神经网络用于污水生物脱氮过程控制的软测量.docVIP

　　神经网络用于污水生物脱氮过程控制的软测量 摘要：许多控制参数不能实现在线检测导致污水生物处理过程难以实现效果良好的自动控制。神经 网络 可以用于污水生物脱氮过程控制的软测量。与EFOR模拟 计算 结果相比，软传感器“测得”的出水总凯氮的绝对误差在±0.03mg/l之内，相对误差在±2.5％之内。 关键词：神经网络 污水生物脱氮 自动控制 软测量 .L.编辑。 　　由于排放标准对出水氮、磷浓度限制的提高，近年来提出了很多生物去除营养物（Biological Nutrient Removal－BNR）的工艺。与只包含去除有机物的传统活性污泥工艺相比，这些BNR工艺多数需要复杂的检测和控制。因此，污水处理工艺的自动化越来越引起人们的注意。然而由于活性污泥工艺的生物学特性，许多控制参数不能实现在线检测，并且现有的在线传感器用于工艺自动化还不够可靠。解决这一 问题 有两种途径[1]：开发用于检测控制参数的新 方法 ；开发基于从现有在线传感器获得的信息的软传感器。由于软传感器既可以替代硬件传感器又可以与硬件传感器一起 应用 起到校验作用和避免冗余，近来很多 研究 者开始了这方面的研究[1][2][3][4][5]。 　　神经网络（NN）是人工神经网络(Artificial Neural Net=1，取隐含层节点数n1＝6。 　　神经网络程序用MATLAB6.5编制。神经网络的结构如图1示。图中前面一层是输入层，此处输入参数为7个，ip1——初沉池剩余污泥排放泵；Pump2——内回流泵；Pump3——污泥回流泵；Pump4——二沉池剩余污泥排放泵 　　表1. 用于训练神经网络的水质参数的取值 　　 　　Q (m3/d) 　　CODt (mg/l) 　　SS (mg/l) 　　NH4+ (mg/l) 　　NOx-(mg/l) 　　TAL (mg/l) 　　DO (mg/l) 　　TKN (mg/l) 　　最大 　　1622 　　64.49 　　9.51 　　0.15 　　8.47 　　2.4 　　1.98 　　1.26 　　最小 　　285 　　57.84 　　4.4 　　0.04 　　6.78 　　2.26 　　0.81 　　0.92 　　平均 　　1131.51 　　61.4 　　7.39 　　0.09 　　7.57 　　2.33 　　1.49 　　1.10 　　用这组数据对神经网络进行训练，训练的过程如图3示。图中横坐标为神经网络训练步数，纵坐标为每步训练得到的神经网络误差，神经网络训练的误差指标为0，经100步训练后得到的神经网络误差为2.18382×10-5。 　　 图3 神经网络的训练过程 　　训练得到的权重矩阵： 　　i.　　3 对软传感器的检验 　　用EFOR模拟得到的另外一组出水水质数据（8×241个）检验经训练的神经 网络 作为软传感器的精确度：以该组数据的Q、CODt、SS、NH4+、NOx-、TAL、DO作为软传感器的输入“测得”一组（1×241个）TKN值，把它们与EFOR得到的TKN值分别进行比较，结果如图4所示。 　　 　　图4 对软传感器的检验结果 　　从图4中可以看出，用软传感器“测得”的TKN与EFOF模拟 计算 得到的TKN结果比较，绝对误差在±0.03mg/l之内，相对误差在±2.5％之内。 　　4 结论 　　神经网络用于污水生物脱氮过程控制的软测量效果良好：与EFOR模拟计算结果相比，软传感器“测得”的出水TKN的绝对误差在±0.03mg/l之内，相对误差在±2.5％之内。 　　BP神经网络的最主要缺点是容易陷入局部极小值，这在网络的训练过程中得到充分的体现。解决的 方法 是，训练效果不好时，换用不同的初始权值矩阵和初始偏差重新进行训练。