1 人工神經網絡廢水處理建模原理 人工神經網絡(Artificial Neural Network,簡稱ANN)對廢水處理系統的建模原理如圖1所示,首先根據廢水處理系統的輸入輸出數據建立樣本集。在學習過程中把樣本集中的數據輸入神經網絡;
根據樣本的輸入值計算出網絡的輸出值;
計算樣本輸出與網絡輸出的差值;
根據計算的差值由梯度下降法調整網絡的權矩陣;
重複上述過程,直到整個樣本集的誤差不超過規定範圍,學習即結束。圖1 造紙廢水處理系統ANN建模原理示意圖 經過訓練後的網絡模型相當於實際廢水處理系統的近似模型,如果通過採集模塊採集實際系統的進水各水質指標並輸入網絡,得到的網絡輸出應該近似等於對應於各水質指標的實際系統的出水COD。基於這樣的原理,針對滯後性的廢水處理系統,本研究採用ANN模型對未來時刻的出水COD進行預測,其中網絡輸入為與未來時刻出水COD有關的因素,網絡輸出為未來時刻的出水COD,以期通過預測得到當前時刻的加藥量。 2 造紙廢水處理實驗系統設計2.1 廢水來源 廢水取自東莞某造紙廠(主要原料為OCC),廢水CODcr為500-1600mg/L,pH5.5-6.8。
2.2 造紙廢水處理實驗系統 實驗室廢水處理工藝流程如圖2所示。調節池中的廢水與絮凝劑PAC(5%聚合氯化鋁)混合後經進水泵打入高效一體化反應器[2],在裏面發生反應、沉澱、過濾和澄清等作用完成泥水分離,處理水從反應器頂流出,污泥通過反應器底部排泥閥排出。
圖 2 造紙廢水處理工藝
本實驗採用自動檢測控制方法代替手工操作,完成水質的在線檢測以及加藥量的自動控制,其監測系統如圖3所示。COD儀自動檢測原水和出水COD值,檢測頻率通過PLC控制電磁閥實現,COD值經ADAM4017+模塊轉換成數字信號,顯示在安裝於IPC的MCGS(Monitor and Control Generated System)組態軟件中;
進水量和加藥量通過ADAM4024模塊輸出電壓控制蠕動泵和直流泵的工作電壓以改變流量來實現;
高效反應器中的污泥通過泥位計實時監測,再結合PLC控制電磁閥保證反應器中的泥位保持在一定高度。
圖3 造紙廢水處理系統監控系統框圖
2.3 網絡樣本數據的選取 考慮進水量、進水COD和加藥量三個因素,每個因素取4個水平,具體取值如表1所示,通過正交實驗L16(45),以自動監控系統完成各個水質指標的採集和加藥量的自動加入,剔除MCGS數據庫中奇異數據後,用於網絡訓練和測試的部分數據如表1所示。其中x(t)、u(t)、v(t)和y(t)分別表示t時刻的進水COD(mg/L)、加藥量(mL/s)、進水量(mL/s)和出水COD(mg/L),y(t-2△t)和y(t-△t)分別表示t-2△t和t-△t時刻的出水COD(mg/L),此處△t取2h;
y’和y”分別表示出水COD在t-△t時刻的一階和二階導數,y’= y(t)-y(t-△t),y”= y(t)-2 y(t-△t) +y(t-2△t)。 表1 用於網絡訓練和測試的實驗數據
序號 | x(t) | u(t) | v(t) | y(t-2△t) | y(t-△t) | y(t) | y’ | y” | 期望輸出 |
1 | 1400 | 0.2 | 12 | 515 | 489 | 461 | -28 | -2 | 454 |
2 | 1400 | 0.2 | 12 | 489 | 461 | 454 | -7 | -107 | 491 |
3 | 1400 | 0.4 | 14 | 499 | 525 | 484 | -41 | -67 | 471 |
4 | 1400 | 0.4 | 14 | 525 | 484 | 471 | -13 | 28 | 512 |
5 | 1400 | 0.5 | 16 | 504 | 478 | 495 | 17 | 43 | 483 |
6 | 1400 | 0.5 | 16 | 478 | 495 | 483 | -12 | -29 | 465 |
7 | 1400 | 0.7 | 18 | 419 | 458 | 434 | -24 | -63 | 425 |
8 | 1400 | 0.7 | 18 | 458 | 434 | 425 | -9 | 15 | 449 |
9 | 1244 | 0.2 | 14 | 429 | 441 | 437 | -4 | -16 | 418 |
10 | 1244 | 0.2 | 14 | 441 | 437 | 418 | -19 | -15 | 424 |
11 | 1244 | 0.4 | 12 | 374 | 368 | 399 | 31 | 37 | 382 |
12 | 1244 | 0.4 | 12 | 368 | 399 | 382 | -17 | -48 | 377 |
13 | 1244 | 0.5 | 18 | 335 | 342 | 321 | -21 | -28 | 336 |
14 | 1244 | 0.5 | 18 | 342 | 321 | 336 | 15 | 36 | 327 |
15 | 1244 | 0.7 | 16 | 298 | 306 | 314 | 8 | 0 | 320 |
16 | 1244 | 0.7 | 16 | 306 | 314 | 320 | 6 | -2 | 323 |
17 | 979 | 0.2 | 16 | 344 | 354 | 350 | -4 | -14 | 338 |
18 | 979 | 0.2 | 16 | 354 | 350 | 338 | -12 | -8 | 340 |
19 | 979 | 0.4 | 18 | 281 | 298 | 284 | -14 | -31 | 279 |
20 | 979 | 0.4 | 18 | 298 | 284 | 279 | -5 | 9 | 268 |
21 | 979 | 0.5 | 12 | 245 | 222 | 237 | 15 | 38 | 215 |
22 | 979 | 0.5 | 12 | 222 | 237 | 215 | -22 | -37 | 208 |
23 | 979 | 0.7 | 14 | 311 | 334 | 323 | -11 | -34 | 328 |
24 | 979 | 0.7 | 14 | 334 | 323 | 328 | 5 | 16 | 319 |
25 | 648 | 0.2 | 18 | 302 | 316 | 296 | -20 | -34 | 279 |
26 | 648 | 0.2 | 18 | 316 | 296 | 279 | -17 | 3 | 287 |
27 | 648 | 0.4 | 16 | 275 | 294 | 288 | -6 | -25 | 281 |
28 | 648 | 0.4 | 16 | 294 | 288 | 281 | -7 | -1 | 273 |
29 | 648 | 0.5 | 14 | 237 | 258 | 245 | -13 | -34 | 250 |
30 | 648 | 0.5 | 14 | 258 | 245 | 250 | 5 | 18 | 240 |
31 | 648 | 0.7 | 12 | 197 | 215 | 209 | -6 | -24 | 201 |
32 | 648 | 0.7 | 12 | 215 | 209 | 201 | -8 | -2 | 193 |
4.2 對於BP網絡或者RBF網絡,輸入量包含出水COD在t-△t時刻的一階和二階導數的網絡比不含一階和二階導數的網絡,訓練和測試仿真效果更好,表明其泛化能力更優。4.3 網絡結構確定後,樣本數據的廣泛性及準確性是影響泛化能力的主要因素,如何得到足夠的訓練樣本及如何選擇訓練樣本,避免欠擬和問題和過擬和問題,是值得研究的重要問題。4.4 基於BP網絡和RBF網絡的廢紙造紙廢水處理系統模型能夠準確的描述出水COD與進水水質及歷史出水COD的相互關係。