1 人工神经网络废水处理建模原理 人工神经网络(Artificial Neural Network,简称ANN)对废水处理系统的建模原理如图1所示,首先根据废水处理系统的输入输出数据建立样本集。在学习过程中把样本集中的数据输入神经网络;
根据样本的输入值计算出网络的输出值;
计算样本输出与网络输出的差值;
根据计算的差值由梯度下降法调整网络的权矩阵;
重复上述过程,直到整个样本集的误差不超过规定范围,学习即结束。图1 造纸废水处理系统ANN建模原理示意图 经过训练后的网络模型相当于实际废水处理系统的近似模型,如果通过采集模块采集实际系统的进水各水质指标并输入网络,得到的网络输出应该近似等于对应于各水质指标的实际系统的出水COD。基于这样的原理,针对滞后性的废水处理系统,本研究采用ANN模型对未来时刻的出水COD进行预测,其中网络输入为与未来时刻出水COD有关的因素,网络输出为未来时刻的出水COD,以期通过预测得到当前时刻的加药量。 2 造纸废水处理实验系统设计2.1 废水来源 废水取自东莞某造纸厂(主要原料为OCC),废水CODcr为500-1600mg/L,pH5.5-6.8。
2.2 造纸废水处理实验系统 实验室废水处理工艺流程如图2所示。调节池中的废水与絮凝剂PAC(5%聚合氯化铝)混合后经进水泵打入高效一体化反应器[2],在里面发生反应、沉淀、过滤和澄清等作用完成泥水分离,处理水从反应器顶流出,污泥通过反应器底部排泥阀排出。
图 2 造纸废水处理工艺
本实验采用自动检测控制方法代替手工操作,完成水质的在线检测以及加药量的自动控制,其监测系统如图3所示。COD仪自动检测原水和出水COD值,检测频率通过PLC控制电磁阀实现,COD值经ADAM4017+模块转换成数字信号,显示在安装于IPC的MCGS(Monitor and Control Generated System)组态软件中;
进水量和加药量通过ADAM4024模块输出电压控制蠕动泵和直流泵的工作电压以改变流量来实现;
高效反应器中的污泥通过泥位计实时监测,再结合PLC控制电磁阀保证反应器中的泥位保持在一定高度。
图3 造纸废水处理系统监控系统框图
2.3 网络样本数据的选取 考虑进水量、进水COD和加药量三个因素,每个因素取4个水平,具体取值如表1所示,通过正交实验L16(45),以自动监控系统完成各个水质指标的采集和加药量的自动加入,剔除MCGS数据库中奇异数据后,用于网络训练和测试的部分数据如表1所示。其中x(t)、u(t)、v(t)和y(t)分别表示t时刻的进水COD(mg/L)、加药量(mL/s)、进水量(mL/s)和出水COD(mg/L),y(t-2△t)和y(t-△t)分别表示t-2△t和t-△t时刻的出水COD(mg/L),此处△t取2h;
y’和y”分别表示出水COD在t-△t时刻的一阶和二阶导数,y’= y(t)-y(t-△t),y”= y(t)-2 y(t-△t) +y(t-2△t)。 表1 用于网络训练和测试的实验数据
序号 | x(t) | u(t) | v(t) | y(t-2△t) | y(t-△t) | y(t) | y’ | y” | 期望输出 |
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 |
4.2 对于BP网络或者RBF网络,输入量包含出水COD在t-△t时刻的一阶和二阶导数的网络比不含一阶和二阶导数的网络,训练和测试仿真效果更好,表明其泛化能力更优。4.3 网络结构确定后,样本数据的广泛性及准确性是影响泛化能力的主要因素,如何得到足够的训练样本及如何选择训练样本,避免欠拟和问题和过拟和问题,是值得研究的重要问题。4.4 基于BP网络和RBF网络的废纸造纸废水处理系统模型能够准确的描述出水COD与进水水质及历史出水COD的相互关系。