基于神经网络的混凝投药控制研究与实现

杨久红，王小增

（嘉应学院 电子信息工程学院，广东 梅州 514015）

基于神经网络的混凝投药控制研究与实现

杨久红，王小增

（嘉应学院 电子信息工程学院，广东 梅州 514015）

作为水质净化重要环节的混凝投药是一个非线性系统，目前还很难对其建立准确的数学模型。该文提出了基于改进BP神经网络的解决方法，根据水源参数的具体特征提取特征值并建立相应的神经网络，通过训练，网络具有较强的适应和学习功能，通过仿真和实验达到了很好的混凝投药控制效果，使混凝投药系统的控制迈向智能化。

改进BP算法；神经网络；混凝投药；水质净化

混凝过程是现代城市给水和工业废水处理工艺中的关键环节之一，是国内外水处理界研究的一个热点课题。准确控制投药是取得良好混凝效果的首要前提，可以稳定出厂水水质，降低制水成本，减轻工人劳动强度。该过程具有复杂性、时变性、非线性和大时滞等特点。目前采用的混凝投药技术有模拟滤池（沉淀池）法、数学模型法、胶体电荷控制法、流动电流法、透光率脉动法。这些方法能部分解决投药问题，但都存在一定缺陷，且适应性差。因此，研究和开发一种性能优良、适应性好的混凝投药控制技术，具有重要的理论和现实意义［1－2］。

近年来，随着微型计算机、仪器仪表、自动控制和人工智能技术的发展，混凝投药的智能复合控制技术得到了很快发展。它有效克服了传统控制方法中过程复杂、结果不准确、对变化及干扰适应和抑制能力差等缺点。

1 水处理流程

给水厂常规处理工艺流程如图1所示。

原水加入混凝剂后进入反应池，混凝剂与水中的悬浮颗粒进行化学反应，形成具有良好沉淀性能的絮凝体，在沉淀池充分沉淀后得到较洁净的水进入滤池过滤，滤后水经杀菌消毒后通过送水泵房送水出厂。其中凝聚、絮凝是主要环节，直接关系到出水的水质，而在这一过程中混凝剂的投放量又是一个关键因素，能够根据原水水质参数的变化不断改变投放量，以满足出水水质的要求［3－4］。

2 混凝投药控制神经网络设计

2.1 人工神经网络的一般设计步骤

（1）特征向量的提取及归一化。

（2）网络的结构与参数的设计，包括输入输出节点数、层数、每层的激活函数、隐层节点数、初始值的选取、学习速率的确定，训练算法的选定或改进。其中网络结构和训练算法尤为关键。

（3）网络训练及测试［6－8］。

2.2 水源参数特征的提取及归一化

混凝剂的投加量除取决于原水流量和浊度外，还受水温、pH值、水中杂质的成分、性质等因素的影响。分析得出：水源的污浊度（TUB1）、水的pH值、已沉淀水的污浊度（TUB2）、水温（TE）、水中的碱值（AL）等几个主要原水参数将影响混凝剂的投量和混凝效果［5，9］。选取的训练样本如表1，期望输出如表2。

表1 训练样本

由于传递函数S型函数的输入范围要求在［0，1］之间，因此，对样本数据和期望输出进行归一化，得到表3，4。归一化公式为：

式中 X，Y为归一化前后的数据；Min和Max为每列数据的最小和最大值。

表2 期望输出

表3 归一化后的训练样本

2.3 混凝投药神经网络控制结构

找出影响混凝效果的主要因素之后确定采取3层网络结构，如图2所示，输入层节点数为5个，分别为TUB1、pH、TUB2、TE、AL；输出层节点数为1个，即混凝剂的投放量；隐层节点数为8个。

表4 归一化后的期望输出

2.4 混凝投药神经网络的训练

2.4.1 训练算法

（1）初始化权及阈值为一个小的随机数。

（2）把表1的训练样本作为输入向量，表2的期望输出作为输出向量。

（3）从第一隐层开始，逐层计算实际输出。

（4）计算实际输出与期望输出的误差，按式（2）调整各层权值。

式中 grad（k）为第k次迭代的梯度；Δw（k）为权值或阈值第k次迭代的幅度修正值，其初始值Δw（0）是用户设置的；kinc为增量因子，由用户设置，本网络取1.15；kdec为减量因子，由用户设置本网络取0.2。

（5）重复步骤（3）～（5），经过81次后收敛，误差达到0.000099，满足预定误差0.0001的要求，结束。

2.4.2 训练曲线

网络训练曲线如图3所示，实际输出表5与表4的期望输出相符，训练效果很好。

表5 测试输出

2.5 混凝投药神经网络测试

用表6归一化后的样本对训练好的网络进行测试，实际输出为0.33546，经换算后得到混凝剂投放量为1101，与实际投放量1100相差很小，误差为0.09%。

表6 归一化后的检验样本

3 结语

利用所建立的混凝剂投放量控制网络可以在符合水质要求的同时节约混凝剂，系统工作稳定可靠，动态性能好，尤其是对原水流量、浊度变化大的情况适应性较强。同任何技术一样，混凝投药控制技术在不断进步。随着人工智能和人工神经网络理论在各行各业的应用，智能化和网络化已成为混凝工艺的发展趋势，同时也必将产生良好的社会效益和经济效益。

［1］李培军，光仪，建锋.混凝投药控制技术的现状及发展趋势研究［J］.市政技术，2009，27（5）：504－505.

［2］苏腾，陈中兴，陆柱.混凝剂的研究应用现状与开发动向（一）［J］.净水技术，2000，18（3）：7－9.

［3］曾明如，江智军，孙达志.给水厂混凝投药实时控制专家系统研究［J］.给水排水，2004，30（5）：101－103.

［4］周开利，康耀红.神经网络模型及其MATLAB仿真程序设计［M］.北京：清华大学出版社，2007.

［5］邵军力，张景，魏长华.人工智能基础［M］.北京：电子工业出版社，2000.

［6］史步海，朱学峰.基于模糊神经网络的混凝沉淀投药控制［J］.控制工程，2009，16（6）：723－724.

［7］江智军，何小斌，杨晓鲜.自来水厂混凝投药控制系统的设计及应用［J］.计算机测量与控制，2006，14（4）：462－464.

［8］陈安，罗亚田.人工神经网络方法在环境科学领域应用进展［J］.重庆环境科学，2003，25（9）：65－67.

［9］郭晓磊，杨静.人工神经网络在污水处理中的应用［J］.广东化工，2008，35（8）：85－87.

Study and Realization of Coagulant Dosing Control Based on Neural Network

YANG Jiu－hong，WANG Xiao－zeng
（Department of Electronics and Information Engineering，Jiaying University，Meizhou 514015，China）

The Coagulant Dosing is a nonlinear system.It is very important in the process of water purification.It is difficult to establish a precise mathematical model.The paper puts forward a solution based on improved BP algorithm.According to the water source parameters，determines characteristic values and establishs neural network which is very excellent in learn speed and adaptability.The simulation and experiment of the coagulant dosing system show that the demand of control precision is satisfied.The paper put forward a improved BP algorithm which makes the coagulant dosing system control more intelligentize.

improved BP Algorithm； neural network； coagulant dosing； water purification

X52

A

1672-9900（2011）01-0014-02

2011－01－05

广东省梅州市自然科学基金资助项目（2010KJA28）

杨久红（1973－），女（满族），辽宁北镇人，副教授，主要从事BP神经网络的研究和应用以及嵌入式系统设计工作，（Tel）15914928525。