人工神经网络在污水处理过程模拟中的应用与研究进展

许家龄

摘 要：介绍了在污水处理过程模拟中应用较广的人工神经网络（ANN）模型。阐述了人工神经网络在污水处理过程模拟中的研究应用特点，总结了近年来人工神经网络在污水处理过程模拟中算法优化、模型前处理、模型结合等方面的研究进展。最后，对人工神经网络在污水处理过程模拟的发展前景进行了展望。

关键词：人工神经网络;ANN;污水处理过程模拟;研究进展

中图分类号：TB     文献标识码：A      doi：10.19311/j.cnki.1672-3198.2020.08.097

随着计算机技术的发展和人工智能的兴起，各行各业均有向自动化和智能化的发展趋势。近年来，由于环境意识的提高，污水处理研究也得到了巨大发展，同时也对污水处理的智能化产生了需求。人工神经网络理论作为一门活跃的边缘交叉学科，广泛应用于模式分类、系统识别、智能控制等方面。目前，人工神经网络在污水处理过程模拟方面的研究已经取得了一定成果，仍需要持续进一步的研究发展。

1 人工神经网络介绍

人工神经网络尚难以统一地定义。美国的神经网络学家Hecht Nielsen对人工神经网络的定义是：“人工神经网络是人工建立的、由多个很简单的处理单元组成的动态系统，并且这些处理单元之间按某种方式相互连接。这个系统的拓扑结构是有向图，信息处理方式是对连续或断续的输入做状态响应。”

近年来，应用于污水处理过程模拟领域研究的神经网络模型类型主要是基于BP神经网络和RBF神经网络等。

BP和RBF神经网络都属于多层前向神经网络。其包含输入层、隐含层和输出层，隐含层可以为多层。输入层中每个源节点通过激励函数后的输出组成了第二层神经元的输入信号，网络中每一个神经元接收上一层相应被连接的神经元的输出信息。

BP神经网络就是应用了BP（误差反向传播）算法的多层感知器，具有处理线性不可分问题的能力。工作信号沿正向传播，到达输出层时，基于监督学习，对比期望值得到误差信号，进行反向传播。误差信号反向传播的过程中，网络节点间的权值基于误差反馈不断被调节修正，以期模型输出更接近期望输出。BP应用广泛，但BP神经网络也存在两个主要缺点：收敛速度慢，训练容易陷入局部极小。

RBF（径向基函数）神经网络由三层构成。其中隐含层采用径向基函数作为基函数，将原来线性不可分的问题转换为线性可分。其具有结构简单、收敛速度快、能逼近任意非线性函数等优点，在近年内应用广泛。根据隐含层节点数目的不同可分为正则化RBF网络和广义RBF网络等。径向基函数网络中需要训练的参数为：隐含层基函数的中心、隐含层基函数的标准差、隐含层与输出层之前的权值等。

2 人工神经网络在污水处理过程模拟中的研究应用特点

污水处理系统属于复杂系统，影响系统输出的参数多，部分内部机理未被认知。人工神经网络不依赖系统的机理知识，基于数据的训练而建立输入与输出的非线性映射关系，对污水处理过程的模拟比较适用。

然而，污水处理系统具有时滞性，污水处理实际过程复杂，严格来讲，系统内某个时刻输出信息是由之前多个输入状态信息所映射的，而神经网络模型的输入一般为某一个时刻的数据。这也给神经网络模型在污水处理过程模拟中的应用增加了难度。

同时，神经网络模型基于数据的训练，对于数据的数量和质量有一定要求，特别是对于复杂的神经网络结构，训练至收敛需要的数据较多。而在污水处理系统中，部分参数的自动检测还不成熟，如COD、TP等水质指标参数也容易产生测量误差。样本数据的数量和质量受到限制，会使得建立的神经网络模型的性能受到限制。

另外，污水处理系统中，与输出相关性强的参数指标较多。而输入维数的增加会大大增加所建立神经网络模型的复杂程度，这显然也是不利于神经网络模型的训练收敛的。

3 人工神经网络在污水处理过程模拟中的研究进展

目前人工神经网络应用于污水处理过程模拟的研究主要集中于提升模型性能和提高在污水处理过程模拟中的适用性两方面，采取的方式主要有算法优化、模型前处理、模型结合等。

3.1 算法优化研究

总结了近10年内应用或提出并应用于污水处理过程的神经网络模拟的一些算法，如表1。其主要是为了優化神经网络连接权值的计算方法，以及克服神经网络的某些固有缺点等。

3.2 模型前处理研究

关于神经网络模型的前处理研究，主要集中在为了降低模型的复杂程度而对神经网络的输入数据提取特征和变量选择等方面。

Hanbay D等人采用小波包分解（wavelet packet decomposition）对神经网络模型的输入数据进行降维，基于Malatya污水处理厂历史数据建立神经网络模型，模型性能良好。刘鸿斌等人通过计算每个输入变量在偏最小二乘（PLS）模型中的权重，确定潜变量，再通过变量投影重要性（VIP）指标衡量各解释变量相对于响应变量的解释程度和各解释变量包含信息对模型的重要性，以此作为选择输入变量的依据，从而实现输入数据降维。针对污水处理的COD和SS软测量，选择变量后的神经网络模型比未选择变量的神经网络模型复杂程度更低、泛化能力更强。李文静等人，通过计算比较每个输入变量与输出变量的归一化互信息值，选取相关性强的输入变量作为模型的输入变量。在污水处理厂的历史数据中，选取10个输入变量，利用260组样本数据建立并训练神经网络模型，模型性能良好。

另外，诸如主成分分析、相关性分析、灵敏度分析等常用数据预处理方法也广泛应用于神经网络模型数据的前处理。

3.3 模型后处理研究

一般地，人工神经网络模型对于污水处理过程的模拟中，人工神经网络模型的输出便作为对实际系统的预测值。也有少量研究，对人工神经网络模型的输出预测进行进一步分析，以优化预测效果。

李佟等人用BP神经网络粗拟污水处理过程后，用马尔可夫链对拟合结果及误差进行状态划分以进一步提高预测精确度，最后运用基于BP神经网络与马尔可夫链的组合模型分析预测效果。其拥有好的适用性，能准确预测出水水质范围。

3.4 模型结合研究

近年来，也有一些结合不同类型的神经网络或结合神经网络与其他方法及模型的研究。

闵振辉等人结合新陈代谢灰模型和广义回归神经网络模型，对污水处理厂出水参数预测，性能较传统的广义回归神经网络模型更好。王德望等人结合BP神经网络和PID控制器，实现了PID控制参数的自整定。通过污水处理溶解氧仿真试验，改进后的PID控制器能更好的满足系统要求。诸飞等人将GA神经网络和BP神经网络相结合，用GA算法优化BP神经网络的拓扑结构、权重和阈值，使模型可以随着问题的复杂程度做出自适应的改变。能有效解决BP神经网络容易陷入局部极小和收敛速度慢等问题。将结合模型用于污水处理厂的水质分类识别，效果良好，具有推广价值。

4 结语

人工神经网络在污水处理过程领域的模拟研究具有较广阔的发展前景，目前其主要应用于污水处理过程的系统识别和参数软测量等。黑箱性质、非线性映射能力强、鲁棒性等特点使得它具有较好的适用性和通用性，其在污水处理工程控制优化方向发展的具有一定潜力。优化神经网络模型和发展新型神经网络等是一个重要研究方向，近年来相关研究也较多。另外，在人工神经网络应用于污水处理过程模拟的方面，如何处理污水处理系统中的时滞影响，如何在污水处理系统样本数据数量和质量受限的情况下获得好的性能，如何在模型输入保留大部分系统信息的前提下降低模型的复杂程度，都是可以进行研究的方向。

参考文献

[1]张莉，艾胜书，王帆，等.多段多级AO工艺处理城市污水的研究进展[J].长春工程学院学报（自然科学版），2017，18（02）：83-87+95.

[2]朱大奇.人工神经网络研究现状及其展望[J].江南大学学报，2004，3（1）：103-110.

[3]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003.

[4]陈明.MATLAB神经网络原理与实例精解[M].北京：清华大学出版社，2013.

[5]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（S1）：74-79.

[6]郑广勇，罗飞，陈伟斌.基于免疫粒子群神经网络的污水水质预测[J].微处理机，2010，31（02）：75-77+81.

[7]廖雪平，罗飞.混合神经网络在污水毒性预测中的应用[J].化工自动化及仪表，2011，38（02）：211-213+238.

[8]张照生，罗健旭.基于DE-BP算法的模糊神经网络控制器及其在污水处理溶解氧浓度控制上的应用[J].华东理工大学学报（自然科学版），2013，39（01）：55-60.

[9]王树东，葛珉昊，陈明明.基于混合递阶遗传算法优化RBF神经网络的BOD_5软测量方法[J].给水排水，2014，40（03）：149-153.

[10]李娥，王波.HS算法在生物生态组合污水处理中的应用[J].计算机工程与应用，2015，51（01）：238-242.

[11]Guo H，Jeong K，Lim J，et al.Prediction of effluent concentration in a wastewater treatment plant using machine learning models[J].Journal of Environmental Sciences，2015，（32）：90-101.

[12]Khademikia S，Haghizadeh A，Godini H，et al.Artificial Neural Network-Cuckoo Optimization Algorithm （ANN-COA） for Optimal Control of Khorramabad Wastewater Treatment Plant，Iran[J].Civil Engineering Journal，2016，2（11）：555-567.

[13]喬俊飞，李瑞祥，柴伟，等.基于PSO-ESN神经网络的污水BOD预测[J].控制工程，2016，23（04）：463-467.

[14]郑博一，任亮.人工鱼群神经网络应用于城市污水处理厂进水量预测研究[J].环境科学与管理，2016，41（10）：87-91.

[15]乔俊飞，孙玉庆，韩红桂.改进K-means算法优化RBF神经网络的出水氨氮预测[J].控制工程，2018，25（03）：375-379.

[16]高明，崔钶，李昊，等.基于HCPS多层感知器的污水处理后氨氮浓度测量[J].轻工学报，2018，33（06）：92-100+108.

[17]鲁明，刘东儒，章毅，等.基于灰狼算法与RBF神经网络对污水出水BOD的预测[J].兰州工业学院学报，2019，26（02）：83-87.

[18]Hanbay D，Turkoglu I，Demir Y.Prediction of wastewater treatment plant performance based on wavelet packet decomposition and neural networks[J].Expert Systems With Applications，2008，34（2）：1038-1043.

[19]刘鸿斌，宋留.变量选择在废水处理过程软测量建模中的应用[J/OL].山东大学学报（工学版）：1-10[2019-12-25].http：//kns.cnki.net/kcms/detail/37.1391.T.20190909.1632.004.html.

[20]李文静，李萌，乔俊飞.基于互信息和自组织RBF神经网络的出水BOD软测量方法[J].化工学报，2019，70（02）：687-695.

[21]李佟，李军.基于BP神经网络与马尔可夫链的污水处理厂脱氮效果模拟预测[J].环境科学学报，2016，36（02）：576-581.

[22]闵振辉，张志强.基于灰色神经网络的污水处理厂水质预测研究[J].自动化与仪器仪表，2013，（03）：10-11+16.

[23]王德望，赵敏.污水处理系统溶解氧的BP-PID控制算法[J].软件导刊，2018，17（02）：68-70+73.

[24]诸飞，俞阿龙.基于改进GA-BP神经网络的工厂污水监测系统研究[J].现代电子技术，2018，41（11）：133-138.