基于神经网络的MBR仿真预测的研究

闫宏英 李春青

摘要:该文在分析MBR膜污染形成机制、膜污染影响因素的基础上，首先利用主元分析法对影响膜污染的各种参数实现输入变量的降维和去相关，求出影响膜污染最为明显的三大因素：混合液悬浮固体(MLSS)、总阻力和操作压力(TMP)，进而运用BP和RBF人工神经网络建立了这三大参数与表征膜污染程度大小的膜通量之间关系的MBR智能仿真系统模型，并分析了两种神经网络模型对MBR污水处理膜污染过程的适应能力。实验结果表明：l)神经网络模型可以准确地反映出实际情况，具有很好的自适应能力；2) PCA-RBF神经网络模型的收敛精度高而且速度快于PCA-BP神经网络模型。

关键词:膜生物反应器；膜通量；BP神经网络；RBF神经网络；主成分分析法

中图分类号：TP389文献标识码：A文章编号：1009-3044(2012)16-3934-04

Research of MBR Simulation Predictions Based on Neural Network

YAN Hong-ying1,LI Chun-qing2

(Tianjin Polytechnic University ,Computer Science and Software Institution, Tianjin 300387,China)

Abstract: In this paper, based on the analysis of the MBR membrane fouling formation mechanism and the impact factors of membrane fouling, first of all,authors used principal component analysis on various parameters affecting the membrane fouling to achieve dimensionali? ty reduction and decorrelation of the input variables and obtain the most obvious three factors affecting membrane fouling: the mixed li? quor suspended solids (MLSS), the total resistance and the operating pressure (TMP), second, established the MBR intelligent simulation system model reflecting the relationship between the three parameters and the membrane flux characterizing the size of the extent of mem? brane fouling with BP and RBF neural network, and then analyzed the adaptability of the two neural network models with MBR wastewa? ter treatment membrane fouling process. The experimental results show: l) the neural network model can accurately reflect the actual situa? tion, with a good adaptive capacity; 2) the convergence precision and the approximation rate of the RBF neural network model are better than BP neural network model.

Key words: MBR; membrane flux; BP neural network; RBF neural network; principal component analysis

膜生物反应器（Membrane Bioreactor，MBR）是膜分离技术与生物处理技术相结合的一种新型、高效的污水处理技术，它利用微生物对反应基质进行生物转化，利用膜组件分离反应产物并截留生物体。根据国际纯粹和应用化学协会（IUPAC）的定义，由于被处理污水中的固体悬浮物或溶解性物质在膜的表面吸附和沉积形成滤饼层，而滤饼层存在使膜的渗透阻力大大增加，从而造成膜通量降低的过程称为膜污染。大量实验研究表明，膜污染严重影响MBR膜分离单元的性能，并且造成较大MBR的功耗，膜污染导致的最直接的后果就是膜通量下降，所以膜通量大小是膜污染程度的重要表征。

膜污染的影响因素众多，主要来自三个方面：1)膜自身的性质，如膜材质和膜的润湿性，这些因素决定了滤饼层污染和吸附性污染的程度；2)操作条件，如操作压力，污泥龄、污泥负荷等；3)活性污泥混合液性质，如污泥浓度(MLSS)和EPS等。并且三个方面相互交叉影响。由于MBR膜污染因子的复杂性以及各污染因子之间相互交叉，并且模型的应用受一定条件的制约，通用性差。因此应用经典的数学模型算法难以精确描述表征膜污染。基于此，该文提出利用人工神经网络建立污水处理膜污染过程模型的方法。并且分别建立了基于PCA-BP、PCA-RBF人工神经网络的污水处理膜污染过程预测模型，经过仿真实验研究，表明两种神经网络模型都有很好的适应能力，但是PCA-RBF神经网络模型在收敛精度和逼近速度方面均要优于PCA-BP神经网络模型。

l)该文基于污水处理厂的实际数据，建立PCA-BP和PCA-RBF神经网络MBR污水处理过程模型，通过检测表明利用神经网络建立的模型是有效的、可行的；

2)PCA-BP神经网络和PCA-RBF神经网络相比较而言，RBF神经网络模型的收敛精度和逼近速度均优于BP神经网络模型；两种神经网络模型的泛化能力基本相同；

3)PCA-BP神经网络需要选择权值和阈值的调整方法以避免出现局部最小问题，PCA-RBF神经网络不仅程序简单快速，更简便合理。因此，PCA-RBF神经网络更适合建立MBR污水处理过程模型。

[1]张燕,膜生物反应器处理印染污水及膜污染的研究[D].西安:西安工程科技学院，2003.

[2]高宏宇.不确定系统的神经网络控制研究[D].黑龙江:大庆石油学院,2006.

[3]余颖.基于神经网络的污水处理过程建模的研究[C].第五届全球智能控制与自动化大会会议论文集,Hangzhou,P.R.China,2004.

[4]张健,等.基于组合不变矩与神经网络的卫星目标识[J].海军航空工程学院学报, 2008, 23 (1) : 29-32.

[5]迟明杰,SBR法污水处理过程建模与控制技术研究[D].济南:山东轻工业学院,2010.

[6]毛宗武,基于试验模型的MBR三维仿真系统的研究[D].天津：天津工业大学，2011.

[7] Wang Weibin，Zheng Pie,Li Jinyong. Application of BP-NN and RBF-NN in Modeling Activated Sludge System[J].Transaction of Tianjin University,2003,3(9):235-240.

[8]王米娜.电子鼻动态特征信息处理方法研究[D].西北工业大学,2005.

[9]熊煜,邵慧娟.地震数据处理中基于RBF网络的函数逼近[J].计算机仿真,2005(07).

[10]田丽.基于小波神经网络的语音识别的研究[D].大庆:大庆石油学院,2005.

[11]贺清碧. BP神经网络及应用研究[D].重庆:重庆交通学院,2007.

[12]刘臣辉,吕信红,范海燕.主成分分析法用于环境质量评价的探讨[J].环境科学与管理, 2011,36(3):183-186.

[13]沈悦啸,王利政.膜生物反应器的最新研究进展[J].中国给水排水, 2010(12) .

[14]马艳芳,周冰.RBF神经网络的研究与应用[J].电脑知识与技术, 2009(25).