出　　自： 1998年第3期第24頁
發(fā)表時間： 1998-3

田禹(哈爾濱工業(yè)大學)；王寶貞(哈爾濱建筑大學)；周定(哈爾濱工業(yè)大學)

摘要：針對臭氧生物活性炭系統(tǒng)的特點和研究中的難點，創(chuàng)新地引入人工神經(jīng)元網(wǎng)絡的理論和思想，提出該過程的人工神經(jīng)元網(wǎng)絡的分析方法。通過建立基于BP人工神經(jīng)元網(wǎng)絡的臭氧生物活性炭系統(tǒng)模型，考察該網(wǎng)絡對水處理系統(tǒng)建模的適應性，探討了臭氧生物活性炭系統(tǒng)中影響因素之間的關系，為提高臭氧生物活性炭系統(tǒng)的應用水平和實現(xiàn)水處理系統(tǒng)的在線控制提供了一條可行途徑。

關鍵詞：BP人工神經(jīng)元網(wǎng)絡；臭氧生物活性炭系統(tǒng)；建模

引言

　　隨著飲用水源污染的加劇和飲用水質標準的提高，臭氧生物活性炭系統(tǒng)日益受到關注與重視。但是系統(tǒng)還存在著一些問題，目前關于這一系統(tǒng)的理論分析還不夠深入統(tǒng)一，還沒有一個以生物化學為基礎的理論體系；關于各控制量(臭氧投量、臭氧塔停留時間、活性炭塔停留時間、進水水質)對指標因素COD Mn 、pH值、細菌總數(shù)等的影響還沒有一個嚴格的環(huán)境數(shù)學描述；由于物理化學機制的欠缺和系統(tǒng)非線性強耦合的特點，使得傳統(tǒng)的建模方法難以適應。因此，使得臭氧生物活性炭系統(tǒng)在應用中遇到許多問題。
　　為了提高臭氧生物活性炭系統(tǒng)的應用水平，促進其工程實踐應用，加強對系統(tǒng)設計和運行控制環(huán)節(jié)的研究顯得極為重要，而實現(xiàn)系統(tǒng)模型辯識和系統(tǒng)仿真是研究系統(tǒng)設計和運行控制問題最有效的手段。
　　在尋找對臭氧生物活性炭系統(tǒng)建模方法時，根本在于開拓建立環(huán)境模型的環(huán)境數(shù)學理論和方法。我們創(chuàng)新地引入人工神經(jīng)元網(wǎng)絡的理論和方法，并把發(fā)展成熟的BP人工神經(jīng)元網(wǎng)絡用于臭氧生物活性炭系統(tǒng)的建模研究中，以便深入探討系統(tǒng)影響因素的關系，使水處理系統(tǒng)的研究邁向智能化和控制化。

1 BP網(wǎng)絡的結構及基本原理

　　在多種人工神經(jīng)網(wǎng)絡中，BP網(wǎng)絡是最基本的一種，典型的BP網(wǎng)絡如圖1所示。 [1] 從圖中可以看到:BP網(wǎng)絡是由輸入層、輸出層和隱含層組成的，各層結點之間由可調權值W相連接。BP網(wǎng)絡的隱含層和各結點的數(shù)目，需要根據(jù)具體應用情況依靠經(jīng)驗選擇，隱含層節(jié)點函數(shù)通常選擇為Sigmoid函數(shù) ，網(wǎng)絡的學習算法應用梯度下降原理。
　　BP網(wǎng)絡的學習就是通過調整權值使得每一次樣本訓練誤差E最小。根據(jù)梯度下降原理，權值調整應沿著誤差的負方向，因此BP網(wǎng)絡最后總能使誤差達到要求，網(wǎng)絡收斂。為了保證學習過程的穩(wěn)定和收斂，學習速度a必須取遠小于1的值，這就造成了傳統(tǒng)的BP網(wǎng)絡逼近速度慢。
　　傳統(tǒng)的逼近方法由于普遍存在精度差，需要被逼近函數(shù)的某些先驗知識等缺點，而不適合大規(guī)模的非線性系統(tǒng)的函數(shù)逼近。BP神經(jīng)網(wǎng)絡作為一種廣義的函數(shù)逼近器，則不存在上述缺點，它是一種非參數(shù)形式的逼近模型，只需提供輸入輸出數(shù)據(jù)就可以達到其在I/O關系上的擬合。Hecht-Nielsen從函數(shù)逼近的角度嚴格地證明了具有足夠多隱含層的三層以上BP神經(jīng)網(wǎng)絡，可以以任意精度逼近一個屬于L 2 上的非線性函數(shù)，這一結論為BP神經(jīng)網(wǎng)絡在系統(tǒng)辨識與模式識別中的應用奠定了堅實的基礎 [2] 。但BP的結構需要依靠經(jīng)驗選擇，BP網(wǎng)絡的非線性優(yōu)化方法使得網(wǎng)絡不可避免地要存在局部極小等，也是在應用中要具體遇到的問題。

2 臭氧生物活性炭系統(tǒng)流程圖和實驗樣本數(shù)據(jù)

　　圖2為臭氧生物活性炭系統(tǒng)水質處理流程圖，以COD Mn 值為衡量水質好壞的指標，具體實驗數(shù)據(jù)如表1。
　　表1 臭氧生物活性炭系統(tǒng)中不同臭氧投量下的COD Mn 的去除率(%)

3 基于BP神經(jīng)網(wǎng)絡的預測模型和控制模型

　　首先提出BP神經(jīng)網(wǎng)絡的辨識結構圖，如圖3。圖中的輸出量包括兩部分，一部分是進水水質的指標，主要有濁度、色度、pH值等；一部分是水質處理控制量，主要有臭氧投量、臭氧塔中的水力停留時間、生物活性炭塔的水力停留時間等。輸出量為出水水質指標。

　　BP 神經(jīng)網(wǎng)絡的作用是在給定進水水質和水質控制量的前提下，對出水水質進行預測。通過BP網(wǎng)絡的實際輸出與真正水質處理過程的出水水質進行比較，誤差e利用BP學習算法對網(wǎng)絡的權值進行調整，以達到e為最小，即神經(jīng)網(wǎng)絡的輸出數(shù)據(jù)與真實的出水水質指標盡可能相似的目的。網(wǎng)絡的訓練數(shù)據(jù)可以通過實際的實驗數(shù)據(jù)獲得，在神經(jīng)網(wǎng)絡訓練完畢以后它就可以作為水質處理過程的預測模型。對未做實驗的進水水質和水質控制量，通過神經(jīng)網(wǎng)絡本身具有的逼近能力以及內差和外推能力就可預測其出水水質，這樣可有效地避免大量繁復的人工實驗及數(shù)據(jù)分析，節(jié)省了人力，提高了效率。
　　求取水質的控制量可以看成是上述問題的逆問題，即給出進水水質和期望的出水水質，求取相應合適的控制量。在傳統(tǒng)方法中仍然需要人工通過做實驗反復驗證最終確定，我們提出一個水質處理的控制神經(jīng)網(wǎng)絡模型，其辨識結構如圖4所示。

4 基于BP神經(jīng)網(wǎng)絡的仿真實驗

　　為了驗證BP神經(jīng)網(wǎng)絡模型實用性，具體選用一個輸入層結點、輸出層結點的三層BP神經(jīng)網(wǎng)絡，用于實現(xiàn)臭氧生物活性炭系統(tǒng)的仿真實驗。由于網(wǎng)絡的訓練樣本數(shù)并不是很多，過大規(guī)模的網(wǎng)絡模型又會使收斂速度減慢，因此中間層結點數(shù)定為10~20個，采用自適應變步長快速學習算法，并將網(wǎng)絡的預期逼近誤差預先定為0.01。實驗采用的數(shù)據(jù)如表1，得到的仿真曲線如圖5和圖6。

　　圖5和圖6的(a)圖表明在網(wǎng)絡仿真過程中逼近誤差SSE(Sum Squared Error)是隨著訓練迭代次數(shù)Epoch的增加而減少的，并在網(wǎng)絡迭代了多少步后，網(wǎng)絡收斂。(b)圖表明網(wǎng)絡學習步長同迭代次數(shù)之間的關系。(c)圖是以原水的COD Mn 值為X軸，以臭氧投量為Y軸，以臭氧化單元出水的COD Mn 值為Z軸的人工神經(jīng)元網(wǎng)絡的三維圖，它表明了臭氧生物活性炭系統(tǒng)中臭氧投量與進水、出水COD Mn 之間的關系。
從分析得到的仿真曲線可以看到:
　?、?基于人工神經(jīng)網(wǎng)絡的臭氧生物活性炭模型，由于BP人工神經(jīng)元網(wǎng)絡具有良好的泛化能力，可以在計算機上實現(xiàn)對設計參數(shù)的選取過程，節(jié)省了人力、物力，提高了效率。
　　② 可以根據(jù)預測模型，方便快速地求出在給定進水COD Mn 和臭氧投量的條件下出水COD Mn 值；也可以求出在給定進水COD Mn 的條件下，使出水COD Mn 達到最小的臭氧投量。
　?、?可以根據(jù)預測模型求出表示三維圖“曲率”的曲線，該曲線即反映在進水條件一定時，臭氧投量對處理效果的影響程度，這樣可以得到比較經(jīng)濟的臭氧投量。圖7是根據(jù)基于BP人工神經(jīng)元網(wǎng)絡的臭氧生物活性炭系統(tǒng)預測模型計算出的當進水COD Mn 一定時，臭氧投量對出水COD Mn 的影響曲線。
　　④ 用人工神經(jīng)元網(wǎng)絡建立水處理系統(tǒng)的控制模型與建立預測模型相比，兩者使用的算法、訓練網(wǎng)絡的數(shù)據(jù)樣本均相同，所不同的是網(wǎng)絡輸入量和輸出量的含義不同。控制模型能夠更方便和快速地求出系統(tǒng)的控制參數(shù)，這對實時性要求很高的在線控制有指導意義，而預測模型對設計參數(shù)的選取有意義。

5 結論

　?、?運用BP人工神經(jīng)元網(wǎng)絡建立的水處理系統(tǒng)預測模型和控制模型，具有良好的泛化能力，適用于水處理系統(tǒng)模型辯識。
　?、?運用該方法通過系統(tǒng)輸入與輸出數(shù)據(jù)即可建立較為準確的模型，模型的通用性及時效性只取決于實驗數(shù)據(jù)的廣泛及準確。
　?、?運用該方法建立的預測模型對于不同的水質條件可做出準確的預測，能夠為工程設計人員提供設計參數(shù)；建立的控制模型能夠對控制變量進行優(yōu)化組合，使系統(tǒng)的處理效果達到要求，為實現(xiàn)水處理的在線控制提供了一條可行的途徑。
　?、?基于BP人工神經(jīng)元網(wǎng)絡的臭氧生物活性炭系統(tǒng)模型準確地描述了系統(tǒng)影響因素的關系，根據(jù)建立的模型可以得到比較經(jīng)濟的臭氧投量。

6 參考文獻

　　1. DR Hush，BG Horne.Progress in Supervised Neural Networks:What‘s news ince Lippmann.IEEE Signal Processing Magazine，1993；10(1)∶8-39
　　2. Taylor J G. Neural network Applications，Springer-Verlag，1992.
　　作者簡介:田禹 環(huán)境工程專業(yè)博士后
　　通訊處:150008 哈爾濱南崗區(qū)海河路202號
　　哈爾濱建筑大學市政環(huán)境工程學院
　　(收稿日期 1997-12-03)

　?、俸邶埥∽匀豢茖W基金重點支持項目