活性污泥工藝神經(jīng)網(wǎng)絡(luò)模擬與控制研究.pdf

1、污水處理已成為大中型城市水資源充分利用和實現(xiàn)可持續(xù)發(fā)展的重要基礎(chǔ)設(shè)施之一，日益受到重視。就目前而言，活性污泥法是城市污水處理最主要的工藝技術(shù)之一，IAWQ提出的ASM模型和人工神經(jīng)網(wǎng)絡(luò)方法(ANN)是研究活性污泥法反應(yīng)規(guī)律的兩種最主要方法。由IAWQ專家提出的基于工作機理和參數(shù)標定的ASM序列模型，在國內(nèi)外得到了廣泛的應(yīng)用，是污水處理學界的研究熱點之一，但仍在不斷的發(fā)展和完善中。ANN技術(shù)近20年來得到了極大的發(fā)展，在活性污

2、泥法的建模研究中正日益受到重視，但也仍在不斷的完善和發(fā)展中。作者針對污水處理活性污泥法具有高度非線性、復雜和工作機理尚不十分清楚的特點，采用特別適用于動態(tài)非線性和“黑箱”系統(tǒng)建模的ANN技術(shù)，建立了松江污水處理廠活性污泥系統(tǒng)的ANN模型。作者詳細闡述了應(yīng)用ANN技術(shù)建模的訓練方法、過程及其訓練ANN模型的實質(zhì)，討論了ANN模型的計算(擬合)能力(針對訓練樣本而言)與逼近能力(泛化能力或性能)(針對非訓練樣本而言)之間的聯(lián)系與

3、區(qū)別，并強調(diào)：對于輸出變量是連續(xù)函數(shù)變量的情況，無論采用何種結(jié)構(gòu)的網(wǎng)絡(luò)，訓練樣本數(shù)均必須多于隱層節(jié)點數(shù)；隱層節(jié)點太多和訓練過度是導致訓練時出現(xiàn)“過訓練”現(xiàn)象的內(nèi)因和外因；針對一定數(shù)量的訓練樣本，必定存在一個合理的隱層節(jié)點數(shù)，用試湊法確定合理的隱層節(jié)點數(shù)仍然是目前最有效的方法；訓練模型的目的是為了揭示出(抽象出)訓練樣本數(shù)據(jù)所蘊含的規(guī)律，即建立的模型對非訓練樣本數(shù)據(jù)同樣也應(yīng)該有好的表征能力(即泛化能力)；必須用非訓練樣本誤差

4、表示模型的泛化能力或性能等等。采用BP網(wǎng)絡(luò)建模，一般要求訓練樣本數(shù)要多于網(wǎng)絡(luò)連接權(quán)值數(shù)，通常2倍以上，最好5～10倍以上。作者總結(jié)并提出了完整的應(yīng)用ANN建模的基本原則和步驟：首先將樣本隨機分成訓練樣本、檢驗樣本和測試樣本 3 部分(訓練樣本用來在訓練過程中調(diào)整網(wǎng)絡(luò)連接權(quán)值，檢驗樣本用來在訓練過程中實時監(jiān)控訓練過程，測試樣本用來評價建立的 BP 模型的泛化能力)；通過很多次隨機改變網(wǎng)絡(luò)初始連接權(quán)值以求得全局極小點鄰域內(nèi)的可行

5、解；訓練過程很容易進入局部極小點而出現(xiàn)“過訓練”現(xiàn)象，必須用檢驗樣本實時監(jiān)控訓練過程并采取早期停止法以避免出現(xiàn)“過訓練”現(xiàn)象。采用RBFNN建模，盡管訓練時不存在“過訓練”現(xiàn)象，但隱層節(jié)點過多也會出現(xiàn)“過擬合”現(xiàn)象，從而降低模型的泛化能力。作者剖析了現(xiàn)有的活性污泥系統(tǒng)ANN模型普遍存在的不足：取太大的網(wǎng)絡(luò)結(jié)構(gòu) (隱層及其節(jié)點數(shù)太多，以致出現(xiàn)網(wǎng)絡(luò)連接權(quán)值數(shù)多于訓練樣本數(shù)的情況，甚至出現(xiàn)隱層節(jié)點數(shù)多于訓練樣本數(shù)的情況)；采用B

6、P網(wǎng)絡(luò)建模時，沒有采用檢驗樣本實時監(jiān)控訓練過程而無法判定訓練過程是否進入局部極小點和發(fā)生“過訓練”現(xiàn)象；用訓練樣本誤差或少數(shù)幾個測試樣本誤差來評價模型的泛化能力；只取一組或很少幾組網(wǎng)絡(luò)初始連接權(quán)值訓練模型，很難搜索到全局極小點的鄰域，如果訓練樣本誤差太大，一味通過增大網(wǎng)絡(luò)結(jié)構(gòu)使誤差減小，這樣建立的模型的有效性、可靠性很難分析判定，是否具有實用價值還有待進一步驗證。采用BP算法，收斂速度很慢，并且極易進入局部極小點，較難求得全

7、局極小點。采用RBFNN網(wǎng)絡(luò)建模時，在用試湊法確定合理的隱層節(jié)點數(shù)時部分論文選取的隱層節(jié)點數(shù)大于訓練樣本數(shù)。這些論文建立的模型多數(shù)是關(guān)于某一時刻出水水質(zhì)與同一時刻進水水質(zhì)和運行控制參數(shù)之間的關(guān)系，事實上，這些參數(shù)之間不存在實際的因果關(guān)系。因此，這樣建立的模型沒有多少實際運行意義。本文還較詳細地分析了三篇博 (碩) 士學位論文建模的基本情況。在分析比較的基礎(chǔ)上，作者選擇松江污水廠2003年1月1日～2004年10月31日(6

8、70天)的實際運行歷史數(shù)據(jù)作為建立污水廠活性污泥系統(tǒng)ANN模型的基礎(chǔ)數(shù)據(jù)(測定出水水質(zhì)數(shù)據(jù)的時間比測定進水水質(zhì)數(shù)據(jù)的時間滯后一個水力平均停留時間)。提出了對原始數(shù)據(jù)進行整理、預處理的數(shù)據(jù)有效范圍準則和活性污泥系統(tǒng)工作機理準則，并采用可視化、動態(tài)數(shù)據(jù)處理方法對基礎(chǔ)數(shù)據(jù)進行了校核與修正，經(jīng)剔除異常數(shù)據(jù)和修正錯誤數(shù)據(jù)等處理后，得到了656組有意義的數(shù)據(jù)。為提高模型的有效性和可靠性，再應(yīng)用正態(tài)分布規(guī)律方法剔除過于分散的離群數(shù)據(jù)，最后

9、得到了可用于建模研究的 630 組有效數(shù)據(jù)，并建立了可供調(diào)用的數(shù)據(jù)文件。設(shè)定2004年10月的29組數(shù)據(jù)為預測樣本(數(shù)據(jù))，隨機抽取60組(10％)數(shù)據(jù)為測試樣本。作者采用 STATSOFT 公司出品的商品化神經(jīng)網(wǎng)絡(luò)通用軟件 STATISTICANeural Networks 進行建模研究。針對上述整理得到的活性污泥系統(tǒng)運行的 630 組有效數(shù)據(jù)，分別采用 BP 網(wǎng)絡(luò)和RBFNN網(wǎng)絡(luò)進行建模研究。用試湊法確定合理的隱層節(jié)點數(shù)

10、；驗證隱層節(jié)點多少對模型計算能力和泛化能力的影響；分析訓練過程是否容易進入局部極小點從而出現(xiàn)“過訓練”現(xiàn)象。對于BP網(wǎng)絡(luò)，用擬牛頓法訓練模型，大大提高了收斂速度，單次訓練的時間從10多個小時減少到20分鐘左右。采用模型的多個性能指標(如RMSE、AAE、MAPE和R等)和數(shù)據(jù)特征值指標(如均值、最大值、最小值和標準剩余離差等)綜合評價模型的泛化能力和性能，以避免因采用單個或少數(shù)幾個指標而引起的片面性。設(shè)計 BP 網(wǎng)絡(luò)時，首

11、先隨機抽取 60 組(10％)數(shù)據(jù)為檢驗樣本，主要研究隱層及其節(jié)點數(shù)多少對模型計算能力、泛化能力、是否出現(xiàn)“過訓練”或“過擬合”現(xiàn)象及其如何避免出現(xiàn)“過訓練”現(xiàn)象等問題，以提高模型的泛化能力；通過很多次隨機改變網(wǎng)絡(luò)初始連接權(quán)值，以求得全局極小點鄰域內(nèi)的可行解。設(shè)計RBFNN網(wǎng)絡(luò)時，主要研究隱層節(jié)點數(shù)、徑向基函數(shù)寬度與中心值、鄰居數(shù)多少及其偏差值求解方法等對模型計算能力和泛化能力的影響。大量試驗研究表明：①采用BP網(wǎng)絡(luò)建模，當

12、網(wǎng)絡(luò)連接權(quán)值數(shù)少于訓練樣本數(shù)時，采用檢驗樣本實時監(jiān)控訓練過程以避免出現(xiàn)“過訓練”現(xiàn)象、用擬牛頓法訓練模型、很多次隨機改變網(wǎng)絡(luò)初始連接權(quán)值以求得全局極小點鄰域內(nèi)的可行解、用試湊法確定合理的隱層及其節(jié)點數(shù)以避免出現(xiàn)“過擬合”現(xiàn)象，可以建立泛化能力較好和合理、可靠、有效的活性污泥系統(tǒng) BP 模型，測試樣本的平均相對誤差小于8％。②采用RBFNN網(wǎng)絡(luò)建模，用試湊法確定合理的隱層及其節(jié)點數(shù)以避免出現(xiàn)“過擬合”現(xiàn)象，取合理的基函數(shù)寬度與

13、中心值和鄰居數(shù)，可以建立泛化能力很好的活性污泥系統(tǒng)RBFNN模型，測試樣本的平均相對誤差小于8％。研究表明，對于本例數(shù)據(jù)，BP網(wǎng)絡(luò)與RBFNN網(wǎng)絡(luò)具有基本相同的計算和泛化0能力。利用29組預測樣本數(shù)據(jù)對建立的ANN模型的泛化能力進行了校驗分析，BP模型的相平均對誤差小于5％，RBFNN模型的平均相對誤差小于8％，說明建立的ANN模型具有較高的預測精度，具有較好的工程實際應(yīng)用價值。根據(jù)數(shù)據(jù)分布的稀疏性和有效性以及ANN模型變

14、量內(nèi)插值有效性的特點，確定ANN模型單變量和有相互依存與約束關(guān)系的變量的有效取值范圍。因此，建立的ANN模型對每個變量僅在一定的數(shù)據(jù)范圍內(nèi)有效，超出上述變量的有效數(shù)據(jù)范圍，ANN模型的精度和可靠性就難以得到保證。為此，針對全國各地不同的環(huán)境條件、不同的污水水質(zhì)、不同的活性污泥法工藝參數(shù)(如曝氣池平均水力停留時間、回流污泥濃度等)，應(yīng)分別建立ANN模型。所以，通過首先選定活性污泥工藝的主要水質(zhì)參數(shù)、運行控制參數(shù)(統(tǒng)稱為變量)等

15、，其次是確定每個變量的可能取值范圍，并根據(jù)實際情況，把每個變量分成幾個小的有效取值范圍區(qū)間，從而建立多個適用于變量不同有效取值范圍的模型，對ANN模型進行標準化處理，從而形成模型庫。提出了活性污泥系統(tǒng)ANN模型標準化的概念，闡述了建立標準化ANN模型 (即模型庫) 的內(nèi)容、基本步驟和要求等。利用建立的ANN模型進行了活性污泥系統(tǒng)的仿真模擬研究，定量驗證了活性污泥系統(tǒng)的有關(guān)工作機理，分析了進水水質(zhì)、運行控制參數(shù)等對污水處理效

16、果(出水水質(zhì))的影響；對控制參數(shù)進行靈敏度分析以進行活性污泥系統(tǒng)的輔助運行、管理與決策等研究；簡要說明了利用建立的ANN模型進行活性污泥系統(tǒng)輔助設(shè)計的一般方法和步驟。本文提出的建立ANN模型的基本原則和步驟，對建立活性污泥系統(tǒng) ANN標準化模型具有很強的指導意義，對確保建立的標準化模型的有效性、合理性和可靠性具有理論和現(xiàn)實意義。提出的測定出水水質(zhì)的時間應(yīng)比測定進水水質(zhì)的時間滯后一個水力停留時間的原則，以確保建立的ANN模型更

17、符合活性污泥系統(tǒng)的工作特性，防止建立不符合活性污泥系統(tǒng)工作特性的“偽模型”——同一時刻出水水質(zhì)與進水水質(zhì)之間的數(shù)學模型。應(yīng)用ANN模型進行活性污泥系統(tǒng)仿真研究，對進一步研究活性污泥系統(tǒng)工作機理具有便捷、快速和經(jīng)濟的特點。利用ANN模型進行活性污泥系統(tǒng)輔助設(shè)計，可大大提高設(shè)計的有效性、預見性和縮短設(shè)計周期。利用ANN模型和變量靈敏度分析的結(jié)果，為實現(xiàn)活性污泥系統(tǒng)的自動控制和優(yōu)化控制提供了可靠的數(shù)學模型(技術(shù)保障)和現(xiàn)實可能性

18、。指出了利用ANN技術(shù)建模目前還缺乏完整的理論公式指導、ANN模型具有非唯一性和模型的可靠性、有效性較大程度上還取決于原始建模數(shù)據(jù)的可靠性、本文研究的數(shù)據(jù)還不夠十分充足以及得到的ANN模型中沒有包括DO、溫度(由于工廠原始記錄中缺少這些參數(shù)的數(shù)據(jù))等方面的不足。同時提出，目前應(yīng)集中全國研究力量，加強政府的宏觀調(diào)控和高校、研究所和污水處理廠的合作，進一步加強ANN建模技術(shù)的研究，收集更多、代表性更好的污水處理廠的實際運行數(shù)據(jù)