出　　自： 1998年第3期第24頁
發(fā)表時(shí)間： 1998-3

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

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

關(guān)鍵詞：BP人工神經(jīng)元網(wǎng)絡(luò)；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(zhì)標(biāo)準(zhǔn)的提高，臭氧生物活性炭系統(tǒng)日益受到關(guān)注與重視。但是系統(tǒng)還存在著一些問題，目前關(guān)于這一系統(tǒng)的理論分析還不夠深入統(tǒng)一，還沒有一個(gè)以生物化學(xué)為基礎(chǔ)的理論體系；關(guān)于各控制量(臭氧投量、臭氧塔停留時(shí)間、活性炭塔停留時(shí)間、進(jìn)水水質(zhì))對指標(biāo)因素COD Mn 、pH值、細(xì)菌總數(shù)等的影響還沒有一個(gè)嚴(yán)格的環(huán)境數(shù)學(xué)描述；由于物理化學(xué)機(jī)制的欠缺和系統(tǒng)非線性強(qiáng)耦合的特點(diǎn)，使得傳統(tǒng)的建模方法難以適應(yīng)。因此，使得臭氧生物活性炭系統(tǒng)在應(yīng)用中遇到許多問題。
　　為了提高臭氧生物活性炭系統(tǒng)的應(yīng)用水平，促進(jìn)其工程實(shí)踐應(yīng)用，加強(qiáng)對系統(tǒng)設(shè)計(jì)和運(yùn)行控制環(huán)節(jié)的研究顯得極為重要，而實(shí)現(xiàn)系統(tǒng)模型辯識和系統(tǒng)仿真是研究系統(tǒng)設(shè)計(jì)和運(yùn)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(shí)，根本在于開拓建立環(huán)境模型的環(huán)境數(shù)學(xué)理論和方法。我們創(chuàng)新地引入人工神經(jīng)元網(wǎng)絡(luò)的理論和方法，并把發(fā)展成熟的BP人工神經(jīng)元網(wǎng)絡(luò)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(guān)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(luò)的結(jié)構(gòu)及基本原理

　　在多種人工神經(jīng)網(wǎng)絡(luò)中，BP網(wǎng)絡(luò)是最基本的一種，典型的BP網(wǎng)絡(luò)如圖1所示。 [1] 從圖中可以看到:BP網(wǎng)絡(luò)是由輸入層、輸出層和隱含層組成的，各層結(jié)點(diǎn)之間由可調(diào)權(quán)值W相連接。BP網(wǎng)絡(luò)的隱含層和各結(jié)點(diǎn)的數(shù)目，需要根據(jù)具體應(yīng)用情況依靠經(jīng)驗(yàn)選擇，隱含層節(jié)點(diǎn)函數(shù)通常選擇為Sigmoid函數(shù) ，網(wǎng)絡(luò)的學(xué)習(xí)算法應(yīng)用梯度下降原理。
　　BP網(wǎng)絡(luò)的學(xué)習(xí)就是通過調(diào)整權(quán)值使得每一次樣本訓(xùn)練誤差E最小。根據(jù)梯度下降原理，權(quán)值調(diào)整應(yīng)沿著誤差的負(fù)方向，因此BP網(wǎng)絡(luò)最后總能使誤差達(dá)到要求，網(wǎng)絡(luò)收斂。為了保證學(xué)習(xí)過程的穩(wěn)定和收斂，學(xué)習(xí)速度a必須取遠(yuǎn)小于1的值，這就造成了傳統(tǒng)的BP網(wǎng)絡(luò)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(yàn)知識等缺點(diǎn)，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(luò)作為一種廣義的函數(shù)逼近器，則不存在上述缺點(diǎn)，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(dá)到其在I/O關(guān)系上的擬合。Hecht-Nielsen從函數(shù)逼近的角度嚴(yán)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(luò)，可以以任意精度逼近一個(gè)屬于L 2 上的非線性函數(shù)，這一結(jié)論為BP神經(jīng)網(wǎng)絡(luò)在系統(tǒng)辨識與模式識別中的應(yīng)用奠定了堅(jiān)實(shí)的基礎(chǔ) [2] 。但BP的結(jié)構(gòu)需要依靠經(jīng)驗(yàn)選擇，BP網(wǎng)絡(luò)的非線性優(yōu)化方法使得網(wǎng)絡(luò)不可避免地要存在局部極小等，也是在應(yīng)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(shí)驗(yàn)樣本數(shù)據(jù)

　　圖2為臭氧生物活性炭系統(tǒng)水質(zhì)處理流程圖，以COD Mn 值為衡量水質(zhì)好壞的指標(biāo)，具體實(shí)驗(yàn)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(luò)的預(yù)測模型和控制模型

　　首先提出BP神經(jīng)網(wǎng)絡(luò)的辨識結(jié)構(gòu)圖，如圖3。圖中的輸出量包括兩部分，一部分是進(jìn)水水質(zhì)的指標(biāo)，主要有濁度、色度、pH值等；一部分是水質(zhì)處理控制量，主要有臭氧投量、臭氧塔中的水力停留時(shí)間、生物活性炭塔的水力停留時(shí)間等。輸出量為出水水質(zhì)指標(biāo)。

　　BP 神經(jīng)網(wǎng)絡(luò)的作用是在給定進(jìn)水水質(zhì)和水質(zhì)控制量的前提下，對出水水質(zhì)進(jìn)行預(yù)測。通過BP網(wǎng)絡(luò)的實(shí)際輸出與真正水質(zhì)處理過程的出水水質(zhì)進(jìn)行比較，誤差e利用BP學(xué)習(xí)算法對網(wǎng)絡(luò)的權(quán)值進(jìn)行調(diào)整，以達(dá)到e為最小，即神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)與真實(shí)的出水水質(zhì)指標(biāo)盡可能相似的目的。網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)可以通過實(shí)際的實(shí)驗(yàn)數(shù)據(jù)獲得，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢以后它就可以作為水質(zhì)處理過程的預(yù)測模型。對未做實(shí)驗(yàn)的進(jìn)水水質(zhì)和水質(zhì)控制量，通過神經(jīng)網(wǎng)絡(luò)本身具有的逼近能力以及內(nèi)差和外推能力就可預(yù)測其出水水質(zhì)，這樣可有效地避免大量繁復(fù)的人工實(shí)驗(yàn)及數(shù)據(jù)分析，節(jié)省了人力，提高了效率。
　　求取水質(zhì)的控制量可以看成是上述問題的逆問題，即給出進(jìn)水水質(zhì)和期望的出水水質(zhì)，求取相應(yīng)合適的控制量。在傳統(tǒng)方法中仍然需要人工通過做實(shí)驗(yàn)反復(fù)驗(yàn)證最終確定，我們提出一個(gè)水質(zhì)處理的控制神經(jīng)網(wǎng)絡(luò)模型，其辨識結(jié)構(gòu)如圖4所示。

4 基于BP神經(jīng)網(wǎng)絡(luò)的仿真實(shí)驗(yàn)

　　為了驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)模型實(shí)用性，具體選用一個(gè)輸入層結(jié)點(diǎn)、輸出層結(jié)點(diǎn)的三層BP神經(jīng)網(wǎng)絡(luò)，用于實(shí)現(xiàn)臭氧生物活性炭系統(tǒng)的仿真實(shí)驗(yàn)。由于網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)并不是很多，過大規(guī)模的網(wǎng)絡(luò)模型又會(huì)使收斂速度減慢，因此中間層結(jié)點(diǎn)數(shù)定為10~20個(gè)，采用自適應(yīng)變步長快速學(xué)習(xí)算法，并將網(wǎng)絡(luò)的預(yù)期逼近誤差預(yù)先定為0.01。實(shí)驗(yàn)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(luò)仿真過程中逼近誤差SSE(Sum Squared Error)是隨著訓(xùn)練迭代次數(shù)Epoch的增加而減少的，并在網(wǎng)絡(luò)迭代了多少步后，網(wǎng)絡(luò)收斂。(b)圖表明網(wǎng)絡(luò)學(xué)習(xí)步長同迭代次數(shù)之間的關(guān)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(luò)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(jìn)水、出水COD Mn 之間的關(guān)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(luò)的臭氧生物活性炭模型，由于BP人工神經(jīng)元網(wǎng)絡(luò)具有良好的泛化能力，可以在計(jì)算機(jī)上實(shí)現(xiàn)對設(shè)計(jì)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(yù)測模型，方便快速地求出在給定進(jìn)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(jìn)水COD Mn 的條件下，使出水COD Mn 達(dá)到最小的臭氧投量。
　?、?可以根據(jù)預(yù)測模型求出表示三維圖“曲率”的曲線，該曲線即反映在進(jìn)水條件一定時(shí)，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(jì)的臭氧投量。圖7是根據(jù)基于BP人工神經(jīng)元網(wǎng)絡(luò)的臭氧生物活性炭系統(tǒng)預(yù)測模型計(jì)算出的當(dāng)進(jìn)水COD Mn 一定時(shí)，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(luò)建立水處理系統(tǒng)的控制模型與建立預(yù)測模型相比，兩者使用的算法、訓(xùn)練網(wǎng)絡(luò)的數(shù)據(jù)樣本均相同，所不同的是網(wǎng)絡(luò)輸入量和輸出量的含義不同?？刂颇Ｐ湍軌蚋奖愫涂焖俚厍蟪鱿到y(tǒng)的控制參數(shù)，這對實(shí)時(shí)性要求很高的在線控制有指導(dǎo)意義，而預(yù)測模型對設(shè)計(jì)參數(shù)的選取有意義。

5 結(jié)論

　　① 運(yùn)用BP人工神經(jīng)元網(wǎng)絡(luò)建立的水處理系統(tǒng)預(yù)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。
　　② 運(yùn)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(zhǔn)確的模型，模型的通用性及時(shí)效性只取決于實(shí)驗(yàn)數(shù)據(jù)的廣泛及準(zhǔn)確。
　?、?運(yùn)用該方法建立的預(yù)測模型對于不同的水質(zhì)條件可做出準(zhǔn)確的預(yù)測，能夠?yàn)楣こ淘O(shè)計(jì)人員提供設(shè)計(jì)參數(shù)；建立的控制模型能夠?qū)刂谱兞窟M(jìn)行優(yōu)化組合，使系統(tǒng)的處理效果達(dá)到要求，為實(shí)現(xiàn)水處理的在線控制提供了一條可行的途徑。
　　④ 基于BP人工神經(jīng)元網(wǎng)絡(luò)的臭氧生物活性炭系統(tǒng)模型準(zhǔn)確地描述了系統(tǒng)影響因素的關(guān)系，根據(jù)建立的模型可以得到比較經(jīng)濟(jì)的臭氧投量。

6 參考文獻(xiàn)

　　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(xué)市政環(huán)境工程學(xué)院
　　(收稿日期 1997-12-03)

　?、俸邶埥∽匀豢茖W(xué)基金重點(diǎn)支持項(xiàng)目