基于模糊神经网络的废水处理监控方法和系统的制作方法
【专利摘要】本发明提供了一种基于模糊神经网络的废水处理监控方法，该方法在考察现有A/O废水处理系统HRT、好氧池DO和混合液回流比r等参数对出水COD和氨氮影响基础上，应用神经网络结构算法和基于实数编码的遗传算法对神经网络的权值和阈值全局搜索优化，分别构建最优化的BP-ANN软测量模型与GA-ANN软测量模型。在此基础上构建基于软测量模型的溶解氧智能优化控制系统方案，结合OPC技术实现MATLAB与MCGS的数据通信，将溶解氧智能优化控制系统应用于造纸废水A/O工艺处理过程溶解氧优化调控，实现造纸废水A/O废水处理工程的节能降耗。本发明可大幅度提高造纸行业废水排水水质的稳定性，实现精确控制，并减少废水处理过程中的化学药品用量和耗电量。
【专利说明】基于模糊神经网络的废水处理监控方法和系统
【技术领域】
[0001]本发明属于一种利用智能控制系统对造纸生产废水进行综合稳定处理的【技术领域】。
【背景技术】
[0002]随着国家、省市环保政策压力不断加大，以及各造纸企业自身出于降低生产成本的需要，在吨纸用水量不断下降的同时，排水浓度不断提高，排水水质不断恶化，水质波动也较大，给污水处理带来了严峻压力。此外，由于各造纸厂生产的品种不尽相同，所用化工原料也有所区别，生产排期也各有安排，因此导致污水集中处理厂的进水水质波动较大，进水流量、进水COD以及加药量等都在不断变化，影响着处理系统中物质传递、迁移和转化过程的平衡，因而目前的废水处理系统都难以实现真正的稳态运行，通常存在出水水质不稳定、故障频发等问题，而且废水处理过程具有复杂性、非线性、时变性、不确定性等特点。
[0003]因此，为了提高处理系统的可靠性和稳定性，降低系统运行成本和维护成本，使系统在满足环境技术指标的同时又能实现节能降耗的目标，迫切需要开发出一种自动化智能废水处理控制方法和系统。
[0004]神经网络又称人工神经网络(Artificial Neural Network，简称ANN或NN)是以简单非线性神经元作为处理单元，通过广泛连接构成的具有大规模分布式并行处理能力的非线性动力学系统。基于神经网络的软测量模型可在不具备对象先验知识的条件下，根据对象的输入/输出数据直接建模(将辅助变量作为神经网络的输入，而主导变量作为神经网络的输出，通过神经网络的学习来解决不可测变量的软测量问题)，且具有较强的在线校正能力并能适用于多元高度非线性的生物过程和严重不确定性系统。按结构类型来分，神经网络大致可以分为前向网络和反馈网络；软测量中较常用的是前向网络中的反向传播神经网络(BP-ANN)和径向基函数神经网络(RBF-ANN)。神经网络虽然具有任意逼近非线性映射的能力和自学习自适应的功能，也可以高度灵活的逼近任何函数以解决复杂的非线性问题，适用于废水处理系统的模拟仿真。然而，其所用的梯度训练算法是一种局部搜索算法，很容易陷入局部最优；且存在检验精度高但预测精度低，网络训练时间较长等缺点。因此，很多研究者将具有强大全局搜索和优化功能的遗传算法(Genetic Algorithm，简称GA)用于对神经网络的优化，构建出性能更优的遗传神经网络(GA-ANN)。遗传算法是基于自然选择和基因遗传学原理的一类具有并行迭代能力和学习能力的全局搜索算法。它将“优胜劣汰，适者生存”的生物进化原理引入待优化参数形成的编码串种群中，按照一定的适应度值函数并使用选择、交叉和变异三个遗传操作算子对种群中的个体进行筛选，从而使适应度值较优的个体保留下来，组成新的种群，新种群中个体适应度值不断优化，直至满足一定的极限条件，最终实现在解空间的全局搜索寻优。
[0005]鉴于废水处理的复杂性和不确定性，基于遗传算法和神经网络相结合的混合模型对废水处理过程的建模仿真研究值得期待。
【发明内容】
[0006]本发明的目的就是解决现有技术问题，提供一种基于模糊神经网络监控的废水处理方法和系统，利用该系统可以在线综合考虑污水各项指标，自组织、自适应以及良好的非线性映射等能力的废水处理的智能控制。
[0007]为达上述目的，本发明采取的技术方案如下:
[0008]一种基于模糊神经网络的废水处理监控方法，其步骤包括:
[0009](I)对A/0生物脱氮除磷技术的工艺特点进行分析，选用并安装必要的硬件设备，设计PLC控制程序并进行工控软件MCGS的工程组态，构建嵌入式造纸废水处理自动控制系统；
[0010](2)根据A/0废水处理系统的生物特性并结合神经网络的结构和算法，构建最优神经网络软测量模型:选取A/0废水处理系统可在线监测的水力停留时间(HRT)、进水pH值(pH)、好氧池溶解氧(DO)和混合液回流比(r)四个参数与出水COD和出水氨氮的相互关系，在MATLAB中分别构建最优化的BP-ANN和ANFIS软测量模型；
[0011](3)利用基于实数编码的遗传算法对神经网络的权值和阈值进行全局搜索优化，构建GA-ANN软测量模型；
[0012](4)将自适应模糊神经网络技术引入到A/0废水处理系统的GA-ANN软测量模型构建中，结合自适应模糊C均值聚类算法，从而实现ANFIS软测量模型模糊规则数的自动寻优；分析比较ANFIS软测量模型和GA-ANN软测量模型的预测性能，将性能最优的软测量模型应用于构建造纸废水A/0处理工艺的溶解氧智能优化控制系统；
[0013](5)利用OPC技术实现MATLAB与MCGS的数据通信，并将构建好的溶解氧智能优化控制系统应用于造纸废水A/0工艺处理过程中的溶解氧调节过程。
[0014]造纸废水处理自动控制系统包括基于Windows CE.NET嵌入式操作系统的工业个人计算机、在线监测仪(C0D检测仪、DO检测仪和pH检测仪)以及用于实现各种智能控制方案的执行机构。这些执行机构包括进水泵、回流泵和鼓风机等装置，这些装置在本系统中受IPC控制；通过控制这些装置所用的电机，完成调节进水流量、回流量和曝气量的任务。进行PLC控制程序的设计和工控软件MCGS的组态工作；进行PLC和ADAM模块的挂接，搭建人机操作平台，实现对A/0工艺流程进水pH值和进出水COD值的在线采集以及对进水流量、混合液回流量和溶解氧的在线调控。
[0015]基于神经网络和遗传神经网络的出水水质软测量研究:通过尝试不同传递函数、训练算法和网络结构，寻求高性能的BP神经网络预测模型，为了弥补BP神经网络容易陷入局部最优值的缺点，引入具有全局搜索能力的实数编码遗传算法对出水COD和出水氨氮的BP-ANN软测量模型进行优化。
[0016]基于自适应模糊神经网络的出水水质软测量模型研究:采用自适应模糊C均值聚类算法对输入数据进行空间划分，得出ANFIS软测量模型的最优模糊规则数。再通过尝试法确定ANFIS软测量模型的隶属度函数，确定出水COD和出水氨氮的ANFIS软测量模型训练步数。
[0017]基于自适应模糊神经网络软测量模型的溶解氧智能优化控制系统:以可在线监测的水力停留时间(HRT)、进水pH值(pH)、好氧池溶解氧(DO)和混合液回流比(r)四个参量作为ANFIS模型的输入量建立预测模型，用以预测和控制出水COD值。[0018]选取ANFIS模型作为溶解氧智能优化控制系统中的模糊控制器，用于控制溶解氧的修正量；采用模糊规则对ANFIS网络进行训练，在网络模糊规则库中形成对应的模糊规贝U，实现对溶解氧量的控制。利用OPC技术实现MCGS与MATLAB的数据通信，实现了在MCGS环境下溶解氧智能优化控制系统的运行。
[0019]本发明针对现有A/0废水处理系统节能降耗需求，在考察A/0废水处理系统HRT、好氧池DO和混合液回流比r等参数对出水COD和氨氮影响基础上，应用神经网络结构算法和基于实数编码的遗传算法对神经网络的权值和阈值全局搜索优化，分别构建最优化的BP-ANN软测量模型与GA-ANN软测量模型。在此基础上构建基于软测量模型的溶解氧智能优化控制系统方案，结合OPC技术实现MATLAB与MCGS的数据通信，将溶解氧智能优化控制系统应用于造纸废水A/0工艺处理过程溶解氧优化调控，实现造纸废水A/0废水处理工程的节能降耗。
[0020]本发明技术推广后，可大幅度提高造纸行业废水排水水质的稳定性(预计波动从现在的10%下降至2%以内)，实现精确控制，并减少废水处理过程中的化学药品用量(预计降低10%左右)和耗电量(预计降低5%左右)。
[0021]下面结合附图和实施例对本发明的技术方案做进一步的说明:
【专利附图】
【附图说明】
[0022]图1是本发明所述的基于模糊神经网络的废水处理监控系统示意图。
【具体实施方式】
[0023]如图1所示，本发明所述的基于模糊神经网络的废水处理监控方法和系统包括:
[0024](I)对A/0生物脱氮除磷技术的工艺特点进行分析，选用并安装必要的硬件设备，设计PLC控制程序并进行工控软件MCGS的工程组态，构建嵌入式造纸废水处理自动控制系统；
[0025](2)根据A/0废水处理系统的生物特性并结合神经网络的结构和算法，构建最优神经网络软测量模型:选取A/0废水处理系统可在线监测的水力停留时间(HRT)、进水pH值(pH)、好氧池溶解氧(DO)和混合液回流比(r)四个参数与出水COD和出水氨氮的相互关系，在MATLAB中分别构建最优化的BP-ANN和ANFIS软测量模型；
[0026](3)利用基于实数编码的遗传算法对神经网络的权值和阈值进行全局搜索优化，构建GA-ANN软测量模型；
[0027](4)将自适应模糊神经网络技术引入到A/0废水处理系统的GA-ANN软测量模型构建中，结合自适应模糊C均值聚类算法，从而实现ANFIS软测量模型模糊规则数的自动寻优；分析比较ANFIS软测量模型和GA-ANN软测量模型的预测性能，将性能最优的软测量模型应用于构建造纸废水A/0处理工艺的溶解氧智能优化控制系统；
[0028](5)利用OPC技术实现MATLAB与MCGS的数据通信，并将构建好的溶解氧智能优化控制系统应用于造纸废水A/0工艺处理过程中的溶解氧调节过程。
[0029]造纸废水处理自动控制系统的构建:造纸废水处理自动控制系统包括基于Windows CE.NET嵌入式操作系统的工业个人计算机、在线监测仪(COD检测仪、DO检测仪和PH检测仪)以及用于实现各种智能控制方案的执行机构。这些执行机构包括进水泵、回流泵和鼓风机等装置，这些装置在本系统中受IPC控制；通过控制这些装置所用的电机，完成调节进水流量、回流量和曝气量的任务。进行PLC控制程序的设计和工控软件MCGS的组态工作；进行PLC和ADAM模块的挂接，搭建人机操作平台，实现对A/Ο工艺流程进水pH值和进出水COD值的在线采集以及对进水流量、混合液回流量和溶解氧的在线调控。
[0030]基于神经网络和遗传神经网络的出水水质软测量研究:通过尝试不同传递函数、训练算法和网络结构，建立高性能的BP神经网络预测模型，为了弥补BP神经网络容易陷入局部最优值的缺陷，引入具有全局搜索能力的实数编码遗传算法对出水COD和出水氨氮的BP-ANN软测量模型进行优化。
[0031]基于自适应模糊神经网络的出水水质软测量模型研究:采用自适应模糊C均值聚类算法对输入数据进行空间划分，得到ANFIS软测量模型的最优模糊规则数。再通过尝试法确定ANFIS软测量模型的隶属度函数，确定出水COD和出水氨氮的ANFIS软测量模型训练步数。
[0032]基于自适应模糊神经网络软测量模型的溶解氧智能优化控制系统:以可在线监测的水力停留时间(HRT)、进水pH值(pH)、好氧池溶解氧(DO)和混合液回流比(r)四个参量作为ANFIS模型的输入量建立预测模型，用以预测和控制出水COD值。
[0033]选取ANFIS模型作为溶解氧智能优化控制系统中的模糊控制器，用于控制溶解氧的修正量；采用模糊规则对ANFIS网络进行训练后，在网络模糊规则库中形成对应的模糊规则，实现对溶解氧量的控制。利用OPC技术实现MCGS与MATLAB的数据通信，实现溶解氧智能优化控制系统在MCGS环境下的运行。
【权利要求】
1.一种基于模糊神经网络的废水处理监控方法，其步骤包括: (1)对A/Ο生物脱氮除磷技术的工艺特点进行分析，选用并安装必要的硬件设备，设计PLC控制程序并进行工控软件MCGS的工程组态，构建嵌入式造纸废水处理自动控制系统； (2)根据A/Ο废水处理系统的生物特性并结合神经网络的结构和算法，构建最优神经网络软测量模型:选取A/Ο废水处理系统可在线监测的水力停留时间(HRT)、进水pH值(pH)、好氧池溶解氧(DO)和混合液回流比(r)四个参数与出水COD和出水氨氮的相互关系，在MATLAB中分别构建最优化的BP-ANN和ANFIS软测量模型； (3)利用基于实数编码的遗传算法对神经网络的权值和阈值进行全局搜索优化，构建GA-ANN软测量模型； (4)将自适应模糊神经网络技术引入到A/0废水处理系统的GA-ANN软测量模型构建中，结合自适应模糊C均值聚类算法，从而实现ANFIS软测量模型模糊规则数的自动寻优；分析比较ANFIS软测量模型和GA-ANN软测量模型的预测性能，将性能最优的软测量模型应用于构建造纸废水A/0处理工艺的溶解氧智能优化控制系统； (5)利用OPC技术实现MATLAB与MCGS的数据通信，并将构建好的溶解氧智能优化控制系统应用于造纸废水A/0工艺处理过程中的溶解氧调节过程。
2.如权利要求1所述的基于模糊神经网络的废水处理监控方法，其特征在于:步骤(2)构建最优化的BP-ANN软测量模型是指通过尝试不同传递函数、训练算法和网络结构，寻求高性能的BP神经网络预测模型，引入具有全局搜索能力的实数编码遗传算法对出水COD和出水氨氮的BP-ANN软测量模型进行优化。
3.如权利要求1所述的基于模糊神经网络的废水处理监控方法，其特征在于:步骤(4)采用自适应模糊C均值聚类算法对输入数据进行空间划分，得出ANFIS软测量模型的最优模糊规则数，再通过尝试法确定ANFIS软测量模型的隶属度函数，确定出水COD和出水氨氮的ANFIS软测量模型训练步数。
4.如权利要求1所述的基于模糊神经网络的废水处理监控方法，其特征在于:采用模糊规则对ANFIS网络进行训练，在网络模糊规则库中形成对应的模糊规则，选取ANFIS模型作为溶解氧智能优化控制系统中的模糊控制器，用于控制溶解氧的修正量。
【文档编号】G05B13/04GK103744293SQ201410039249
【公开日】2014年4月23日 申请日期:2014年1月27日 优先权日:2014年1月27日
【发明者】王建华, 陈献忠, 汪华军, 罗灵芝, 陈华, 杨仁党, 王立军, 徐静静 申请人:浙江永泰纸业集团股份有限公司, 杭州永泰造纸技术研究院有限公司