由于排放标准对出水氮、磷浓度限制的提高，近年来提出了很多生物去除营养物（Biological Nutrient Removal－BNR）的工艺。与只包含去除有机物的传统活性污泥工艺相比，这些BNR工艺多数需要复杂的检测和控制。因此，污水处理工艺的自动化越来越引起人们的注意。然而由于活性污泥工艺的生物学特性，许多控制参数不能实现在线检测，并且现有的在线传感器用于工艺自动化还不够可靠。解决这一问题有两种途径^[1]：开发用于检测控制参数的新方法；开发基于从现有在线传感器获得的信息的软传感器。由于软传感器既可以替代硬件传感器又可以与硬件传感器一起应用起到校验作用和避免冗余，近来很多研究者开始了这方面的研究^{[1][2][3][4][5]}。

　　神经网络（NN）是人工神经网络(Artificial Neural Networks，ANN)的简称，是90年代以来活跃于工程领域并迅速发展的一门前沿科学，它的主要优点是可以充分逼近任意复杂的非线性关系^【6】。近年来人工神经网络已成为数学建模领域的一个热点，得到广泛应用。用神经网络将难以实时检测的参数与污水处理的一些易检测过程参数联系起来，建立其可靠的相关关系，从而间接实现对污水水质参数在线实时检测的目的，这就是所谓的“软测量”技术，其中的神经网络就是软传感器。

　　污水处理厂生物脱氮的控制中，在线传感器是控制系统的薄弱环节。能够在线检测的参数有：氨态氮(NH₄⁺)、硝态氮 (NO_x^-)，但总凯氮（Total Kjeldahl Nitrogen—TKN）不能在线检测，这使得脱氮工艺不能实现闭环控制。污水中的TKN浓度和其它水质参数之间存在一定的相关关系，用神经网络模拟这种关系，根据可以精确在线检测的参数和得到的它们与TKN之间的相关关系推出TKN的值，即可以实现TKN的在线检测。

　　以ASM系列模型(ASMs)为基础的EFOR软件是国际上最普遍使用的模拟污水生物处理的商业软件。EFOR软件的模拟输入输出数据可以用于训练神经网络，用同一组进水数据同时作为EFOR软件和训练好的神经网络的输入，比较其输出，可以评价神经网络的“测量”效果。

　　1 软传感器—神经网络的构建

　　与TKN浓度相关的可以精确在线检测的水质参数包括：污水流量(Q)、总化学需氧量(CODt)、悬浮固体(SS)、氨态氮(NH₄⁺)、硝态氮 (NO_x^-)、总碱度(TAL)、溶解氧(DO)。用这些参数作为输入，TKN作为输出构建神经网络。

　　神经网络类型：采用目前较为广泛应用的以多层感知器为基础的误差反向传播前馈神经网络——BP神经网络。

　　神经网络结构：理论上早已证明，具有偏差和至少一个S型隐含层加上一个线性输出层的网络能够逼近任何有理函数，神经网络训练误差精度的提高应优先通过增加隐含层中的神经元数目来获得^【7】。因此，采用有偏差的2层BP神经网络（一个隐含层）。

　　训练函数：TRAINLM；自适应学习函数：LEARNGDM；隐含层传递函数：TANSIG；输出层传递函数：PURELIN。

　　输入参数n=7，输出参数m=1，取隐含层节点数n1＝6。

　　神经网络程序用MATLAB6.5编制。神经网络的结构如图1示。图中前面一层是输入层，此处输入参数为7个，iw{1,1}表示输入层到隐含层的权重矩阵，b{1}为加到隐含层每个节点上的阈值矩阵；中间一层为隐含层，隐含层节点数为6个，iw{2,1}表示隐含层到输出层的权重矩阵，b{2}为加到输出层每个节点上的阈值矩阵；最后一层为输出层，此处输出参数为1个。

　　图1  6个隐含层节点的BP神经网络结构

　　2 神经网络的训练

　　选择EFOR软件中提供的基于ASM－1的典型脱氮工艺用EFOR对污水生物脱氮工艺（流程如图2示）进行模拟，得到一组（8×1199个）出水水质数据，其中包含Q、CODt、SS、NH₄⁺、NO_x^-、TAL、DO、TKN，其取值如表1所示。

　　图2  基于ASM－1的典型污水生物脱氮工艺流程

　　Inlet1——进水；Outlet1——出水；PS1——初沉池；AS1——曝气池1；AS2——曝气池2；SS1——污泥沉淀池；WS1——初沉池剩余污泥排放；WS1——二沉池剩余污泥排放；Pump1——初沉池剩余污泥排放泵；Pump2——内回流泵；Pump3——污泥回流泵；Pump4——二沉池剩余污泥排放泵

　　表1. 用于训练神经网络的水质参数的取值

　　用这组数据对神经网络进行训练，训练的过程如图3示。图中横坐标为神经网络训练步数，纵坐标为每步训练得到的神经网络误差，神经网络训练的误差指标为0，经100步训练后得到的神经网络误差为2.18382×10^-5。

图3   神经网络的训练过程

　　训练得到的权重矩阵：

　　iw{1,1}=[0.0025874 -0.32124 -0.45552 3.4238 -0.84748 6.0491 0.49367; 0.0011911 -0.18044 0.075046 -22.2312 -0.21167 9.4625 1.7691; -0.00036045 -0.45894 0.19257 -7.6452 -0.21234 -0.90929 -1.1687; 0.0016727 -0.051073 -1.0667 6.9585 -0.54836 1.9055 -1.1866; 0.00021969 0.14555 -0.46177 8.1313 -0.85366 -12.0507 1.2702; -0.000306 -0.28936 -0.27846 8.3247 0.38333 -1.4188 -1.0156]

　　iw{2,1}=[0.012959 -0.054891 -0.050993 -0.040351 -0.051562 -0.11084]

　　b{1}=[11.6625; -12.1541; 34.0644; 9.8161; 25.2863; 19.6727]

　　b{2}=[0.9962]

　　3 对软传感器的检验

　　用EFOR模拟得到的另外一组出水水质数据（8×241个）检验经训练的神经网络作为软传感器的精确度：以该组数据的Q、CODt、SS、NH₄⁺、NO_x^-、TAL、DO作为软传感器的输入“测得”一组（1×241个）TKN值，把它们与EFOR得到的TKN值分别进行比较，结果如图4所示。

　　图4   对软传感器的检验结果

　　从图4中可以看出，用软传感器“测得”的TKN与EFOF模拟计算得到的TKN结果比较，绝对误差在±0.03mg/l之内，相对误差在±2.5％之内。

　　4 结论

　　神经网络用于污水生物脱氮过程控制的软测量效果良好：与EFOR模拟计算结果相比，软传感器“测得”的出水TKN的绝对误差在±0.03mg/l之内，相对误差在±2.5％之内。

　　BP神经网络的最主要缺点是容易陷入局部极小值，这在网络的训练过程中得到充分的体现。解决的方法是，训练效果不好时，换用不同的初始权值矩阵和初始偏差重新进行训练。

相关文章：