氧化溝系統(tǒng)出水COD預(yù)報(bào)的神經(jīng)網(wǎng)絡(luò)模型摘要：以漯河市污水凈化中心的Carrousel氧化溝（以下簡(jiǎn)稱氧化溝）系統(tǒng)為考察對(duì)象，針對(duì)該系統(tǒng)進(jìn)水水質(zhì)復(fù)雜，控制滯后的難點(diǎn)，引入人工神經(jīng)網(wǎng)絡(luò)的理論和方法，對(duì)其模擬分析，建立了基于BP網(wǎng)絡(luò)的氧化溝系統(tǒng)出水COD預(yù)報(bào)模型。模型性能檢驗(yàn)和靈敏度檢驗(yàn)表明，建成的模型準(zhǔn)確度高，適應(yīng)性強(qiáng)，可直接用于該系統(tǒng)出水COD預(yù)報(bào)，這為氧化溝工藝在線控制提供了一條簡(jiǎn)便的途徑。關(guān)鍵字：人工神經(jīng)網(wǎng)絡(luò)氧化溝系統(tǒng)出水CODTheANNNModeelPreedictiingEfffluenntCODDofCCarrouuselOOxidattionDDitchSysteem.teminLuoheeCentteroffWasttewateerTreeatmenntisdiffiiculttocoontrollon-llinebbecaussetheeinflluentcharaacteriisticssarecompllexanndvarrysiggnificcantlyy.Toresollvethheprooblem,,advaancedartifficiallneurralneetworkk(ANNN)wassemplloyedtosiimulattetheecorrrelatiionbeetweennwateerparrameteersoffoxiddationnditcchsysstemaandaBPNNmodellpreddictinngefffluenttCODwasbbuiltup.SSentivvityaandpeerformmancetestssshowwedthhatthhemoddelcaanadaapttoodiffferenttsituuationnsanddhasgoodabiliitytoogeneeralizze.IttcanbediirectllyuseedtoprediictefffluenntCODDconccentraation,,whicchisveryhelpffultoooxiddationnditcchsysstemccontroolon--line..Keywordds:

AANN;ooxidattiondditchsysteem;efffluenntCODD漯河市污水凈化化中心于2000年7月正式投產(chǎn)產(chǎn)，采用的是是典型的極具具代表性的Carroousel氧化溝工藝藝，污水來源源主要是屠宰宰廢水、食品品加工廢水、化化工廢水和生生活污水，其其主要技術(shù)指指標(biāo)：一期工工程：2000年7.7萬噸/日（生活污污水2萬噸/日，工業(yè)污污水5.7萬噸/日），設(shè)計(jì)計(jì)流量8萬噸/日，設(shè)計(jì)的的進(jìn)水負(fù)荷：：COD≤500mgg/l，BOD5≤200mgg/l，SS≤200mgg/l，設(shè)計(jì)出水水指標(biāo)：COD≤120mgg/l，BOD5≤30mg//l，SS≤30mg//l，實(shí)際出水水水質(zhì)狀況（建建模(用人工神經(jīng)經(jīng)網(wǎng)絡(luò)建立的的氧化溝出水水COD預(yù)報(bào)的模型型的簡(jiǎn)稱)數(shù)學(xué)數(shù)據(jù)范范圍，其它不不完整記錄中中有超出以下下范圍的記錄錄）：SS：10～170mgg/l，COD：16～77mg//l，TN：2.9～56mg//l，TP：0.03～0.91mmg/l；二期工程2010年11.8萬噸/日（生活污污水2.6萬噸/日，工業(yè)污污水9.2萬噸/日）。由于于進(jìn)水中工業(yè)業(yè)污水成分達(dá)達(dá)到約74%,實(shí)際運(yùn)行水水質(zhì)波動(dòng)極大大，對(duì)系統(tǒng)構(gòu)構(gòu)成強(qiáng)烈沖擊擊，進(jìn)水COD最高記錄超超過600mgg/l，進(jìn)水SS經(jīng)常維持在115～600mgg/l，不同工作作日進(jìn)水水質(zhì)質(zhì)強(qiáng)烈起伏，使使工藝在線控控制比較棘手手，出水達(dá)標(biāo)標(biāo)排放難以保保證。對(duì)氧化化溝這一復(fù)雜雜的活性污泥泥系統(tǒng)，由于于影響工藝過過程的因素反反應(yīng)的復(fù)雜性性和高度非線線性，常規(guī)的的模型適應(yīng)能能力有限，而而以機(jī)理分析析為基礎(chǔ)的動(dòng)動(dòng)力學(xué)模型要要求信息完備備，參數(shù)齊全全，實(shí)際生產(chǎn)產(chǎn)中不便于推推廣。人工神神經(jīng)網(wǎng)絡(luò)(ANN)以其連續(xù)時(shí)時(shí)間的動(dòng)力學(xué)學(xué)行為、良好好的非線性品品質(zhì)、大規(guī)模模并行分布處處理、高度穩(wěn)穩(wěn)健性和學(xué)習(xí)習(xí)聯(lián)想能力等等特點(diǎn)，被廣廣泛應(yīng)用于模模式識(shí)別、信信號(hào)處理、系系統(tǒng)控制中。并并且ANN可以不完備備信息建模，不不需要被辨識(shí)識(shí)對(duì)象階次結(jié)結(jié)構(gòu)等先驗(yàn)知知識(shí)，建模方方法簡(jiǎn)單[11-3]。本本研究針對(duì)該該凈化中心氧氧化溝系統(tǒng)進(jìn)進(jìn)水水質(zhì)復(fù)雜雜、起伏大，控控制滯后的難難點(diǎn)，通過使使用BP模型，直接接以正常運(yùn)行行時(shí)的生產(chǎn)數(shù)數(shù)據(jù)為學(xué)習(xí)樣樣本建模，預(yù)預(yù)報(bào)出水COD，詳細(xì)探討討了模型設(shè)計(jì)計(jì)、訓(xùn)練及檢檢驗(yàn)等環(huán)節(jié)，建建成的模型準(zhǔn)準(zhǔn)確度較高，適適應(yīng)性強(qiáng)，可可作為一種定定性與定量相相結(jié)合的有效效工具，直接接用于該系統(tǒng)統(tǒng)出水COD預(yù)報(bào)。1模型原理及及設(shè)計(jì)1.1

BBP網(wǎng)絡(luò)模型按誤差反向傳播播原則建立的的BP(BaackPrropogaa--tioon)學(xué)習(xí)算法，是是當(dāng)前ANN技術(shù)中最成成功的學(xué)習(xí)算算法，前饋型型BP網(wǎng)絡(luò)及在此此基礎(chǔ)上改進(jìn)進(jìn)的神經(jīng)網(wǎng)絡(luò)絡(luò)，是當(dāng)前應(yīng)應(yīng)用最廣泛的的網(wǎng)絡(luò)類型[[4]。本研研究以MATLAAB環(huán)境下的神神經(jīng)網(wǎng)絡(luò)工具具箱與統(tǒng)計(jì)工工具箱[5]]為數(shù)學(xué)工具具，編制的BP模型由三層層神經(jīng)元組成成，其主要特特點(diǎn)是：1.1.1

輸入層由影影響出水COD的各因素組組成，為使樣樣本信息盡量量豐富，并考考慮到指標(biāo)監(jiān)監(jiān)測(cè)方便可行行，選擇以下下參數(shù)作為輸輸入矢量：X1：水溫，X2:進(jìn)水SS濃度,X3：進(jìn)水COD濃度,X4：進(jìn)水氨氮氮濃度,X5：MLSS,,X6：MLVSSS,X7：SV30（沉降30分鐘污泥體體積比）。輸輸出層產(chǎn)生ANN輸出矢量Y，本研究希希望輸出的是是出水COD濃度Y。隱含層層層數(shù)的選擇與與問題的復(fù)雜雜性有關(guān)，隱隱含層層數(shù)的的增加將使訓(xùn)訓(xùn)練費(fèi)用急劇劇上升，本研研究采用一層層隱含層，隱隱節(jié)點(diǎn)數(shù)的確確定考慮到兩兩原則：①樣本數(shù)大于于網(wǎng)絡(luò)可調(diào)數(shù)數(shù)[6]；②幾何平均規(guī)規(guī)則[7]：對(duì)一一個(gè)三層網(wǎng)絡(luò)絡(luò)，具有n個(gè)輸入節(jié)點(diǎn)點(diǎn)，m個(gè)輸出節(jié)點(diǎn)點(diǎn)，則中間層層節(jié)點(diǎn)數(shù)H=。本研究究取節(jié)點(diǎn)數(shù)4～14，以期對(duì)其其在更大范圍圍優(yōu)化。圖1給出了訓(xùn)練練成功的一組組網(wǎng)絡(luò)結(jié)構(gòu)。1.1.2以以logsiig或tansiig函數(shù)作為隱隱含層激活函函數(shù)，分別使使用這兩種函函數(shù)作網(wǎng)絡(luò)訓(xùn)訓(xùn)練，擇優(yōu)而而用。以logsiig作為輸出層層激活函數(shù)，將將輸出結(jié)果控控制在[0,1]，式中，b為偏差值,x表示隱含層層中的節(jié)點(diǎn)數(shù)數(shù)值。logsig函函數(shù)：tansig函函數(shù)：1.1.3

采用Levennberg--Marquuart收斂規(guī)則，該該規(guī)則采用了了數(shù)值優(yōu)化算算法，可根據(jù)據(jù)誤差大小自自動(dòng)調(diào)整牛頓頓法與梯度法法在訓(xùn)練中的的比重，是目目前最快的收收斂算法，大大大降低了訓(xùn)訓(xùn)練費(fèi)用。1.2訓(xùn)練集集與檢驗(yàn)集ANN模型的預(yù)預(yù)報(bào)能力與學(xué)學(xué)習(xí)樣本質(zhì)量量及信息量緊緊密相關(guān)，出出水COD預(yù)報(bào)的BP網(wǎng)絡(luò)模型（以以下簡(jiǎn)稱模型型）樣本數(shù)據(jù)據(jù)取自漯河市市污水凈化中中心2000年8月至2002年2月間生產(chǎn)數(shù)數(shù)據(jù)，完整記記錄（包括全全部模型輸入入輸出參數(shù)）共89組，剔除發(fā)生生產(chǎn)事故(有記載的酸堿中毒、活性污泥膨脹等)狀態(tài)下記錄7組，剩余82組（考慮到數(shù)據(jù)樣本集規(guī)模不大，故包括了一些超標(biāo)排放數(shù)據(jù)），初步確定為學(xué)習(xí)樣本集。進(jìn)水水質(zhì)參數(shù)變化范圍：水溫：10.8～3℃；SS：139～1062mg/l；COD：109～694mg/l；NH4+-N：12.88～496mg/l；控制參數(shù)：SV30：12～93；MLVSS：1107～3484mg/l；MLSS：2226～6226mg/l。生產(chǎn)報(bào)表無進(jìn)水水量記載，故假定每個(gè)工作日進(jìn)水水量連續(xù)穩(wěn)定，但建成模型檢驗(yàn)結(jié)果反映出進(jìn)水水量是一個(gè)重要模型參數(shù)，由于缺乏相關(guān)數(shù)據(jù)，使得模型性能欠佳。篩選出82組代表性數(shù)據(jù)中，通過主要成分分析及聚類分析[8]，發(fā)現(xiàn)三組樣本有離群傾向，但不太突出，不做去除,以防止信息量的損失，最終確定學(xué)習(xí)樣本規(guī)模為82組。以歐氏距離作為為表征相似性性的統(tǒng)計(jì)量，采采用平均距離離判斷依據(jù)將將原始樣本分分為10類，根據(jù)聚聚類結(jié)果，從從各類中隨機(jī)機(jī)挑選1/3左右的樣本本歸入檢驗(yàn)集集，剩余的歸歸入訓(xùn)練集。最最終確定47組用于訓(xùn)練練，35組用于檢驗(yàn)驗(yàn)。聚類分析析，保證了所所取的訓(xùn)練樣樣本分布均勻勻且能覆蓋原原始樣本提供供的結(jié)構(gòu)信息息，彌補(bǔ)了原原始數(shù)據(jù)量較較少的不足。對(duì)訓(xùn)練集與檢驗(yàn)驗(yàn)集數(shù)據(jù)做預(yù)預(yù)處理，筆者者在此提出三三點(diǎn)規(guī)范：①保持原始樣樣本統(tǒng)計(jì)規(guī)律律，數(shù)據(jù)拓?fù)鋼浣Y(jié)構(gòu)。②絕大部分網(wǎng)網(wǎng)絡(luò)期望輸出出要在輸出層層激活函數(shù)的的敏感區(qū)內(nèi)，避避免進(jìn)入不應(yīng)應(yīng)區(qū)。對(duì)logsiig函數(shù)而言，敏敏感區(qū)為[0.155,0.855]。③網(wǎng)絡(luò)輸出逆逆變換不能放放大誤差。本本研究對(duì)原始始數(shù)據(jù)作如下下預(yù)處理,式中x表是原始值,xmin與xmax分別表表示原始值中中的最小值與與最大值,xnorm表示示訓(xùn)練輸入值值：1.3建模試試驗(yàn)要點(diǎn)1.3.1由由于訓(xùn)練、檢檢驗(yàn)樣本自身身含有噪聲，其其大小未知，故故建模應(yīng)以預(yù)預(yù)報(bào)準(zhǔn)確度作作為首要目標(biāo)標(biāo),精度作為次次要目標(biāo)。這這里引入①檢驗(yàn)誤差E：檢驗(yàn)樣本本網(wǎng)絡(luò)輸出值值允許誤差的的上限；②準(zhǔn)確度：不不大于E的檢驗(yàn)合格格率。用訓(xùn)練練總平方誤差差G衡量模型精精度，精度不不可過高，否否則會(huì)誘導(dǎo)網(wǎng)網(wǎng)絡(luò)記住噪聲聲。如何協(xié)調(diào)調(diào)精度與準(zhǔn)確確度之間的矛矛盾，找出二二者最佳組合合，盡可能達(dá)達(dá)到模型性能能最優(yōu)化是數(shù)數(shù)值試驗(yàn)的重重中之重。1.3.2BBP網(wǎng)絡(luò)學(xué)習(xí)收收斂速度及局局部最小點(diǎn)的的性能對(duì)初始始化權(quán)值、偏偏差矩陣十分分敏感，本研研究通過加大大隨機(jī)初始化化次數(shù)來搜索索模型滿意解解，對(duì)給定的的網(wǎng)絡(luò)結(jié)構(gòu)及及參數(shù)組合實(shí)實(shí)行1000次隨機(jī)初始始化權(quán)值、偏偏差矩陣搜索索。1.3.3模模型性能檢驗(yàn)驗(yàn)，采用四項(xiàng)項(xiàng)指標(biāo)[9--12]:相關(guān)系數(shù)C，均方根誤誤差R，標(biāo)準(zhǔn)均方方根誤差N，平均相對(duì)對(duì)誤差A(yù)，如下式中x、y分別表示輸輸入與輸出樣樣本值，下標(biāo)標(biāo)i表示第i次訓(xùn)練時(shí)對(duì)對(duì)應(yīng)樣本值，n表示訓(xùn)練次次數(shù)，、表示相應(yīng)樣樣本均值，xx1i表示輸入入第一個(gè)變量量的第i個(gè)樣本值，xx2i類推：對(duì)網(wǎng)絡(luò)實(shí)際輸出出與期望輸出出(觀測(cè)值)作指標(biāo)檢驗(yàn)驗(yàn)，可反映出出模型的逼近近性能。1.3.4模模型的靈敏度度檢驗(yàn)[133]：目標(biāo)值值在多維空間間中每一點(diǎn)隨隨各個(gè)自變量量改變而改變變的趨勢(shì)。靈靈敏度曲線平平緩表明該項(xiàng)項(xiàng)輸入對(duì)網(wǎng)絡(luò)絡(luò)輸出的影響響過弱，靈敏敏度曲線出現(xiàn)現(xiàn)突變或中斷斷表示該項(xiàng)輸輸入對(duì)網(wǎng)絡(luò)輸輸出的影響過過強(qiáng)，此時(shí)模模型模擬性能能不穩(wěn)定，碰碰到這兩種情情況，應(yīng)繼續(xù)續(xù)搜索或調(diào)整整輸入變量個(gè)個(gè)數(shù)重新訓(xùn)練練。2

模型訓(xùn)練練及檢驗(yàn)建模數(shù)值試驗(yàn)參參數(shù)調(diào)整范圍圍設(shè)定：E:0.2～0.4；G:0.0001～0.5；隱節(jié)點(diǎn)數(shù)數(shù)H:4～14；隱含層激激活函數(shù):tanssig或logsiig；輸出層激激活函數(shù):logssig;訓(xùn)練最大迭迭代次數(shù):1000。從72,0000次搜索訓(xùn)練練中篩選出最最佳的一組解解:網(wǎng)絡(luò)結(jié)構(gòu)7-6-11(三層神經(jīng)網(wǎng)網(wǎng)絡(luò)每層節(jié)點(diǎn)點(diǎn)數(shù)),E=0.33,G=0.115,H=6,隱含層函數(shù):tanssig。模型訓(xùn)練練經(jīng)過18次迭代達(dá)到到穩(wěn)定，訓(xùn)練練總平方誤差差0.13,圖2為誤差下降降曲線；模型型模擬及檢驗(yàn)驗(yàn)(預(yù)報(bào))結(jié)果見圖3。圖2誤差下降降曲線Fig2.TheEErrorCurveeofTTrainiing模型性能指標(biāo)值值見表1。表1模型性能能指標(biāo)Tab1TTheVaaluesofMoodelPPerforrmanceeTestting指標(biāo)CRNA模擬0.95175.01520.13090.1214預(yù)報(bào)0.73999.92250.26450.2436綜合0.87097.51270.19780.1736從學(xué)習(xí)樣本集檢檢驗(yàn)合格的樣樣本中任取一一組樣本,對(duì)應(yīng)輸入矢矢量X1…X7分別為:{14..3,2733,292,,33,54479,33394,444},考察網(wǎng)絡(luò)輸輸出隨單項(xiàng)輸輸入變化而改改變的趨勢(shì)，靈靈敏度曲線見見圖4圖3

出水CCOD原始值與模模擬/預(yù)報(bào)結(jié)果Fig.3.

ObseervedandSSimulaated/PPredicctedRResulttsofEffluuentCCOD圖4

模型型靈敏度曲線線

Fig44.TheeSenttivityyCurvvesoffModeel3討論3.1學(xué)習(xí)樣樣本的質(zhì)量對(duì)對(duì)模型預(yù)報(bào)精精度及準(zhǔn)確度度影響極大。學(xué)學(xué)習(xí)樣本自身身的噪聲干擾擾降低了模型型的預(yù)報(bào)精度度及準(zhǔn)確度。盡盡管通過主成成分分析與聚聚類分析有效效挖掘了樣本本信息，噪聲聲干擾與訓(xùn)練練樣本規(guī)模較較小是模型訓(xùn)訓(xùn)練準(zhǔn)確度與與精度進(jìn)一步步提高的主要要障礙。3.2模型性性能檢驗(yàn)基本本合格，檢驗(yàn)驗(yàn)集對(duì)應(yīng)的平平均相對(duì)誤差差＜0.25，相關(guān)系數(shù)數(shù)接近0.75,標(biāo)準(zhǔn)均方根根誤差0.26,通過圖3可看出，模模型在預(yù)報(bào)區(qū)區(qū)能對(duì)出水COD峰值作出正正確響應(yīng)，表表明網(wǎng)絡(luò)在訓(xùn)訓(xùn)練中捕捉到到了氧化溝系系統(tǒng)參數(shù)間關(guān)關(guān)系的本質(zhì)。在在E≤0.3的前提下，預(yù)預(yù)報(bào)準(zhǔn)確率達(dá)達(dá)到82.9%，在E≤0.35的前提下，預(yù)預(yù)報(bào)準(zhǔn)確率達(dá)達(dá)到88.6%，綜合相關(guān)關(guān)系數(shù)0.87,綜合標(biāo)準(zhǔn)均均方根誤差0.19,建成的模型型可行。3.3數(shù)值試試驗(yàn)中，提高高精度，準(zhǔn)確確度下降；降降低精度，準(zhǔn)準(zhǔn)確度上升。對(duì)對(duì)含較大噪聲聲的樣本訓(xùn)練練而言，適當(dāng)當(dāng)降低精度，把把檢驗(yàn)重點(diǎn)放放在準(zhǔn)確度上上是可取的。3.4從靈敏敏度曲線分析析可見，出水水COD對(duì)7項(xiàng)輸入?yún)?shù)數(shù)的靈敏度均均較高，靈敏敏度曲線光滑滑，并且能定定量反映出給給定水質(zhì)條件件下出水COD與單項(xiàng)輸入入?yún)?shù)的相關(guān)關(guān)性及單項(xiàng)參參數(shù)對(duì)出水COD的最佳控制制點(diǎn)。4

結(jié)論1以漯河市污污水凈化中心心氧化溝系統(tǒng)統(tǒng)為考察對(duì)象象，采用人工工神經(jīng)網(wǎng)絡(luò)方方法對(duì)其進(jìn)行行模擬分析，建建立了氧化溝溝系統(tǒng)出水COD預(yù)報(bào)模型（以以下簡(jiǎn)稱預(yù)報(bào)報(bào)模型）。2建立的預(yù)報(bào)報(bào)模型，在EE≤0.3的前提下，預(yù)預(yù)報(bào)準(zhǔn)確率達(dá)達(dá)到82.9%，在E≤0.35的前提下，預(yù)預(yù)報(bào)準(zhǔn)確率達(dá)達(dá)到88.6%，綜合相關(guān)關(guān)系數(shù)0.87,綜合標(biāo)準(zhǔn)均均方根誤差0.19。3建立的預(yù)報(bào)報(bào)模型，出水水COD對(duì)7項(xiàng)輸入?yún)?shù)數(shù)的靈敏度均均較高，靈敏敏度曲線光滑滑，并且能定定量反映出給給定水質(zhì)條件件下出水COD與單項(xiàng)輸入入?yún)?shù)的相關(guān)關(guān)性及單項(xiàng)參參數(shù)對(duì)出水COD的最佳控制制點(diǎn)，為建立立水質(zhì)參數(shù)的的反饋控制模模型，將預(yù)報(bào)報(bào)與反饋控制制相結(jié)合，實(shí)實(shí)現(xiàn)氧化溝系系統(tǒng)在線智能能控制奠定了了基礎(chǔ)。參考文獻(xiàn)：1

靳蕃.神經(jīng)計(jì)算智智能基礎(chǔ)原理理、方法[M].成都:西南交通大大學(xué)出出版社社,20000.2

田禹,王王寶貞,周定.人工神經(jīng)網(wǎng)網(wǎng)絡(luò)對(duì)水處理理系統(tǒng)建模適適應(yīng)性研究[J].環(huán)境科學(xué)學(xué)學(xué)報(bào),1999，19(1)):33－36.3

郭勁松,,龍騰銳,高旭等.間歇曝氣活活性污泥系統(tǒng)統(tǒng)神經(jīng)網(wǎng)絡(luò)水水質(zhì)模型[J].中國給水排排水,20000,16(111):155－18.4

楊建剛..人工神經(jīng)網(wǎng)網(wǎng)絡(luò)實(shí)用教程程[M].杭州:浙江大學(xué)出出版社,20011.5

聞新,周周露,王丹力等.MATTLAB神經(jīng)網(wǎng)絡(luò)應(yīng)應(yīng)用設(shè)計(jì)[M].北京:科學(xué)出版社,20000.6張愛茜,韓韓朔睽,沈洲等.運(yùn)用回歸分分析與人工神神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)測(cè)含硫芳香族族化合物好氧氧生物降解速速率常數(shù)[J].環(huán)境科學(xué),19988,19(1):337－40.7

朱東海,,張土喬,任愛珠等.BP神經(jīng)網(wǎng)絡(luò)用用于給水管網(wǎng)網(wǎng)模擬試驗(yàn)時(shí)時(shí)的構(gòu)造參數(shù)數(shù)設(shè)計(jì)[J].給水排水,20011,27(22):10－13.8蘇金明,阮阮沈勇.MATTLAB6..1實(shí)用指南(上冊(cè))[M]..北京:電子工業(yè)