簡(jiǎn)介：以漯河市污水凈化中心的Carrousel氧化溝（以下簡(jiǎn)稱(chēng)氧化溝）系統(tǒng)為考察對(duì)象，針對(duì)該系統(tǒng)進(jìn)水水質(zhì)復(fù)雜，控制滯后的難點(diǎn)，引入人工神經(jīng)網(wǎng)絡(luò)的理論和方法，對(duì)其模擬分析，建立了基于BP網(wǎng)絡(luò)的氧化溝系統(tǒng)出水COD預(yù)報(bào)模型。模型性能檢驗(yàn)和靈敏度檢驗(yàn)表明，建成的模型準(zhǔn)確度高，適應(yīng)性強(qiáng)，可直接用于該系統(tǒng)出水COD預(yù)報(bào)，這為氧化溝工藝在線控制提供了一條簡(jiǎn)便的途徑。關(guān)鍵字：人工神經(jīng)網(wǎng)絡(luò)氧化溝系統(tǒng)出水COD

TheANNModelPredictingEffluentCODofCarrouselOxidationDitchSystem.

LUOYa-tian^{1,LIAORun-hua2,CHENAn1,SUNYao-hua3,WANGMian3}

(1.SchoolofResourceandEnvironmentalEngineering,WuhanUniversityofTechnology,Wuhan430070,China;2.SchoolofMaterialScienceandEngineeringJingdezzhenCeramicInstitute,Jingdezhen333001,China;3.LuoheCenterofWastewatertreatment,Luohe462000,China)

Abstract:ThecarrouseloxidationditchsysteminLuoheCenterofWastewaterTreatmentisdifficulttocontrolon-linebecausetheinfluentcharacteristicsarecomplexandvarysignificantly.Toresolvetheproblem,advancedartificialneuralnetwork(ANN)wasemployedtosimulatethecorrelationbetweenwaterparametersofoxidationditchsystemandaBPNNmodelpredictingeffluentCODwasbuiltup.Sentivityandperformancetestsshowedthatthemodelcanadapttodifferentsituationsandhasgoodabilitytogeneralize.ItcanbedirectlyusedtopredicteffluentCODconcentration,whichisveryhelpfultooxidationditchsystemcontrolon-line.

Keywords:ANN;oxidationditchsystem;effluentCOD

漯河市污水凈化中心于2000年7月正式投產(chǎn)，采用的是典型的極具代表性的Carrousel氧化溝工藝，污水來(lái)源主要是屠宰廢水、食品加工廢水、化工廢水和生活污水，其主要技術(shù)指標(biāo)：一期工程：2000年7.7萬(wàn)噸日（生活污水2萬(wàn)噸日，工業(yè)污水5.7萬(wàn)噸日），設(shè)計(jì)流量8萬(wàn)噸日，設(shè)計(jì)的進(jìn)水負(fù)荷：COD≤500mgl，BOD_{5≤200mgl，SS≤200mgl，設(shè)計(jì)出水指標(biāo)：COD≤120mgl，BOD５≤30mgl，SS≤30mgl，實(shí)際出水水質(zhì)狀況（建模(用人工神經(jīng)網(wǎng)絡(luò)建立的氧化溝出水COD預(yù)報(bào)的模型的簡(jiǎn)稱(chēng))數(shù)學(xué)數(shù)據(jù)范圍，其它不完整記錄中有超出以下范圍的記錄）：SS：10～170mgl，COD：16～77mgl，TN：2.9～56mgl，TP：0.03～0.91mgl；二期工程2010年11.8萬(wàn)噸日（生活污水2.6萬(wàn)噸日，工業(yè)污水9.2萬(wàn)噸日）。由于進(jìn)水中工業(yè)污水成分達(dá)到約74%,實(shí)際運(yùn)行水質(zhì)波動(dòng)極大，對(duì)系統(tǒng)構(gòu)成強(qiáng)烈沖擊，進(jìn)水COD最高記錄超過(guò)600mgl，進(jìn)水SS經(jīng)常維持在115～600mgl，不同工作日進(jìn)水水質(zhì)強(qiáng)烈起伏，使工藝在線控制比較棘手，出水達(dá)標(biāo)排放難以保證。對(duì)氧化溝這一復(fù)雜的活性污泥系統(tǒng)，由于影響工藝過(guò)程的因素反應(yīng)的復(fù)雜性和高度非線性，常規(guī)的模型適應(yīng)能力有限，而以機(jī)理分析為基礎(chǔ)的動(dòng)力學(xué)模型要求信息完備，參數(shù)齊全，實(shí)際生產(chǎn)中不便于推廣。人工神經(jīng)網(wǎng)絡(luò)(ANN)以其連續(xù)時(shí)間的動(dòng)力學(xué)行為、良好的非線性品質(zhì)、大規(guī)模并行分布處理、高度穩(wěn)健性和學(xué)習(xí)聯(lián)想能力等特點(diǎn)，被廣泛應(yīng)用于模式識(shí)別、信號(hào)處理、系統(tǒng)控制中。并且ANN可以不完備信息建模，不需要被辨識(shí)對(duì)象階次結(jié)構(gòu)等先驗(yàn)知識(shí)，建模方法簡(jiǎn)單^{[1-3]。本研究針對(duì)該凈化中心氧化溝系統(tǒng)進(jìn)水水質(zhì)復(fù)雜、起伏大，控制滯后的難點(diǎn)，通過(guò)使用BP模型，直接以正常運(yùn)行時(shí)的生產(chǎn)數(shù)據(jù)為學(xué)習(xí)樣本建模，預(yù)報(bào)出水COD，詳細(xì)探討了模型設(shè)計(jì)、訓(xùn)練及檢驗(yàn)等環(huán)節(jié)，建成的模型準(zhǔn)確度較高，適應(yīng)性強(qiáng)，可作為一種定性與定量相結(jié)合的有效工具，直接用于該系統(tǒng)出水COD預(yù)報(bào)。}}

1模型原理及設(shè)計(jì)

1.1BP網(wǎng)絡(luò)模型

按誤差反向傳播原則建立的BP(BackPropoga--tion)學(xué)習(xí)算法，是當(dāng)前ANN技術(shù)中最成功的學(xué)習(xí)算法，前饋型BP網(wǎng)絡(luò)及在此基礎(chǔ)上改進(jìn)的神經(jīng)網(wǎng)絡(luò)，是當(dāng)前應(yīng)用最廣泛的網(wǎng)絡(luò)類(lèi)型^{[4]。本研究以MATLAB環(huán)境下的神經(jīng)網(wǎng)絡(luò)工具箱與統(tǒng)計(jì)工具箱[5]為數(shù)學(xué)工具，編制的BP模型由三層神經(jīng)元組成，其主要特點(diǎn)是：}

1.1.1輸入層由影響出水COD的各因素組成，為使樣本信息盡量豐富，并考慮到指標(biāo)監(jiān)測(cè)方便可行，選擇以下參數(shù)作為輸入矢量：X_{1：水溫，X2:進(jìn)水SS濃度,X3：進(jìn)水COD濃度,X4：進(jìn)水氨氮濃度,X5：MLSS,X6：MLVSS,X7：SV３0（沉降30分鐘污泥體積比）。輸出層產(chǎn)生ANN輸出矢量Y，本研究希望輸出的是出水COD濃度Y。隱含層層數(shù)的選擇與問(wèn)題的復(fù)雜性有關(guān)，隱含層層數(shù)的增加將使訓(xùn)練費(fèi)用急劇上升，本研究采用一層隱含層，隱節(jié)點(diǎn)數(shù)的確定考慮到兩原則：①樣本數(shù)大于網(wǎng)絡(luò)可調(diào)數(shù)^{[6]；②幾何平均規(guī)則[7]：對(duì)一個(gè)三層網(wǎng)絡(luò)，具有n個(gè)輸入節(jié)點(diǎn)，m個(gè)輸出節(jié)點(diǎn)，則中間層節(jié)點(diǎn)數(shù)H=。本研究取節(jié)點(diǎn)數(shù)4～14，以期對(duì)其在更大范圍優(yōu)化。圖1給出了訓(xùn)練成功的一組網(wǎng)絡(luò)結(jié)構(gòu)。}}

1.1.2　以logsig或tansig函數(shù)作為隱含層激活函數(shù)，分別使用這兩種函數(shù)作網(wǎng)絡(luò)訓(xùn)練，擇優(yōu)而用。以logsig作為輸出層激活函數(shù)，將輸出結(jié)果控制在[0,1]，式中，b為偏差值,x表示隱含層中的節(jié)點(diǎn)數(shù)值。

logsig函數(shù)：

tansig函數(shù)：

1.1.3采用Levenberg-Marquart收斂規(guī)則，該規(guī)則采用了數(shù)值優(yōu)化算法，可根據(jù)誤差大小自動(dòng)調(diào)整牛頓法與梯度法在訓(xùn)練中的比重，是目前最快的收斂算法，大大降低了訓(xùn)練費(fèi)用。

1.2　訓(xùn)練集與檢驗(yàn)集

ANN模型的預(yù)報(bào)能力與學(xué)習(xí)樣本質(zhì)量及信息量緊密相關(guān)，出水COD預(yù)報(bào)的BP網(wǎng)絡(luò)模型（以下簡(jiǎn)稱(chēng)模型）樣本數(shù)據(jù)取自漯河市污水凈化中心2000年8月至2002年2月間生產(chǎn)數(shù)據(jù)，完整記錄（包括全部模型輸入輸出參數(shù)）共89組，剔除發(fā)生生產(chǎn)事故(有記載的酸堿中毒、活性污泥膨脹等)狀態(tài)下記錄7組，剩余82組（考慮到數(shù)據(jù)樣本集規(guī)模不大，故包括了一些超標(biāo)排放數(shù)據(jù)），初步確定為學(xué)習(xí)樣本集。進(jìn)水水質(zhì)參數(shù)變化范圍：水溫：10.8～3℃；SS：139～1062mgl；COD：109～694mgl；NH_{4^{+-N：12.88～496mgl；控制參數(shù)：SV30：12～93；MLVSS：1107～3484mgl；MLSS：2226～6226mgl。生產(chǎn)報(bào)表無(wú)進(jìn)水水量記載，故假定每個(gè)工作日進(jìn)水水量連續(xù)穩(wěn)定，但建成模型檢驗(yàn)結(jié)果反映出進(jìn)水水量是一個(gè)重要模型參數(shù)，由于缺乏相關(guān)數(shù)據(jù)，使得模型性能欠佳。篩選出82組代表性數(shù)據(jù)中，通過(guò)主要成分分析及聚類(lèi)分析[8]，發(fā)現(xiàn)三組樣本有離群傾向，但不太突出，不做去除,以防止信息量的損失，最終確定學(xué)習(xí)樣本規(guī)模為82組。}}

以歐氏距離作為表征相似性的統(tǒng)計(jì)量，采用平均距離判斷依據(jù)將原始樣本分為10類(lèi)，根據(jù)聚類(lèi)結(jié)果，從各類(lèi)中隨機(jī)挑選13左右的樣本歸入檢驗(yàn)集，剩余的歸入訓(xùn)練集。最終確定47組用于訓(xùn)練，35組用于檢驗(yàn)。聚類(lèi)分析，保證了所取的訓(xùn)練樣本分布均勻且能覆蓋原始樣本提供的結(jié)構(gòu)信息，彌補(bǔ)了原始數(shù)據(jù)量較少的不足。

對(duì)訓(xùn)練集與檢驗(yàn)集數(shù)據(jù)做預(yù)處理，筆者在此提出三點(diǎn)規(guī)范：①保持原始樣本統(tǒng)計(jì)規(guī)律，數(shù)據(jù)拓?fù)浣Y(jié)構(gòu)。②絕大部分網(wǎng)絡(luò)期望輸出要在輸出層激活函數(shù)的敏感區(qū)內(nèi)，避免進(jìn)入不應(yīng)區(qū)。對(duì)logsig函數(shù)而言，敏感區(qū)為[0.15,0.85]。③網(wǎng)絡(luò)輸出逆變換不能放大誤差。本研究對(duì)原始數(shù)據(jù)作如下預(yù)處理,式中x表是原始值,x_{min與xmax分別表示原始值中的最小值與最大值,xnorm表示訓(xùn)練輸入值：}

1.3　建模試驗(yàn)要點(diǎn)

1.3.1　由于訓(xùn)練、檢驗(yàn)樣本自身含有噪聲，其大小未知，故建模應(yīng)以預(yù)報(bào)準(zhǔn)確度作為首要目標(biāo),精度作為次要目標(biāo)。這里引入①檢驗(yàn)誤差E：檢驗(yàn)樣本網(wǎng)絡(luò)輸出值允許誤差的上限；②準(zhǔn)確度：不大于E的檢驗(yàn)合格率。用訓(xùn)練總平方誤差G衡量模型精度，精度不可過(guò)高，否則會(huì)誘導(dǎo)網(wǎng)絡(luò)記住噪聲。如何協(xié)調(diào)精度與準(zhǔn)確度之間的矛盾，找出二者最佳組合，盡可能達(dá)到模型性能最優(yōu)化是數(shù)值試驗(yàn)的重中之重。

1.3.2　BP網(wǎng)絡(luò)學(xué)習(xí)收斂速度及局部最小點(diǎn)的性能對(duì)初始化權(quán)值、偏差矩陣十分敏感，本研究通過(guò)加大隨機(jī)初始化次數(shù)來(lái)搜索模型滿(mǎn)意解，對(duì)給定的網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)組合實(shí)行1000次隨機(jī)初始化權(quán)值、偏差矩陣搜索。

1.3.3　模型性能檢驗(yàn)，采用四項(xiàng)指標(biāo)^{[9-12]:相關(guān)系數(shù)C，均方根誤差R，標(biāo)準(zhǔn)均方根誤差N，平均相對(duì)誤差A，如下式中x、y分別表示輸入與輸出樣本值，下標(biāo)i表示第i次訓(xùn)練時(shí)對(duì)應(yīng)樣本值，n表示訓(xùn)練次數(shù)，_{、表示相應(yīng)樣本均值，x1i表示輸入第一個(gè)變量的第i個(gè)樣本值，x2i類(lèi)推：}}

對(duì)網(wǎng)絡(luò)實(shí)際輸出與期望輸出(觀測(cè)值)作指標(biāo)檢驗(yàn)，可反映出模型的逼近性能。

1.3.4　模型的靈敏度檢驗(yàn)^{[13]：目標(biāo)值在多維空間中每一點(diǎn)隨各個(gè)自變量改變而改變的趨勢(shì)。靈敏度曲線平緩表明該項(xiàng)輸入對(duì)網(wǎng)絡(luò)輸出的影響過(guò)弱，靈敏度曲線出現(xiàn)突變或中斷表示該項(xiàng)輸入對(duì)網(wǎng)絡(luò)輸出的影響過(guò)強(qiáng)，此時(shí)模型模擬性能不穩(wěn)定，碰到這兩種情況，應(yīng)繼續(xù)搜索或調(diào)整輸入變量個(gè)數(shù)重新訓(xùn)練。}

2模型訓(xùn)練及檢驗(yàn)

建模數(shù)值試驗(yàn)參數(shù)調(diào)整范圍設(shè)定：E:0.2～0.4；G:0.001～0.5；隱節(jié)點(diǎn)數(shù)H:4～14；隱含層激活函數(shù):tansig或logsig；輸出層激活函數(shù):logsig;訓(xùn)練最大迭代次數(shù):1000。從72,000次搜索訓(xùn)練中篩選出最佳的一組解:網(wǎng)絡(luò)結(jié)構(gòu)7-6-1(三層神經(jīng)網(wǎng)絡(luò)每層節(jié)點(diǎn)數(shù)),E=0.3,G=0.15,H=6,隱含層函數(shù):tansig。模型訓(xùn)練經(jīng)過(guò)18次迭代達(dá)到穩(wěn)定，訓(xùn)練總平方誤差0.13,圖2為誤差下降曲線；模型模擬及檢驗(yàn)(預(yù)報(bào))結(jié)果見(jiàn)圖3。

圖2誤差下降曲線

Fig2.TheErrorCurveofTraining

模型性能指標(biāo)值見(jiàn)表1。

表1模型性能指標(biāo)

Tab1TheValuesofModelPerformanceTesting