专利名称：：无机废水处理方案的专家诊断决策方法
技术领域：
：本发明涉及一种无机废水处理方案的决策方法，尤其涉及自动产生无机废水处理方案的专家诊断决策方法。
背景技术：
：冶金、钢铁、汽车、电子、电镀等工业会产生大量的无机废水。将工业废水转化为可以重复使用的新资源已经成为企业的普遍要求，然而无机工业废水的种类繁多，废水中往往含有毒性的重金属、油脂、酸、碱等物质，处理工艺过程复杂，企业对资源化产品的要求各不相同，难以用单一的方案解决。因此需要针对不同的企业废水来源确定相应的废水处理和回应方案。目前对于废水处理与回用方案的确定，目前大都依靠常识和经验来初步设定，再通过人工小试或中试来进行验证，最后投产应用。经验的不足和实验条件的限制，常导致实验结果偏差，难以保证稳定的处理效果，最终可能得出导致投资失利的错误方案，因此有必要采取更加科学的方法来进行方案的初步确定。
发明内容本发明所要解决的技术问题是提供一种无机废水处理方案的专家诊断决策方法，利用人工神经网络技术优秀的自学习自适应能力，网络分布储存知识，并行运算特性和优越的非线性映射能力，实现废水处理方案的自动决策。本发明为解决上述技术问题而采用的技术方案是提出一种无机废水处理方案的专家诊断决策方法，经由一神经网络结构对无机废水水质指标与回用水水质指标进行处理，以输出废水处理方案，该神经网络结构包括输入层、预处理层、隐含层及输出层，本方法包括以下步骤经所述输入层输入包含所述无机废水水质指标与所述回用水水质指标的4第一向量至所述预处理层；在所述预处理层中对所述第一向量中的各水质指标进行分区段处理，并输出第二向量；在所述隐含层中依照经过训练的第一加权值矩阵计算所述第二向量的各元素之和，并且分别计算多个所述和在一非线性激励下的函数，输出包含多个所述和的函数的第三向量；以及在所述输出层中依照经过训练的第二加权值矩阵计算所述第三向量的各元素之和，并分别计算多个所述和在一阈值型激励下的函数，输出包含多个所述和的函数的第四向量，所述第四向量包括选择的废水处理方案。在上述的方法中，还包括在所述预处理层中对分区段处理后的各水质指标进行归一化处理。在上述的方法中，所述非线性激励为Sigmoid激励函数或者径向基函数。在上述的方法中，训练所述第一加权值矩阵和所述第二加权值矩阵的方法包括依照预知的专家方案规则表构建输入训练阵和输出训练阵进行训练，利用误差反向传播的s学习算法调整所述第一加权值矩阵和所述第二加权值矩阵。本发明另提出一种无机废水处理方案的专家诊断决策方法，经由一神经网络结构对无机废水水质指标与回用水水质指标进行处理，以输出废水处理方案，该神经网络结构包括总输入层、多个子网络及总输出层，其中各子网络分别包括输入层、预处理层、隐含层及输出层，此方法包括以下步骤-经所述总输入层输入包含所述无机废水水质指标与所述回用水水质指标的第一向量；在所述各子网络中执行以下步骤经所述输入层输入与所述子网络相关的无机废水水质指标与回用水水质指标；在所述预处理层中对所述相关的各水质指标进行分区段处理，并输出第二在所述隐含层中依照经过训练的第一加权值矩阵计算所述第二向量的各元素之和，并且分别计算多个所述和在一非线性激励下的函数，输出包含多个所述和的函数的第三向量；以及在所述输出层中依照经过训练的第二加权值矩阵计算所述第三向量的各元素之和，并分别计算多个所述和在一阈值型激励下的函数，输出多个所述和的函数至所述总输出层，所述第四向量包括选择的废水处理方案；以及经由所述总输出层输出由各子网络选择的废水处理方案。在上述的方法中，所述神经网络结构包括多个子网络，在所述预处理层中还包括，对分区段处理后的各水质指标进行归一化处理。在上述的方法中，所述非线性激励为Sigmoid激励函数或者径向基函数。在上述的方法中，训练所述第一加权值矩阵和所述第二加权值矩阵的方法包括依照预知的专家方案规则表构建输入训练阵和输出训练阵进行训练，利用误差反向传播的5学习算法调整所述第一加权值和所述第二加权值矩阵。本发明由于采用以上技术方案，使之与现有技术相比，具有如下显著优点1、诊断决策方法能够参考成熟的专家方案，根据检测的原水水质和输入的回用水质指标自动生成初步方案，以备试验验证，大大提升了确定方案的效率。2、由于采用神经网络结构，本发明在一定程度上克服了一般专家系统的知识获取问题、学习能力较差、知识的"窄台阶效应"即容错性差和知识存贮容量与运行速度的矛盾等瓶颈问题，从而进一步提高专家系统学习能力和处理大型复杂问题的能力，使知识库具有良好的可扩充性，系统的运行具有更高的可靠性。为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明，其中图1是根据本发明一实施例的专家诊断决策系统结构框图。图2是根据本发明一实施例的专家诊断决策模块的神经网络结构图。图3是根据本发明一实施例的具有多个子网络的专家诊断决策模块的神经网络结构图。图4是根据本发明一实施例的专家诊断决策方法流程图。图5是根据本发明另一实施例的专家诊断决策方法流程图。具体实施例方式在下面的实施例中，利用人工神经网络技术优秀的自学习自适应能力，网络分布储存知识，并行运算特性和优越的非线性映射能力，实现废水处理方案的自动决策。图1是根据本发明一实施例的专家诊断决策系统结构框图。此专家诊断决策系统100包括专家诊断决策模块110和专家知识库120。在一个实施例中，专家诊断决策系统100还可包括数据分析模块130。针对不同工业、不同工艺的无机废水的性质以及不同处理水的水质标准，根据现有废水回收工艺，可以事先制定成熟的废水处理方案。这些成熟方案以及专家的方案规则储存在专家知识库120内，供专家诊断决策模块110调用。专家诊断决策模块110可以经过训练学习这些专家知识。使用已学习的知识，专家诊断决策模块110可以根据输入的无机废水水质指标和所要求的回用水水质指标，从已有的废水处理方案中确定初步的无机废水处理方案。此初步的无机废水处理方案会经过试验设备进行试验，并获得回用水的实际水质指标。回用水的实际水质指标与回用水的要求水质指标会输入数据分析模块130，进行实际处理效果的分析和处理结果的评估，并且可以根据分析和评估结果对专家诊断决策模块110所确定的废水处理方案进行修改，产生优化的废水处理方案方案，并补充专家知识库。下面首先描述本发明一实施例的专家决策模块的结构实现。专家诊断决策模块110由如图1所示的神经网络结构构成，此专家诊断决策模块110的神经网络采用前向网络，可分为四层，分别为输入层111、预处理层112、隐含层113和输出层114。这些层可以由计算机可执行程序实现。在一个实施例中，各层神经元个数按如下方法确定设置无机废水的水质指标有R项，则输入层的神经元数等于进出水(废水与回用水)的各项水质指标数之和，为2R个；预处理层的神经元是按进出水指标在决策时的不同条件区段划分而定(以下详述)；而隐含层的神经元数可取预处理层节点数的二倍；输出层的神经元数等于专家方案数为S个。7由于不同功能的专家方案仅与不同部分进出水指标相关，在一个实施例中，为了提高神经网络的学习速度和简化网络结构，可根据关联的进出水指标分类将一个大网络分割成多个子网络，从而生成一个规模为多子网络的专家诊断决策模块。举例来说，当有13个方案仅与2个进出水指标有关时，如表一所示，则可建立的一个输入层为2个神经元(即进水电导率和出水电导率)，输出层为13个神经元(即13个方案)的四层前向子网络。由于不同的工艺方案对应不同进出水指标的不同范围，将表中进水电导率从0至2999um/cm分为0-199、200-399、400-999、1000-2999共4个区段，出水电导率从0.2至19分为0.2-0.9、1-9、10-19共3个区段。若子网络仅取进水电导率和出水电导率为输入层111的2个神经元时，则预处理层112神经元个数取区段之和为7个，而取隐含层113的神经元数为14个。其它子网络设计以此类推。表—<table>tableseeoriginaldocumentpage8</column></row><table>承接上述，当模块存在多个子网络时，可以类似并行联接的方式进行连接。图2示出具有多个子网络的专家诊断决策模块的神经网络结构图。此专家诊断决策模块210的总输入层211的输入量为全部的进出水指标参数，总输入层211各神经元的输入分别连接各个进出水指标参数。各个子网络2121-212n的输入又连接包含与之有关进出水指标参数的输入层211的神经元输出。各个子网络可具有类似图2所示的结构，包括输入层、预处理层、隐含层和输出层。模块总输出层213的输出量为全部方案号，总输出层213各神经元的输出对应为各方案号。而各个子网络的输出又连接与这些子网络有关的方案号所对应的那些总输出层神经元的输入。从而实现一个规模为多子网络的专家诊断决策模块。下面以图1所示的单个网络为例，描述专家诊断决策模块IIO的推理机制。专家诊断决策模块UO采用正向推理方法，由进出水(废水与回用水)的各项水质指标作为模块的输入，经神经网络前向传播进行推理，计算的网络输出即决策方案号。具体正向推理方法如下输入层111作为模块接口，输入层的各神经元采用线性激励函数，输入输出直接为进出水(废水与回用水)的包含各项水质指标的第一向量X^Xl,...，Xi，...，x2R}，i为自然数，2R为输入水质指标个数。预处理层112是将输入层的输出Xi按要求进行分区段处理。为了克服学习中的s型函数的饱和现象，将不同范围的进出水参数值进行归一化处理，采用0-1-0矩型激励函数为力x,、fl(1)1a《x,《6少，=0x.式中a、b为门限值，由具体的方案规则而定。因此每一水质指标Xi均可分为一个或多个归一值yj，从而得到第二向量Y={y,，...，yj,...，yT}，j=l,2,…,T。T为预处理层112的神经元数量，其取决于分区段处理。隐含层113的神经元输入为所有预处理层输出的加权之和z,IX凡(2)其中w,为第一加权值，所有vv,组成第一加权值矩阵W,。v^初始值可以任意设定。经过后述的神经网络的学习之后，uv将趋近于准确。k=l,2,…，2T。2T即为隐含层的神经元数量。需要指出的是，隐含层113的神经元数量并不限定为预处理层的2倍。隐含层113的神经元输出采用非线性函数，例如常用的Sigmoid激励函数(也称S型函数)隐含层113的所有输出z,组成第三向量Z。在另一例子中，隐含层113的神经元输出还可采用径向基函数。输出层114的神经元的输出为其中^,为第二加权值，所有HV,组成第二加权值矩阵W2。w,初始值可以任意设定。经过后述的神经网络的学习之后，M^将趋近于准确。可通过阈值型激励函数，进一步使输出层114的神经元的输出为,卩，a,卜c(5)L0，A"式中c为阈值，可取0.8-0.9之间。这些输出a)组成第四向量A，其中1=1,2，...，S，S为输出层的神经元数量，也是模块的专家方案数量。对于各个神经元输出",'，1=1，2,S，如果《,'=1，表示选择了对应的专家方案号。fl;越接近于l，可认为对应的专家方案号越可靠。容易理解的是，对于如图3所示的具有多个子网络的模块，其子网络的推理机制是类似的。差别仅在于，各子网络只是从网络的总输入层中取与之有关的部分水质指标进行上述的推理，同时输出相应的专家回用方案至网络的总输出层中相关的神经元上。下面将描述神经网络专家诊断决策系统的专家知识库的建立，专家知识库的建立包括知识获取与知识存储两个过程。1)知识的获取知识的获取表现为训练样本的获取与选择。根据已有的专家决策结果，列出进水指标与出水指标与水处理工艺方案的对应关系(即专家规则方案)，可生成神经网络的输入训练阵P与输出训练阵T。设专家规则方案表如前述表一所示，表中有二个条件项目进水电导率与出水电导率指标，分别分为4个区段与3个区段，水处理工艺方案有13个。若专家规则方案表中有13条规则，其中规则1为进水电导率指标条件400-2999落在第3分区，出水电导率指标条件0.2-9跨第1、2二个分区，对应结果方案为1号。则对应神经网络训练阵P与T阵的行列数据如下表二所示。表~~■<table>tableseeoriginaldocumentpage11</column></row><table>将其它所有可能的情况都进行类似处理，注意保证专家规则的完备性和可扩充性，从而生成训练用的P阵和T阵。2)知识的存储神经网络专家诊断决策系统的专家决策知识存储是隐式地分散存储在神经网络各神经元连接权值和阈值中。知识的存储过程就是神经网络的学习过程。根据设计生成的神经网络结构，专家决策的神经网络可学习调整的参数为隐含层的权值HV与输出层的权值Ww。采用误差反向传播的S学习算法，调整各层间的权值，可推导出神经网络的学习算法如下设神经网络第^个输出与相应期望输出。,°的误差为第p个样本的误差性能指标函数为:其中N为网络输出层的神经元个数。11根据梯度下降法，权值的学习算法如下:输出层及隐含层的连接权值学习算法为<formula>formulaseeoriginaldocumentpage12</formula>t+l时刻网络的权值为<formula>formulaseeoriginaldocumentpage12</formula>隐含层及预处理层连接权值学习算法为其中k+l时刻网络的权值为<formula>formulaseeoriginaldocumentpage12</formula>如果考虑上次权值对本次权值变化的影响，加入动量因子，此时的权值为<formula>formulaseeoriginaldocumentpage12</formula>(13)<formula>formulaseeoriginaldocumentpage12</formula>其中n为学习速率，a为动量因子。取"e[O,l]/7e。由根据专家规则表生成的训练阵P与T阵，神经网络经过5000次训练学习，误差指标函数可达到E〈0.02，此时完成神经网络专家决策知识库的建立。经由训练后神经网络的推理决策，其输入输出关系与专家规则方案表的要求达到完全一致。将训练后神经网络嵌入专家决策系统中，运行结果与期望可达到一致。因此，上述的神经网络专家决策系统，可以根据输入水质指标(即废水水质指标)和输出水质指标(即回用水水质指标)进行运算，输出废水回用处理方案，以备试验验证。根据上述的专家诊断决策系统，可以归纳出本发明的一种无机废水处理方案的专家诊断决策方法，请结合图2和图4所示，本方法包括如下步骤-步骤310:经输入层111输入包含无机废水水质指标与回用水水质指标的第一向量X={Xl，...，Xi，…，X2R)至预处理层112;步骤320:在预处理层112中对第一向量X中的各水质指标进行分区段处理，并输出第二向量Y={y,,...，y」，...，yT}，其中可利用0-1-0矩型激励函数将不同范围的进出水指标进行归一化处理。步骤330:在隐含层113中依照经过训练的第一加权值矩阵W,计算第二向量的各元素加权之和zk:A=IX*^(2)''.1使用Sigmoid激励函数^==Y7T^将这些和非线性变换为zk，，输出第三向量Z={Z,'，…，Zk，，...，Z2T，}。步骤340:在输出层114中依照经过训练的第二加权值矩阵W2计算第三向量的各元素加权之和fl,:=2>wz*(4)并分别计算A经过阈值型激励函数变换后的值",'，输出包含这些函数值的第四向量A^a人...，a人…,as1)，其中值为1的元素表示选择的废水处理方案。根据上述的专家诊断决策系统，可以归纳出本发明的另一种无机废水处理方案的专家诊断决策方法，请结合图3和图5所示，本方法包括如下步骤步骤410:经总输入层211输入包含无机废水水质指标与所述回用水水质指标的第一向量X^Xl,…，Xi，...,x2R};步骤420:在各子网络2121-212n进行前向推理，以确定相关的废水处理方案，其进一步包括以下步骤步骤421:经输入层输入与子网络相关的无机废水水质指标与回用水水质指标，这些相关的水质指标是选择性从第一向量X输入；步骤422:在预处理层中对相关的各水质指标进行分区段处理，并输出包含分区段处理后的指标的第二向量Y，，其处理过程类似于前述的步骤320;步骤423:在隐含层中依照经过训练的第一加权值矩阵W,计算第二向量Y'的各元素加权之和，并且将这些和经过非线性激励函数变换后，输出第三向量z'，其处理过程类似于前述的步骤330;步骤424:在输出层中依照经过训练的第二加权值矩阵W2计算第三向量的各元素加权之和，并经过阈值型激励函数变换后，输出变换后的值至总输出层213，其中值为1的函数表示选择的废水处理方案，其处理过程类似于前述的步骤340。最后，在步骤430，经由总输出层213输出由各子网络2121-212n选择的废水处理方案。由此，可以从已有的废水处理方案中确定一个或多个初步的废水处理方案，供试验验证。综上所述，本发明利用人工神经网络技术优秀的自学习自适应能力，网络分布储存知识，并行运算特性和优越的非线性映射能力，实现废水处理方案的自动决策。由于神经网络专家系统在一定程度上克服了一般专家系统的知识获取问题、学习能力较差、知识的"窄台阶效应"即容错性差和知识存贮容量与运行速度的矛盾等瓶颈问题，从而进一步提高专家系统学习能力和处理大型复杂问题的能力，使知识库具有良好的可扩充性，系统的运行具有更高的可靠性。虽然本发明己以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。权利要求1.无机废水处理方案的专家诊断决策方法，经由一神经网络结构对无机废水水质指标与回用水水质指标进行处理，以输出废水处理方案，所述神经网络结构包括输入层、预处理层、隐含层及输出层，所述方法包括以下步骤经所述输入层输入包含所述无机废水水质指标与所述回用水水质指标的第一向量至所述预处理层；在所述预处理层中对所述第一向量中的各水质指标进行分区段处理，并输出第二向量；在所述隐含层中依照经过训练的第一加权值矩阵计算所述第二向量的各元素之和，并且分别计算多个所述和在一非线性激励下的函数，输出包含多个所述和的函数的第三向量；以及在所述输出层中依照经过训练的第二加权值矩阵计算所述第三向量的各元素之和，并分别计算多个所述和在一阈值型激励下的函数，输出包含多个所述和的函数的第四向量，所述第四向量包括选择的废水处理方案。2.如权利要求1所述的方法，其特征在于，还包括在所述预处理层中对分区段处理后的各水质指标进行归一化处理。3.如权利要求l所述的方法，其特征在于，所述非线性激励为Sigmoid激励函数或者径向基函数。4.如权利要求l所述的方法，其特征在于，训练所述第一加权值矩阵和所述第二加权值矩阵的方法包括依照预知的专家方案规则表构建输入训练阵和输出训练阵进行训练，利用误差反向传播的5学习算法调整所述第一加权值矩阵和所述第二加权值矩阵。5.—种无机废水处理方案的专家诊断决策方法，经由一神经网络结构对无机废水水质指标与回用水水质指标进行处理，以输出废水处理方案，所述神经网络结构包括总输入层、多个子网络及总输出层，其中各子网络分别包括输入层、预处理层、隐含层及输出层，所述方法包括以下步骤经所述总输入层输入包含所述无机废水水质指标与所述回用水水质指标的在所述各子网络中经所述输入层输入与所述子网络相关的无机废水水质指标与回用水水质指标；在所述预处理层中对所述相关的各水质指标进行分区段处理，并输出第二向在所述隐含层中依照经过训练的第一加权值矩阵计算所述第二向量的各元素之和，并且分别计算多个所述和在一非线性激励下的函数，输出包含多个所述和的函数的第三向量；在所述输出层中依照经过训练的第二加权值矩阵计算所述第三向量的各元素之和，并分别计算多个所述和在一阈值型激励下的函数，输出多个所述和的函数至所述总输出层，所述第四向量包括选择的废水处理方案；以及经由所述总输出层输出由各子网络选择的废水处理方案。6.如权利要求5所述的方法，其特征在于，还包括在所述预处理层中对分区段处理后的各水质指标进行归一化处理。7.如权利要求5所述的方法，其特征在于，所述非线性激励为Sigmoid激励函数或者径向基函数。8.如权利要求5所述的方法，其特征在于，训练所述第一加权值矩阵和所述多组第二加权值矩阵的方法包括依照预知的专家方案规则表构建输入训练阵和输出训练阵进行训练，利用误差反向传播的s学习算法调整所述第一加权值矩阵和所述第二加权值矩阵。全文摘要本发明涉及一种无机废水处理方案的专家诊断决策方法，能够通过一神经网络结构对无机废水水质指标与回用水水质指标进行处理，以输出废水处理方案。本方法包括对包含无机废水水质指标与回用水水质指标的第一向量进行分区段的预处理而得到第二向量；依照经过训练的第一加权值矩阵计算第二向量各元素加权之和，并且利用非线性激励函数进行变换而得到第三向量；以及在输出层中依照经过训练的第二加权值矩阵计算第三向量各元素加权之和，并利用阈值型激励函数变换后输出第四向量，第四向量中包含选择的废水处理方案。文档编号G06N3/06GK101685506SQ20081020072公开日2010年3月31日申请日期2008年9月27日优先权日2008年9月27日发明者方嘉勇,王维平,许伟明申请人:上海轻工业研究所有限公司