人工神經網路用於造紙廢水處理建模的研究

摘要：利用造紙廢水處理監控系統取得表徵廢水水質的各項指標，在此基礎上研究了基於BP網路和RBF網路的造紙廢水處理建模。模擬結果表明，BP網路較RBF網路對樣本資料的模擬誤差較小，泛化能力更好；
輸入量考慮歷史出水COD變化趨勢的網路，其模擬效果要優於不考慮變化趨勢的網路；
運用基於BP網路和RBF網路的造紙廢水處理模型能夠準確的預測出水COD，為實現廢水處理的自動控制提供可行途徑。關鍵詞：造紙；
廢水處理；
BP神經網路；
RBF神經網路；
模擬研究
      在造紙廢水處理過程中，進水流量、進水COD以及加藥量等影響因素直接關係到出水水質的好壞；
另外由於目前大多造紙廠採用人工操作控制，操作誤差、測量滯後等原因，亦造成出水水質不穩定、故障頻發等問題，而智慧控制可以解決這一問題。但廢水處理過程具有複雜性、非線性、時變性、不確定性等特點。人工神經網路以其具有自學習、自組織、自適應以及良好的非線性對映等能力，特別適合複雜非線性系統的建模與控制，其中目前廣泛應用的BP網路和RBF網路以其各自的優點，成為廢水處理的研究熱點[1]。本文在造紙廢水處理一體化系統取得表徵廢水處理指標的基礎上，通過實現對BP網路和RBF網路的設計、建立、模擬和執行，考察這兩種網路對造紙廢水處理的適應性，為更好的有效實現造紙廢水處理的自動控制提供可行途徑。

 1  人工神經網路廢水處理建模原理     人工神經網路(Artificial Neural Network，簡稱ANN)對廢水處理系統的建模原理如圖1所示，首先根據廢水處理系統的輸入輸出資料建立樣本集。在學習過程中把樣本集中的資料輸入神經網路；
根據樣本的輸入值計算出網路的輸出值；
計算樣本輸出與網路輸出的差值；
根據計算的差值由梯度下降法調整網路的權矩陣；
重複上述過程，直到整個樣本集的誤差不超過規定範圍，學習即結束。圖1  造紙廢水處理系統ANN建模原理示意圖      經過訓練後的網路模型相當於實際廢水處理系統的近似模型，如果通過採集模組採集實際系統的進水各水質指標並輸入網路，得到的網路輸出應該近似等於對應於各水質指標的實際系統的出水COD。基於這樣的原理，針對滯後性的廢水處理系統，本研究採用ANN模型對未來時刻的出水COD進行預測，其中網路輸入為與未來時刻出水COD有關的因素，網路輸出為未來時刻的出水COD，以期通過預測得到當前時刻的加藥量。 2  造紙廢水處理實驗系統設計2.1   廢水來源     廢水取自東莞某造紙廠（主要原料為OCC）,廢水CODcr為500－1600mg/L，pH5.5－6.8。

2.2  造紙廢水處理實驗系統     實驗室廢水處理工藝流程如圖2所示。調節池中的廢水與絮凝劑PAC（5%聚合氯化鋁）混合後經進水泵打入高效一體化反應器[2]，在裡面發生反應、沉澱、過濾和澄清等作用完成泥水分離，處理水從反應器頂流出，汙泥通過反應器底部排泥閥排出。
圖 2  造紙廢水處理工藝 
     本實驗採用自動檢測控制方法代替手工操作，完成水質的線上檢測以及加藥量的自動控制，其監測系統如圖3所示。COD儀自動檢測原水和出水COD值，檢測頻率通過PLC控制電磁閥實現，COD值經ADAM4017＋模組轉換成數字訊號，顯示在安裝於IPC的MCGS（Monitor and  Control Generated System）組態軟體中；
進水量和加藥量通過ADAM4024模組輸出電壓控制蠕動泵和直流泵的工作電壓以改變流量來實現；
高效反應器中的汙泥通過泥位計實時監測，再結合PLC控制電磁閥保證反應器中的泥位保持在一定高度。
圖3  造紙廢水處理系統監控系統框圖 
2.3  網路樣本資料的選取     考慮進水量、進水COD和加藥量三個因素，每個因素取4個水平，具體取值如表1所示，通過正交實驗L16(45)，以自動監控系統完成各個水質指標的採集和加藥量的自動加入，剔除MCGS資料庫中奇異資料後，用於網路訓練和測試的部分資料如表1所示。其中x(t)、u(t)、v(t)和y(t)分別表示t時刻的進水COD（mg/L）、加藥量（mL/s）、進水量（mL/s）和出水COD（mg/L），y(t-2△t)和y(t-△t)分別表示t-2△t和t-△t時刻的出水COD（mg/L）,此處△t取2h；
y’和y”分別表示出水COD在t-△t時刻的一階和二階導數，y’＝ y(t)－y(t-△t)，y”＝ y(t)－2 y(t-△t) ＋y(t-2△t)。 表1  用於網路訓練和測試的實驗資料 

序號	x(t)	u(t)	v(t)	y(t-2△t)	y(t-△t)	y(t)	y’	y”	期望輸出
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

 
3  基於神經網路的模擬比較研究3.1  神經網路結構的建立     網路預測能力可以從優化網路本身來加以改善，亦可從提高學習樣本的質量和對學習樣本的處理方面加以考慮[3-4]。時滯系統的未來響應特性與系統當前時刻的狀態有關,與當前及過去時刻系統的狀態變化趨勢有關[5]。由於本實驗系統水力停留時間約為2h，對該時滯系統將出水COD在t-△t時刻的一階和二階導數亦作為網路的輸入量。     理論與實驗表明，含有足夠多節點的單隱含層的BP網路可以逼近任意非線性函式，故本文采用三層網路結構，輸入層為8個節點，分別代表x(t)、u(t)、v(t)、y(t-2△t)、y(t-△t)、y(t)、 y’、y”，隱含層採用試湊法確定為15個節點，輸出層為一個節點，代表t＋△t時刻的預測出水COD。     RBF網路輸入層為8個節點，分別代表x(t)、u(t)、v(t)、y(t-2△t)、y(t-△t)、y(t)、 y’、y”，隱含層節點個數採用從0個神經元開始訓練，通過檢查輸出誤差使網路自動增加神經元的方法確定，輸出層為一個節點，代表t＋△t時刻的預測出水COD。3.2  模擬比較研究     在確定了BP網路和RBF網路結構後，對2個網路進行訓練[6]。首先將樣本資料歸一化到區間[0,1]之間以消除各指標的數量級差別，防止部分神經元達到過飽和狀態，並把第5、10、15、20、25和30組資料作為測試資料，以檢驗訓練後的網路預測效果，其餘組資料作為訓練資料，用於訓練網路。最後得到的各訓練模擬曲線繪於圖4－6中。 圖4  不同模擬輸出和實際輸出曲線 
     圖4為經過訓練後的網路模擬輸出曲線， BP模型和RBF模型計算輸出能貼近期望出水COD。特別指出的是，模擬輸出曲線分為兩部分，第5、10、15、20、25和30次取樣為第一部分，其餘的取樣為第二部分。可以看出，第二部分的模擬輸出曲線幾乎和實際輸出曲線重合。這是因為該部分樣本資料曾用來訓練網路模型，網路模型很好的“記住”了樣本包含的資訊，表明模型的學習能力很強；
而第一部分的曲線偏離實際輸出曲線，是因為這些樣本是網路沒有“見過”的，因此誤差相對較大，相應的相對誤差（(網路模型計算輸出－期望輸出COD)/ 期望輸出COD）如圖5所示。BP網路模型最大誤差為－6.26%，RBF網路模型最大誤差為8.5%,在造紙廢水處理過程中，上述網路輸出誤差在可以接受的範圍內，說明網路模型具有很好的泛化能力。 
圖5  考慮出水COD變化趨勢的模擬誤差曲線      另外，考慮BP網路和RBF網路輸入量不包含y’和y”的模擬情況，網路結構同上，模擬資料仍用表1資料，與上述的模型進行對比，得到的網路輸出誤差見圖6。可以看出，在這種情況下BP網路模型最大誤差為11.9%，RBF網路模型最大誤差為-24.30%。我們知道，廢水處理出水COD除了與進水量、進水COD、加藥量和歷史出水COD有關外，還與出水COD的變化趨勢有一定關係，圖5中的網路輸出誤差相對於圖6中的網路輸出誤差要小，就是因為它考慮了出水COD的變化趨勢這個不可忽略的因素。

圖6  未考慮出水COD變化趨勢的模擬誤差曲線 
     值得提出的是，32組樣本資料是分批次實驗得到的，因此各批次間在時間上是不連續的，但在模擬上沒有表現出明顯的差異，表明神經網路具有很好的抗干擾能力；
同時5組測試資料並未參加網路訓練，仍能得到較好的輸出，說明網路具有較好的泛化能力。另外，在測試資料模擬誤差較大點，觀察可以看出其相對於訓練樣本空間的分佈較稀疏，即訓練樣本空間未能完全的包含各種可能的系統資訊，網路在其周圍未能得到充分的訓練。因此，如何得到足夠的訓練樣本以及如何選擇訓練樣本，避免欠擬和問題和過擬和問題，是需要值得注意的重要問題[7]。 
4  結論4.1  針對廢水處理過程具有複雜性、非線性、時變性、不確定性等特點，結合人工神經網路以其具有自學習、自組織、自適應以及良好的非線性對映等能力，建立了基於BP網路和RBF網路的廢紙造紙廢水處理系統模型。

4.2  對於BP網路或者RBF網路，輸入量包含出水COD在t-△t時刻的一階和二階導數的網路比不含一階和二階導數的網路，訓練和測試模擬效果更好，表明其泛化能力更優。4.3  網路結構確定後，樣本資料的廣泛性及準確性是影響泛化能力的主要因素，如何得到足夠的訓練樣本及如何選擇訓練樣本，避免欠擬和問題和過擬和問題，是值得研究的重要問題。4.4  基於BP網路和RBF網路的廢紙造紙廢水處理系統模型能夠準確的描述出水COD與進水水質及歷史出水COD的相互關係。