污水处理参数的小波神经网络软测量技术

王文成 李珂 陈忠雪 牛秦洲

(桂林理工大学信息科学与工程学院,广西 桂林 541004)

污水处理参数的小波神经网络软测量技术

王文成 李珂 陈忠雪 牛秦洲

(桂林理工大学信息科学与工程学院,广西 桂林 541004)

采用序批式污泥法处理污水的过程存在一定的非线性、时变性、随机性和不确定性,为此提出了一种基于核主元分析和小波神经网络模型的污水处理参数软测量技术。在保证水质信息量损失较小的情况下,使用核主元分析法对输入变量进行降维。将小波神经网络软测量模型和在线测量仪表相结合,对氧化还原电位、溶解氧、pH值及COD等参数控制信息进行实时检测;PLC控制器输出控制信号,控制整个系统设备的运行。仿真结果表明,和传统方法相比,该技术动态性能好、误差少,具有很好的鲁棒性和稳定性。

序批式污泥法 小波神经网络 核主元分析 PLC控制器 学习算法

0 引言

近年来,随着生活水平的提高,越来越多的人开始对周围环境质量提出更高的要求。人口密集城镇所产生的生活污水,给相关部门的工作带来了很大的压力与挑战。因此,建设自动化程度较高的生活污水处理厂,并设计架构较为精确的参数软测量模型是解决污水处理的有效方法。

纵观全球一些发达国家的污水处理过程控制研究现状[1],日本的给水处理、美国的厌氧消化处理、德国的污水物化处理等都将模糊控制技术应用到了生产中。但是一些关键技术指标还未能做到实时检测或者实时检测的代价比较大,运行成本高。因此,很多技术只能采用开环控制或者其他软测量间接控制的方法,这使污水处理过程控制的精确度就很难得到提升,整个控制系统的效率也很难得到提高。应用近年来发展成熟的技术如小波神经网络技术预测在线测量困难的参量值,再结合容易实时在线检测的参量值,分析过程控制信息,对整个污水处理系统进行控制是解决上述问题的有效方法。

1 污水处理控制软测量系统模型

目前,污水处理工艺的方法种类有很多,本文研究的污水处理模型是建立在序批式活性污泥法(sequencing batch reactor activated sludge process,SBR)工艺基础之上的。

SBR是一种按间歇曝气方式来运行的活性污泥处理技术[2]。首先,考虑到污水各种状态下的水质情况,对进水各项参数指标进行预测量,如氧化还原电位(ORP)、溶解氧(DO)、氟、油、氨氮等,化学需氧量(COD)也可以实现检测,但存在滞后、误差大和花费昂贵等问题。利用小波神经网络(wavelet neural networks,WNN)在非线性函数逼近等方面的优点对水质参数进行软测量。观察上述参量可以发现,这些污染物之间存在一定的非线性相关度,因此采用核主元分析(kernel principal component analysis,KPCA)法对其进行非线性降维。同时,ORP、DO和氨氮可以利用历史参量数据通过WNN预测,但是如果这些参数都经过网络计算,就会带来一系列的预测值泛化问题,污水处理系统的精确度就得不到有效的控制。将COD预测值与在线测量仪参数测量值相结合,可使污水处理系统软测量的精确度达到最佳,同时整个系统的性价比最高。

在SBR法反应阶段[1-2],在空气量恒定的条件下,当ORP和DO值迅速大幅度升高后平稳在某一稳定的范围值内时,说明COD浓度被降解至一个比较难降解的浓度。再结合WNN对COD的预测结果,可以准确地推断出SBR反应阶段是否结束。在缺/厌氧反应阶段,当pH值快速大幅度升高时,说明反硝化过程开始,接着pH曲线会通过一个极值点后不断慢慢下降,则反硝化过程结束,进入厌氧状态,并达到产酸降磷的效果。pH、ORP所反映出的过程控制信息,可作为硝化液、碳源等投量的判断。在好氧阶段,pH值下降到极值点后再上升或基本维持不变,说明硝化反应结束,控制曝气量可以达到控制DO的目的[3]。而pH在COD降解过程中不断大幅度上升直至COD不再降解,结合这些参量反映出的控制信息可以作为池内碱度条件及微生物生长状况的判断。污水软测量控制系统如图1所示。

图1 基于WNN的污水软测量控制系统Fig.1 Soft measurement of sewage treatment controlling system based on WNN

2 核主元分析

如果把MLVSS、pH、ORP、DO、氟、油、氨氮都作为小波神经网络的输入变量[4],就会加大网络学习负担,从而影响COD软测量的速度。核主元分析(KPCA)可以依据上述变量之间的非线性相关度,引入核函数,将变量映射到非线性主元上。在保证信息量损失较小的情况下,对变量空间进行降维,使低维变量能够保存原始水质参数变量的大部分信息,消除冗余信息,避免“维数灾”问题。

提取工况数据X(m×n),m为数据采用次数,n为数据变量个数。假设存在非线性映射Φ:Rn→Rn′,则Xj在该映射下的特征向量为Φ(Xj),且Φ(Xj)的n1× n1维协方差矩阵C为:

对C进行特征分解,且两边左乘以转置向量ΦT(Xk)得:

式中:k=1,2,…,m;λ为C的特征值。

对于∀λ≠0,其对应的特征向量可以由{Φ(Xj)}线性表示:

将式(1)和式(3)代入式(2),可以得到:

根据Mercer定理,点积可以用核函数K(x,y)=＜Φ(x),Φ(y)＞来代替,构造m×m核矩阵K,并将对K进行中心化处理后的代入式(4)可得:

归一化特征向量Vk,并计算特征向量空间上的投影:

即可得到特征向量在高维空间中的主分量。

一般来说,X中的大部分动态信息(经验上取85%)足以用X的前a(a为相应主元个数,且a≤n)个主元表示,即:

3 小波神经网络系统

小波神经网络(WNN)是小波分析与神经网络相结合的一种新型参数软测量建模方式,它融合了两者的优点[4]。小波基函数不仅具有良好的紧支性,而且可以使神经网络的信息处理更加具有针对性,从而使WNN对水质参数的软测量达到更加理想的效果。

3.1 小波神经网络结构

控制系统可由一个3层的WNN组成,其结构如图2所示。

图2 小波神经网络结构图Fig.2 Structure of wavelet neural networks

①输入层

本层的作用就是信号的直传,第i个输入节点为Xi,则第i个节点的输入输出为:

②隐层

本层利用小波基函数对信号进行小波变换,共有K个节点。第j个节点的输入输出为:

式中:wij为第i个和第j个节点之间的权值;ak和bk分别为小波的尺度因子和位移因子。

③输出层

本层用于对信号进行重构,只有一个节点y0,即出水COD。所有输出量的总输出为:

采用梯度下降法对连接权系数进行修正。

式中:η为学习效率;α为动量因子。

3.2 在线训练算法

在线学习框图如图3所示。

图3 在线学习框图Fig.3 Structure of learning algorithm on line

在对系统进行训练时,首先对网络参数初始化,即对小波尺度因子ak、位移因子bk、网络连接权系数wij和wj和学习效率η(η＞0)赋予初始值[7]。然后,利用样本值、期望的输出值,利用式(8)～式(10)计算隐层和输出层的输出值、误差Ep,并利用式(11)～式(21)对上述初始值进行修正。计算残差函数E并利用式子ΔE=E(wn)-E(wn-1)重置η。当ΔE＜0,置η=η× 1.25;否则η=η×0.8。最后,将残差函数E的值与预设定的数值ξ(ξ＞0)进行比较。如果E＜ξ,则终止网络的训练;否则重新进行训练。

4 仿真试验

选取某城镇污水处理厂368组工况数据,其中, 276组数据作为WNN训练样本,92组数据作为测试样本,对训练好的网络模型进行测试。不同σ时得到的主元分析如表1所示。

表1 与σ值相对应的主元分析Tab.1 The principal component analysis corresponds to value of σ

考虑到污水处理过程中COD的浓度变化对整个系统运行起着决定性的作用,而其他参数指标都可以在线实时测量,编写Matlab仿真程序,制作模糊神经网络[8-10]模型和小波神经网络模型的COD预测曲线及相应的误差曲线,具体如图4～图5所示。

图4 模糊神经网络COD预测曲线Fig.4 FNN COD prediction curves

图5 模糊神经网络误差曲线Fig.5 FNN error curve

图6 小波神经网络COD预测曲线Fig.6 Wavelet neural network COD prediction curve

图7 小波神经网络误差曲线Fig.7 WNN error curve

5 结束语

本文主要研究了小波神经网络参数软测量技术在污水处理控制系统中的应用,并利用核主元分析和梯度下降法对神经网络进行输入变量降维和连接权系数修正。仿真试验结果表明,基于小波神经网络和在线测量仪器的参数软测量模型能够很好地跟踪反应过程参数信息的变化,在不同水质的情况下,污水处理软测量控制系统具有很好的动态性和稳定性,能够达到高效处理污水的目的。

[1] 管秋,王万良,徐新黎,等.基于神经网络的污水处理指标软测量研究[J].环境污染与防治,2006,28(2):156-158.

[2] 陈兆波,任月明.污水处理厂测量、自动控制与故障诊断[M].北京:化学工业出版社,2009:6-18.

[3] 甄博然,韩红桂,乔俊飞.基于增长型神经网络的污水处理过程溶解氧控制[J].中南大学学报:自然科学版,2009,40:74-79.

[4] 朱启兵,黄敏,崔宝同.基于小波神经网络的污水处理厂出水水质预测[J].计算机工程与应用,2007,43(28):15-17.

[5] Huang D,Du J.A constructive hybrid structure optimization methodology for radial basis probabilistic neural networks[J].IEEE Transactions on Neural Networks,2008,19(12):2099-2115.

[6] Marsland S,Shapiro J,Nehmzow U.A self-organizing network that grows when required[J].Neural Networks,2002,15(8-9):1041-1058.

[7] 王文成,张金山,贾微,等.竖炉球团计算机控制系统[J].自动化与仪表,2013,28(2):41-47.

Soft Measurement Technique Based on Wavelet Neural Network for Sewage Treatment Parameters

The sewage treatment process using sequencing batch sludge method features many disadvantages,such as nonlinearity,time variation,randomness,and uncertainty.Thus the soft measurement technology based on kernel principal component analysis and wavelet neural network model for sewage treatment parameters is proposed.To keep minimum loss for water quality information,the dimension of input variable is reduced by using kernel principal component analysis method.The wavelet neural network software measurement model is combined with online measuring instrument to detect parameter control information,including redox potential,dissolved oxygen,pH,COD,etc.,in real time;the operation of overall control system is controlled by the PLC controller.The result of simulation indicates that comparing with traditional method,this technology features better dynamic performance,smaller error,and possesses excellent robustness and stability.

Sequencing batch sludge method Wavelet neural network Kernel principal component analysis PLC controller Learning algorithm

TP183

A

国家自然科学基金资助项目(编号:51365010);

广西科技计划基金资助项目(编号:2013DB41017)。

修改稿收到日期:2014-03-07。

王文成(1970-),男,2005年毕业于桂林理工大学地球探测与信息专业,获硕士学位,高级实验师;主要从事工厂自动化、控制工程的研究。