郭勁松，龍騰銳，高旭，黃天寅
（重慶建筑大學(xué) 城市建設(shè)學(xué)院，重慶 400045）

　　摘要：根據(jù)人工神經(jīng)網(wǎng)絡(luò)理論和方法，針對活性污泥間歇曝氣系統(tǒng)的特點(diǎn)，提出了活性污泥間歇曝氣系統(tǒng)的BP人工神經(jīng)網(wǎng)絡(luò)水質(zhì)模型。通過對模型預(yù)測結(jié)果與實(shí)測值的比較表明：其具有精度高，適應(yīng)性強(qiáng)，使用方便的特點(diǎn)。這種模型的建立，為活性污泥工藝實(shí)現(xiàn)在線智能化控制提供了一條簡便的途徑。
　　關(guān)鍵詞：活性污泥法；間歇曝氣；水質(zhì)模型
　　中圖分類號：X703
　　文獻(xiàn)標(biāo)識碼：A
　　文章編號：1000-4602(2000)11-0015-04

Modeling Study of Activated Sludge Process with Intermittent Aeration Based on BP Artificial Neural Network
GUO Jing-song, LONG Teng-rui, GAO Xu， HUANG Tian-yin
(Faculty of Urban Construction,Chongqing Jianzhu Univ.,Chongqing 400045,China)

　　 Abstract： A back propagation (BP) artificial neural networks (ANN) water quality model was developed for activated sludge system with continuous flow and intermittent aeration in accordance with the theory and method of ANN and the features of the process.By comparing the prediction results of the model with the test data,thismodel was accurate and flexible.The model can be used to realize intelligentized on?line control of the process.
　　Keywords: activated sludge process;intermittent aeration;water quality model

　　活性污泥法是城市和工業(yè)污水二級處理廣泛采用的工藝，對該工藝的有效控制，在一定程度上依賴于對系統(tǒng)中生物反應(yīng)器和二沉池動力學(xué)的正確模擬。目前已經(jīng)建立的眾多動力學(xué)模型均是以分析各種影響因素的作用機(jī)理為基礎(chǔ)的。然而，由于影響工藝過程的因素和生化反應(yīng)的復(fù)雜性和高度非線性，以及污水處理生物化學(xué)的理論分析還很不深入等原因，使以機(jī)理分析為基礎(chǔ)的動力學(xué)模型在進(jìn)行系統(tǒng)模擬時(shí)，其預(yù)測數(shù)值的穩(wěn)定性和精確性均不盡人意。有觀點(diǎn)認(rèn)為：如需更深刻地理解工藝的動力學(xué)過程就必須發(fā)展更細(xì)節(jié)化的機(jī)理模型，但這無疑將增加模型的復(fù)雜程度和所需參數(shù)的數(shù)目，同時(shí)為獲得模型要求的可靠而足夠多的生產(chǎn)性試驗(yàn)數(shù)據(jù)，以進(jìn)行參數(shù)估計(jì)也并非易事。這些原因給機(jī)理模型的推廣使用帶來困難。
　　人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)在于從輸入到輸出之間的映射關(guān)系是非線性的，無需深究各影響因素與結(jié)果之間的作用機(jī)理以及它們之間的相互作用關(guān)系等問題。因此，利用人工神經(jīng)網(wǎng)絡(luò)建模與利用模型進(jìn)行模擬預(yù)測，在操作上就非常簡便。

　　1 BP型人工神經(jīng)網(wǎng)絡(luò)

　　BP（Back-propagation）網(wǎng)絡(luò)，即反向傳播人工神經(jīng)網(wǎng)絡(luò)，是一種多層結(jié)構(gòu)的映射網(wǎng)絡(luò)。它能實(shí)現(xiàn)從輸入到輸出的任意非線性映射，其典型結(jié)構(gòu)^［1］如圖1。由圖1可知BP網(wǎng)絡(luò)是由輸入層、輸出層和隱含層組成，各層節(jié)點(diǎn)之間由可自適調(diào)整的權(quán)值相連，而節(jié)點(diǎn)狀態(tài)由節(jié)點(diǎn)函數(shù)進(jìn)行描述，常用的節(jié)點(diǎn)函數(shù)為雙彎曲函數(shù)：
　　f(x)=1/（1+e^-x)　　　　　　 (1)
　　利用最陡坡降法(the gradient steepest descent method）將誤差函數(shù)最小化是BP網(wǎng)絡(luò)的基本算法。其計(jì)算格式由正向傳播和反向傳播兩個(gè)過程組成。在正向傳播過程中，輸入信息從輸入層經(jīng)隱含層神經(jīng)元處理后，傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到期望的輸出，則轉(zhuǎn)向反向傳播，即將誤差訊號沿原來的連接通路返回，通過修改各層神經(jīng)元間的權(quán)值，使誤差訊號最小化，其詳細(xì)的計(jì)算格式與步驟見參考文獻(xiàn)^［2］。

　　2 間歇曝氣活性污泥法BP網(wǎng)絡(luò)的建構(gòu)

　　建立活性污泥間歇曝氣系統(tǒng)水質(zhì)模型的實(shí)質(zhì)是確定輸入層、輸出層及隱含層的數(shù)量和按一定的計(jì)算格式對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練的目的就是對網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行自適調(diào)整，從而建立起各種神經(jīng)元之間以及從輸入至輸出的映射關(guān)系。輸入層是人工神經(jīng)網(wǎng)絡(luò)與外部輸入信息的接口，用戶的輸入數(shù)據(jù)是作為輸入層神經(jīng)元狀態(tài)加到網(wǎng)絡(luò)上的。網(wǎng)絡(luò)運(yùn)行時(shí)，輸入層神經(jīng)元的狀態(tài)值通過相連的權(quán)值對其他神經(jīng)元的狀態(tài)發(fā)生作用。輸入層只是輸入矢量的存貯庫，并不對輸入信息作任何加工。本研究中，輸入層由影響出水水質(zhì)的各因素組成，選擇以下指標(biāo)作為輸入矢量：
　　X1：時(shí)間序列，以取樣時(shí)間占曝氣——停曝周期時(shí)間的百分比表示；
　　X2：所處狀態(tài)，曝氣區(qū)曝氣時(shí)取值為1，停曝取值為0；
　　X3：運(yùn)行周期中的曝氣時(shí)間；
　　X4：運(yùn)行周期中的停曝時(shí)間；
　　X5：進(jìn)水COD_Cr濃度；
　　X6：進(jìn)水NH₃^-_-N濃度；
　　X7：進(jìn)水NO₃^-_-N濃度；
　　則輸入層為：
　　X={X1，X2，X3，X4，X5，X6，X7}={時(shí)間，狀態(tài)，曝氣時(shí)間，停曝時(shí)間，進(jìn)水COD_Cr，進(jìn)水NH₃-N，進(jìn)水NO₃^-_-N}

　　輸出層產(chǎn)生人工神經(jīng)網(wǎng)絡(luò)的輸出矢量也即人工神經(jīng)網(wǎng)絡(luò)模型運(yùn)行的結(jié)果，本研究希望輸出的是出水COD_Cr、NH₃-N、NO₃^-_-N濃度。
　　因此，輸出層如下：
　　Y={Y1，Y2，Y3}={出水COD_Cr，出水NH₃-N，出水NO₃^-_-N}
　　通常隱含層的數(shù)目及隱含層神經(jīng)元數(shù)目決定著神經(jīng)網(wǎng)絡(luò)的運(yùn)算速度、儲存空間和收斂性質(zhì)。太多或太少的隱含層其收斂性均較差，這是因?yàn)闆]有隱含層，不能反映輸入層神經(jīng)元間的交互作用，因而有較大誤差。有研究表明當(dāng)隱含層為一至二層時(shí)，其網(wǎng)絡(luò)的收斂性質(zhì)最佳。隱含層數(shù)的選擇還與問題的復(fù)雜性即輸入神經(jīng)元的多少有關(guān)。本研究經(jīng)初步測試決定采用一層隱含層；隱含層處理單元數(shù)目越多收斂越慢，但是可以達(dá)到更小的誤差值，特別是訓(xùn)練范例的誤差。然而單元數(shù)目超過一定數(shù)目后，繼續(xù)增加不僅對降低訓(xùn)練范例誤差幾乎沒有幫助，反而還使執(zhí)行時(shí)間急劇增加。這是因?yàn)檫^少的隱含層處理單元數(shù)目不足以反映輸入變數(shù)間的交互作用，因而誤差較大，而數(shù)目過多，雖然可以達(dá)到更小的誤差值，但因網(wǎng)絡(luò)較復(fù)雜，從而收斂較慢。一般而言，隱含層處理單元數(shù)目為輸入層與輸出層單元數(shù)目總和的一半為佳，本研究隱含層處理單元數(shù)目取為5。
　　經(jīng)以上分析，可得基于BP人工神經(jīng)網(wǎng)絡(luò)的活性污泥間歇曝氣系統(tǒng)水質(zhì)模型結(jié)構(gòu)如圖2。

　　3 系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

　　本文利用在重慶某污水廠進(jìn)行曝氣——停曝優(yōu)化試驗(yàn)得到的110組數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)水質(zhì)模型進(jìn)行了訓(xùn)練。為了加速模型收斂，對訓(xùn)練范例的輸入和輸出值按式（2）進(jìn)行了歸一化處理。
　　x^*=(x_max,exp-x)/(_xmax,exp-x_min,exp) (2)
　　式中　x*——訓(xùn)練輸入值
　　　　　x ——原始值
　　　　　x_max,exp ——原始值中的最大值
　　　　　xmin,exp——原始值中的最小值
　　經(jīng)訓(xùn)練網(wǎng)絡(luò)達(dá)到穩(wěn)定，得到收斂的節(jié)點(diǎn)權(quán)值和閾值如表1、2所示。

　　4 模型預(yù)測結(jié)果分析

　　將重慶市某污水廠進(jìn)行曝氣——停曝優(yōu)化試驗(yàn)中，曝氣4 h、停曝4 h及曝氣4 h、停曝5 h這兩種運(yùn)行工況得到的另外23組數(shù)據(jù)作為檢測樣本，對模型進(jìn)行性能檢測評估，并將網(wǎng)絡(luò)學(xué)習(xí)預(yù)測與實(shí)測結(jié)果進(jìn)行比較(見表3)。

　　從表3可以看出，神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值與實(shí)測值結(jié)果非常接近，平均相對誤差在7.5%以下。迄今為止，最為成功的活性污泥模型是1986年由IAWPRC(現(xiàn)在的IAWQ)的污水生物處理數(shù)學(xué)模型任務(wù)組開發(fā)的活性污泥1號模型（ASM1）。在1號模型中包含了13種物質(zhì)、5個(gè)化學(xué)計(jì)量常數(shù)和14個(gè)動力學(xué)參數(shù)^［3］。ASM1在有機(jī)物去除、硝化與反硝化啟動策略和計(jì)算機(jī)輔助設(shè)計(jì)等方面均有許多運(yùn)用，證明其在穩(wěn)態(tài)條件下對工藝動力學(xué)狀態(tài)優(yōu)良的預(yù)測能力。此后提出的活性污泥2號模型(ASM2)，因包含了磷的去除，比ASM1更為龐大，有19種物質(zhì)、22個(gè)化學(xué)計(jì)量系數(shù)及42個(gè)動力學(xué)參數(shù)^［3］。按我國目前的經(jīng)濟(jì)和技術(shù)水平，要利用活性污泥1號和2號模型來指導(dǎo)污水廠生產(chǎn)實(shí)踐是有困難的^［4］。神經(jīng)網(wǎng)絡(luò)模型能直接從歷史數(shù)據(jù)擴(kuò)展到工藝的基本現(xiàn)象，避免了建立機(jī)理模型所需的各種復(fù)雜參數(shù)，從而使用更為方便，模型預(yù)測的精度也并不亞于機(jī)理模型，這有利于它的推廣。此外，本研究表明神經(jīng)網(wǎng)絡(luò)模型中數(shù)值變量與邏輯變量（如本文的0，1二值變量）可以混合用于同一建模過程，這為污水處理工藝實(shí)現(xiàn)智能化控制奠定了基礎(chǔ)。但使用人工神經(jīng)網(wǎng)絡(luò)這類黑箱模型，不能弄清楚控制和操作中影響因素的作用關(guān)系，這妨礙了通過它對系統(tǒng)進(jìn)行調(diào)控的準(zhǔn)確性。如果根據(jù)生產(chǎn)運(yùn)行情況不斷加強(qiáng)人工神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)并建立自耦合的專家策略，則可在一定程度上解決這一問題。因此，現(xiàn)階段在運(yùn)用可靠的運(yùn)行數(shù)據(jù)的基礎(chǔ)上建立人工神經(jīng)網(wǎng)絡(luò)水質(zhì)管理模型以指導(dǎo)污水廠運(yùn)行管理在技術(shù)上是可行的，也比較經(jīng)濟(jì)。

　　5 結(jié)論

　　 ①神經(jīng)網(wǎng)絡(luò)模型能直接從歷史數(shù)據(jù)擴(kuò)展到工藝的基本現(xiàn)象，避免了建立機(jī)理模型所需的各種復(fù)雜參數(shù)，避免了建立機(jī)理模型所需的各種復(fù)雜參數(shù)，因而使用更為方便。此外，神經(jīng)網(wǎng)絡(luò)模型中數(shù)值變量與邏輯變量（如本文的0，1二值變量）可以混合用于同一建模過程，因此，為實(shí)現(xiàn)污水處理工藝的智能控制奠定了基礎(chǔ)。
　　② 確定了基于BP人工神經(jīng)網(wǎng)絡(luò)的間歇曝氣活性污泥系統(tǒng)水質(zhì)模型的基本結(jié)構(gòu)，對本范例而言，當(dāng)輸入層神經(jīng)元為7、隱含層神經(jīng)元為5、輸出層神經(jīng)元為3、學(xué)習(xí)速率取為0.5、慣性因子取為0.5時(shí)，網(wǎng)絡(luò)具有優(yōu)良的品質(zhì)。
　?、蹜?yīng)用重慶某污水廠合建式完全混合曝氣沉淀池的曝氣——停曝時(shí)段優(yōu)化試驗(yàn)數(shù)據(jù)中的110組數(shù)據(jù)作為訓(xùn)練范例對模型進(jìn)行訓(xùn)練，得到了模型的加權(quán)值矩陣和閾值向量。
　?、苡闷貧獬恋沓仄貧狻Ｆ貢r(shí)段優(yōu)化試驗(yàn)數(shù)據(jù)中的23組數(shù)據(jù)對模型進(jìn)行了測試，其預(yù)測值與實(shí)測值吻合很好，平均相對誤差＜7.5%，為活性污泥工藝的在線實(shí)時(shí)控制提供了一條簡便實(shí)用之路。

　　參考文獻(xiàn)：
　　［1］葉怡成.類神經(jīng)網(wǎng)絡(luò)模式應(yīng)用與實(shí)作［M］.臺灣:儒林圖書公司，1995.
　?。?］樓順天，等.基于MATLAB的系統(tǒng)分析與設(shè)計(jì)——神經(jīng)網(wǎng)絡(luò)［M］.西安:西安電子科技大學(xué)出版社，1998.
　　［3］Grady C P L Jr,Daigger G T,Lim H C,et al.Biological wastewater treatment［M］.Second Edition.New York:Marcel Dekker Inc.,1999.
　?。?］汪慧貞，等.活性污泥數(shù)學(xué)模型的發(fā)展和使用［J］.中國給水排水，1999,15(5):20-21.

作者簡介：郭勁松（1963-）,男,四川射洪人，重慶建筑大學(xué)副教授，碩士，主要從事水污染控制規(guī)劃與廢水處理的
教學(xué)與研究工 作，發(fā)表論文30篇。
電話：(023)65121504
E-mail:guoyuhao@cta.cq.cn
收稿日期：2000-06-05