生物滴滤塔废气处理过程神经网络建模.docVIP

生物滴滤塔废气处理过程神经网络建模 　　摘要：在生物滴滤塔处理有机废气过程中，参数间存在比较明显的耦合，同时非线性性能也较强，精确数学模型的建立比较困难。采用辨识方法，建立BP神经网络模型模拟处理生物滴滤塔有机废气的过程。同时采用Levenberg-Marquardt算法解决标准BP训练算法训练速度慢的问题。通过遗传算法优化BP网络的初始权值，避免网络训练时陷入局部极小点，最终的网络模型能够较好得模拟实际对象的运行过程。 　　关键词：生物滴滤塔 BP神经网络辨识 Levenberg-Marquardt算法 遗传进化训练 　　中图分类号：TP 文献标识码：A 文章编号：1007-9416（2013）08-0050-02 　　1 引言 　　污水处理设施排放出含有恶臭污染物的有害废气，是造成大气恶臭的主要挥发源之一，与传统的理化法相比，生物处理技术净化效率高，无二次污染，投资及运行成本低。 　　为了提高净化效率，需要建立对象的数学模型来分析各参数对净化效率的影响，文献1结合气-液两相流理论建立了生物滴滤塔的机理模型。本文利用生物滴滤塔装置降解低有机废气（以甲苯为例）的数据，建立对象的BP神经网络模型。并针对BP网络存在的问题，引入了Levenberg-Marquardt（LM）算法及遗传进化算法进行改进，实验表明此神经网络可以很好的模拟生物滴滤塔处理低浓度有机废气过程。 　　2 生物滴滤塔废气处理过程的神经网络模型 　　神经网络的基本单位是神经元，作用函数为，则每个神经元的输入输出关系为： 　　式中，是第k层第j个神经元的输出，是第k-1层第i个神经元连接到第k层第j个神经元的权值，为第k层第j个神经元的阈值，N为每层神经元的个数。 　　误差与信号反向，从后向前传播，在反向传播中修改神经元的阈值和权值。若采用BP算法训练网络，其迭代公式可表示为： 　　其中，代表当前的权值和阈值，代表迭代产生的下一次权值和阈值，η为学习速率，为当前误差函数的梯度。 　　对于生物滴滤塔来说，影响废气降解效率的主要因素为：培养液（循环液）流量、进口废气流量、pH值，把这3个影响因子作为输入，出口废气降解率作为输出，因此生物滴滤塔装置可以看成一个三输入单输出的非线性动态系统，网络模型结构如图1。 　　输入层3个节点，输出层1个节点，多次实验确定的节点数为9个时训练效果最佳。隐层的作用函数取：；输出层的作用函数取：。输入样本分别为：进口废气流量（Qg（m3/h）），甲苯浓度为：（800mg/m3）、培养液流量（QL（L/h））、塔内pH值；输出样本是甲苯降解效率。参数数据样本都是在实验稳态时测得。输入输出结果进行归一处理后，都处于[-1，1]范围，为保障网络的稳定性，学习速率取为0.05，期望误差为0.001，训练结果如图1。 　　由上图看出，常规BP算法，训练速度较慢，远大于期望的0.001，这样的速度没有实用价值。其改进算法分为两类，第一类是基于最优化理论的训练算法，Levenberg-MarquardtBP（LMBP）算法就是其中成功的改进算法，第二类启发性学习算法，包括弹性BP训练法，可变学习速率的梯度下降法等。 　　3 BP网络的优化训练算法 　　遗传算法通过模拟自然环境中的进化和遗传过称，形成一种全局自适应优化概率搜索算法。利用遗传算法优化BP网络的初始权重，可以在大范围内进行权重取值，提高峰值的映射精度。 　　遗传算法中最优解是模仿生物的进化过程，通过染色体之间的变异和交叉完成。染色体组成种群，遗传算子作用在种群，从而获得新一代种群。算法优化对象是染色体，变异、交叉、选择是遗传算法中常用的的法则2。 　　（1）变异：对种群中的个体，以一定变异概率将某个或某些基因值修改为等位基因。 　　（2）交叉：将种群内的个体搭配成对，以某个交叉概率交换它们的染色体。 　　（3）选择：根据个体的适应度，按一定规则，从第t代种群中选择个体遗传到下一代。 　　基于遗传算法的神经网络优化训练分成两个步骤： 　　（1）采用遗传算法优化BP网络初始权值，遗传算法训练BP网络的流程如图3。 　　（2）把（1）中得的权值作为初始权值，利用前面的LMBP算法修改网络权值。 　　4 实验仿真结果 　　用实验所得的数据对网络模型训练的结果如图4，图中将期望误差从0.001降到0.0001时，BP算法在设定迭代步数内达不到期望性能。如果训练初始点选取合适，LMBP算法能可以很快找到全局最优解，一旦初始点选不好，会使网络陷入局部极小点。引入遗传算法可以很好的解决此问题，使收敛率达到100%，对学习速率又不会有太大影响。 　　用实验所得的稳态数据做输入样本，塔内pH保持定为7，进气口废气流量为0.8m3/h，废气浓度为800mg/m