輸入量考慮歷史出水COD變化趨勢的網絡,其仿真效果要優於不考慮變化趨勢的網絡;
運用基於BP網絡和RBF網絡的造紙廢水處理模型能夠準確的預測出水COD,爲實現廢水處理的自動控制提供可行途徑。關鍵詞:造紙;
廢水處理;
BP神經網絡;
RBF神經網絡;
仿真研究
在造紙廢水處理過程中,進水流量、進水COD以及加藥量等影響因素直接關係到出水水質的好壞;
另外由於目前大多造紙廠採用人工操作控制,操作誤差、測量滯後等原因,亦造成出水水質不穩定、故障頻發等問題,而智能控制可以解決這一問題。但廢水處理過程具有複雜性、非線性、時變性、不確定性等特點。人工神經網絡以其具有自學習、自組織、自適應以及良好的非線性映射等能力,特別適合複雜非線性系統的建模與控制,其中目前廣泛應用的BP網絡和RBF網絡以其各自的優點,成爲廢水處理的研究熱點[1]。本文在造紙廢水處理一體化系統取得表徵廢水處理指標的基礎上,通過實現對BP網絡和RBF網絡的設計、建立、仿真和運行,考察這兩種網絡對造紙廢水處理的適應性,爲更好的有效實現造紙廢水處理的自動控制提供可行途徑。
1 人工神經網絡廢水處理建模原理 人工神經網絡(Artificial Neural Network,簡稱ANN)對廢水處理系統的建模原理如圖1所示,首先根據廢水處理系統的輸入輸出數據建立樣本集。在學習過程中把樣本集中的數據輸入神經網絡;
根據樣本的輸入值計算出網絡的輸出值;
計算樣本輸出與網絡輸出的差值;
根據計算的差值由梯度下降法調整網絡的權矩陣;
重複上述過程,直到整個樣本集的誤差不超過規定範圍,學習即結束。圖1 造紙廢水處理系統ANN建模原理示意圖 經過訓練後的網絡模型相當於實際廢水處理系統的近似模型,如果通過採集模塊採集實際系統的進水各水質指標並輸入網絡,得到的網絡輸出應該近似等於對應於各水質指標的實際系統的出水COD。基於這樣的原理,針對滯後性的廢水處理系統,本研究採用ANN模型對未來時刻的出水COD進行預測,其中網絡輸入爲與未來時刻出水COD有關的因素,網絡輸出爲未來時刻的出水COD,以期通過預測得到當前時刻的加藥量。 2 造紙廢水處理實驗系統設計2.1 廢水來源 廢水取自東莞某造紙廠(主要原料爲OCC),廢水CODcr爲500-1600mg/L,pH5.5-6.8。
2.2 造紙廢水處理實驗系統 實驗室廢水處理工藝流程如圖2所示。調節池中的廢水與絮凝劑PAC(5%聚合氯化鋁)混合後經進水泵打入高效一體化反應器[2],在裏面發生反應、沉澱、過濾和澄清等作用完成泥水分離,處理水從反應器頂流出,污泥通過反應器底部排泥閥排出。
圖 2 造紙廢水處理工藝
本實驗採用自動檢測控制方法代替手工操作,完成水質的在線檢測以及加藥量的自動控制,其監測系統如圖3所示。COD儀自動檢測原水和出水COD值,檢測頻率通過PLC控制電磁閥實現,COD值經ADAM4017+模塊轉換成數字信號,顯示在安裝於IPC的MCGS(Monitor and Control Generated System)組態軟件中;
進水量和加藥量通過ADAM4024模塊輸出電壓控制蠕動泵和直流泵的工作電壓以改變流量來實現;
高效反應器中的污泥通過泥位計實時監測,再結合PLC控制電磁閥保證反應器中的泥位保持在一定高度。
圖3 造紙廢水處理系統監控系統框圖
2.3 網絡樣本數據的選取 考慮進水量、進水COD和加藥量三個因素,每個因素取4個水平,具體取值如表1所示,通過正交實驗L16(45),以自動監控系統完成各個水質指標的採集和加藥量的自動加入,剔除MCGS數據庫中奇異數據後,用於網絡訓練和測試的部分數據如表1所示。其中x(t)、u(t)、v(t)和y(t)分別表示t時刻的進水COD(mg/L)、加藥量(mL/s)、進水量(mL/s)和出水COD(mg/L),y(t-2△t)和y(t-△t)分別表示t-2△t和t-△t時刻的出水COD(mg/L),此處△t取2h;
y’和y”分別表示出水COD在t-△t時刻的一階和二階導數,y’= y(t)-y(t-△t),y”= y(t)-2 y(t-△t) +y(t-2△t)。 表1 用於網絡訓練和測試的實驗數據
序號 | x(t) | u(t) | v(t) | y(t-2△t) | y(t-△t) | y(t) | y’ | y” | 期望輸出 |
1 | 1400 | 0.2 | 12 | 515 | 489 | 461 | -28 | -2 | 454 |
2 | 1400 | 0.2 | 12 | 489 | 461 | 454 | -7 | -107 | 491 |
3 | 1400 | 0.4 | 14 | 499 | 525 | 484 | -41 | -67 | 471 |
4 | 1400 | 0.4 | 14 | 525 | 484 | 471 | -13 | 28 | 512 |
5 | 1400 | 0.5 | 16 | 504 | 478 | 495 | 17 | 43 | 483 |
6 | 1400 | 0.5 | 16 | 478 | 495 | 483 | -12 | -29 | 465 |
7 | 1400 | 0.7 | 18 | 419 | 458 | 434 | -24 | -63 | 425 |
8 | 1400 | 0.7 | 18 | 458 | 434 | 425 | -9 | 15 | 449 |
9 | 1244 | 0.2 | 14 | 429 | 441 | 437 | -4 | -16 | 418 |
10 | 1244 | 0.2 | 14 | 441 | 437 | 418 | -19 | -15 | 424 |
11 | 1244 | 0.4 | 12 | 374 | 368 | 399 | 31 | 37 | 382 |
12 | 1244 | 0.4 | 12 | 368 | 399 | 382 | -17 | -48 | 377 |
13 | 1244 | 0.5 | 18 | 335 | 342 | 321 | -21 | -28 | 336 |
14 | 1244 | 0.5 | 18 | 342 | 321 | 336 | 15 | 36 | 327 |
15 | 1244 | 0.7 | 16 | 298 | 306 | 314 | 8 | 0 | 320 |
16 | 1244 | 0.7 | 16 | 306 | 314 | 320 | 6 | -2 | 323 |
17 | 979 | 0.2 | 16 | 344 | 354 | 350 | -4 | -14 | 338 |
18 | 979 | 0.2 | 16 | 354 | 350 | 338 | -12 | -8 | 340 |
19 | 979 | 0.4 | 18 | 281 | 298 | 284 | -14 | -31 | 279 |
20 | 979 | 0.4 | 18 | 298 | 284 | 279 | -5 | 9 | 268 |
21 | 979 | 0.5 | 12 | 245 | 222 | 237 | 15 | 38 | 215 |
22 | 979 | 0.5 | 12 | 222 | 237 | 215 | -22 | -37 | 208 |
23 | 979 | 0.7 | 14 | 311 | 334 | 323 | -11 | -34 | 328 |
24 | 979 | 0.7 | 14 | 334 | 323 | 328 | 5 | 16 | 319 |
25 | 648 | 0.2 | 18 | 302 | 316 | 296 | -20 | -34 | 279 |
26 | 648 | 0.2 | 18 | 316 | 296 | 279 | -17 | 3 | 287 |
27 | 648 | 0.4 | 16 | 275 | 294 | 288 | -6 | -25 | 281 |
28 | 648 | 0.4 | 16 | 294 | 288 | 281 | -7 | -1 | 273 |
29 | 648 | 0.5 | 14 | 237 | 258 | 245 | -13 | -34 | 250 |
30 | 648 | 0.5 | 14 | 258 | 245 | 250 | 5 | 18 | 240 |
31 | 648 | 0.7 | 12 | 197 | 215 | 209 | -6 | -24 | 201 |
32 | 648 | 0.7 | 12 | 215 | 209 | 201 | -8 | -2 | 193 |
3 基於神經網絡的仿真比較研究3.1 神經網絡結構的建立 網絡預測能力可以從優化網絡本身來加以改善,亦可從提高學習樣本的質量和對學習樣本的處理方面加以考慮[3-4]。時滯系統的未來響應特性與系統當前時刻的狀態有關,與當前及過去時刻系統的狀態變化趨勢有關[5]。由於本實驗系統水力停留時間約爲2h,對該時滯系統將出水COD在t-△t時刻的一階和二階導數亦作爲網絡的輸入量。 理論與實驗表明,含有足夠多節點的單隱含層的BP網絡可以逼近任意非線性函數,故本文采用三層網絡結構,輸入層爲8個節點,分別代表x(t)、u(t)、v(t)、y(t-2△t)、y(t-△t)、y(t)、 y’、y”,隱含層採用試湊法確定爲15個節點,輸出層爲一個節點,代表t+△t時刻的預測出水COD。 RBF網絡輸入層爲8個節點,分別代表x(t)、u(t)、v(t)、y(t-2△t)、y(t-△t)、y(t)、 y’、y”,隱含層節點個數採用從0個神經元開始訓練,通過檢查輸出誤差使網絡自動增加神經元的方法確定,輸出層爲一個節點,代表t+△t時刻的預測出水COD。3.2 仿真比較研究 在確定了BP網絡和RBF網絡結構後,對2個網絡進行訓練[6]。首先將樣本數據歸一化到區間[0,1]之間以消除各指標的數量級差別,防止部分神經元達到過飽和狀態,並把第5、10、15、20、25和30組數據作爲測試數據,以檢驗訓練後的網絡預測效果,其餘組數據作爲訓練數據,用於訓練網絡。最後得到的各訓練仿真曲線繪於圖4-6中。 圖4 不同仿真輸出和實際輸出曲線
圖4爲經過訓練後的網絡仿真輸出曲線, BP模型和RBF模型計算輸出能貼近期望出水COD。特別指出的是,仿真輸出曲線分爲兩部分,第5、10、15、20、25和30次採樣爲第一部分,其餘的採樣爲第二部分。可以看出,第二部分的仿真輸出曲線幾乎和實際輸出曲線重合。這是因爲該部分樣本數據曾用來訓練網絡模型,網絡模型很好的“記住”了樣本包含的信息,表明模型的學習能力很強;
而第一部分的曲線偏離實際輸出曲線,是因爲這些樣本是網絡沒有“見過”的,因此誤差相對較大,相應的相對誤差((網絡模型計算輸出-期望輸出COD)/ 期望輸出COD)如圖5所示。BP網絡模型最大誤差爲-6.26%,RBF網絡模型最大誤差爲8.5%,在造紙廢水處理過程中,上述網絡輸出誤差在可以接受的範圍內,說明網絡模型具有很好的泛化能力。
圖5 考慮出水COD變化趨勢的仿真誤差曲線 另外,考慮BP網絡和RBF網絡輸入量不包含y’和y”的仿真情況,網絡結構同上,仿真數據仍用表1數據,與上述的模型進行對比,得到的網絡輸出誤差見圖6。可以看出,在這種情況下BP網絡模型最大誤差爲11.9%,RBF網絡模型最大誤差爲-24.30%。我們知道,廢水處理出水COD除了與進水量、進水COD、加藥量和歷史出水COD有關外,還與出水COD的變化趨勢有一定關係,圖5中的網絡輸出誤差相對於圖6中的網絡輸出誤差要小,就是因爲它考慮了出水COD的變化趨勢這個不可忽略的因素。
圖6 未考慮出水COD變化趨勢的仿真誤差曲線
值得提出的是,32組樣本數據是分批次實驗得到的,因此各批次間在時間上是不連續的,但在仿真上沒有表現出明顯的差異,表明神經網絡具有很好的抗干擾能力;
同時5組測試數據並未參加網絡訓練,仍能得到較好的輸出,說明網絡具有較好的泛化能力。另外,在測試數據仿真誤差較大點,觀察可以看出其相對於訓練樣本空間的分佈較稀疏,即訓練樣本空間未能完全的包含各種可能的系統信息,網絡在其周圍未能得到充分的訓練。因此,如何得到足夠的訓練樣本以及如何選擇訓練樣本,避免欠擬和問題和過擬和問題,是需要值得注意的重要問題[7]。
4 結論4.1 針對廢水處理過程具有複雜性、非線性、時變性、不確定性等特點,結合人工神經網絡以其具有自學習、自組織、自適應以及良好的非線性映射等能力,建立了基於BP網絡和RBF網絡的廢紙造紙廢水處理系統模型。
4.2 對於BP網絡或者RBF網絡,輸入量包含出水COD在t-△t時刻的一階和二階導數的網絡比不含一階和二階導數的網絡,訓練和測試仿真效果更好,表明其泛化能力更優。4.3 網絡結構確定後,樣本數據的廣泛性及準確性是影響泛化能力的主要因素,如何得到足夠的訓練樣本及如何選擇訓練樣本,避免欠擬和問題和過擬和問題,是值得研究的重要問題。4.4 基於BP網絡和RBF網絡的廢紙造紙廢水處理系統模型能夠準確的描述出水COD與進水水質及歷史出水COD的相互關係。