一种基于改进GA-BP在工业污水监测系统的制作方法

本实用新型涉及工业污水监测技术领域，具体涉及一种基于改进GA-BP在工业污水监测系统。

背景技术：

目前，我国工业污水处理技术较发达国家比较落后，污水水质评价准确性差，有很多主观的判断成分，导致未达标的污水随意排放。水体污染日趋广泛和严重，加剧了水资源的紧张状况。对于保护环境，对工业排放污水的水质进行准确有效的评价显得尤为重要。

工业污水水质评价是一个多目标、多因素、多层次的复杂问题。针对工业污水排放具有不确定，处理过程多变、非线性、时变、强随机等特点。如何科学有效的对工业污水水质进行科学有效的评价是本文研究的内容。对水质评价的方法很多，如：王文静等使用单因子污染指数法对丹江口水库水质评价、刘潇等主成分分析法在黄河口及邻近水域水质评价、徐勇等人工神经网络法在大沽河湿地海水水质评价。但是这些方法都存在不足和缺点，单因子法需将评价因子与评价标准进行比较增加了复杂性；主成分分析法需要各指标之间有较好的线性关系，而工业污水具有很强的非线性；人工神经网络容易陷入局部最优解；工业污水水质评价准确性差，时效性低等问题。

技术实现要素：

本实用新型的目的在于针对现有技术的缺陷和不足，提供一种基于改进GA-BP在工业污水监测系统，将GA-BP神经网络应用于工业污水水质评价中，无论是收敛性和准确性还是精确性和时效性都比传统BP更具有优势，不仅具有BP的非线性映射能力，而且具有GA的全局搜索能力，将两者相结合，取长补短，构成GA-BP网络来评价污水水质，对GA的交叉和变异进行操作，在大量历史数据的基础上结合多个参数利用GA优化BP神经网络的权值和阀值，缩小范围后利用BP对污水水质进行科学有效的评价，不仅结构简单，而且具有很强的泛化能力。

为实现上述目的，本实用新型采用以下技术方案是：它包含进排放口1、传感器节点组2、基站3、GA-BP神经网络4、出排放口5、处理装置6，所述进排放口1一侧连接有传感器节点组2，传感器节点组2一侧连接有基站3，基站3一侧连接有GA-BP神经网络4，GA-BP神经网络4一侧连接有出排放口5，GA-BP神经网络4另一侧连接有处理装置6。

所述传感器节点组2与基站3通过无线或有线连接。

所述传感器节点组2包含温度传感器21、溶解氧传感器22、氨氮传感器23、PH传感器24、浊度传感器25，从上至下依次设置有温度传感器21、溶解氧传感器22、氨氮传感器23、PH传感器24、浊度传感器25。

所述GA-BP神经网络4包含输入层41、隐含层42、输出层43。由输入层、输出层以及一层或多层隐含节点组成，只有相邻神经元之间有连接，可看作由一组内联的神经元组成的高度并联模型，其性能主要由拓扑结构、权值和阀值确定，训练学习分为正向和反向，在正向传播过程中，输入信号通过隐含层处理并传向输出层，如果输出层的信息与预期输出之间的误差未达到要求，则将误差沿原路反向传播，通过修正各连接的权值和阀值，使实际输出和期望输出误差不断减小，不断重复此过程，使整个网络误差减小至目标值，GA-BP神经网络具有自学习、自组织、较好地容错性和优良的非线性逼近能力，用于对工业污水的水质评价非常适合。给出具有一层隐含节点的拓扑结构即三层GA-BP神经网络拓扑结构，根据Kolmogorov定理：在一定范围内合理的结构和恰当的权值条件下，含有一层隐含节点的BP网络可以完成任意n维到m维映射。

所述输入层41包含输入层神经元411，输入层神经元411数目为五个，隐含层42包含隐含层神经元421，隐含层神经元421数目为十一个，输出层43包含输出层神经元431，输出层神经元431数目为五个。

本实用新型的工作原理：在工业污水的排放口处，放置传感器节点组2(具体的类型根据监测评价的工厂排放的污水类型决定)，当工厂排放污水的时候，传感器节点组2将检测到的污水参数，通过无线或有线发送给基站3，基站3将接收到的参数，送给经GA优化训练过的BP神经网络，GA-BP网络4对污水进行评价，得出该工厂污水的水质情况；达标则可以排放，未达标则对超标的参数进行处理再排放。

采用上述技术方案后，本实用新型有益效果为：将GA-BP神经网络应用于工业污水水质评价中，无论是收敛性和准确性还是精确性和时效性都比传统BP更具有优势，不仅具有BP的非线性映射能力，而且具有GA的全局搜索能力，将两者相结合，取长补短，构成GA-BP网络来评价污水水质，对GA的交叉和变异进行操作，在大量历史数据的基础上结合多个参数利用GA优化BP神经网络的权值和阀值，缩小范围后利用BP对污水水质进行科学有效的评价，不仅结构简单，而且具有很强的泛化能力。

附图说明

为了更清楚地说明本实用新型实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本实用新型的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本实用新型的结构示意框图；

图2是本实用新型中传感器节点组2的结构示意框图；

图3是本实用新型中GA-BP神经网络4的结构示意框图；

图4是本实用新型中污水参数判读标准的示意框图；

图5是本实用新型中训练样本数据的示意框图；

图6是本实用新型中训练样本数据归一化处理的示意框图；

图7是本实用新型中BP神经网络训练的示意框图；

图8是本实用新型中预测样本数据的示意框图；

图9是本实用新型中归一化处理后的预测数据的示意框图；

图10是本实用新型中GA-BP神经网络训练的示意框图；

图11是本实用新型中GA-BP适应度的示意框图；

图12是本实用新型中GA-BP部分权值和阀值的示意框图；

图13是本实用新型中BP和GA-BP预测输出结果的示意框图；

图14是本实用新型中bp和ga-bp输出误差对比的示意框图；

图15是本实用新型中BP和GABP运行时间的示意框图；

图16是本实用新型中BP和GABP运行时间对比的示意框图。

附图标记说明：进排放口1、传感器节点组2、基站3、GA-BP神经网络4、出排放口5、处理装置6、温度传感器21、溶解氧传感器22、氨氮传感器23、PH传感器24、浊度传感器25、输入层41、隐含层42、输出层43、输入层神经元411、隐含层神经元421、输出层神经元431。

具体实施方式

参看图1-图16所示，本具体实施方式采用的技术方案是：它包含进排放口1、传感器节点组2、基站3、GA-BP神经网络4、出排放口5、处理装置6，所述进排放口1一侧连接有传感器节点组2，传感器节点组2一侧连接有基站3，基站3一侧连接有GA-BP神经网络4，GA-BP神经网络4一侧连接有出排放口5，GA-BP神经网络4另一侧连接有处理装置6。

所述传感器节点组2与基站3通过无线或有线连接。

所述传感器节点组2包含温度传感器21、溶解氧传感器22、氨氮传感器23、PH传感器24、浊度传感器25，从上至下依次设置有温度传感器21、溶解氧传感器22、氨氮传感器23、PH传感器24、浊度传感器25。

所述GA-BP神经网络4包含输入层41、隐含层42、输出层43。

所述输入层41包含输入层神经元411，输入层神经元411数目为五个，隐含层42包含隐含层神经元421，隐含层神经元421数目为十一个，输出层43包含输出层神经元431，输出层神经元431数目为五个。

针对不同工业污水的排污情况各有差异，本实例选取淮安某一氨氮化肥厂作为实验对象，在污水排放水域获取其排放污水中各个参数的相关数据，利用GA-BP进行水质评价，得出其污染程度，是否达到排放标准。氨氮化肥厂排放的污水成分比较复杂，与生产的产品和污水处理工艺有关。主要包括COD、BOD、悬浮物、氨氮、硫化物等。由于这里检测的污水是直接排放到地表水中的，结合目前传感器技术的发展，选取最能反映水质情况的温度、溶解氧(DO)、氨氮、PH、浊度这五个参数作为排污口污水是否超标的参考指标：

水温：反映了测量水域最基本物理特征，水中微生物、细菌增长繁殖速度直接受水温影响，另外对水自净能力有所制约，并直接影响多个参数测量。DO：能够表现水质自身净化能力的强弱。氨氮：氮肥厂的主要污染物，含量变多会使水体富营养化，重点检测参数。PH:反应水体的酸碱程度。浊度：反应水体的浑浊程度。

根据GB13458-2013《合成氨工业水污染物排放标准》和氨氮化肥厂的参数，对污水各个不同的参数划分一个判断标准。

具体判断标准为：当水温在5-40之间时说明水温合格；PH值在6-9之间时说明PH值合格；其他参数依此类推。根据五个参数不同的情况，规定五个参数全部合格为合格；任意一个不合格为一级污染；任意两个不合格为二级污染；任意三个不合格为三级污染；任意四个不合格为四级污染；全部不合格为五级污染；合格用“0”表示，不合格用“1”表示,即用五位二进制数来表示水质情况，当相应的参数不合格时，对应的位为1，合格为0。例如，五个参数中氨氮不合格(00010)，PH和DO不合格(01100)。

构建BP神经网络：根据Kolmogorov定理一个三层的BP神经网络可以实现任意维的非线性映射。针对选定的氨氮化工厂，构建一个3层BP神经网络，包括：输入层、一层隐含层和输出层。本实例选定五个参数作为指标，故输入层神经元个数为5；隐含层神经元的个数没有确定的公式，只能根据经验公式(6)计算出大致范围，然后用试凑法去不断调整尝试。

当节点为11个时效果最佳；输出层根据前面的规定，对应为5个神经元。故BP结构确定为5-11-5；

式中，Sh为隐含层神经元数；Si输入层神经元数；So为输出层神经元数；a为整数。

数据预处理和参数设定：仿真之前对数据进行归一化预处理，采用matlab自带函数mapminmax将数据归一化到[-1,1]之间，目的是取消各维数据间数量级差别和不同参数之间的量纲不同问题。函数形式如(7)所示,在matlab中ymax＝1和ymin＝-1。xmax和xmin分别为样本中的最大值和最小值，xk为要归一化的样本值，y为归一化后值。

根据对应的参数不合格对应的位为“1”的划分，共有32种情况，6个水质等级。每种情况取5组数据进行训练，共计160组样本数据，另外用12组数据进行预测。

60组未归一化的训练样本数据。采用前面的归一化方法对5个输入参数进行归一化处理后，将数据归一化到[-1,1]之间，方便进行数据仿真融合。在训练样本数据中输出节点由5个二进制数组成，每一位对应一个参数：第1位对应‘温度’，第2位对应‘PH’，第3位对应‘DO’，第4位对应‘NH3N’，第5位对应‘浊度’。当相应参数达标时，对应位为‘0’；未达标为‘1’；此外输出节点‘1’的个数也对应着污染等级，例如2个‘1’说明为二级污染。这样从输出节点只要看有几个‘1’，就可以知道污水水质等级，并且可以通过位知道是哪些参数未达标，很方便快捷。

BP神经网络的结构确定好以后，个体编码串也就确定下来，输入层和隐含层的权值矩阵W1为11×5，隐含层阀值B1为11×1；隐含层和输出层W2为5×11，输出层阀值B2为5×1。因此编码串长度为11×5+11×1+5×11+5×1＝126。输入层到隐含层传递函数使用tansig，隐含层到输出层的传递函数使用purelin，网络训练函数的选择对比了trainlm,trainrp,trainscg,traingdx几种函数，因为本文是对水质进行分类识别，在不断尝试后采用trainscg函数，权值和阀值的学习为SCG反向传播算法。目标误差设置：net.trainParam.goal＝0.001；学习速率设置：net.trainParam.lr＝0.01。

遗传算法的种群规模取10，太小导致算法性能差，得不到可行的解,太大增加计算量。交叉率取0.4，变异率取0.2。

将160组经过归一化处理的样本数据分别送给GA-BP和BP神经网络进行训练，训练完成后再用12组预测样本分别进行预测，其中BP的模型结构、训练算法等都和GA-BP一样，并从以下四个方面对其进行评价。

收敛性：根据网络训练过程中的步长Eprochs来判断收敛速度。不同网络达到相同训练目标时步数少的收敛速度快，反之，步数多的收敛速度慢。准确性：同样的样本训练、预测，分类结果和理论值一致性高的准确性高，反之准确性差。精确性：用输出值和理论值差的绝对值来判断精确性，差值越小的精确性越高，反之精确性差。时效性：时效性用每次迭代的时间和迭代完成的总时间来判断。每完成一次迭代所需时间少的时效性好，反之，时间长的时效性差。总时间反应了完成整个训练的时间长短。

首先，对BP神经网络进行训练；在迭代151步的时候达到了设定目标值0.001，同时将每步的迭代时间记录下来，然后用训练好的BP神经网络进行预测，预测之前对预测样本数据利用与训练样本数据一样的方法归一化处理。预测输出结果与理论输出进行对比发现：第10组第一个值(温度)理论输出为1，而实际输出为0；第11组第5个值(浊度)理论输出为1，而实际输出为0,说明预测错误。12组数据预测出错2组，正确率为83.3％。因为本文为5个输入5个输出，12组数据进行预测。

对GA-BP进行训练，迭代8步就达到了设定值0.001。在GA-BP的适应度曲线，进化0-7代的时候适应度值下降比较厉害；由于局部最优值的存在，7-14代的时候趋于平缓；因为GA的优化作用，14-16代时候又开始下降；在20代以后就达到了最佳适应度的值，至此进化完成。部分权值和阀值如表6。提取最佳权值和阀值，进行预测。GA-BP的预测输出与理论输出比较，发现正确率为100％。说明GA-BP能很好的进行预测输出。误差曲线中12组数据，参数相同的都绘制在一个图上，不同的参数在不同图上，进行对比。

BP和GA-BP每步运行的时间，BP迭代了151步，GABP迭代了8步。可以看出GA-BP每步迭代的运行时间都小于BP的运行时间，为了更直观的观察。将每步运行时间用显示，从中可以看出GA-BP运行时间曲线一直位于BP运行时间曲线的下方，说明无论是每步迭代时间，还是总共完成时间，GA-BP都优于BP。

从上述的实验过程可看出：

收敛性：BP在151步的时候达到目标值，而GA-BP只需要8步就已经达到目标值，说明GA-BP的收敛速度远远快于BP的收敛速度，在实验中发现BP有时候还会出现不收敛现象，而GA-BP几乎不出现。

准确性：同样结构、同样数据进行训练的网络，对于同样的12组预测数据。BP预测有2组有错误，准确率为83.3％，而GA-BP为100％。说明GA-BP的准确性更好，能更好的对污水水质进行分类识别。

精确性：图8为2个模型预测输出和理论输出的误差绝对值对比曲线，分别为不同的参数。可以看出GA-BP的整体误差在BP误差的下面，说明GA-BP的误差值小于BP的误差值，说明精确性更好。

时效性：通过对比表8和图9，发现GA-BP每步运行时间都比BP少0.02到0.03，说明同样运行一步GA-BP的时效性要好于BP网络。

本实用新型的工作原理：在工业污水的排放口处，放置传感器节点组2(具体的类型根据监测评价的工厂排放的污水类型决定)，当工厂排放污水的时候，传感器节点组2将检测到的污水参数，通过无线或有线发送给基站3，基站3将接收到的参数，送给经GA优化训练过的BP神经网络，GA-BP网络4对污水进行评价，得出该工厂污水的水质情况；达标则可以排放，未达标则对超标的参数进行处理再排放。

采用上述技术方案后，本实用新型有益效果为：将GA-BP神经网络应用于工业污水水质评价中，无论是收敛性和准确性还是精确性和时效性都比传统BP更具有优势，不仅具有BP的非线性映射能力，而且具有GA的全局搜索能力，将两者相结合，取长补短，构成GA-BP网络来评价污水水质，对GA的交叉和变异进行操作，在大量历史数据的基础上结合多个参数利用GA优化BP神经网络的权值和阀值，缩小范围后利用BP对污水水质进行科学有效的评价，不仅结构简单，而且具有很强的泛化能力。

以上所述，仅用以说明本实用新型的技术方案而非限制，本领域普通技术人员对本实用新型的技术方案所做的其它修改或者等同替换，只要不脱离本实用新型技术方案的精神和范围，均应涵盖在本实用新型的权利要求范围当中。