工业造纸废水处理智能监控系统的研究 122页

n华南理工大学硕士学位论文ABSTRACTWastewaterofpapermakingindustryisoneofprimaryp011utionsourceforenvironmentpollution．Manyscholarsandengineershavedonea10tofworkforwastewatertreatmentprocessforpapermaking．Inordertom8kewastewaterunderpermissivestandardstablyforwastewaterofpulpandpapermakingfromwastepapertreatmentprocess，artificialneuralnetworkcontrolmethodisusedinthistreatmentprocess．Thereisuncertaintyandinstabilityduring宵astewatertreatmentprocess．Thecharactersoftheprocessincludemulti—variable，non一1inear，changingwithtimeandrandom．Soitisdifficulttosetupprecisemathematicmodel．AartificialneuralnetworkpredictionmodelwithimprovedBPalgorithmisdesignedtosimulatetherelationshipofinputandoutputofwastewaterofpulpandpapermakingfromwastepapertreat瓤entprocess，usingabilityofartificialneuralnetworkapproachingtodiscretenon—linearmapping．Muchexperimentdatawhichdenotestherelationshipofinputandoutputofwastewaterofpulpandpapermakingfromwastepapertreatmentprocessisgained，underanautomaticcontr01systemwhichissetuptomonitorwastewatertreatmentprocessinlaboratoryenvironment．Basedonthedata，positive—orientedandconverse—orientedmodelfortheobjecttobecontrolledhasbeenbuiltaftertraining．Theresultofsimulationshowsthattheartificialneuralnetworkcontr01systemforwa荤夸鲁蘸量茎垂量，孪霎f?亨置葛霉嚣兰薹三善霪茬薹i蠢≤爹警疗蓐疆建士翼追童藩塞争}妻耋-毫r喜。薹耋基朝一璧虱器羔量薹舄掌龟点薹毳喾墓毳l目毪霎耋霎}薯尹尊暑Ii主毒至薹}}耋i差手萝囊}摹垂霹i每罩量{翟轰擎蠹莲霉量譬塞妻蕃亨囊薯堂薹；薹蓬，ificialneuralnetworkcontr01systemforwastewaterofpulpandpapermakingfromwastepapertreatmentprocesscomposedbytheabovemodel，canpredicttheeffluentwaterCODfornexttime．Theaverageerrorofpredictiondoesnotexceed10％．Itmeansthattheeffectofcontrollingiswell．Theartificialneuralnetworkcontrollerwasembeddedintonthatint011igentcontr01lingon一1ineisachieVedforwastewaterofpulpandpapermakingfromwastep8pertreatmentproeess。ThefluetuatingofeffluentwaterCOBisundertheaGceptablerange．Keyword$：papermaking：wastewatertreatment：neuralnetworklllnn第一章绪论第一章绪论1．1废纸制浆造纸废水处理技术概述1．1．1废纸制浆造纸废水处理技术研究的必要性水是生命之源，是社会经济发展的必不可少的宝贵资源。随着人口的增长和工业的发展，对水的需求日益增加，而地球上的可用水资源有限，许多国家都面临水资源短缺的危机。如何有效利用水资源是人类共同面临的课题之一。制浆造纸工业的整个生产过程，包括从备料到成纸、化学品回收、纸张的加工等都需要大量的水，用于输送、洗涤、分散物料及冷却设备等。虽然生产过程中也有回收、处理、再用，但仍有大量的废水排入了水体，造成了水环境严重污染。近些年来，随着人类对自然资源保护意识的加强和对环境污染的重视，已逐渐认识到利用废纸作为原料生产脱墨浆进行造纸的重要性和优越性。废纸的再循环利用，不仅能直接降低环境污染，而且废纸价格低廉，所需制浆设备投资少、化学药品的消耗也较少，因此，废纸作为一种纸浆的来源代替原生植物纤维原料造纸是非常经济实用的。目前世界各国回用废纸每年大约l亿吨，发达国家的废纸回收利用率已达50％以上，增长速度远比其他造纸原料快。前几年我国的废纸利用率不到30％，远低于发达国家水平“1。但随着国家对造纸工业环保的重视及世界范围内植物资源的缺乏，国内用二次纤维作为造纸原料越来越多。目前我国已有利用二次纤维造纸的厂家在800家以上，可以预计利用废纸进行制浆造纸必将是我国造纸工业发展的一个重要趋势。虽然利用废纸进行制浆造纸可以减少环境污染，但是，在废纸的脱墨过程中仍会产生一定量的脱墨废水。同制浆造纸过程其他工段所产生的废液相比，废纸制浆造纸废水的污染负荷较小，但各项污染指标仍远超国家规定的排放标准。废纸制浆造纸废水已成为造纸工业的一个新的污染源，引起了人们的重视。1．1．2废纸制浆造纸废水处理技术1．废纸造纸废水的主要成分一般来说，废纸造纸废水中主要含有半纤维素、木质素、无机酸盐、细小纤维、无机填料以及油墨、染料等污染物。半纤维素、木质素主要形成废水n第吾磊蠢薹霉藿垂堇雾毫震孽避篓冀霎鼎鋈雾霞冀羹萋麓羹霪黉要雾薹萋墓蕊，鋈囊喜嚣羹羹雾霎蠢鍪羹酹妻鏊蓁霾鋈臼猷醋矾互黜幕耗荟彝÷帮刽副刚塑垒⋯曩。峨穗暖撬潋啮fj葶丛；菇热攫浅坪诵蔺；发展积吲∽葺罩鋈篓凄滏黼鬻洲矧FL-躺i陪铽潺濂谨憾萋删漫嚏潼强幛狮珊嘲溺嚆j涸噬厦嘲耐耐霎酗褫醛为掘醐醛一凶⋯萌褫沛弧甜魏稚巧藕般∞到擘帆锚蜗影h。妻?』耄舞囊薹蓁鬟鍪鋈纛囊|l囊器岫誓鬟鳢疆封立醴必隧固支翅葵醚醚堙一臻嬲却联稀驻。爱荩瞢暴给喜，以醛羚翮剿瓣弘。酸籍鞋雏帮碍蛆星否夏～髅坚袋譬拿；一谢拦强掣土磐嚣，器i曼妻型班砦罕拳明葑乙8招j瑟瑷；烈例i鞋嚣酣黜弧艄黔％豁；轻嚣毯丽警霜释。酸烈一U她糖猬日月；嚣爨作担穆秘笙，C腮鬓耀避钌礓麴，鲤斡魏铋翻她毵琶雾跫拍翳酗健蜊骷不仅；鞲重彰斟尉剥豪。鹭燮哪嘏。；％蹈制％淄溜裂甄落罄引黜飘夥芬趟器罗：雯，目!!霎鎏醪裂惬捌刻礤弦堑雕舞壤雕《尉圈孽剥拦引郾烈崔。嘣慷碟通滤刮倩?誊!f!!联一划娑蒲攀荫咧谨峙隋墩缅泊蠢矗豫幕氍烘；爝羹刻蕤剐刻受：疆。丞俚摧圪篓《耩豫峰量甄一妊∞劐垂j妻豹蒌融鞠一醛能搬婪l阳尚?一i豫牾i；埋皱黎，囊罂莱函裂狗i霎臻啤矗咯淄喧嚣妇罔鞴刹。譬鬲l弱嚣藩旃甲亚?墓，墓麴型熹目饼辱掣联劓羹，l蚶量焉裂器绪。璧髓备l。i蔫i=三次纤羹滩堵。辏薹鲥烈裂掣匿；蹩薯寒勘季；§疆!甄稳钾虻圈秘翰飘翥j嚣P主鎏嚣荔豪荔昝袅l以预§一；i，妻用壤缎进行制浆遣；蠹融蘑蟊酮!蓦鞘藏羹避备露；玛‘骈露嚣理，萋谣培临鬟镬羽薹埔纂穗蕊筒以浏咝溺蹬略骤i列醚在囊型黼吲戳茎潮孽甚懋雾己菇戬募㈨。淄l—i霉整惦蓉豁翰强藿!篓萼每薹一|交差i塞妻萋茎霎霉￡霹j主皇妻羚辇晶蓦i妻磊萋叁誊莛}鎏i壹i孽l譬墨：鼋萋羹n牮囊理工大学颈士学数论文的coD(化学耗氧量，chemicaloxyg。nDemand)幂矸BOD。；细小纤维、鬣机嫉料皇婺形成SS；演疆、染料蔓癸形成饿魔及coD。2。疫绥蘧纸煮瘩怒溪蠢法(1)搬据旋水的污染秘种类、禽鬣、特性、摊放水量及最终处瑾蔡求稻经济性综台分褫，海不同敬处理方法，可跌分为物理淡、化学法、生物法朔物瑷化学滚。黪毽法缝攥液零蘩予物毽箨穰的藤疆，蕊畿狳不溶麟熟霜傣基浮赫淹主，阉时也能去除部分导致产缴黛化耗氧激的物质，降低和消除废水色腱的作用。娥理逶鼷孛并没鸯敬变污染狻矮豹纯学攥壤。遥豢聚爝熬她理方法毽摄藏靠艨受麓雅矮翁遘滤漩，依靠重力流鼯髂羯熬滋淀法，蔹靠浮逡佟建熬气浮浚等。化学方法怒利用能辫药晶的律耀，以调节魔液pH值、降低帮消除畿糜为主，同时也有去除部分生化耗鳜爨和固体悬浮物的作鼹。包括氧化法、还原法、中和法戳及絮凝沉淀法等。生穆法燕秘露擞警镌熬裁藩霞游麓缝采愁瑷褒承麓。缓承密溶解翡黢蠹黧狡体状态的诲桃辩染物质，作为微生物的觜养物质被熬利用，谯微生物的作用下逐疹海瓣，最终转纯藏灸笼鬻鹣燕分子镌壤，使疲承撵剿净纯。掇豢镞生物程凝骤健瓣辩嚣要蠛嚣誉爨要载钱，《渡分魏好载法襄获戴法嚣夫类。鸯凌法_邋豢是掰手二缀处理、三级处理以满髭出水达剿国家排放标准。烧理化学涤基于物理掺瘸和能学厦艘提结余款艨淫，毡叛溪性碳暇辫法、糍予交接法、魄渗撰法等。(2)畿承巾豹污染耱藤楚多耪多梯懿，不簸鞭期采雳菜耱方浚虢霹戳褥掰考的污染物质去除殆尽。对于欲处理的荣种废水，遵常必须采用数种方法组合的处瑗蓉缝，方巍这潮簸终黉求瓣楚理舔凌。菝爨楚壤黪糕囊，震窳怂壤方式势必～缓整璞、二爨簸攥、三豢簸毽秘滚毒鲶疆。显然，滚承聚理戆缀次愈多，终壤设熬戆设备投资和运行费用愈大。废水她邂的程度要求，怒根据工娥废水的性璇和环境缳护部门瓣予鼹在遮嚣靛搀藏标凇璐确定豹。一缀怒瑗氇舔黄裁缀簸蘧，凳戳貔壤方法搀囊，耱毅纯学方浚。憝理弦痔趣疆永嫩的均德，懋浮物的避滤、上浮帮派淀、p秘蘧的调节、油水鹣分离簿嚣。～级处理的主要内容是去除壤水中轻质岛重质的杂物，以及部结爆浮物餍，减轻后续簸灌工慧熬受耱。溺辩黉磐p嚣镶，受螽续麓理鹣送行撬供象薅。麓予褒纸毯属懋产过獠熬凌隶，逶露在韬缀楚疆去除蘩分霹驻滋簿蒙潮形貔之嚣，滚热秃瓤混凝剂与脊机絮凝剂进行处理。如果嚣热到环保孝|}放要求，则应农一级处理之后，遴抒二级生豫娥理瑷确操逮烬爨}敖。二缀楚褒邂誊采麓受貔偬学方法，瓣鹣在予最大羧疫穗丧豫凌瘩孛照黢薅状态和溶解状态的有视游染物质，芬即导致产生生铯糕氧量髂糯震。工蛙审的二缀2nnn华南理工大学颧士学位论文国内采用零排放技术的废纸造纸厂家不多，主鼹原因是该技术所需投资大，操作较复杂，远行成本较高。华南理工大学万金泉等人研制成功了～体化废水处理技术，主要是采蕉湿凝沉淀与吸辫过滤糖结合熬方法，在特效滚水处理器巾对废水进行处理。该技术对废纸造纸废水簸理效采较好。能将处理魏SS(840mg／L)、cODc，(1015mg／L)、BOD5(272mg／L)的泼水降为ss(32)、coD。，(168mg几)、BOD。(115mg／L)，∞D。，、BOD5的去除率为80％左右，ss去豫率可达85％。经该技术簸璩豹废承胃蔽嚣蘑，生产避程褥充少爨涛承耀可8’。1．2废水处理智能控制的研究与进展1．2．1智能控制的主幕研究方向废农楚理系绞其有不确定蛙窥不稳定性，其处璞过程鹃特杰怒多变量、黪线性、时变性与随机性，散建娩精确的数举模型比较豳难。同时，废水处理系统的控制又属于多嬲标控制，体现在：可能需要控制几种出水指标；需要抑制外部环境的变化(扰动)对处理过程的影响，以确保处理过程的稳定饿；需要使处理过程赞瘸最低(缀济捂标蕞德纯)。替戆掇翻方法菱楚为解决菲线橼系统懿阏麓发展起来的。所谓智能控制就是主要利用人的操作经骚，知识和推理规则，同时利用控制系统所掇供的某些信息得出相应的控制动作，以达到预期的控制目的的一耱按鞭方法。在废水处联领域，智能控制的研究和应用还处予起步阶段，西前主要研究的智能控制方向裔：({)模糊搜制方法这静控裁方法吸收7入豹恶维其蠢模糊往戆将点，使蘑模凝数学串隶耩遗数、模糊关系、模糊推理和决策等工具，得出控制动作。模糊控制系统中的靛制决策及控制规则是根据操伟经验预先总结出来的。根据控制规则、误差及误激变鼷：瓣模鞫子集，产生控裁决策表，逶建决策表豹妻羧粪谗，哥餐翔每一薅粼趣燕予控制系统的控制动作，从而达到对系统的某个参数进行控制的隧的。由于模糊控制的隶属溺数要靠人工经验来取得，很难达到理想的精确穰度，在撩裁过程中爨蚕戆对控制耀劐逮行修敬，雯努模糊控铡本身不其备在线自学习功能，对复杂的不确定性系统进行控铡辩，控制糖淡也较低。因诧在实际的波雳中，模糊控制常于其他控制方法相结合，以弥补其不足，从而取得更好的控制效果。其中以与神经网络控制方法相结合的例子较多。(2)天王糖经圈终控潮方法4nnn第一章绪论神经网络控制是在研究人脑结构和功能的基础上，通过简化、抽象和模拟，建立神经网络模型，再通过相应的计算机系统，实现能反映类似人脑结构和功能来处理问题的过程控制。因为这种控制过程并不是自然神经网络控制，所以称为人工神经网络控制。它是神经网络作为人工智能的一种途径在控制领域的渗透。采用人工神经网络控制，也可以看成是模式识别问题，根人工神经网络原理设计的控制器，能够实时识别并分离出变化的模式，而且能够从经验中“学习”到模式的变化，即便在数据不完备的情况下，也能完成这些任务。由于人工神经网络具有并行机制、模式识别及自学习能力，因此人工神经网络控制方法更能适应环境辩识和控制对象参数变化的复杂控制过程的要求。对于废水处理过程的多维数、不确定、难建模等特点，在废水处理监控过程中引入人工神经网络控制方法，可以解决经典控制方法难以解决的问题。由不同神经元连接结构建立的人工神经网络模型与固定结构的数学模型不同，不需要作任何假设，就能比较真实地反映系统特征。(3)专家系统控制方法专家系统被认为是一个智能计算机程序系统，其内部含有大量某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的经验方法来处理该领域的高水平难题。专家系统控制是应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家才能处理好的复杂问题。一个专家控制系统基本上由知识库(包括数据库)和推理机组成。知识库存储问题领域的专门知识和经验，推理机依靠被控系统当前运行状态和知识库所存储的知识，以一定的推理策略并有效选择知识库中的相应知识，根据提出的所要解决的问题进行推理判断，得出被控对象当前需要的控制动作。(4)综台智能控制方法很多情况下，单独采用一种的控制方法都有不足之处，往往得不到理想的控制效果。例如，作为符号主义的模糊控制适用于处理不准确、非线性、时变、时滞系统的控制，适合表达模糊或定性的知识，但对复杂系统的控制精度不高，不便于控制参数的调整和学习，缺乏自学习和自适应能力；作为连接主义的神经网络能够逼近复杂的非线性关系，有很强的鲁棒性和容错性，采用并行处理方法，具有很好的自组织、自学习能力，但不适合表达基于规则的知识，网络训练时间长，容易陷入局部最小；基于知识的专家系统擅长处理定性的、启发式的知识信息，在一定环境下可以模拟人的思维活动规律，但学习慢，难以满足快速时变系统的控制要求。随着智能控制理论研究的不断深入，专家系统、模糊控制和神经网络控制方法已经开始相互渗透和融合，如神经网络和模糊控制的融合，专家系n华南理工大学硕士学位论文统和神经网络的融合，以及模糊专家控制系统的应用等。普遍认为，将专家系统作为自适应单元，模糊计算作为决策单元，而神经网络作为补偿单元，是目前智能控制发展最有潜力的方法之一。三者的融合使得控制系统具有更强的自适应、自学习、自组织和更好的控制品质。1．2．2国外废水处理智能控制的研究进展发达国家如美国在20世纪70年代中期开始实现废水处理厂的自动控制，目前主要污水处理厂已实现了工艺流程中主要参数的自动测试和控制“1。zipper等研究了基于氧化还原电位(ORP)的控制器的自动控制系统。这个控制器自动工作，并可以在硝化和反硝化之间进行优化，从而减少能耗。研究发现，废水处理厂的实际负荷与0RP曲线变化有相关性。采用两点0RP控制保证了在增加负荷时硝化时间占运营时间的比率也随着增加，这些发现可以作为小型废水处理厂的控制规则基础⋯。Yu等设计研究了一套带有实时ORP和pH控制系统的连续进水SBR反应器。该实时监控和控制系统由传感器、计算机、人机对话界面和控制部件组成。sBR反应器中安装了四个带有Ag／AgCl电极的ORP仪表、一个DO仪表和一个pH仪表，传感器的模拟信号通过AD／DA转换器转换成数字信号，并且依靠计算机每秒采集一次信号。计算机对采集的数据分析后，通过控制线路传递到继电器，由它开／关搅拌器、滗水器和鼓风机。试验结果显示，采用实时控制的SBR反应器在底物去除效率和降低能耗方面均优于采用时序控制的SBR反应器¨3。传统的废水处理自动控制系统要求建立精确的数学模型，并且必须遵循一些比较苛刻的线性化条件，而实际废水处理系统存在复杂性、非线性、时变性、不确定性和不完全性等，一般无法获得精确的数学模型和与实际情况相同的假设，因此，采用传统控制理论建立的废水处理自动控制系统在实际工程应用上存在出水水质波动较大等问题。废水处理自动控制系统中的检测设备、仪表的功能不是很完善，实际中有很大误差，这也会造成出水水质波动或者浪费能源。作为智能控制重要分支的模糊控制、神经网络控制、专家控制和自学习控制等，具有自学习、自适应和自组织功能，正是在这种情况下被用于复杂的废水处理动态过程控制。近年来在美国、欧洲、日本的给水处理、废水生物处理、废水物理化学处理中都有成功的应用。从检索到的废水处理自动控制的研究论文来看，有近1／3涉及到智能控制，可见智能控制已成为该领域的一个研究热点和前沿课题“3。1997年，Manesis“”对希腊某废水处理厂的处理工艺开发出基于模糊逻辑规则的曝气控制系统，并用西门子s5一115uPLc作为下位机，Pc机作为上位机，编制相应的程序实现了智能控制。在废水处理厂正常处理条件下，出水的BOD、6n第一章绪论MLSS达到排放标准，同时节省耗氧量最多可达到50％。T．Aoi等在高负荷生物脱氮工艺处理粪便污水系统中采用了一种基于模糊推理的直接氨控制系统。利用一种新型自动分析仪和uF采样器监测反应器中的NH，一N，并用模糊推理控制脱氮反应器的运行。模糊控制系统从由实际工艺过程中得到的多变量(NH。一N、D0、ORP和pH值)中推出一个适合的条件。系统响应迅速。具有较高的脱氮效率，并且稳定、容易维护““。A．Punal等提出了一种针对厌氧消化器的诊断和管理的模糊专家系统。该系统采用模糊逻辑推理和一个用以补充专家知识的规则库，是在微软视窗支持下开发出来的。该专家系统通过三种主要组件在线运行来判断工艺过程的状态和趋势以及设在水厂终端的控制指标是否处于最佳点。另有两种组件在操作器需要时可并联工作，以检测工艺过程中由有毒化合物造成的限制和在线诊断是否有效采用了下线及在线信息““。w．c．Chen等针对中国台湾省某工业废水处理厂提出一个带有FLc(FuzzyLogicController，模糊逻辑控制器)、GA(GeneticalgorithⅢ，遗传算法)和NN(NeuralNetwork，神经网络)的高级模糊神经网络控制器。其中，GA对NN模型进行优化，以确定NN模型的结构，NN模型调整模糊规则的参数。通过计算机模拟，他们发现这种基于GA的模糊神经网络控制器(NnFLc)比传统的模糊控制器(sFLc)要优越，出水水质和经济指标都优于后者“”。Y．G．Du和R．D．Tyagi等用模糊神经网络对活性污泥工艺进彳亍了规则建模。该方法是将污水的流速，生化酶浓度模糊化，加上污泥回用率一起作为神经网络的输入量，神经网络的输出量模糊化后，按照模糊推理，反模糊，得到最后工艺要求的污泥泥龄““。G．M．zeng等对一个造纸厂的污水处理作了神经网络预测控制研究。用多层BP神经网络对污水废物的去除率和化学药剂的加入量之间的非线性关系建模。这个系统包括一个反应过程的NN竞争器，一个NN控制器和一个用梯度下降法实现的优化步骤。仿真结果显示，经过18000次训练后的BP网络，能够实时预测并控制污水废物的去除率和化学药剂的加入量在一定的范围内n“。1．2．3国内废水处理智能控制的研究进展与国外相比，我国废水处理自动化控制起步较晚，进入90年代后废水处理厂才开始引入自动控制系统。但多是直接引进国外成套自控设备，国产自动控制系统在废水处理厂应用很少。从事污水处理智能控制的研究人员也少，发表的论文数量不多““。彭永臻等研究了将0RP作为sBR反应器有机物降解程度间接指标。结果表明，n华南理工大学硕士学位论文无论是在很大范围内改变曝气量或者改变MLss浓度，还是使反应初始c0D在230～2180mg几之间逐渐或突然变化，当COD达到难降解浓度时，ORP都迅速、大幅度升高，随后又很快趋于平稳，并在某一特定范围内稳定下来。因此，可以用0RP作为sBR法反应时间计算机控制参数，实现计算机在线自动控制“”。彭永臻等还研究了生物电极脱氮工艺的在线模糊控制，设计了结构简单、可靠、稳定、可行性好的在线模糊控制器，该在线模糊控制器对进水硝态氮负荷变化的适应性强，有利于避免过量投加有机物、节省运行费用“““1。王淑莹在国外已有的时间和流量程序控制的基础上，提出一种SBR法有机物浓度控制，使控制过程更定量化和精密化。工业废水的水质变化很大，当进水有机物浓度高时，为使出水水质达标，应适当增加反应时间使运行更可靠；而当进水有机物浓度低时可以减少反应时间以节省运行费用们“。苏敏等针对城市污水生物处理系统的复杂性、不确定性和难以建立精确数学模型的特点，提出了一种用BP神经网络来完成规则推理的模糊控制器““。王先路等研究了以c0D作为对象，对废水处理进行模糊控制的方法。其基本思想是：由于废水中cOD浓度不相同，可以根据生物处理后coD的值来控制加药量的多少，使处理后的废水达标排放。他们设计了一个针对加药装置调节回路的双输入单输出的模糊控制器。输入变量分别为生物处理后的c0D偏差E和coD偏差变化EC，输出变量为计量泵的开度u(控制加药)。模糊控制器由精确量的模糊化，模糊控制算法的设计，输出信息的模糊判决三部分组成n“。此外，清华大学国家环境模拟与污染控制实验室研究了废水处理的专家系统，清华同方在此基础上推出了污水处理专家系统软件，包括：废水处理模拟预报软件、废水处理专家系统、PLc及上位机中的模糊控制软件。庞全研究了工业水处理中pH值的智能控制，采用专家控制技术来中和药剂的加入，有效地解决了pH值控制中存在的严重非线性与时滞性问题阳”。1．2．4废水处理智能控制今后的研究方向智能控制在废水处理系统中的应用研究主要分为以下几类：①对废水处理过程中某单一参数(如pH值、溶解氧、污泥回流率、NH3一N等)的控制：②对废水处理过程中某一反应器(如厌氧消化器、主曝气池等)而非废水处理全过程的控制；③一般只将一种智能控制技术(如模糊控制。神经网络控制、专家控制等)应用于废水处理工艺中；④对智能控制在废水处理系统中应用的初步基础研究(如综合控制参数的选取、专家控制知识库的积累等)。因此，有必要对智能控制在废水处理系统中应用的基本问题进行系统、全面的研究，以期对废水处理全过程实现理想的控制。n第一章绪论虽然智能控制成为废水处理研究与应用的前沿和热点，但国内外都处于广泛应用鲍初级除段。模糊按裁、亭孛经嘲络控制、专家控制是餐熊控制魄鬟要分支，它粕各有後缺点。将两种或两静疆土罄能控魏方法相结合或褥智麓控铡舄传统控锖4方法相结合，是今后废水处理控制的主要研究方向”“。{。3本潦题的婿变鹜景、意义与主要研究态容我国人口众多，森林资源有限，森林覆盖率为16％，低于世界平均水平28％，丽隧，我星承炎滚短缺，人筠承囊鬟有髓器平均永乎的15％。由予我匿匏森林资源和水资源短缺，满足不了遮纸工业对骤辩的需求。髓着经济的发展和生活水平的掇高，纸张消赞量越来越大，这一供霈矛盾越来越突出。2000年我国进口纸、纸板、纸浆、废纸和纸制晶总量已达1337万吨。废纸制浆造纸工艺相对霖本浆造纸工艺藏零低，污染多，还挠壤少辩森袜资源酌骧嚣。霾魏，采蘑褒纸造纸工装对缓解造纸原料的不足，同时，也脊利于保护森林、保护环境“”。我国造纸企业利用废纸造纸的比重逐年上升，据估计，到2005年，全国废纸浆毙重将疆裹囊45瓤。滋广东雀楚爨，基蔫壤有造纸厂500～s00家，狳5～6家外，其余造纸厂均采厢废纸为原材料造纸。造纸企业历来是环境污染的大户，用二次纤维造纸工艺的企业也不可避免地存在遂样的问题。为解决废纸遗纸企业的废水摊放问题，学袭、工程炜们研究了各种废水处理方法。实践证明，这些处理方法戆够有效魏减少对环境弱污染。华南爆工大学造纸与环境学院万海泉，马馘文等研制出了二次纤维废水高效絮凝沉淀处理技术及废水的絮凝生化“一体化”处理技术。这些技术在数十家废纸造纸金效褥裂了应耀。与簧统黪簸理方法糖魄，在莛鬟矮撵夔楚理效莱戆翦挺下，应用这些技术，设备的投资节省l／3，运行费用降低1／2，停留时间缩短l／3～1／2。但在融有的废水处理设备的使用中也发现，由于整个设备的运行幽人工控制，操作人员的责任感，经验等困黎均会对处理鹾出水水媵黥稳定性产生影响，麸孬影蛹漱承承矮静稳定达标。霹子鼗类废承麓理遥程豹多变量、菲线性、时交性与随机性等特点，难以建立精确的数学模型来控制的难点，采用智能拽制理论，构造适合废纸造纸废水处理装置的铿能控制系统，可以避免传统控制方法在废水楚瑾控翻蓑绞孛懿不怒，啻韵予撬麓我鏊造纸浚窳楚灌控翻系统静技拳零平秘警理水平，对保护环境，造福人类有驻要的现实意义。在广东省科技厅黛大专项基金(项目号2003A3040406)和广州市科技计划矮基基金(璎曩号20e423一D0271)豹资助下，本论文围绕废纸剽浆造纸废水处理智能控制器的研究，主要开震了以下几个方灏的研究工谗：1．构建了一个以“高效絮凝沉淀一体化”废纸造纸废水处理技术和设备为争nn华南理工大学硕士学位论文基础的，能够对废纸制浆造纸废水处理过程进行实时自动监控的实验室系统，并研究了在该系统环境下，出水COD与进水c0D、加药量、进水流量之间的变化规律；2．针对上述实验室系统，用人工神经网络方法建立了废纸制浆造纸废水处理过程的正向模型和逆向模型，并将模型嵌入到组态软件McGs中，组成一个废纸制浆造纸废水处理智能监控系统。3．在实验室对废纸制浆造纸废水处理智能监控系统进行实验，验证神经网络控制系统的控制效果。10n第二章入二[神经露络结构霸算法第二章人王神经网络结构和算法近年来，以非线性大规模连续模拟、并行分布处理为主流魄人工神缀网络理论褥嚣了缀大豹发震，这耱溺络其饔缀强静学澎缝力及嚣线装遥透疑力““，己被广泛应用到水处理系统中进行预测和建模“7。”。针对废纸造纸废水处理过程出水水质不稳定的状况，本文拟构建一个基于神经网络的智能控制器来对处瑷过程进行控铡。零牵主要分缨久工毒枣经鬻终夔基本理谂。2．1人工神经网络生物学基础裤经黧物学和棒缀解蘩学豹辑究结莱表鞠，神经元(拄euron)是赫缀织翡基本单元，是神经网络结构与实现功能的基本单位。大脑中有数亿个以上的神经元，每个神经弼与大约103～106个其他神经元相逢接，构成非常庞大丽复杂的生物神经鼹终。备个辛枣经元之弱懿连接懿强度，按照努罄豹激聚赣号俸窭鑫逶瘫变锯，而每个神缀元又随着所接受的多个激励信号的练合结果，艇现出兴奋与抑制状态。大脑的学习过程，就是神经元之间连接强度随外部激励信息作自适成交化的过程，大藏处瑾信息验结果由各秘圣枣经元状态鹩攘体效果确定”““。2．1．1生物神经元的结构入藏虢神经元熬魏整结稳及箕与其攮神缀元连接豹示慧蔫国鼹圈2一l掰示。神经元在绪构上由细胞体、树突、轴突和突触网部分组成。从生物控制勾信息处理的角度餐，神经元具有以下结构特征：(1)细随体是睾串经元的主体，由缍貔核、细胞质和缁胞膜组成。缬胞孩主要进行生化过程，细胞膜将膜内外的的细胞液体分开。当神经细胞受到外界的刺激时，产生电位差，称为膜电位。一个细胞体相当于一个微型生物信息处理器。(2)树突：细胞体向外延伸的突起的短弼多的突起。楣当于神经元的输入端，接受传入的神经冲动。(3)麓突：缓戆体主{牵塞戆最长戆一条突起。轴突邋稼鬼糖经缍绦，箕臻部有许多细小分支，这姥细小分支称为神经末捎，向四面八方传出神经冲动，相nn牮袁理工夫学骥士学位论文当”哥细胞体的输如端。(4)突触：突触是神缀元之闻，～个神经元的璇突末梢帮其她神经元憋镏藏体藏褥突馥逐镶部分。裰滔子弹经元之闻的输入输爨接墨。鬻2一{{枣经嚣缝梅示意黧Fig．2—1Sketchof蝣tructur尊dfneuron生物耱经嚣豹信惑处穗功能：(1)兴奋岛抑制：当传入神经元的电化学信母，经整合。使细胞膜电位升裹，越过动终嫩毽靛阙焦对，糖经元转鸯兴奁状态，产生李孛经冷凌，由辘突缀裁}经术梢传出。警传入神经元的电化学倍瞪，经整合，使细胞膜电位降低，低予阈值时，神经元转为抑制状态，没有神经冲动。≤2)怼空熬会功憝；耱经元对予不阏对鬻逶j建瓣一突魅健入豹襻经渖动其有时间整合功熊：对于同一时间通过不同突触传入的神经冲动其有空间整含功能。这两种功能的组合，具肖时空整合输入信息处瓒的功能。(3)突簸瞬延帮不瘦麓：突簸对槔经摔动静传递其骞薅跫鞫苓应蘩。襻经元在相邻的两个神经冲动之间有一个时间间隔，即不应期。不成期通常在几瑰秒左右，在此期间神经元细胞即使受很强的刺激，也不会产生产生神经冲动。n第二章人工神经网络结构和算法2．1．2生物神经网络由多个生物神经元以确定方式和拓扑结构相互连接即形成生物神经网络，它是一个有层次的、多单元的动态信息处理系统。生物神经网络接受生物内外环境的输入信息，加以综合分析处理，然后调节控制机体对对环境作出适当反应。其功能不是单个神经元信息处理功能的简单叠加。每个神经元都有许多突触与其他神经元连接，任何一个单独的连接都不能完全表现要输出的信息，只有它们集合成总体时才能表现处明确的信息。由于神经元之间突触连接方式和连接强度的不同，并具有可塑性，生物神经网络表现出千变万化的复杂的信息处理能力。2．2人工神经元及网络模型人工神经网络是基于对人脑组织结构、活动机制初步认识提出的一种新型信息处理体系。它不是人脑神经系统的真实描写，而是它的抽象、简化和模拟。在人工神经网络中，用人工神经元来模拟生物神经元，对生物神经元的信息处理过程进行抽象，并用数学语言予以描述。大量的神经元组成庞大的神经网络，才能实现对复杂信息的处理与存储，并表现出各种优越的特性。生物神经网络由数亿个以上的生物神经元组成，而人工神经网络由于物理实现的困难和为了计算简便，相对来说，由少量的神经元按一定规律构成。人工神经网络模拟生物神经网络，完成对信息的处理功能。2．2．1人工神经元模型人工神经元被称为“节点”或“处理单元”。神经元模型提出最早且影响最大的模型是，1943年心理学家Mcculloch和数学家w．Pitts提出的M—P模型““。人工神经元是人工神经网络的基本处理单元，它一般是一个多输入、多输出的非线性元件。神经元输出除受输入信号的影响之外，同时也受到神经元内部其他因素的影响，所以在人工神经元的建模中，常常还加有一个额外输入信号，称为偏差(bais)，有时也称为阀值或门限值。如图2—2所示。外界的输入信号用xt，x2，x。，⋯x。表示，模拟来自其他p个生物神经元轴突的输出。w¨，wmwt。，⋯wb模拟与其他生物神经元轴突的连接，称为权重值，其符号的正负分别表示突触的兴奋和抑制，其数值大小表示突触的连接强度。对所有输入信号进行整合，其“总和值”相当于生物神经元的膜电位。当总和值大于阈值时，神经元被激活产生输n第二章人工神经网络结构和算法2．1．2生物神经网络由多个生物神经元以确定方式和拓扑结构相互连接即形成生物神经网络，它是一个有层次的、多单元的动态信息处理系统。生物神经网络接受生物内外环境的输入信息，加以综合分析处理，然后调节控制机体对对环境作出适当反应。其功能不是单个神经元信息处理功能的简单叠加。每个神经元都有许多突触与其他神经元连接，任何一个单独的连接都不能完全表现要输出的信息，只有它们集合成总体时才能表现处明确的信息。由于神经元之间突触连接方式和连接强度的不同，并具有可塑性，生物神经网络表现出千变万化的复杂的信息处理能力。2．2人工神经元及网络模型人工神经网络是基于对人脑组织结构、活动机制初步认识提出的一种新型信息处理体系。它不是人脑神经系统的真实描写，而是它的抽象、简化和模拟。在人工神经网络中，用人工神经元来模拟生物神经元，对生物神经元的信息处理过"xn华南理工大学硕士学位论文出，用y。表示，输入和输出之间的对应关系可以用一个函数来表示，该函数被称为激活函数或转移函数，这里用：yk-妒(∥)表示。输^信号蕊接杈■出J．●图2—2人工神经元模型示意图Fig．2—2SketchOfartificiaIneuronmode人工神经元的数学模型可表示如下：“t=∑w目xJ(2—1)』tl叱=魄-＆(2—2)yt=尹(vI)(2—3)式(2一1)表示神经元输入的累加和，式(2—2)表示净输入，吼表示阈值，式(2—3)为神经元的输出。转移函数在这里起了很关键的作用。事实上，神经元的各种不同数学模型的主要区别在于采用了不同的转移函数，从而使神经元具有不同的信息处理特性。转移函数主要有阶跃函数，sigmoid函数等。转移函数的基本作用包括：(1)控制输入对输出的激活作用；(2)对输入、输出进行函数转换；(3)将可能无限域的输入变换成指定的有限范围内的输出。2．2．2人工神经网络模型人工神经网络的模型很多，可以按照不同的方法分类。常见的分类方法有按14铂如；斗，●●●●●●』气●●●●Lnn第二章人：工祷羟瓣络臻鞠帮冀法网络连接的拓扑结构分类和按网络内部的信息流向分类。2．2．2．i斓绦叛棼结构类辇(1)层次型结构层次罄缳褥瓣棼经蹰络赘耱经嚣按磅麓分藏若干垂，数输A垂、孛阉层f或称隐层)和输出层，各屎顺序相连，如图2—3所示。输入屡神经元接受外界的输入信息，并传递绘中间凰神经元；中间层是信息处理层，可髓一层或多层；最后一层黪瑟祷傣惠传递绘输感屡，输漤屡彝磐赛输滋售息处理络果。层次塑弼络结鞫主要结鞫有；单纯层次霹络结穆、输穗艨虱输入瑟裔连接静网络结构、朦内有互连的网络结构。豳2—3层次型结构Fig．2—3Structureof}ayertyp尝谨)冀臻型结构互连裂网络结构中，任意两个带点之间都可能存在连接路径，根据网络中节熹懿互连疆溲擦互连型穗终络梅缌分舞全互连鬟、局部互连爨禳稀琉曩遴型。莲2—4是互连鍪绪橡强。nnn第二章入工稗经网络结构和算法称为“教师信号”。将神经网络的实际输出与期望输出比较，当不符合教师信号融，根据麓镫靛方向嬲大小按一定娥刚谖整权镶，竣使下一次网络的输燃更接近期望结果。网络必须袭工{#蓊经过学习，当网络对各稀给寇的输入均能产生掰期望的输出时，则认为掰络已经在“教师”的训练下学会了训练数据集中包含的知识和规则了，可以用来工作了。有教师学习示意图如下：薯逮并麓糗意图2一s寄教师学习示意重F{g．2—5SketchOfSupervisedLearning无教爨学习氇穆灸笼整餐学霹。在学习避疆孛，蚕裁邈绘疆终疆爨动态羧入信息，网络根据特有的内部结构和学习规则，从输入信息流中发现任僻可能存在的模式和规律，同时调憋权值，这个过程称为网络的自组织，其结果是对属于同一类的模式避程叁动分类。在这秽学习模式中，瓣络鲍权德调整不取狭予外来教耀信号的影响，可醚认为网络豹学习评价标雄豫含手丽络静内部。死记掰：学习是指网络事先设计成能记忆特定的例子，以后当给定有必该例子的输入信息时，例子便被回忆起来。网络的权戗一旦设计好了就不能再变动，聪魏萁学习蹩一次爱赘，蠢不是一令过程。神经网络的学习规则是决定神经网络信息处理性能的芙键要素之～，不同的神经网络肖不同的学习规则。日本学者Amari予1990年提出了一种神缀网络权毽调整的遴瘸攘刚””。黠予享孛经潮终孛约某令捧经元j，其输入届爽量j(表示，该输入可潋来自网络绋部，也可戳来自其氇神缀元的输出。第i个输入与神经元j的连接权值用w。，表承，连接到神经元j的众部权值构成权向量w，。对权向量w，在t时刻的调整量A妒，(玲可以用数学式表示为：矗繇◇=犟移：◇，j≤})，靠，(玲释◇(2一连)基于离散调蹩时，下一时刻的权向撼应为：17nn华南理工大学硕士学位论文矿，O+1)=∥，(f)+咿【∥，(f)，X(f)，d，(f)】X(r)(2—5)式中，叩为正数，称为学习常数，其值决定了学习速率，也称为学习率。d．是有教师学习时的教师信号，r=，(矿，，x，d，)代表学习信号。不同的学习规则对学习信号有不同的定义，从而形成各种各样的神经网络学习规则。主要的学习规则有：Hebbian、Perceptron、6(Delta)、widrow—Hoff、Correlation、Winner—Take—All、0utstar等。其特性归纳如下：表2—1主要学习规则简表Table2—1LearningruIesOftenused学习规则权值调整权值初始值学习方式转移函数Hebbjan蝴l=堪娜j冷X0无教师任意PerceDtron△％=，7【d，一s鲥妒，z)】x任意有教师二进制Delta△％=，7(t—DJ)，(聊f，膳任意有教师连续Widrow—Hoff硼J=qqi—wjX、X任意有教师任意Correlation龋?一艰iX0有教师任意Winner—take—al△盼乙=，7(x一陟乙)随机、归一化无教师连续0utstar△％=，7(d一％)0有教师连续2．3BP网络80年代中期，Rumelhart等人提出了基于多层前向神经网络(Multi_layerFeed—forwardNeuralNetworks，MFNN)的反向传播霉f法“31(BackPropagation，BP)，简称BP算法，它实质上是采用梯度下降法解决多层前向网络的学习问题。BP网络的基本结构如图2—6所示，其输入变量为x。(k)，x：(k)，⋯，x。(k)；输出变量为o。(k)，o。(k)，⋯，o。(k)。隐层节点数为九，隐节点输出为yiJ(k)(i=l，2，九；j=1，2，m)。每一个神经元用一个节点表示，网络由输入层、隐层和输出层节点组成。隐层可以是图2—6所示的一层，也可以是多层，前层到后层的节点通过权连接。隐节点一般采用sigmoid函数，输入和输出节点可以采用nn华鬻堙土文葶媲±掌垃论趸E=寺∑(以～吼)2(2—8)厶{=l其中o*为网络麴实骣输出。现寇义E2主(矾一唧)2，％=未等，鼠y肚=厂(船‰)，于是有熹。黑。訾：暑热。慨(2_9)艿％苏P囊8繇锄群噩一。”4。‘。(1)当j为输出节点时，‰=吼艮=薏=鲁，惫=_(破刊舳k)(纠0)(2)当j不怒输出节点时，粼有如2薏=舞·薏=嚣巾¨cz叫-，嚣=；惫象=；急去军‰溉砂胙管a础f。々缈m智锄口‰a"‰掣⋯“3；惫；％。；繇％(2叫2)又融于，屯=，’(删‰)．∑“‰舞=啄鲰Q·3’八吣老t去睁订‰号。言八栉80)(1+厂m8‰))2吉蜘(1+‰)(2—14)根据前面的推蹲过程，其体的BP算法步骤如下：繁～步，选取镪始袄蓬w。第二步，重复下述过程直至满足性能要求为止：1)对于k=1到Na．诗冀y"致etn嚣o。豹毽(燕囱过程)；b．对静层从龋层剥第二层反向计算(反向避程)；20nnnn第二章人工神经网络结构和算法速度与初始权值的选择有关；(3)网络的结构设计，即隐节点数的选择，尚无理论的指导，具有很大的盲目性；(4)新加入的样本对已经学好的样本影响较大，且每个输入样本的特征数目要求相同，泛化能力较差。2．4．1收敛性的改进(1)加入动量项为了使学习速率足够大，又不易产生振荡，在权值调整算式中，加入“动量项”，即；％o“)=％(o一叩未≥+所坳(f)一％(f-1)】(2—15)上式右边第二项是常规BP算法的修正量，第三项为动量项，其中卢为调节因子，这里O<口<1。上式又可以写成咄(川)-_，7器+挑(，)(216)其中，哪(f)=嘞(f)一％O一1)。该等式可以看作是△嘞(f)的一阶差分方程，于是有邺)-_，7扩1黜∥。1㈣(2叫，)上式的意义在于：当本次器与前一次同符号时，其加权求和值增大，使毗(f)增大，从而在稳定时增加了权值的学习速度；当器与前次符号相反时，说明有一定的振荡，此时指数加权和的结果使△％(r)减小，因而起到了稳定作用。(2)变步长法变步长法的基本思想为：先设一初始步长，若一次迭代后误差函数J增大，则本次调整无效，且将步长乘以小于O的常数，沿原来方向重新计算下一个迭代点；若一次迭代后误差函数J减少，则本次调整有效，且将步长乘以大于O的常数。文献[44]提出了一种简单易行的利用误差变化率对BP算法的学习步长进行修正的变步长算法。假设传统的BP算法权值修正公式为啷n华南理工大学硕士学位论文该公式中学习步长叩是一个固定值；而在利用误差变化率的变步长算法中，学习步长是一个变化量，其修正公式为刁(f+1)：叩(r)一∥尘晏(2一19)J式中玎(f+1)，叩(f)分别为学习步长修正后的值和当前值，一声掣为步长增量，JO<口<1为常量。在学习过程中，逐次自动调节学习常数玎，每次对学习样本进行一次循环后，就计算误差变化率：堂：』塑二盟二!!(2—20)JI，(f)采用等作为步长修正依据是基于以下考虑：当Ⅳ；，o)一，(f—1)>o，说明学习J误差正在增大，输出值正在远离期望值，权值调整过大，需要减小△w。由公式(2一18)，若减小珂，△w也必然减小。而学习步长调整公式(2一19)中玎确实是在减小，符合要求，能够加快学习收敛速度。反之，当Ⅳ=J(f)一．，(f一1)燕逡转算法鲢三令基零翡搽撵(Genetie0per挂tio辘$≥，霞浚终嚣法萁蠢了葵宅传统方法掰没露懿特瞧。遗传算法戗含如下5个基本要索：①参数编硒}④初始群体的设定；@邋应渡瀵数夔设诗；◇遣褥搡露设诗；⑨整潮参数瓣竣燮《圭娶揍嚣舔大小帮1滁薹酣以弃筒霾搏馁i；中，成员之间又彼此依赖。这种依nnnn第=雏妻譬拄羡嚣麓堪陪薹婴量萄毯霉翔警制甾妻盈毋崮鼎鞘2餮器鹱爨誉爨嚣鑫靼艇毪建醛醺靼势n的私鼬心程当■稳硬错旗态是指从当爵赣泰缮葑一雨巍蒜型碉焦优化n华南理工大学硕士学位论文11．△C≤O舻{：p(_△cm，△c>o∽川2)其中△c为目标函数值的变化。可以得知，系统温度T决定着随机移动的接受概率。温度越高，则算法接受使目标函数值上升移动的能力越强，具有较强的“爬山”能力；温度很低则使目标函数值上升移动的接受概率很低。(3)初始温度T。温度：T在模拟退火法中具有决定性作用(称为模拟退火法的控制参数)，它直接控制着退火的走向(即系统的优化方向)。由随机移动的接受准则可知，T很大时新状态的接受概率很高。但初始温度T。的选取不能过高也不能过低。若T过高，以后的优化过程会有大量的时间浪费在因初始温度过高，而接受的使目标函数值上升的移动上；反之，若T。过低，又会使算法的“爬山”能力减弱而可能终止于局部最优解。一般的T。确定方法是使初始温度T。较低，然后逐渐升温直至接受率接近1。(4)降温进程：假设降温函数为瓦。=，(瓦)，瓦代表第k次递减时的温度。Aarts和VanLarrhoven[]提出的一种具有多项式收敛的降温进程：瓦+l-瓦[1+絮】一1(2—23)j盯t』女J其中盯为目标函数标准偏差，艿为给定数值。6越小，则降温越慢，但模拟误差也越小，其取值不同对模拟退火算法的实验性能有显著影响。占的选择一般与优化命题有关，一般通过计算机调试而确定。(5)终止准则：当r=L时终止计算。乃满足下列条件：，rj，，、暑．警b<0(2_24)V，∞～其中占，是称为停止参数的较小正常数，而<，>，则为温度T下生成的解答的代价期望值。在实际应用中，代价期望值常由样本均值来近似。模拟退火BP算法的原理就是在所有网络权值上加一个噪声，以改变误差曲面的形状，再利用模拟退火算法推出局部极小。基于模拟退火的BP算法是目前研究的一个热点，其应用是很广泛的。例如文[61]中将其应用于检测旋转磁场的问题。该文在应用BP算法训练网络之前将模拟退火算法用来平滑输出误差。仿真结果显示了该算法优越性于传统的BP算法。2．4．4提高泛化能力的方法对于同一样本的能力称为网络的泛化能力(GeneralizationCapability)。网络的泛化能力依赖于网络的结构和训练样本的特性。网络的结构又与隐节点数、隐层数和隐节点30nn第二章人工神经网络结构和算法的函数特性有关。一般说来，网络的隐节点数与隐层数越小，网络的泛化能力越强。另外，加入噪声等也可以提高网络的泛化能力。如文[62]将附加的白色高斯噪声(AdditivewhiteGaussianNoise，AwGN)加入样本数据中用于BP网络训练，泛化能力得到提高。文[63]将局部最大嫡(LocallyMostEntropic，LME)的概念用于BP网络训练，并将标准的BP、AwGN、LME三种训练方法进行了比较，结果LME方法的泛化能力显著好于标准BP方法和AwGN方法。2．5本章小结本章主要介绍了人工神经网络的生物学基础、人工神经元数学模型及神经网络模型，并重点介绍了将在本文中应用的BP神经网络。针对BP神经网络存在的缺点，提出了相应的改进方法。nn华南理工人学硕士学位论文第三章废纸制浆造纸废水处理自动监控系统构建本论文是以废纸制浆造纸废水处理过程控制为研究对象的，具体来说，是以华南理工大学造纸与环境学院万金泉、马魉文等研制的“高效絮凝一体化”废纸造纸废水处理技术和设备为基础，通过添加在线水质检测、运行状态检测及所需控制设备，将神经网络控制方法应用到该处理过程的建模和控制中。本章主要讨论废纸制浆造纸废水处理自动监控系统的构建。3．1废纸制浆造纸废水处理工艺和设备删肋劂I燃I蹶颁排0黼_+纛毛㈣黜图3—1废纸造纸废水处理工艺Fig．3—1WastewaterofpulpandpapermakingfromwastepapertreatmentprOCess本文采用的废纸造纸废水处理工艺流程如图3一l所示，该工艺模拟实际废纸造纸工厂废水处理车间的处理工艺。试验所用的高效一体化反应器是按照工厂实际应用的反应器缩小10倍制造的，如图3—2所示。造纸废水由进水泵泵入高效一体化反应器。絮凝剂通过加药泵，再经进水泵与废水混合，进入高效一体化反应器。助凝剂由另一个加药泵直接加入高效～体化反应器。高效一体化反应器是一个特殊结构的容器，集造纸废水与絮凝剂的混合，反应，和澄清过滤予一体。进水口在反应器底部，废水经过反应生成沉淀，并在沉淀自动形成的流化床吸附过滤作用下，成为清水，由项部的出水口排出。经过处理的水，视情况决定回用或者送到二级生化池进一步处理。生产过程一般隔一定时间用化学方法检测高效一体化反应器的出水COD，根据出水COD，调整加药量。污泥的排放也是根据经验决定是否排放，以及排放多少。本文仅针对废水经高效一体化反应器处理到出水这一过程，对生化池反应过程不作讨论。n第三章废纸制浆造纸废水处理自动监控系统构建图3—2废纸制浆造纸废水处理实验室监控系统Fig．3—2WastewaterofpulpandpapermakingfromwastepapertreatmentprocessmonitoringandcontroIsysteminlaboratory3．2自动监控系统的构建自动监控系统包括对废水处理过程的监测和控制两部分。监测系统检测废纸造纸废水处理过程的进水c0D和出水cOD，控制系统根据废纸造纸废水处理的经验和规则，对絮凝剂或助凝剂加入量，以及进水流量作出调节指令，执行机构作出相应动作。自动监控系统是一个有机的整体，其系统框图见图3—3所示。nn华南理工大学鞭±学位论文霾3—3壤纸造纸疲零处理篮控聚统框图Flg。3—3Sohe辩8tlcd{agramof常88tewaterofpulpandp8permakingfromwa8tepapertreatmentprocessmonitOrandcOntroIsystem3。2。{][薹迎P0翔pLC采用西门予SIMATIcRACKPcIL工控机作为止位机，西门子s7—200226Ac／Dc／RELAYPLc(可编程逻辑控制器)作为下位枧，工控机是自动监控系统的控涮孛，0。工羧撬是久裁交麓要瑟鹣溺爱，支耩建糕动态建模。在缝态获释鹣支持下，工控机对废纸造纸废水处理过稷进行监控。PLC对测原水coD电磁阀(A阀)、测出水coD电磁阀(B阀)和排泥阀进行控制，并留有扩臌接口备用。PLC逶避黯I透信魄缆连接PC瓤eO鹾l嗣，Pc鞔上装宵透门子公司提供豹sTEP7醚icrowIN32软件，可以对p拢编程、下载程序。nnn华南理工大学联士学经论文废纸造纸废水处理试验过程中需鬻测量原水COD值和出水COD值，由于所采用的UV—pcx在线cOD检测仪只能测量一路进水指标，因此为了实现在试验过程中测羹溪黢遂承獾括戆嚣豹，尝试镬弱p疑琵台电磁蠲牙关，搜原农窝窭农分瓣段进入eOD仪测肇。具体方案如下；用橡皮管从废水池引出原水，该路原水受电磁阀A阀控制，从高效一体化反应瓣遵水口将处理后豹出水弓l出，该路如水受电磁阀B阀控制。A、B两阉在pLc程黪酌控割下，使原承鞍蠢承每隔一令躅期流入一拿专焉懿取榉禳，每过一嶷时间，在线cOD仪检测取样槽中的水样。组态软件运行时，只需戮判断A、B两阀对艨PLc的输出触点Q0．O、QO．1的状态，即可知嫩检测的是原水c0D还是出水c∞。在每令狻藏溺期最蒙3鳃，逶避p毛c控镧镬敬襻獾下溃戆C阕蠡嚣，傻取样槽中的剩水摊出，避免了测水对下一个测量周期的影响。A褥B鼹器出本豳3—5测鬟嚣承000秘爨承eOD切羧装置Fig．S一5Equlpmentwhlohexchangethemeasurementoftheorlglna竹astewaterCODand尊ffIuentwaterCOD3．2．3执行机构的组成执行机构攒进水泵、蠕动泵等装雹，这些装置程本系统中好比入的手瓣，负责物质的传递工作，受“大脑”Pc机控制，完成谶水、加药的任务。此外，由于避承泵、蠕动泵所建电枫麴特性，可以完成进水滚璧、如药爨的标定，秃嚣男舞瓣传感器。nn华南理工大学磺±学位论文转速(rpm)100lO026290流黛(ml，min)蚕3—7兰褡蠕动岽转速一流羹绛特性曲线Flg．3—7GraphofpropertyofLONGERperi8taIticp“mpbetweenrotations口eedandfltJx3．2．4废水处理自动监控软件组态软件(configurationsoftw8re)能够对计算机及软髂的各静资源瀵行酝鬣，使计葬枫或软件按照颟先设置，爨动砉llI行特定任务，满跫健甭者对不阀应用的要求”“。Pc机上装有MCGs组态软件的开发环{激和运行环境，在开发环境下针对上述废纸谶纸废水处瑕控制系统，擞据系统运行的要求，配鬣硬件设避和软磐设置一舞谣缀态，玺袋鑫遮行蓼羲下《撬行稳痰拳楚理叁蘩麓控较传。在醚CGS开发环境下有赢大部分；设备窗口、主控窗口、寅时数据库、用户窗口和运行策略，下面分别从这五个方面来构建废水处理自动监控软件。(i)疆设餐鬻日彗理辨郏设备绩号瀚输入、输出。疲拳处璎叠动监控软{串利用了辩eGS支掩上述硬件驱动的特性，髓够读或写A转臁模块信母，读写PLe的稳关寄存器。因此可以通过ADAM模块控制进水泵及蠕动泵的转遮，读取coD检测值。使各个单狱的设备统～在软件的管理下。软件送行时，设备窗臼不可见。调速模块矗貉矗瓣024蠢A令模攘输滋遴遴，弱冀串豹嚣令逶遂分籍连接嚣令蠕动泵，一个通道连接进水泵控制电路，各通道之间互相独立，互不影响。coD值采集模块AD删4017+有八路模拟输入用其中的一路连接cOD仪信号输出端。曲A撼4024窥A矜A麓4017+豹遴添蠛口支撩嚣S485耱议，经总线转换模块矗DA灏520，通过RS232与阄机CoMl诲接。n华南理工大学磺±学位论文转速(rpm)100lO026290流黛(ml，min)蚕3—7兰褡蠕动岽转速一流羹绛特性曲线Flg．3—7GraphofpropertyofLONGERperi8taIticp“mpbetweenrotations口eedandfltJx3．2．4废水处理自动监控软件组态软件(configurationsoftw8re)能够对计算机及软髂的各静资源瀵行酝鬣，使计葬枫或软件按照颟先设置，爨动砉llI行特定任务，满跫健甭者对不阀应用的要求”“。Pc机上装有MCGs组态软件的开发环{激和运行环境，在开发环境下针对上述废纸谶纸废水处瑕控制系统，擞据系统运行的要求，配鬣硬件设避和软磐设置一舞谣羁韵j诵斟澎鞠囊冶碉圆溃海仲节瞄迈漾溶薹型豢群鑫臻；等耋囊霎；洲镦贫鳓蒯渤剥得厂家与分销商之间经常发生冲突与矛盾，甚至危及整个企业的分销渠道网络。隧4—4落后静物流鬣进体系Figue4-4Thelaggingsystemofdistributing4．3．2渠道成员之闻的力量对玩发生畿亿在计划经济时期，国内企渡营销渠道基本上是一釉以制造商为中心的传统渠道模式。在这种模式下，翻造众监成为渠道的领导者，中间商尽管拥有重要的渠道资源，但也不得不处于从属地位。而在市场转魁期，特别是在90年代嚣麓，熬着买方常场酶形成，程谗多产犍镶域，魏家奄、骚装簿，生产能力过剩引致过度竞绎。在此背景下，渠道权力中心呈现向渠道下游转移豹趋势。nnnn华璐理工大举鞭±举位论文MCGs开发环域提供了多种能实现特定功能的策略构件，用户W以方便地测用这熬策略构件实糯一寇的功髓。此外，滋可以在符合McGS接口黼范的情况下，开发鑫己翡策略槐箨。本系统浆壤承楚理软得涂缺省蕊蔻旗蓑路、退爨燕略外，逐莉粥循环策略辩热键策略采组态。循环繁硌设置为按50黼s翳麓循茹l：执行，能满怒羝统戆采弼遮度。爨弱鹾CGs爨豢煞嬲本缝辑嚣，在锾臻策髓内聱生成痿浚控制穰净。这些控制稷序根掇废纸造纸黢水处理的避程经验编制，在这里起劁了自动羧麓终震。热键簸臻霜裁了鞑SS鑫辩翡策略王舆籍薰蘸“嚣xe瓿擐表输爨”策略构件，对憾括进水eon，出水coD，絮凝剂流爨，助凝剂流量等数据对象成员的存盘组对敷进行设鬣。按一定形式输出。软件谯行j缱程中W戳髓时通懿￡～个煞键将臻关数据存擞辏凄到捂宠熬EXe戡文谗。3．3黉动鍪控系统试验结果与分耩糕瘸蘸蔼戆自动蓝控系统，对褒绥逡绥废汞戆遵过程避簿试验，试验缀莱及熟分析如下。3+3。{P鹈翡剿王艺试骏结暴爱冀势橱废窳取爨广东菜Oce造纸厂，废求eO蚤为5∞～1500。在蜜虢室徽小试试验，发瑷对予该发零单独搬入p盎e<复合型舞分_子絮凝裁)翁混凝效果，好于嬲赋热入健统静酸酸铝和麓凝裁pA鹾熬疆理熬莱。零试簸P矗e浓度是5‰。1。不同的j憩水流量对出水coO的影响在膝求eO珏固定不变，为707趱g／l，熊药蘩瓣定猩o。毒黼l／s随，簌醚eGs缌惫敏徉豹遴杼塞国下改黛迸承滚量，瓣爱瘟器撼零eO瑟戆影壤磐图3一10(8)所承。从图中W以糟出，出水e0D随觜进水流量鲍增犬逐步势随，与预期趋势柏耱。警在蠢水溺定eOD程8妫臻g／i，瀚定熬药量东0．s辩l／s的象搏下，却笈瑷谯增加进水流魑的j建程中葳应器蹬承coD鸯降低鲍趋势，之磁叉逐步增加，如图3一10(b)所示。分析原因，可能是由予猩14ml／s的进水流量条件下，0．6m1／s鲍絮凝裁鬏璧避褒，簸嚣使褥爨枣e∞不黪爱舞““。鼓数器还溪l冀豢盘，避求瀛簿在14ml／s，加药鬣在O．4ml／s的条传下，掇水e∞达期196{商当迸永流量为20精l／s对，凌麓榉鹣翔癸麓条释下，辩承eOD帮滚戮359，分耩嘏瓣，虿艉是当进水流照为14ml／s对，殷艨停糖时间比较长，因霹如水eOD比较低。n华璐理工大举鞭±举位论文MCGs开发环域提供了多种能实现特定功能的策略构件，用户W以方便地测用这熬策略构件实糯一寇的功髓。此外，滋可以在符合McGS接口黼范的情况下，开发鑫己翡策略槐箨。本系统浆壤承楚理软得涂缺省蕊蔻旗蓑路、退爨燕略外，逐莉粥循环策略辩热键策略采组态。循环眺确荫郦震蕊l§霎荸j敦楫造ji寻时黼i惟菌慵型舔淘渗淄强鬈。酲蚕囊妻营i塞测曲线Fig．3—9GraphofCODvaIuemeasuredon—line(4)在主控窗口设置了软件运行时，操作各用户窗口的菜单，可以方便地进行切换。此外还设置了软件运行时的启动属性、系统参数等。(5)在运行策略窗口可以建立多个策略。所谓“运行策略”是用户为实现对系统运行流程自由控制所组态生成的一系列功能块的总称”“。“运行策略”有启动策略、用户策略、循环策略、事件策"xn华璐理工大举鞭±举位论文MCGs开发环域提供了多种能实现特定功能的策略构件，用户W以方便地测用这熬策略构件实糯一寇的功髓。此外，滋可以在符合McGS接口黼范的情况下，开发鑫己翡策略槐箨。本系统浆壤承楚理软得涂缺省蕊蔻旗蓑路、退爨燕略外，逐莉粥循环策略辩热键策略采组态。循环繁硌设置为按50黼s翳麓循茹l：执行，能满怒羝统戆采弼遮度。爨弱鹾CGs爨豢煞嬲本缝辑嚣，在锾臻策髓内聱生成痿浚控制穰净。这些控制稷序根掇废纸造纸黢水处理的避程经验编制，在这里起劁了自动羧麓终震。热键簸臻霜裁了鞑SS鑫辩翡策略王舆籍薰蘸“嚣xe瓿擐表输爨”策略构件，对憾括进水eon，出水coD，絮凝剂流爨，助凝剂流量等数据对象成员的存盘组对敷进行设鬣。按一定形式输出。软件谯行j缱程中W戳髓时通懿￡～个煞键将臻关数据存擞辏凄到捂宠熬EXe戡文谗。3．3黉动鍪控系统试验结果与分耩糕瘸蘸蔼戆自动蓝控系统，对褒绥逡绥废汞戆遵过程避簿试验，试验缀莱及熟分析如下。3+3。{P鹈翡剿王艺试骏结暴爱冀势橱废窳取爨广东菜Oce造纸厂，废求eO蚤为5∞～1500。在蜜虢室徽小试试验，发瑷对予该发零单独搬入p盎e<复合型舞分_子絮凝裁)翁混凝效果，好于嬲赋热入健统静酸酸铝和麓凝裁pA鹾熬疆理熬莱。零试簸P矗e浓度是5‰。1。不同的j憩水流量对出水coO的影响在膝求eO珏固定不变，为707趱g／l，熊药蘩瓣定猩o。毒黼l／s随，簌醚eGs缌惫敏徉豹遴杼塞国下改黛迸承滚量，瓣爱瘟器撼零eO瑟戆影壤磐图3一10(8)所承。从图中W以糟出，出水e0D随觜进水流量鲍增犬逐步势随，与预期趋势柏耱。警在蠢水溺定eOD程8妫臻g／i，瀚定熬药量东0．s辩l／s的象搏下，却笈瑷谯增加进水流魑的j建程中葳应器蹬承coD鸯降低鲍趋势，之磁叉逐步增加，如图3一10(b)所示。分析原因，可能是由予猩14ml／s的进水流量条件下，0．6m1／s鲍絮凝裁鬏璧避褒，簸嚣使褥爨枣e∞不黪爱舞““。鼓数器还溪l冀豢盘，避求瀛簿在14ml／s，加药鬣在O．4ml／s的条传下，掇水e∞达期196{商当迸永流量为20精l／s对，凌麓榉鹣翔癸麓条释下，辩承eOD帮滚戮359，分耩嘏瓣，虿艉是当进水流照为14ml／s对，殷艨停糖时间比较长，因霹如水eOD比较低。n第三章废纸制浆造纸废水处理自动监控系统构建a)原水c0D为707，加药流量O．4mI／sb)原水c0D为866，加药流量0．6ml／s图3—10进水流量对出水c0D的影响Fig．3—10ImpactofinfluentfIuxonCODOfeffIuentwater2．不同进水水质对出水c0D的影晌试验时仅改变进水COD，进水流量、加药流量保持不变。从图3—1l(a)、(b)中可以看出，在加药量和流量恒定的条件下，当原水CoD逐渐降低时出水COD逐渐降低，与预期变化相符。43nn第三章废纸制浆造纸废水处理自动监控系统构建a)原水c0D值979，进水流量18mI／sb)原水c0D值1244，进水流量17ml／s图3—13加药流量对出水COD的影响FIg．3—13ImpactoffIuxofinputmedicamentonCODofeffIuentwater对试验数据分析可以看出，出水cOD与进水水质，加药量，进水流量，停留时间等诸多因素有关，且各个变量之间又存在相互影响。正因为废水处理过程具有复杂性、非线性、时变性、不确定性和不完全性等特点，一般无法获得精确的数学模型和与实际相符的假设，因此采用传统控制理论建立的废水处理自动控制系统在实际工程应用上存在无法合理控制工艺参数，出水水质波动较大等问题，这也导致了废水处理领域自动化水平还比较低的现状。本试验研究为进一步实现废水处理的智能控制打下了基础。45nn第四章废纸制浆造纸废水处理过程预测模型4．1系统辨识众所周知，利用控制理论解决实际问题时，有时必须建立被控对象的数学模型。当无法靠系统机理建立被控制对象的数学模型时，就只能依靠系统辨识的实验研究方法了。L．A．zadeh曾给辨识下了一个定义：“辨识就是在输入和输出数据的基础上，从一组给定的模型中，确定一个与所测系统等价的模型。”这个定义明确了辨识的三要素”“。(1)输入／输出数据，指能够测量到的系统的输入与输出。(2)模型类，指所考虑的系统的结构。(3)等价原则，指辨识的优化目标。由于实际中不可能找到一个与实际系统完全等价的模型，因此，从实际的观点看，辨识就是从一组模型中选择一个模型，按照某种原则，使之最好的拟合所关心的实际系统的动态或静态特性。图4一l给出了常见的辨识结构。图4—1常见辨识模型Fig．4—1IdentificationmodeIoftenused辨识模型分成静态模型和动态模型两大类。在动态模型中又包含参数模型和47nn华南理工大学硕士学位论文非参数模型两类。非参数模型包括阶跃响应、脉冲响应、频率特性等，它的前提是过程为线性的。这类方法可以适用于任何复杂的过程，工程上仍然采用它。对于参数模型而言，无论是静态模型还是动态模型，实际系统的特性均表现在变化着的输入／输出数据之中，辨识只不过是利用数学的方法，从这些数据中提取系统P的数学模型P，即确定P使式(4—1)成立。lI；一=lI=pc“，一Pc“1I≤占(4一1)式中，=、：分别是模型和系统对于系统输入u的输出响应；占为预定的辨识^精度。设P=z一=，辨识准则即为呼酬=刊刊(4—2)目前，对线性、非时变和具有不确定参数的对象进行辨识和自适应控制的研究己取得了很大的进展。而对于非线性系统的辨识和自适应控制问题，往往需要有关被辨识系统的结构形式等各种先验知识和假设，因此，它们基本上是针对某些特殊非线性系统而进行的。由于神经网络具有很强的逼近任意非线性对象的能力，所以神经网络给非线性系统的辨识带来了很好的方法。本文研究的对象，废纸制浆造纸废水处理过程就是一个非线性系统，其内在规律如前一章所述。本文选择发展比较成熟的BP网络作为研究工具，把它应用到废纸制浆造纸废水处理过程的建模研究中。本章主要内容为建立基于BP网络的废纸制浆造纸废水处理过程预测模型。4．2基于BP网络的系统辨识的步骤我们采用BP网络来对废纸制浆造纸废水处理过程进行出水水质预测建模。这是一个系统辨识问题。首先要考虑的是网络结构的问题。由于已证明含有一个隐含层的BP网络可以逼近任意有界连续非线性，因此本文中我们考虑用包含有一个隐层的三层前向网络来完成废纸制浆造纸废水处理预测模型的建立。网络的输入、输出层单元数以及隐含层单元数如何确定，有一定的规律可循，我们将在后面下一节详细讨论。其次是神经网络训练采用的算法。由于标准BP算法的收敛速度较慢，工程上一般采用加动量项的BP算法，或者变学习速率的BP算法等改进BP算法。然后是学习样本的选择及权值的初始化。学习样本在数据空间是否分布均nn第四章废纸制浆造纸废水处理过程预测模型匀，对神经网络的训练精度和预测精度有很重要的影响。权值初始化是否合理，对网络的训练速度有很大的影响。上述步骤完成后，便可以进行网络的训练了。网络的训练次数对训练误差和预测误差有不同的影响，应该通过比较，选择合适的训练次数。网络训练完成后，便可以通过输入数据空间内的非学习样本，得到其输出，即实现预测功能。预测的精度和广泛性如何，应该进行泛化能力的验证。4．3废纸制浆造纸废水处理预测模型结构的确定废纸制浆造纸废水处理预测模型的建立目的是根据t时刻已知的原水c0D值，加药量，迸水流量，以及历史输出量(出水cOD值)，预测t+△t时刻的出水c0D值。可以用下式表示：肌咖F唆蛾铲，)ca吲其中y(t+△t)表示t+△t时刻的出水COD值，y(t)，y(t一△t)，y(t一2△t)，⋯，y(t—n△t)，分别表示t，t一△t，t一2△t，．⋯t—n△t时刻的出水COD值。x(t)表示t时刻的原水COD值，u(t)表示t时刻的加药量，v(t)表示t时刻的进水流量。现在以基于单一药剂处理工艺的预测模型为例子，构造一个BP网络，BP网络结构的确定包括输入层和输出层神经元数目的确定、隐层数目和神经元数的确定等。4．3．1输入、输出层神经元数的确定输入与输出层的神经元数目是由问题的类别和应用要求来决定的，但应注意尽可能减小系统的规模，以减小学习的时间和系统的复杂性。在这里，为了使BP神经网络能够模型能够正确地映射出不同状况(不同进水流量、加药流量和原水COD)下，预期的出水COD，将输入神经元定为六个，分别表征原水COD值(t)，加药量(t)，迸水流量(t)，出水COD(t)，出水COD(t一△t)，出水CoD(t一2△t)，这里△t取为5分钟。输出神经元定为一个，代表出水COD(t+△t)。4．3．2隐层数目的确定隐层起抽象的作用，即它能从输入提取特征。增加隐层数目可增加神经网络nn第四章废纸制浆造纸废水处理过程预测模型匀，对神经网络的训练精度和预测精度有很重要的影响。权值初始化是否合理，对网络的训练速度有很大的影响。上述步骤完成后，便可以进行网络的训练了。网络的训练次数对训练误差和预测误差有不同的影响，应该通过比较，选择合适的训练次数。网络训练完成后，便可以通过输入数据空间内的非学习样本，得到其输出，即实现预测功能。预测的精度和广泛性如何，应该进行泛化能力的验证。4．3废纸制浆造纸废水处理预测模型结构的确定废纸制浆造纸废水处理预测模型的建立目的是根据t时刻已知的原水c0D值，加药量，迸水流量，以及历史输出量(出水cOD值)，预测t+△t时刻的出水c0D值。可以用下式表示：肌咖F唆蛾铲，)ca吲其中y(t+△t)表示t+△t时刻的出水COD值，y(t)，y(t一△t)，y(t一2△t)，⋯，y(t—n△t)，分别表示t，t一△t，t一2△t，．⋯t—n△t时刻的出水COD值。x(t)表示t时刻的原水COD值，u(t)表示t时刻的加药量，v(t)表示t时刻的进水流量。现在以基于单一药剂处理工艺的预测模型为例子，构造一个BP网络，BP网络结构的确定包括输入层和输出层神经元数目的确定、隐层数目和神经元数的确定等。4．3．1输入、输出层神经元数的确定输入与输出层的神经元数目是由问题的类别和应用要求来决定的，但应注意尽可能减小系统的规模，以减小学习的时间和系统的复杂性。在这里，为了使BP神经网络能够模型能够正确地映射出不同状况(不同进水流量、加药流量和原水COD)下，预期的出水COD，将输入神经元定为六个，分别表征原水COD值(t)，加药量(t)，迸水流量(t)，出水COD(t)，出水COD(t一△t)，出水CoD(t一2△t)，这里△t取为5分钟。输出神经元定为一个，代表出水COD(t+△t)。4．3．2隐层数目的确定隐层起抽象的作用，即它能从输入提取特征。增加隐层数目可增加神经网络nnn纂鞠章褒羝爨浆造纸疲隶憝毽j霪程预滚搂登蚕4—2德屡裤经嚣数对绸练瀵蒺和羲溺溪麓豹影瘸Fig．4—2EffectofhiddenlayerneuronnumberontrainingerrOrandforecastingerror由圈4—3可看出，(1)训练精度总是高于预测精度。这～点不难理解，因用予检验的样本是网络未曾见过的样本；(2)对本模烈丽言，当隐层神经元数太于5个时就能使训练精度缀怒著趋于稳定；面预测精度在隐层神缝无数小于16时不断疆高，大予i6辩毒瑷波动。辗蠢上述选取办法，本磷究选定隐层神经元数兔i8。这样，最终得到的网络结构为6一16—1。毒。毒预测模型学习样本静确定和获取影响神经网络学习和泛化能力的因素主要宥三个：网络绦构、学习算法和学习(训练)梯本。网络结构决定了从输入空闻到瓣窆闻的一蓉列映射；学溺冀法的俸羽是糕潮学习稃本求褥正确静淡射；学习样本是援来稍绦潮络，帮谲熬网络静连接权值，使网络的输出与实际输出的误差达到最小。一旦网络结构和算法确定下来，学习样本数及其代表性就成为决宁网络映射及泛化能力的最终因索。从理论上漤，翅子疆嚣辩模整豹羲入摸式是无穷多瓣，毽在网络熬落练遘疆中不霹蔻把所有这热模式都作为样本来学习，所以，如何选取学习样本是一个很值得研究的问题。nn华南理工大学硕士学位论文4．4．1神经网络学习样本的选择原则为给网络提供能全面、正确地反映系统特性的输入一输出模式对，学习样本应具有三个特性，即致密性、遍历性和相容性。所谓致密性是指在有限的样本空间内选取的学习样本数量(或密度)。显然，数量越大，致密性越高。但用过多的样本学习并不一定效果更好。网络所需的学习样本数主要由两个因素决定：一是网络映射关系的复杂程度。为获得一定的映射精度，映射关系越复杂，应提供的样本数便越多；二是数据中的噪声。样本数将随着噪声的增大而增多。在这两个因素一定的情况下，网∞璀一。辔删哆曩聋馐燧噶睡懿鞋；曩署坡薏簪蜀菌羹分；弱醐瓠啦匪塑j盐卫莲蔫湮珲坦旧～烽嚯耀憷烩i酗羹释隧疆旧泫m烧煺絮盔群滓删昏；翘魏m目塑霪翼耄鬟羹雾嚣羹嘉j篓霪墓雷器鬣诺丽馨磊整奢道冲突主要原因在予渠道成员个体追求葶}|蘸最大亿、企觳在渠遒梳翎设计霸管理上裔失误。耘者愁作为独立经济个体必然存在的现象，从厂窳的角度是不可能对其进行警瑾懿，只缝麸渠遂设诗帮渠遂管理这些厂家鑫隽掰浚控镧豹遗方篝手。所以圜内企业可以通过加强分销商的管理米预防或处理水平渠道冲突。l、慎选经销商渠道成员的选择上罄求进行一定的评估和审核，要按照经济性、适应性、控制性和发展性的原则采选择分销渠道，保持企监辩分销渠道酶合理掌控和管理。选择经销商蓠先要广泛搜集有关经销商的声誉、市场经验、产品知识、合作意愿、市场范嗣和服务水平等方蠢懿倍惠，确定零缓帮密较茨标攥。对予采雳密集往分销还燕选择赣分销，企业耍慎重考虑。2、设诗骞效熬激磁鼗约束税制壤耀综合牲摇椽考查分镑亵戆销售业绩，经销商考核的主鼷指标；月销鬣以及增长率：赞款回收情况；对公司的剩润贡献；费用比率、投入与回报率；市场份额；市场豹影响力以及忠诚度与配合度。采取合理的现金或实物奖励或增加广告、促销赞用等措施来激励经销商，培育分销成员的忠诚度；渠邋成员应“先小人君嚣。"xnnn第鞭章凌纸毒《浆造纸凌拳整瓒邂耪羲旋模型进水流量，加药流量三个影响因素，分别用A、B、c表示。由于实际上受实验条馋限制，原浓GOD，进水流量，加药流量都是有一定范围蛇，我们对每个因素取三拿承平(1、2、3)，在各鲁静范瀚内均匀取德。扶表4一l可疆发现如下蔑律：首先，每一列中不同字码出现的次数是相同的：其次，任意两列，其横方向构成的有序字对中，每种数字出现的次数也是相同的；最后，任意两行不出蕊完全相瓣的字羁缀会。这鬟赘：1)用破交表所选的样本均衡地分散在配合究金的位级缀合方案中，典有很强豹代表性；2)对任一因素，宅岛其它因素的各令本乎出瑷静次数耨燕粳犀的，瞧即对于任一鞭索的样本辩在整个调练样本集中密现的次数都燕稻同的；3)各组样本不重叠，不会出现矛盾样本；4)所需试验次数最少。若采用全瓤试验，需骚进孳亍完全佼级的组合，欺需34=8l缝试验，瑟采麓禚交试验，粼只嚣9缝试验。因此，用正交表选择的样本，艨是所需试骧次数最少、同时又能充分反映各因素各位缴影响的样本设计，较好地满足神经网络模型对学习样本致密性、遍历蠖帮稠骞瞧熬要求。表4—1正交实骏襄#i94—1l鑫bleOfeross—exa攥玉曝atiOn试验序号ABCD(1)l3(2)i2l(3)l32(4)2l2(5)23不建(6)23l(7)3l1(8)32(9)34．4．3样本归一化从理论上讲，Bp网络对其输入凭限制，但娃}于样本的各个指标不栩同，原始n华南理工大学硕士学位论文样本中各变量的数量级差别很大，为了一开始就使各变量的重要性处于同等地位，在本研究中对样本的输入按式(4—5)进行归一化处理：i：墨二墨地(4—5)xJ∞一‘Ⅲ“式中：x，，x．一，筇，。分别表示第i个输入或输出数据及其在学习样本中的最大、最小值，x，表示归一化后的第i个输入向量，其范围为(O，1)。与输入不同，对BP网络的输出，归一化是必要的。因为BP算法是力图减小输出层各神经元输出误差的平方和。如果各输出变量在数值上相差太大，显然那些输出值大的神经元的误差是网络误差中的主要成分，从而得到算法的“特别关照”，致使那些数值较小的输出变量的相对误差较大。而这个问题通过对输出量进行归一化就能解决。输出量的归一化方法与输入量相同。4．5BP算法参数的选择网络结构和训练样本选取确定后，BP算法成为决定网络性能的关键因素。第二章提到过，传统的BP算法有容易陷入局部最小，收敛速度慢等缺点。本文中建立预测模型时，为了避免这些缺点，引入带动量因子的改进BP算法，并且对转移函数的选择特别加以注意。4．5．1动量因子的选择由第二章的分析及式(2一16)可知，增加动量项，可以提高收敛速度，减少振荡趋势。式中右边第二项是动量项，∥是动量因子。当动量因子取值为零时，权值的变化仅仅是根据梯度下降法产生；当动量因子取值为l时，新的权值变化则是设置为最后一次权值的变化，而依梯度法产生的变化部分则被忽略掉了。事实上，如果前一步权的变化大，那么将这个量的一部分加到现行权的调整上必然会加速收敛过程。此外，当学习过程在目标函数曲面的平稳区域进行时，每一步的梯度将相同，当增加了动量项后，促使权值的调节向着误差曲面底部的平均方向变化，防止了△形，=0的出现，有助于使网络从误差曲面的局部极小值中跳出。下面是动量因子取不同值时的训练曲线，从中可以发现：1)当动量因子口=O．3时，训练曲线陷入局部最小，导致训练无法继续下去，无法收敛。2)当动量因子口=O．6时，训练曲线经过5483次权值调整，达到指定的收敛指标，费时较长。3)当动量因子口=O．9时，训练曲线只需1249次权值调整，便能达到指定的n华南理薹妻疆积譬驰囊始醋主二薹蠹蚕雾羹鬟錾；冀鎏囊薹鬟羹篓奏，萋?i霞囊萌蘩蚕羹篓霎i薹|冀置科矸歪暇苹企骚玲繁田甬引?韧吨嘲i妻薹著题嚣塑霁≈磊一嚣碗忽埋述强臻q淄矗囊聊戳攀拶鬻i洛堪西溺※甚被篷鼍渔济涟誊垂歪罂；M兹坦圈纂涵似涵熠叠强i雨磊终技引郦k蜓引圆翌㈣澎峪埔岛韭∽：壤邋；雾酆峪喳毽缦吨莲；龇戮鹱』■嘲蠼；辱建符驾÷妊W驯醋喜喀==f盔垮驰裂E移掣擎薹；芒髫副县鹫叠垒建滔滔珊东鼎晤噬2隧增强懋隧强嗜恣；戮雷鸯蟊k掣囊篝型％溶眺镶壤寝滋篷霈啦磊裂憝锯拙罢翌倜职小的黧圳麓，嘎峪漤Ⅲ强蚕；罕‘；斋裂移交渣i：i蘑刭隈嘲心灞理∞嶙堪圆薅耀强聊；戳烈阱科掣默醪夏即釜萋l鼎型鍪雾耋霉萋薹璧霪雾雾蓦冀鋈雾；霪瑚蒯梳鼎；鞒邑矧葙毓巍骄剩鲤幽葫虹氮茜雨掣j制濑曦基湮峪馐透淹懑翟臻盛基戮强蓟蓉第是，乳搿《氰鞴奏求赢氟；甬溜；鬣副霸掣虱委肇誊掣精鼢鞘翻蒜擞嶂湛馐臻瓶潺；蔡筒吲濑澍灞嫒～守晦旧翻鹫瞬髭髂臣∽嗣鳓引；圆嗵。期蟹熏拨蠢阻薹霉夔羹重塞薹蔷型妻斑薹墓霪囊强j孚商群赢∥群磷霪伺鬲茹薪磊萤嚣葡纠嗡漓碱街；番再黼斑添渤灞蕊跨拍一船；崔宇项是瑾量项粪秘；瞧濯呜磊拦鞭驿驴晶醵蒌瞳噶．}[I良虱Ⅲi煎m吣临堤啉糍泪饵’旧澎宇生，掣掳鳕驯t蹦鄯"掠薪甜努籍基芬儒雀，鞠耱i焉蕞唐霈羚括嚣瑟布鼎蹦抛嚣醵鞠x=国燃嗣璐霪同捻滋滴。淄重型琴丘犁囊酱纠醣；裂爱掣铬猡畚g朵点嚣髻畏虿矧型譬行研啪鲫鸳刊姥舅誓醚懿烘樱瑶驱li篓舅恿壁：习塞戮超，藿溜爆裂葡耐群鼢虱舞j甄Ⅳ城每考酌糖；度将相回轮轴确q庙秘ti=型辱划酗赡貅；《。糯爝篇潼壤瑾诵濡滢强{；i雕五掣象裂移裂叩竖蠢型孺珀鲋鬈!震：碉一醚蛳鹗¨戤誊螋卿；A：勖淄鳓祀蕾烈甄础半击置磊{l；厘喳鼍嫂蹬嚷嚷明峨魁藿燃{雾；灿扣矿姒影掰弼E甄÷目÷霪￡薷譬斟燃滢雌麓哗趁；冀?渤滴"挈葩巾鼎荇西鹅曩F#膏!；孽碥淄鬟芏蓼雾掣墓轰簿器醚鬻}ll。蓼毪羹嚣啦蹦勤驸豁达剿捂定的i妻i蠢。蓑蓁囊鬈薹霎蠢蠢掣錾霞眦i；；|灞恤澎泛灌浚鞲g爸；萋i剁孺碟翠离i蓉割蝌敛指标，费时较长。3nn第四章废纸制浆造纸废水处理过程预测模型收敛指标，费时较短。a)动量因子取O．3b)动量因子取0．6c)动量因子取O．9囤4—3动量因子不同取值时的训练曲线Fig．4—3TrainIngcurvewhendynam；cfactorgetsdnn华南理工大学硕士学位论文通过上述分析，在本研究中，动量因子取0．9比较合适，能够避免局部最小，且能较快收敛。4．5．2学习率的选择学习率对网络的训练速度和收敛都有影响。如图4—4所示，当学习率为O．00l时，学习率过小，无法在规定的步长内收敛；当学习率为0．1时，学习率过大，网络训练过程直接发散：本文选择学习率为0．05。a)学习率为0．001b)学习率为O．1n第鞠章褒纸翻浆造纸褒衣整避过程预测搂登c)学习率为O．衡图4—4不同学习率时的训练曲线Flg，|鲞一毒Tr墨ln；ngeur￥e嚣he瓣le鑫f珀囊gr鑫tegets纛{fferen专V麓弱le4．5．3转移函数的选择不弱静转移函数筏耱经网络篡宿不同豹嵇意处理特毪。本文在蘩雒LA弱。5嚣境下对预测模型训练、仿真，比较了其提供的1098ig，tansig，purelin等函数在该模型中的适用性。麓A零L髑6．5孛弱logsig凑数帮舞豢霜豹萃极煌sigmoid爨数，萁形式翔下：厂(工)2专‘4川’l。gsig函数曲线如匿4—5所示。tansig函数是藤穗sigmoid函数，形式必：，(x)2存≥一1‘4—7’tansig函数曲线如图4—6所示。Purenn函数蛉形式为：歹≮并)=善(矮一8)显然，该函数为纯线性函数。将logsig函数作为输入层到隐含层的转移函数，purelin函数作为隐含层到输出层的转移缀数，是隽方案一；将t8nsig函数俸失输入屡列隐含层鲍转移函数，purelin醋数作为隐含滋鹫输出藩鹣转移函鼗，楚为方案=，其链条辞稠同，学习率取O．05。动量因予取0．9，性能指标mse取0．01。训练曲线如图4—7。n华毫瑾王大学硬士学缘论文1．0O，S77一一—／0豳4—5logsig遴数曲线Flg．4—5CurveofIogsigfunctionJ÷l07—一／。⋯凿4—6tans；g溺觳藕线Fig．4—6GurveoftansigfunctiOn爱4一?燕示，矮l。gsig丞数终淹输入瑟鬟憋客爱戆转移瀑数跨，谶练达到牧敛的步长比方案二的步长多，说明熊收敛速度慑。比较l098ig函数和tan8ig函数曲线，前糟比后者“坡度”陡，说明前者的信号压缩率大，反而造成训练时需要较多斡辩阙退出权值谈差谖整的乎煅区。purelin函数是纯线性函数，把隐含层的数值霸滕样在输出麓输出，这样傲酶菇处是在实现上诧较篙单，避兔复杂熬计算和权值调整。因此，采用将tansig函数作为输入层到隐含层的转移函数，purelin函数作为隐含朕到输出层的转移函数。n第疆章褒羝蠢l浆造纸凌末楚壤避程攫测搂塑8)输入层到隐含层的转移函数为l098igb)输入层到隐含层的转移函数为tan$ig豳4—7采用不黼转移函数时的胡l练曲线Fig。4一了蛰ifferenttrainingcurvewbenu$eddifferen专trans手erfunction4，6网络的训练4．6．1训练精度的确定网络落练戆瓣镁，惩性藐交数攒拣寒疫获调练壤度。援戆丞鼗透过诗葵两终输出与目标输出之间的差值来衡量网络的性能。常用的性能函数有平均绝对误差nn华南理工大学硕士学位论文函数，均方误差函数，平方和误差函数等。本文选用均方误差函数mse，其形式如下：州se=E=去∑(4一只)2(4—9)，Izl其中，p为样本对，d，，咒分别为目标输出和网络输出，E为误差矢量。研究中发现，并非训练精度越高越好。训练精度越高，需要的训练时间就越长，但网络的泛化能力不一定强。用相同的学习样本和验证样本分别用于训练和验证，当性能指标mse取0．01时，网络仿真输出最大误差为28％，平均相对误差为9％；当性能指标取0．008时，网络仿真输出最大误差37％，平均相对误差12％。误差曲线如图4—8所示。图4—8不同训练精度的误差曲线Fig．4—8Errorcurvewhenmsegetsd；fferentValue4．6．2初始权值的确定网络权值的初始化决定了网络的训练从误差曲面的哪一点开始，因此初始化方法对缩短网络的训练时间很重要。由于我们采用的隐含层转移函数tansig是关于零点对称的，如果每个节点的净输入均在零点附近，则其输出均在转移函数的中点。这个位置不仅远离转移函数的两个饱和区，而且是其最灵敏的区域，必然使网络的学习速度较快。因此，用区间(O，1)上的随机数对权值初始化就可以满足隐含层权值初始化要求。由于输出层转移函数是纯线性函数，权值调整非常容易，用(O，1)区间的随机数初始化也可以满足要求。60n簿滔牵褒纸裁浆逢缴褒衣整瑷遘释预禳l模型4．7预测模溅的确定经过多次尝试，骥定蓦予萃一蕊裁怒淫工愁熬，璇纸糕蘩逡绥凌零簸疆过程融水预测模激为：拓扑络构为6一16一l(见图4—9)；学习举O．05；隐含层转移弱数为tansig溅数，竣燃屡转移函数为pnrelin涵数；鼹终熬憔魏糖标函数为搬se，谈练精度0。Oi。东模型疲魑瓣，塞缓瓣骥型避费确认，菝诞窳穰黧在其艇惩簸懑内篡有满意静耩度和符奄建横中预定盼用途。对神经嚼络建模丽富，因建模时是把系统作为“黑箱”来鸯虑的，对系统的蠹鼙辍理芩溥楚，霉裂溺实溺数蘩瀵行输灭／辍囊确诀。蘧辩，耩黧被看成一个簌簸入戮镔蹬瓣浃射芙系。兰整终部淘模型输入～定的变量时，经过模型的映射，模型将输出相应的憾能参数。可以想像，獭横溅与实隧系绫十分襁儆时，霹叛涮翅实鞣蓉绫靛另一缀数摆佟为模燮瓣输入变蘩，鞋鞭渤貘登。潺过摸壁豹羧入／簸出燮换，将产生熬竣壤数爨与实繇系统穗应翡翰豳数据迸稃磁较，如果识们之闯的藏齄W以在统计概念上被建模者接受，刚该模型将被确认，磷则模型不髓彼确认。在裁躅实浏数豢骰输入／赣密凌诀辩，采集豹囊实系缓数据势蔻凳部努，～部分建寒遂藏攘麓(帮学弼袋训练榉零)，勇一粼静弼羯寒糗骚模嫠豹囊嶷经(群测试或验诚样本)。避}水流量(t)。隐禽鼹加药流量(t)。16国采eoD国。耱密拳cOⅨ坤众母。漱承CoD◇△略。缀出水CoD(t·2△¨。强鼹4—9废纸制浆造纸废水处理嫩水GoD预jIlI|模烈F；g。||一番For棼e硅st{n鬈m棼鑫elforC0彝ofe手fl娃e非t嚣毫ter轴'鞋毫巷t毒箨鑫tertreat糙嚣nt争r00essf番r争鑫p搴r||l毫耘l爨譬&pulpl秸g毒ln华南理工大学硕士学位论文4．7．1预测模型输出与学习样本的比较神经网络的优点是会“学习”。训练完成后，比较模型输出值与学习样本输出值，可以发现，两者非常接近(图4—10)，最大误差为11％，平均相对误差为O．2％。这充分说明了BP网络的学习能力，以及用于废纸制浆造纸废水处理系统预测出水COD建模的可行性。图4—10学习样本输出与模型输出曲线Fig．4—10CurveofoutputofIearningpatternandCurveofoutputofmode4．7．2泛化能力验证预测模型有价值的地方在于它的泛化能力，也就是当向模型输入学习时“未见到”过的样本时，它也能映射出正确的输出。为了验证模型的泛化能力，用学习样本外的实测数据(测试样本或验证样本)，来进行验证。图4—1l是模型输出与验证样本的期望输出比较曲线，从图上可以看出，模型输出对没有见过的样本，也能映射出正确的输出，模型输出曲线基本跟随期望输出曲线。它们的误差曲线见图4一12，最大误差28％，平均误差9％，对于废纸造纸废水处理过程来说，这个误差在可以接受的范围内。n第瞪章废纸制浆造纸废承处理过程预测模型豳4—11验证样本输出与模型输出曲线Flg．||一11eurVeofoutputofv盛lldatlonp8ttern毫ndcurveofoutputofmodel图4—12模型输出与验证样本输出相对误差曲线Fig。4一{2￡rr。rc娃r￥ebet译eeno“tp“tOf辩odelan蠢o“tputOfv毫l；d箍tl。拜natternn华南理工大学硕士学位论文4．8本章小结本章基于BP网络的系统辨识原理，以前面的废纸制浆造纸废水单一药剂处理工艺为例，建立了针对该系统的出水COD预测模型。通过分析，确定了BP网络的结构和算法。经过训练后，该模型具有了相应的学习能力和泛化能力。经验证样本验证，该模型可以用于废纸制浆造纸废水监控系统预测出水c0D。为进一步实现废纸制浆造纸废水处理智能控制打下了基础。n第五章废纸制浆造纸废水处理过程神经网络控制系统及其微机实现第五章废纸制浆造纸废水处理过程神经网络控制系统及其微机实现前一章用MATLAB对预测模型进行了仿真，结果表明预测模型的泛化能力良好。本章在此基础上对废纸制浆造纸废水处理过程进行神经网络控制研究，并且研究了该系统控制的微机实现。5．1神经网络控制系统设计5．1．1神经网络建模方法神经网络控制系统设计常用到的方法主要有正向建模和逆向建模，或者组合使用这两种建模方法。1．正向建模正向建模是指训练神经网络来学习系统的正向特性，得到的模型称为系统的正向模型，其训练结构如图5—1所示。其中神经网络与被辨识系统具有相同的输入，二者输出的误差作为网络的训练信号。这实际是有教师学习。学习结束后，神经网络模型与实际系统具有相同的输入输出映射特性。图5—1神经网络正向建模Fig．5—1Positive—orientedmodelingofANNnn第五耄废躐麓浆造纸凌永处壤过程神经潮络控髓系统及冀徽税实瑗(a)纛接邀建攘滚(b)正一逆建模法匿5—2捧经疆终遽裁建模Fig．5—2Converse—orientedⅢ蚤delingofANN5。1。2壤纸制浆造纸凌永处理过程神经网络控翱豢统设计结合废纸制浆造纸废水处理过稷的非线性特性、不确定性和复杂性，本文采矮歪一遂戆模法浚诗专拳经嚣络控翱系绞。其控铡系统疆匿皴霾5—3。nn华南理工天学硕+孚位论文图5—3神经网络控制系统框凰蓬强强魁琵Iz，蔺一如d!卟砧I殳醒|1吖矗打蔓Y罩t垦廷；番主薹毒譬萎蓁毫壁鬟雾i耄l琴耄鞫馨身童蟹}一l裂继熬静鬯麓毁零仑急搴卺篷攀薹l薹!霪一莲鏖l馨童i鬟粪ji强薹蓬嚣冀=矸}嚣邑b慝≤募蚕熏薹雾芎毛善争1口iny、t))羹辔蛸l～目灞帮j衙添蕊罐覃蔷圆嫂醚!嚣例④崮霉嘣簖出把璎鹪斧巍慑隧雌搠i小勾=曛新球虹I≤乎亳藿；越茫醣鹭湘嗣圳受硝壮鳃潍珏，虹娑果生至舞弱鹱为‘尉冁萋薹薯羹墨强剽婴型烈基影哥心爱帚i蕊噬淫警燃幽跨噔嶙隈陋趔峰泠驾到烈；蹬浮砸匮鬻蹬爆!基科冬翳剜掣黔瑚裁海岛潦萝萋f彗现翟薹i缒荔霪奎弱p蓊!型癣：灞镉籀嗜爆曙哼蛹蕴嗡呻涩耀拦鲁螋；嫩增蠕募翳哪装。霪。囊囊薹薹螽鎏篙霎霾蚕氇鬟雾差llB藩级疆识裂套釜一鹜糕络结构及参数，如图5—4所示。进水coD(t)————————————二二—————————————+鲎查堡量；；i-塑呈坐查!旦21；萋垒堂◆垫垫塑里!!：!!-隐含层12个神经兀加药流量(|i。图"xn第五章废纸制浆造纸废水处理过程神经网络控制系统及其微机实现控制器模型也采用三层结构，输入层有四个节点，输出层一个节点，隐含层有12个神经元。训练精度mse=O．01，动量因子0．9，学习率0．05。经过约980次权值调整，网络收敛。图5—5控制器模型训练曲线FIg．5—5TrainingcurveofBPmodeIOfcontro||er在该神经网络控制系统中，期望出水COD送入控制器模型，由该网络确定每一时刻对应期望出水C∞，应施加给对象控制量的大小。这一控制量输出到预测模型的输入端，预测模型判断在该控制量下，对象下一时刻的预计的出水COD。在理想情况下，预测模型的预计出水coD和控制器模型的期望出水COD应是完全相等的。但由于建模不可能完全精确，同时由于外界的干扰等因素，预计出水COD和期望出水CoD之间有一定的误差。将此时的误差信号和期望出水COD作为输入，再一起送入控制器网络，形成新豹对控制器的输入，可以得到该控制周期内应施加给对象的控制量大小。在每一控制周期内，根据被控对象的实际的输入及输出修正预测模型和控制器模型(即动态修正)，作为下一时刻的模型。取一段连续实验数据作为验证数据，用于该神经网络控制系统的验证。该段数据由第三章中的废纸制浆造纸废水处理自动监控系统，每隔△t取一组数据而得到。图5—3中的d为出水COD排放标准，这里取为300。神经网络控制系统的输出曲线如图5—6所示，相应的控制曲线如图5—7所示。n华南理工大学硕士学位论文图5—6神经网络控制系统仿真输出曲线Fig．5—6SimuIationoutputcurveofANNcontrolsystem图5—7神经网络控制系统仿真控制曲线Fig．5—7SimuIationcontrolcurveof^NNcontrolsystem从图5—6可见，在给定的出水标准下，系统的出水水质围绕出水标准上下波动，其波动幅度在18％以内。同时控制曲线随输出曲线波动。当预测模型输出的预计出水COD向比给定标准大的方向变化时，控制器模型输出的加药流量也相应增大，以抑制这种变化；当预测模型输出的预计出水COD向比给定标准小的方向变化时，控制器模型输出的加药流量相应变小，以适应这种变化。5．2MCGS策略构件接口介绍MCGS组态软件提供了一套运行策略机制，使用户能根据实际应用的需要，n华南理工大学硕士学位论文图5—6神经网络控制系统仿真输出曲线Fig．5—6SimuIationoutputcurveofANNcontrolsystem图5—7神经网络控制系统仿真控制曲线Fig．5—7SimuIationcontrolcurveof^NNcontrolsystem从图5—6可见，在给定的出水标准下，系统的出水水质围绕出水标准上下波动，其波动幅度在18％以内。同时控制曲线随输出曲线波动。当预测模型输出的预计出水COD向比给定标准大的方向变化时，控制器模型输出的加药流量峰泠驾到烈；蹬浮砸匮鬻蹬爆!基科冬翳剜掣黔瑚裁海岛潦萝萋f彗现翟丑i缒荔霪奎弱p啊]型癣：灞镉籀嗜爆曙哼蛹蕴嗡呻涩耀拦鲁螋；嫩增蠕募翳哪装。霪。囊囊薹薹螽鎏篙霎霾蚕氇鬟雾差llB藩级疆识裂套釜一鹜糕络结构及n第五章废纸壕《浆造纸凌东处醺过程神经网络控制系统及其微机实现辩工佟流程遴行精确的控制。遮行策貉由不同静策略块缀成，雨策醛块又由多个燕略季亍组成，每个策略行分为祭件和功能两个部分，以实现“在什么条件下执行什么功能”的机制。MCGS提供了大多数应用所必须的功能构件，同时也提供了一套嚣放筑磁扩充接疆，兔诲趱户根据基己熬{l墓装，定铡特意的功鼹麴谚，达到扩充MCGS功能的要求。麓％s焉Active乩L梅传懿方式卷实璃磅藐秘释，遴过焱范静洗E揍麓挂按到McGS中，使其构成一个整体。由予功能构件和McGs运行程同一个进程内，故功能构件的逡行速度快，可靠住高，即使丰备件本身有问题，魄不会影响到醋eGs的可靠运行。同时，OLE是一个霹扩充的开放标准，用予实现不同软件之阅的棚匠操作，而不管软件本身是使用什么编程语言。因此，只要遵守McGs的接口规范，霹苏佼趱￥8、￥c、登ol瑟i等语富来绩{蠡||疆eGs憨动麓槐转。峦予软终厂囊只提供VB的接口，我们这熙采用VB来编制功能构件。这整接黼有露个，分弱舞予下面“”：1．接口；SvrMenuCofnmand接口作用：本接口用于在髓cGs缀态环境中增加一个用户自定义的菜单项。本接翻在组淼巧壤装载慰搜骐CGs组态蓼境调臻，捻查是否鸯对应瓣菜蕈要求，如有，在McGS的“工具”菜单中增加一菜单项。组态环境远行时。当用户选取壤翻鹣菜蕈颈薅，毪谖露本接鞠。语法于移蓟：：SvrMenuCommand(strNameAsString，bQueryAsLong，DatobjAsObject)AsLong返回毯：=O，调用成功；=l调用失败。参数说明：strName，返回用于照示在“工具”萘单中的菜单项的名称；如为空t表示零凌麓擒毒孛不增麴菜单。b秘ery，蟮CGS初试毒i：辩调惩本接鑫辩，撼本参数的值设置为1，在菜单中调用本接口时，把本参数的值设置为0；Datobj，瓣eGs安辩数据痒数据对象。2．接口：svrstgysetOper赢tor接口作用：本接口的作用怒读取功能构件的类型名称、注释和所对应的图标炎源的ID号以及缀态对设置构传的愿性封溯用。语法，眵霉￡：SvrStgySetOperator(strNameAsString，strNote8AsString，i薹eonAsLong，转atob毒矗s§bjeet，S8veObj矗s0bjeet，b鼙ueryAsLong)AsLong返回德：：O，调用成功；=l调用失败。参数说明：strName，返回功能构件的类型名，显示在功嶷构传到表撰中；strNotes，返回功能构件的注释，艇示在策略杼的右边：iIcon，返回功能构传凄对应夔耀拣资源魏l转号，该霆舔显示在綮黪嚣懿凌蔻稳释头上。熬lD=0，n华南理工大学硕士学位论文表示没有对应的图标，McGs显示缺省图标；bQuery，MCGs初试化时调用本接口时，把本参数的值设置为1，在设置构件属性调用本接口时，把本参数的值设置为0；DatObj，McGs实时数据库数据对象。savobj，存盘服务对象，接口程序中通过该对象来保存和读取构件的内部数据。3．接口；SvrStgyRunoperator接口作用：本接口在运行环境中，当需要执行本构件的功能时调用。语法形式：SvrStgyRunOperator(DatObjAsObject，SaveobjAsObject)AsLong返回值：=0，调用成功；=l调用失败。参数说明：Datobj，McGs实时数据库数据对象：Savobj，存盘服务对象，接口程序中通过该对象来保存和读取构件的内部数据。4．接口：SvrCheck接口作用：本接口在组态环境中，当MCGS进行查错和编译调用。语法形式：SvrCheck(DatObjAs0bject，CheckFlagAs乙ong)AsLong返回值：=0，调用成功；=1调用失败。参数说明：Datobj，McGs实时数据库数据对象；checkFlag，标志位。5．3神经网络控制系统微机实现上述神经网络控制系统在MATLAB环境下实现了仿真控制。通过编制计算机程序，将控制器模型和预测模型用McGs组态软件功能构件的形式实现，使废纸制浆造纸废水处理过程实现神经网络在线控制。控制流程图如下：n第五章废纸制浆造纸废水处理过程神经网络控制系统及其微机实现图5—8神经网络在线控制流程图Fig．5——8FlowchartofANNcontroIIingon—Iinen华南理工大学硕士学健论文在遵守McGs接口舰范的前提下，分别将预测模型和控制器模型编制成功能梅{牛，生娥瓣文件名分期走si疆。dll和c硼trol。dll。这撵戆文传可缓在醚eGs组态环境下作为运行策略功能梅{串调用，并能在疆eGs运行环境下运行，和废纸制浆造纸废水处理自动监控系统一起组成一个废水处理智能控制系统。下图为使用预测模粼和控制器模型的组态界蕊，运行状态下预测模型和控制器模溅在后台工{睾，该器蘑不可燹‘。图5—9McGs组态环境下使用预测模型和控制器模型界面Flg，S一9Simul基tlOnmodeI擅n哇eontrOller玳Odel鑫reusecIln精CGSeOn．Figur8tionenvirOn翻ents．4废纸制浆造纸废水处理智能控制运行结果冀分析用该壤纸制浆造纸废水处理智熊控制系统进行试验，试验条件和第三章自动监控系统试验条件相阅。原水COD在800～900之间，采用PAc絮凝剂，其浓度5‰，进窳流量12ml／s，进行连续遮粒试验。黧5一lO楚其中一部分试骏数据历史馥线，冀中虚线是避承cOD曲线，实线是实际出水eOD瀚线，点划线怒预测出水c0D曲线。在连续送行四小时时间内，实际出水coD能控制在一定范围内。表5一l是试验运行过程中每lO结钟截取一级数据得到盼结果，从该表可以看凄，颈溺密承e0葑每实嚣裹承c8D骞一定谖蓑，其蚤大鞠对误差i8。8弼，平均相对误麓8．9％。农卒申经网络智能控制系统作用下，实际出水cOD在265～403之间，围绕期望出水cOD值300波动，其波动幅度在一14～34％。这个波动幅度在痰求处壤孛是可敬接受蕊。兹始除段，出承eO玲傣离期繁毽较大，这与模型鼷开始对新数据的学习不够有关系，随着模型对新数据的“熟悉”，预测准确度提高了。n第蠢拳裹鬃露《蘩选羝褒隶娥瑷过程棒经舞络控懿系统震其徽糗鬟现与在默TLAB下仿真结聚比较，在线实验的控制效果相对较麓。这鼹由于在醚艚LAB下，每经过一令控制周期，便势剥对预测模型和控制然模型进行动惑调整调练，朝镊赫入一个耨数罐，倭辩瓣络重蓊灞练～次，鬻络熬蔽建褥到了纛耨调熬。蔼寇将颚溯穰型酾撩制模型编稍为5lcGs滚晦搦侔酶涟禚中，并没有加入动懑调整训练避一步骤，因此在线实验的控制结果波动范围棚对较大。下一步计翅}争考瘩麓入漤淼璃蘩镶练，麓望戆缝蹇控割效聚。圈§一1e神经潮绦禚线控秘拣骏菠史鹭线FIg．5—10卜|l$tory0urVeofexperimentfor^NHcontrOIIlngon—I}nen华南理工大学硕士学位论文表5—1连续在线运行试验数据结果Table5——1resuItdataofexperimentrunningon—Iine预测值与期望值与原水出水预测出水预计加药流量序号实际值CODmI，s相对误差189540333217．6％34．3％0．4284835628918．8％18．6045383132227913．3％7．3％O43482530326512．5％1．O％0．4258292922833．1％2．7％0．436835283313一lO．6％一5．7％0．447845265296一11．7％一15．0％0．4588322882677．3％一4．O％0．43985329725I15．5％一1．O％O．421086831427213．4％4．7％0．44ll86632428611．7％8．0％O．451288833629811．3％12．0％O．4613893339303lO，6％l3．0％0．46149023563258．7％18．7％0．48158543423167．6％140％0．47168323313057．9％lO．3％0．461782l3152849．8％5．0％0．44188123022739．6％O．7％0．431980528925810．7％一3．7％0．42208252762682．9％一8．O％0．4l2l838258276—7．0％一14．0％O．422862271295—8．9％一9．7％0．412387628830l一4．5％一4．0％0．42248873043t6—3．9％1．3％0，432586l325338—4．0％8．3％0．4526893333345—3．6％ll0％O．462789534934l2．3％16．3％0．4628905365366—0．2％21．7％0．48n第五章轰缀魏浆逢纸瘫承处理过程耱经瓣络羟毒l系绞及筵簸瓿实甏5．5本章小结本章溺正一逆向建模法设计了针对废纸制浆造纸废水处理过程的神经网络控制系统，并在组态软件McGs中用策略构件的形式实现了矮中的预测模型和控制器模型。由该神经网络控制系统和废纸制浆造纸废水自动监控系统誊句成一个废窳楚理餐熬控澍系统，掰该智麓控麓系统迸{亍豹连续逶承试验表臻，该系统憝籍出水水质稳定地控制猩允许出水标凇左右，波动幅度在可接受范围内。这为进一步研究智能控制在废纸制浆造纸废水处理中的威用。降低废水处理运行赞用打下了基疆。n华南理工大学硕士学位论文结论通过对废纸制浆造纸废水处理过程智能控制的研究，本文得到以下主要成果和结论：1．构建了一个以“高效絮凝沉淀一体化”废纸造纸废水处理技术和设备为基础的，能够对废纸制浆造纸废水处理过程进行实时自动监控的实验室系统，并研究了在该系统环境下，PAC药剂处理工艺的出水c0D与进水cOD、加药量、迸水流量之间的变化规律。一般而言，出水COD与进水cOD成正比关系，与进水流量成反比；对某特定进水来说，有一最佳加药量对应最小出水COD，但要找到该最佳加药量需要做大量的试验。2．将BP神经网络用于废纸制浆造纸废水处理过程控制，用正一逆向建模法设计了针对该过程的神经网络控制系统。用该神经网络控制系统对PAc药剂处理工艺试验数据的训练和仿真表明，该神经网络控制系统能够较好地用于废纸制浆造纸废水处理过程控制。3．通过McGs策略构件的形式，实现了神经网络控制算法与监控软件的集成。构造了废纸制浆造纸废水处理智能控制系统，采用该智能控制系统所进行的在线控制试验表明，该系统能将废纸造纸废水处理过程的出水水质稳定地控制在允许的范围内，这为进一步研究智能控制在废纸制浆造纸废水处理中的应用，实现工业现场废水智能控制，具有很好的指导意义。4．进一步研究工作的设想(1)本论文只进行了PAC药剂处理工艺中进水CoD、加药流量、进水流量对出水COD的影响规律研究。考虑进一步研究废纸制浆造纸废水处理的其他处理工艺，如硫酸铝加PAM工艺中，出水水质与进水水质(包括酸碱度，ss等)、加药量、进水流量之间的影响规律，为实现对工业现场废水智能控制打下基础；(2)研究精度更高、自适应能力更强的控制算法和优化算法，提高出水水质的稳定性，降低运行费用。n参考文献[1]顾民达，曹朴芳．中介机构说“废纸”．中华纸业．2003，24(2)20—22[2]贺延龄．废纸制浆造纸废水的封闭循环和零排教．中华纸业．200l，22(2)：13一16[3]癸福骞．欧渊造纸废水零摊放进展．中华纸业。2004，25(4)：56—59[4]施英乔，丁米保，李萍．潮内废纸造纸璇承处理技术新进展．林产化工通讯．200l，35(4)：3一?[5】万金泉，马黩毙．废纸造纸及其污染控铡。第l版。审凿轻工韭出版柱，2004：32l一370豳3李槭伟．有荚污水处理场微机自动调控的一些看法．氍油他工环境傺护．199唾(1)：55一S7[7]zipperT．Developmentofanewsystemforeontrolando口timizationofsmallwastewatertreat皿entplantsusingoxidation—reductionpOtenti8l《ORP)，霉8专Sei羊eoh．1998，38(3)：307—3l《[8】YuRuey，F娃ng．Perform8nceenh8ncementofS珏Rapplyingre矗l～timecontr01．JournalofEnvironmentalEngineering．2000，126(10)：943～948[9]商丈文，彭永臻，王淑莹．污永她理智能控剖豹研究、波用与发展，中国绘永摊瘩，2002，18(6)：35—39[10】磺anesisSA．Intelligentcontrolwaste宵atertreatmentplants．ArtificialIntelligentinEngineering．1998，12：275—28l[113矗oi霉，O耘8ni鬻8￥，x嚣89i警8r8．矗巷ireet8疆噩oni疆瓣eontrolsys专e镬轻singfuzzyinferencein拄high—108dbiologic8ldenitrific8tionproce88treatingc01lectedhumanexcreta．WatSciTech．1992，26(5)：1325一1334【12]PunalA，Rodrig“ezJ，FraneoA。Adv8needmonitoringandcontrolof8n80robiew＆ste并8tertre8tmentplants。鬻atScifeeh．200l，43(7)：119l一1108[13]W．C．Chen，Ni—BinCh8ng，]|renKShieh．Adv8ncedhybridfuz茹y—Neuraleon七rollerforin娃Hstri81w8ste再8tertre8t翦e珏t。jo鞋r狂8lof嚣nviro掰lentEngineering．200l，127(11)。1048一1059[14]Y．G．Du，R．D．Taygi，R．Bhamidimarri．Useoffuzzyneural—netmodelforrul#generationof8etivatedsludgeprooess．ProeessBioehe氆istry。1999，35：77—83nnnn参考文献ArtificialNeuralNetworkwitb砖odifiedSi撤ulated矗nne8ling。IEEETrans．OnMagnetics。1993，30(巷)：3644—3647[62]HolmstromL，KoistinenP．UsingAdditiveNoiseinBack—Prop89ation．IEEE善r鑫ns．辩e驻ral摸et礴orks。1992，3：24—38[63]KarystinosN，PadosA．On0verfitting，Generalization，andRandomlyExpanded善rainingSets．IEEEtr8ns。髯eur8l嚣et鬻orks．2000，ll：1050一1057．[64]玛国华．监控缎态软件及其应用．第1版．清华大学出版杜，200l：卜20[65】粱为民．凝聚与絮凝，第l敝+冶金工业出敝社，1987：10卜112【66]吴晓莛，陈庆镶，胡续耗。系统辨识乓自适监控铡．第l版，南京理工大学出版社，1994：56—57[67】王文藏．耪经弱魑爱箕在汽车工翟孛翡痖矮．第l版，蘸裘理工大擎窭凝牡，1998：247—250e68】嚣obert秘K．Theoryoftheb8ckprop89ationneuralnetWork．ProeIJCNN．耗shington，1989，1：593—605[69]纛曾任．人工神经元网络及其应用．搽l版，清华大学出版社。1999：58—59【701僻玉撂，李囊惑。神经阙终控期技术爱其应髑．第l舨，科学出版挂，2000：5一12【?l】ll寨基念遥态爨动纯软锌辩鼓公霹。赫eGs壬控蕴态软释参考手麓。弱03：柏2—404nn