的总误差小于允许值。这样，在网络训练完毕后就可以用人工神经网络对系统的出水水质作出在线预测。
　　基于对出水水质的预测结果，可以为系统设计一个针对离散信号的最优预测控制器(见图1)。
　　图1中神经网络预测器可在线调整，即根据t时刻的输入信号X(t)和U(t)以及输出信号Y(t)预测系统在t+Δt时刻的输出Y(t+Δt)。非线性优化器以式(2)为优化目标：
　　　　　　　　　MinJ=?PTU(t)QΔt+FC?
　　　　　满足Y(X+Δt)=F(X(t) ,U(t))≤C₀?
　　　　　　　0≤Uj≤bj?(j?=1,2,…,?n)　　　　　　　　(2)?
　　 式中 ?U——n阶向量，为各种药剂投加浓度，g/L
?　　　　　P——n阶向量，为各种药剂价格，元/g
?　　　　　C0——m阶向量，为m个出水水质指标的允许排放浓度，g/L
?　　　　　Q——废水流量，L/h
?　　　　　FC——其他固定费用，元
?　　　　　bj——第j种药剂的最大允许投加浓度
　　　　　　T——转置
　　　　　　Δt——采样周期

　　只要通过给定的优化算法进行运算就能寻求一个合适的U值使目标J值最小。对于任一进水水质自动地选定药剂投量，通过神经网络对出水水质作出在线预测并通过对药剂投量的反复试算寻求到一个最佳药剂投量，在满足出水水质要求的条件下使总运行费用达到最小。
　　在该模型中可以针对具体的进水水质对神经网络进行不断训练，使理想输出与期望输出的总误差总能小于允许值。将进水水质与药剂投量作为输入量得到的输出量如果不达标，则返回修改U值，如果已达标则判断是否使总费用达到最小，如果不是最小则继续修正U值，重复以上步骤直至J值达到最优。?

2 实例分析

2.1 概述
　　湖南省沅陵县五强溪造纸厂座落在沅水北岸，占地面积约为3×10⁴m²，1992年该厂外排废水量为80.14×10⁴m³，废水中SS为607.38t，COD为1674.14t，BOD₅为637.02t，挥发酚为0.82t，硫化物为2.15t。经综合考虑决定采用化学混凝沉淀法处理该厂废水，设计流量为1.64×10⁵L/h，
　　要求达到当地环保部门允许的排放标准(如表1所示)，废水处理流程如图2所示。

表1 废水水质及允许排放标准 水质指标 COD(mg/L) SS(mg/L) 色度(倍) pH 废水 2 782 426 64 7.5 排放标准 800 200 50 6～9

2.2 试验
　　为对最佳的工艺条件进行实时控制，进行了混凝剂和助凝剂投量对废水处理效率影响的试验。理论上应结合不同的废水水质状况进行多次试验，再根据试验结果对网络进行训练，但实际调查表明该厂的废水水质一直比较稳定(见表1)，故为了使问题简化，试验中将进水指标(即输入信号X)保持不变，而只改变混凝剂和助凝剂的投量。于是选择表1的进水水质为输入信号X，以混凝剂l₂(SO₄)₃和助凝剂PAM的投量作为控制变量U，以COD、SS和色度的去除率作为输出信号Y共进行了120组试验，其中COD去除 率变化如图3所示。

　　从图3可见，在输入量保持不变的情况下控制变量与输出量之间的关系表现出了极大的非线性特征，废水的处理效率随着混凝剂和助凝剂投量的增加而呈现出非线性的变化趋势。由于用一般的函数难以描述该系统中的输入与输出之间的变化关系，因此很难在某个输入状态下对输出作比较合理的预测，而人工神经网络具有极强的非线性拟合能力，它能够在这种非线性条件下对系统作出最优预测控制。
2.3 结果分析
　　用人工神经网络方法对该输入与理想输出信号进行网络训练，直至网络实际输出与理想输出小于给定的误差。采用(5,20,3)结构的神经网络(即5个输入层，20个中间层，3个输出层)对试验样本进行训练，利用MATLAB神经网络工具箱编制计算程序，经过12600次训练可使误差平方和达到预定要求(SSE＜0.01)。
　　当输入已知参数［Al₂(SO₄)₃价格：0.0004元/g，PAM价格：0.003元/g，其他固定费用：4.95元/h］时，最优预测控制器在输入信号不变、采样周期取1h时的计算结果见表2。也就是说，在表1的水质状况下采用表2的药剂投加浓度就能够保证出水达标排放，并使总运行费用最小。经过计算，最优运行费用为82.66元/h。

表2 最优控制变量 药剂 Al₂(SO₄)₃ PAM 最佳浓度(mg/L) 1 180 0.62 最佳投量(kg/h) 193.52 0.102

　　虽然试验是在输入变量X保持不变的情况下求得最优运行工艺条件，但该模型在各种水质条件下均能实现对工艺参数的最优控制，原因是当进水水质发生变化时整个控制系统能够在线调整神经网络预测器，并根据最新的预测值对控制变量U作出新的调整，从而使优化目标J又重新达到最小。?

3　结论

　　① 作为智能控制的一个分支，基于神经网络的智能控制能够对难以精确建模的复杂对象进行模型辨识、实时控制、优化计算，可为废水处理系统的实时控制提供新的途径。
　　② 针对一个具体的废水处理系统建立了一个基于神经网络的最优控制模型，它能够对系统的出水水质作出预测，并根据预测的结果对可控变量作出调整。在保证出水水质达标的同时，能使工程总运行费用一直处于最小。

参考文献：

　　［1］Qing Zhang,Stephen J Stanley.Real-time water treatment process control with arti ficial neural networks［J］.Journal of Environmental Engineering，1999,125(2):15 3-160.
　　［2］Neelakantan T R,Pundarikanthan N V.Neural network-based simulation-optimization mode for reservoir operation［J］.Journal of Water Resources Planning and Manage ment，2000,126(2):57-64.
　　［3］Joo-Hwa Tay,Xiyue Zhang.A fast predicting neural fuzzy model for high-rate anaer obic wastewater treatment systems［J］.Wat Res，2000,34(11):2849-2860.
　　［4］Joo-Hwa Tay,Xiyue Zhang.Neural fuzzy modeling of anaerobic biological wastewater treatment systems［J］.Journal of Environmental Engineering，1999,125(12):1149- 1159.
　　［5］田禹,王宝贞,周定.人工神经元网络对水处理系统建模适应性的研究［J］.环境科学学报.19 99,19(1):33-36.?
　　［6］郝明亮，徐建英，左玉辉.人工神经网络在环境科学上的应用研究［J］.上海环境科学，1999,18(11):510-512.［7］ 邢文训，谢金星.现代优化计算方法［M］.北京：清华大学出版社，1999.

---

　　作者简介：曾光明(1962-)，男，湖南华容人，教授，博士生导师，研究方向为环境科学与工程中的新理论、新技术、新方法等。
　　电话：(0731)8822754 13908482238
　　收稿日期：2002-03-25