基于人工神经网络算法的水厂混凝投药控制系统研究与开发

饶小康，贾宝良，鲁 立

(长江科学院 仪器及自动化研究所，武汉 430010)

基于人工神经网络算法的水厂混凝投药控制系统研究与开发

饶小康，贾宝良，鲁 立

(长江科学院 仪器及自动化研究所，武汉 430010)

针对自来水生产投药工艺长滞后、非线性、多输入因子、不确定性、时变性、模糊性等特点，采用人工神经网络算法对周围环境自适应和自学习，研究和开发了一套用于水厂混凝投药的自动控制系统。系统以武汉市第一大水厂——宗关水厂为例，研究了Elman神经网络算法对控制系统混凝投药效果的影响，并基于OLE-DB开放性数据访问标准实现对WinCC工控系统样本数据读取和存储的预处理。系统主要包括投药工艺、数据查询、曲线生成、配药查询、报警日志、报警统计、药耗统计、波动评价、报警设置等功能模块，在宗关水厂的成功运行实现了混凝投药工艺生产运行参数的在线监视和全自动化运行。为水厂的安全生产提供了保障，达到了节约药耗、减少人工、降低操作人员劳动强度的目的。

Elman神经网络；自来水厂；混凝投药；WinCC；控制系统

1 研究背景

自来水厂净化工艺主要包括投药和配药2个部分，而混凝投药是净化工艺中最重要的处理工艺，它使水中的各种悬浮颗粒、杂质以及致病微生物聚结和粘结，以便出厂水达到居民生活水质要求。

混凝投药作为自来水厂水处理工艺中的核心工艺，其混凝沉淀的效果直接影响着出厂水质。混凝投药是一个复杂的物理化学反应过程，具有非线性、多输入因子(源水流量、源水浊度、温度、pH值、药浓度等)、不确定性、时变性、模糊性等特点，很难准确地建立反应过程的数学模型，且目前国内尚无有效的控制手段来解决精确投药的问题。因此，有必要研究和开发一套具有自适应、自学习能力的混凝投药控制系统，加速我国自来水厂自动化的进程[1]。

以武汉市宗关水厂为研究对象，基于人工神经网络算法对其混凝投药进行自动控制。武汉市宗关水厂位于硚口区宗关街水厂一路东侧，占地面积18.4万m2，取水于汉江，综合生产能力达到105万m3/d。供水范围以长江、汉江为界，东至黄浦路，南至沿河大道，西抵建一路，北达姑嫂树、张公堤一带，供水面积约140 km2。系统自2014年10月开始运行至今，实现了混凝投药自动控制且运行稳定，能够及时根据现场参数的变化调整投加量，控制效果优于人工控制。

2 关键技术研究

2.1 人工神经网络算法

人工神经网络算法是由大量处理单元互联组成的非线性、自适应的信息处理系统，其适应性是通过自学习实现，根据环境的变化对权值进行调整、改善系统的行为。针对自来水生产的投药工艺长滞后、非线性、多输入因子、不确定性、时变性、模糊性等特点，系统采用人工神经网络算法对周围环境自适应、自学习，通过对样本数据进行训练学习，进行参数自适应调整和学习结果的权值调整。

2.1.1 Elman神经网络模型

Elman神经网络是Elman于1990年首先针对语音处理问题提出来的，是一种典型的动态递归神经网络[2]。该网络除了常规神经网络中的输入层、隐含层和输出层外，还提出了一个特定的承接层。在Elman神经网络的模型中，输入层单元进行信号的传输，输出层单元进行线性加权输出，隐含层单元实现信号的映射变换，其传递函数可采用线性或非线性函数，承接层又称上下文层，是Elman神经网络的核心，可用来记忆隐含层单元前一时刻的输出值，并反馈给网络的输入，本质上来说是一个延时算子，它使得Elman神经网络特别适合于反映动态过程和预测控制。结构为r-n-m的Elman神经网络模型如图1所示。

图1 Elman神经网络模型Fig.1 Model of Elman neural network

2.1.2Elman神经网络学习方法

图1中Elman神经网络的输入为u，隐含层和承接层的输出分别为x和xc，输出为y。神经网络的权值W1，W2，W3分别为n×n，n×r，m×n的矩阵。Elman神经网络相关的数学模型和训练公式为[3]：

(1)

(2)

(3)

为了对网络进行训练，定义神经网络的误差函数为

(4)

其中yd(k)为神经网络的第k个期望输出，根据梯度下降法，则权值的调整公式为：

(5)

(6)

(7)

式中:ω为权值调整量；δ为权值修正系数；η1，η2，η3分别为权值W1，W2，W3的学习速率。式中其他参数的计算为：

(8)

(9)

(10)

式中:d为期望输出；f′(·)为传递函数一阶导数；由式(5)、式(6)、式(7)即可实现Elman网络权值的调整，完成Elman神经网络的学习。

图2 Elman混凝投药 预测模型Fig.2 Model of coagulation dosage prediction

2.1.3 混凝投药Elman神经网络预测模型

系统混凝投药Elman神经网络预测模型主要包括：混凝投药样本数据获取；样本数据预处理；初始化网络权值，输入样本值；计算输入层、隐含层、输出层和承接层数值；计算误差函数；更新权值；判断是否满足设定的精度或训练次数；利用训练好的模型进行实际投药量预测。预测模型流程如图2所示。

系统自2014年10月起于武汉市宗关水厂七期投药间开始自动运行，针对水厂运行数据进行自学习，输入量包括源水流量(sourceQ)、源水浊度(sourceNTU)、温度(sourceT)、滤前水浊度(NTU)和药流量(realFlow)，共包含2 800组数据，构成样本库以预测控制量；输出量为投药量(Flow)，当相对误差平方和均值E达到预先设定误差时停止网络训练，此时网络模型就是所需的投药神经网络模型。

2.2 样本数据预处理

由于宗关水厂新老设备分别在不同时期建设，设备状况和自动化水平存在差异，新老设备、监控系统来自不同的厂家，采用的通讯协议各不相同，使得上位机控制系统与各设备之间通讯困难。为便于混凝投药控制系统的运行与管理，系统采用OLE-DB开放性数据访问标准与WinCC工业控制平台通讯进行控制系统样本数据的存储和读取。

针对影响混凝投药效果主要因素的源水流量、源水浊度、温度、滤前水浊度和药流量，系统采用限幅滤波加滑动平均滤波的复合算法进行数字滤波预处理，此方法既去除突发尖脉冲非正常干扰信号，又滤去一定限幅的随机噪声信号，使数据样本变得更加真实，神经网络的训练更为准确有效。

限幅滤波算法为

(11)

式中：Yn为第n次采样的滤波器的输出；Xn为第n次采样值；Xn-1为第n-1次采样值；ΔX为采样允许的最大偏差值。

滑动平均滤波算法为

(12)

式中N为滑动滤波长度。

将式(11)、式(12)相结合得到的复合算法对于非正常的干扰突发尖峰脉冲信号以及超过随机噪声幅值的脉冲信号都具有很好的滤波效果。

3 系统的设计与实现

3.1 系统开发环境

系统采用面向对象的设计思想，充分考虑系统的兼容性、灵活性、可扩展性和安全性，基于.NET开发环境和WinCC工业控制平台进行开发。系统采用.NET进行上位机应用程序的开发，并在WinCC平台上二次开发进行数据存储和读取。

WinCC是西门子公司与微软共同开发的一款优秀的人机界面软件，广泛用于工业自动化系统中与PLC等基础自动化设备连接，提供操作员对自动化系统的监视、操作、报警、报表等人机对话功能。它是第一个使用32位技术的过程监视系统，具有良好的开放性和灵活性，可基于WEB持续延展，采用开放性标准，集成简便；可用选件和附加件进行扩展，适用于所有工业和技术领域的解决方案。WinCC通过建立通讯变量能与投药、配药PLC进行数据通讯，读取PLC内存地址中的数值，将过程数据通过接口程序存储至服务器数据库，实现数据的采集和处理。

3.2 系统总体设计与功能实现

系统在逻辑架构上包括采集控制层、通信层、业务层、应用层。采集控制层包括数据库采集模块和数据处理模块；通信层包括工业以太网通信模块；业务层包括投药工艺、数据查询、曲线生成、配药查询、报警日志、报警统计、药耗统计、波动评价、报警设置等功能模块；应用层包括远程监控模块。系统在物理架构上包括PLC、交换机、工作站/服务器、客户机，总体架构如图3所示[4]。

图3 系统总体架构Fig.3 Overall architecture of the system

4 系统运行结果分析

以武汉市宗关水厂为研究对象，进行基于神经网络算法的混凝投药自动控制。武汉市宗关水厂为武汉市第一大水厂，规模大、投药系统复杂、工作量大、且工艺改造难度高，水厂七期投药间拥有6个投药点，包括1个总投药点和5个分支投药点，配药系统服务于全厂投药系统。宗关七期投药系统的研究和开发既有其特殊性也有其普遍性，投药系统的成功运行可为其他自来水厂的自动投药起到重要的示范作用。

系统运行于投药间中控室内工控机上，通过工业以太网连接投药PLC、配药PLC控制柜和WinCC服务器，实现投药间1#—5#沉淀池和13#沉淀池滤前水投药以及2个溶药池配药的自动控制。

4.1 系统仿真前后效果比较

系统利用人工神经网络算法对宗关水厂七期投药间1#—5#沉淀池和13#沉淀池滤前水进行自动投药控制。针对2015年4月份水厂运行数据进行训练学习，输入量包括源水流量、源水浊度、温度、滤前水浊度和药流量，构成样本库以预测控制量。系统经过1 000次迭代学习，误差输出≤0.01，采样频率每1 min取一次平均值[3]，Elman神经网络隐含层传递函数采用Tansig函数，训练函数采用自适应梯度递减训练函数(Traingdx)。自学习后训练误差曲线如图4所示，即达到期望误差精度0.01，神经网络需训练150步才能达到收敛的效果。

图4 人工神经网络样本误差 输出曲线(迭代次数-误差)Fig.4 Curve of forecast error of artificial neural network sample

经过自学习的人工神经网络算法计算输出的投药量预测值与人工投药实际值对比如图5所示。红色曲线为神经网络算法的投药量预测值曲线，蓝色曲线为人工投药量实际值曲线，二者变化趋势相同，预测值较实际值减少了很多突变值，控制更为准确，能够根据各输入量参数的实时变化对投药量进行更为精确的调整，以达到更高的控制精度。

图6 投药控制系统工艺流程界面Fig.6 Interface of the process of coagulation dosage control

图5 人工神经网络预测值与实际人工投药实际值的比较Fig.5 Comparison of coagulant dosage between artificial neural network prediction and actual operation

系统运行大半年以来，自动控制稳定，能及时根据现场参数的变化调整投加量，自动控制效果优于人工控制；与此同时，通过药耗统计得知较去年同期条件下，每千吨水平均药耗量从15 kg降至10 kg以内。

4.2 系统主要功能模块展示

水厂混凝投药控制系统主要包括投药工艺、数据查询、曲线生成、配药查询、报警日志、报警统计、药耗统计、波动评价、报警设置等功能模块[5]。

4.2.1 投药工艺

投药工艺界面为系统初始化运行的主界面，一天24 h不间断运行，实时调用人工神经网络算法计算投药、配药反馈值参数，显示各PLC控制柜的开关和启停运行状态，与用户进行交互，下达各类参数和指令，远程控制PLC控制柜，实现自动控制和远程控制，如图6所示。

4.2.2 数据查询与曲线生成

数据查询包括七期投药间1#—5#，13#沉淀池的投药量、实时流量、滤前水浊度、源水流量、计量泵频率和行程等参数，用户可自定义选择需要查看或对比的参数，直观、快捷地反映出投药量等参数的历时变化情况，分析自动投药的投加效果，为投药自动控制工艺的改进提供技术指标，如图7所示。

图7 投药控制系统曲线界面Fig.7 Interface of curves in coagulation dosage control system

4.2.3 配药工艺

系统自动配药系统已逐步取代之前的人工配药操作并形成自动配药参数记录，实现了夜间自动配药控制且控制精确，大大减少了现场工作人员的劳动强度，实现了无人值守。

4.2.4 报警日志和统计

水厂混凝投药控制工艺关乎水厂的安全生产，系统一天24 h不间断地运行要求记录现场各类操作和参数的异常变化情况，故系统报警日志的记录和追踪显得尤为重要。系统针对投药、配药工艺制定了100多条报警信息，包括现场PLC控制柜各类实时参数报警、神经网络算法投药量投加报警、投药中断报警、设备操作故障报警以及通讯故障报警等等，如图8所示。

图8 投药控制系统报警设置界面Fig.8 Interface of alarm settings of coagulation dosage control system

4.2.5 药耗统计

系统按照年份、月份或时间段进行每个沉淀池累计投药量(kg)统计，实时掌握管理者所关心的药耗计量问题，能实时对药耗量进行逐月统计。事实证明，基于人工神经网络算法的自动投药系统在运行期内降低了药耗，达到了节能降耗的目的。

5 结论与展望

(1) 本系统针对水厂混凝投药过程中反应周期长、多因子干扰、非线性变化等技术难题，引入Elman神经网络算法对大量运行参数不断自学习，调整各个参数对投药效果的影响权重，实时跟进，将滤前水浊度自动控制在预设范围内；同时系统针对水厂新老设备通讯协议不一致性，基于OLE-DB开放性数据访问标准实现对WinCC工控系统样本数据存储和读取的预处理研究。系统在武汉市宗关水厂的成功运行实现了混凝投药工艺的全自动化和生产运行参数的在线监测，为水厂安全生产提供了保障，达到了节约药耗、减少人工、降低操作人员劳动强度的目的。

(2) 本系统采用的人工神经网络算法对源水流量、浊度、温度、滤前水浊度、药流量多个参数进行了自学习，但混凝投药是一个开放的大系统概念，除了能够检测的参数有限外，整个系统还受到江水污染、间隔排污、冲沙、暴雨、过滤池工况变化等多种未知因素的影响，故还需在当前算法的基础上逐步加入其他影响参数，使其更加完善，以达到更好的控制效果。

(3) 系统是以武汉市宗关水厂七期投药间自动投药为例进行研究的，需要对6个沉淀池进行自学习运算，每次需要对几十万条水厂运行参数进行训练，无疑增加了系统软硬件的负荷，一定程度上造成了自动控制时多通道间的相互干扰和影响，建议在条件允许的情况下，一套算法控制2个通道的自动投药为宜。

[1] 漆为民，姬巧玲．基于神经网络和Delphi语言的水厂智能投矾系统设计[J]．计算机应用与软件，2010，27(6)：172-174.

[2] ELMAN J L．Finding Structure in Time[J] ．Cognitive Science，1990，14(2) ：179-211.

[3] 蔡利民，杨晓林．用人工神经网络方法设计与实现自来水投矾控制[J]. 江汉大学学报(自然科学版)，2008，36(9)：35-37.

[4] 李 喆，谭德宝，张 穗，等．水利工程建设项目管理系统的设计与开发[J]. 长江科学院院报，2014，31(1)：66-71.

[5] 汪朝辉，宋 丽，程学军，等．基于ArcGIS Engine的乌东德水电站环境信息系统的设计与实现[J]. 长江科学院院报，2007，10(1)：38-43．

(编辑：陈 敏)

Research and Development of Coagulation Dosage Control System fora Waterworks Based on Artificial Neural Network

RAO Xiao-kang, JIA Bao-liang, LU Li

(Instrumentation and Automation Department, Yangtze River Scientific Research Institute,Wuhan 430010, China)

In view of the long lag, nonlinearity, multiple input factor, uncertainty, time-varying and fuzzy characteristics of the dosing process of tap water production, an automatic control system for coagulant dosage of waterworks is developed based on the self-adaption and self-learning of artificial neural network. Zongguan waterworks, the first largest waterworks in Wuhan, is taken as a case study. The influence of Elman neural network on dosage effect is researched, and the preprocessing and data storage and data reading for WinCC industrial control system are accomplished based on OLE-DB open data access standard. The system mainly consists of functional modules including dosing process, data query, curve generation, dosage query, alarm log and alarm statistics, drug consumption statistics, fluctuation assessment, and alarm settings. The system has been applied to Zongguan waterworks successfully. Online monitoring of operation parameters and full automation has been achieved, which provides safeguard for the plant’s safe production. The system also saved dosage consumption, and reduced labor intensity of operators.

Elman neural network; waterworks; coagulation dosage; WinCC; control system

2016-03-07；

2016-04-11

长江科学院技术开发和成果转化基金项目(CKZS2014004/YQ)

饶小康(1985-)，男，湖北黄冈人，工程师，硕士，主要从事水利水电工程施工数字化研究，(电话)18140555722(电子信箱)283139246@qq.com。

10.11988/ckyyb.20160194

2017,34(5):135-140

TU991.6; TP183

A

1001-5485(2017)05-0135-06