人工神经网络用于造纸废水处理建模的研究 7页

　　人工神经网络用于造纸废水处理建模的研究文章标题：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n　　人工神经网络用于造纸废水处理建模的研究文章标题：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n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(ArtificialNeuralNetg/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”n期望输出114000.212515489461-28-2454214000.212489461454-7-107491314000.414499525484-41-67471414000.414525484471-1328512514000.5165044784951743483614000.516478495483-12-29465714000.718419458434-24-63425814000.718458434425-915449912440.214429441437-4-164181012440.214441437418-19-154241112440.41237436839931373821212440.412368399382-17-483771312440.518335342321-21-283361412440.51834232133615363271512440.716298306314803201612440.7163063143206-2323179790.216344354350-4-14338189790.216354350338-12-8340199790.418281298284-14-31279209790.418298284279-59268219790.5122452222371538215229790.512222237215-22-37208239790.714311334323-11-34328249790.714334323328516319256480.218302316296-20-34279266480.218316296279-173287276480.416275294288-6-25281286480.416294288281-7-1273296480.514237258245-13-34250306480.514258245250518240316480.712197215209-6-24201326480.712215209201-8-21933基于神经网络的仿真比较研究3.1神经网络结构的建立网络预测能力可以从优化网络本身来加以改善，亦可从提高学习样本的质量和对学习样本的处理方面加以考虑[3-4]。时滞系统的未来响应特性与系统当前时刻的状态有关,与当前及过去时刻系统的状态变化趋势有关[5]。由于本实验系统水力停留时间约为2h，对该时滞系统将出水COD在t-△nt时刻的一阶和二阶导数亦作为网络的输入量。理论与实验表明，含有足够多节点的单隐含层的BP网络可以逼近任意非线性函数，故本文采用三层网络结构，输入层为8个节点，分别代表x(t)、u(t)、v(t)、y(t-2△t)、y(t-△t)、y(t)、y’、y”，隐含层采用试凑法确定为15个节点，输出层为一个节点，代表t＋△t时刻的预测出水COD。RBF网络输入层为8个节点，分别代表x(t)、u(t)、v(t)、y(t-2△t)、y(t-△t)、y(t)、y’、y”，隐含层节点个数采用从0个神经元开始训练，通过检查输出误差使网络自动增加神经元的方法确定，输出层为一个节点，代表t＋△t时刻的预测出水COD。3.2仿真比较研究在确定了BP网络和RBF网络结构后，对2个网络进行训练[6]。首先将样本数据归一化到区间[0,1]之间以消除各指标的数量级差别，防止部分神经元达到过饱和状态，并把第5、10、15、20、25和30组数据作为测试数据，以检验训练后的网络预测效果，其余组数据作为训练数据，用于训练网络。最后得到的各训练仿真曲线绘于图4－6中。图4不同仿真输出和实际输出曲线图4为经过训练后的网络仿真输出曲线，BP模型和RBF模型计算输出能贴近期望出水COD。特别指出的是，仿真输出曲线分为两部分，第5、10、15、20、25和30次采样为第一部分，其余的采样为第二部分。可以看出，第二部分的仿真输出曲线几乎和实际输出曲线重合。这是因为该部分样本数据曾用来训练网络模型，网络模型很好的“记住”n了样本包含的信息，表明模型的学习能力很强；而第一部分的曲线偏离实际输出曲线，是因为这些样本是网络没有“见过”的，因此误差相对较大，相应的相对误差（(网络模型计算输出－期望输出COD)/期望输出COD）如图5所示。BP网络模型最大误差为－6.26，RBF网络模型最大误差为8.5,在造纸废水处理过程中，上述网络输出误差在可以接受的范围内，说明网络模型具有很好的泛化能力。图5考虑出水COD变化趋势的仿真误差曲线另外，考虑BP网络和RBF网络输入量不包含y’和y”n的仿真情况，网络结构同上，仿真数据仍用表1数据，与上述的模型进行对比，得到的网络输出误差见图6。可以看出，在这种情况下BP网络模型最大误差为11.9，RBF网络模型最大误差为-24.30。我们知道，废水处理出水COD除了与进水量、进水COD、加药量和历史出水COD有关外，还与出水COD的变化趋势有一定关系，图5中的网络输出误差相对于图6中的网络输出误差要小，就是因为它考虑了出水COD的变化趋势这个不可忽略的因素。图6未考虑出水COD变化趋势的仿真误差曲线值得提出的是，32组样本数据是分批次实验得到的，因此各批次间在时间上是不连续的，但在仿真上没有表现出明显的差异，表明神经网络具有很好的抗干扰能力；同时5组测试数据并未参加网络训练，仍能得到较好的输出，说明网络具有较好的泛化能力。另外，在测试数据仿真误差较大点，观察可以看出其相对于训练样本空间的分布较稀疏，即训练样本空间未能完全的包含各种可能的系统信息，网络在其周围未能得到充分的训练。因此，如何得到足够的训练样本以及如何选择训练样本，避免欠拟和问题和过拟和问题，是需要值得注意的重要问题[7]。4结论4.1针对废水处理过程具有复杂性、非线性、时变性、不确定性等特点，结合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，建立了基于BP网络和RBF网络的废纸造纸废水处理系统模型。4.2对于BP网络或者RBF网络，输入量包含出水COD在t-△t时刻的一阶和二阶导数的网络比不含一阶和二阶导数的网络，训练和测试仿真效果更好，表明其泛化能力更优。4.3网络结构确定后，样本数据的广泛性及准确性是影响泛化能力的主要因素，如何得到足够的训练样本及如何选择训练样本，避免欠拟和问题和过拟和问题，是值得研究的重要问题。4.4基于BP网络和RBF网络的废纸造纸废水处理系统模型能够准确的描述出水COD与进水水质及历史出水COD的相互关系。《人工神经网络用于造纸废水处理建模的研究》于百搜创业网，欢迎阅读人工神经网络用于造纸废水处理建模的研究。