曾光明，秦肖生，何 理，黃國和，李建兵?
(湖南大學 環境科學與工程系， 湖南長沙 410082)

　　 摘　要：所建立的基于人工神經網絡的最優控制模型能夠根據廢水處理系統中進水水質的變化對出水水質進行預測，將預測結果輸入非線性優化器后能在線調整控制變量，從而使整個系統達到實時的最優控制效果。
　　關鍵詞：廢水處理；神經網絡； 非線性優化；智能控制
　　中圖分類號：X703.1
　　文獻標識碼：A
　　文章編號：1000-4602(2002)08-0017-03

Application of Intelligent Control System in Wastewater Treatment
ZENG Guang?ming， QIN Xiao?sheng， HE Li， HUANG Guo?he， LI Jian?bing
(Dept of Environmental Science and Engineering,Hunan University,Changsha 410082,?China)

　　Abstract： An optimal control model was set up based on artificial neural network.The model can be used to predict the effluent quality according to the variation of influ ent quality in wastewater treatment system.Input of the prediction result into n onlinear optimal controller may result in on-line adjustment of manipulated vari able,so that the whole system may achieve a real time controlling effect.?
　　Keywords: wastewater treatment system; neural network; nonlinear optimization; intellig ent control

　　近年來以非線性大規模連續模擬、并行分布處理為主流的人工神經網絡理論得到了很大發展，這種網絡具有很強的學習功能及非線性逼近能力^［1］，已被廣泛地應用到水處理系統中進行預測和建模^［2～7］。?

1 最優控制模型

　　對于典型的廢水處理系統，其輸入量包括m個進水指標(如進水量、COD濃度、SS濃度等，記為m維向量X)和n個可控變量(n種藥劑的投量，記為n維向量U)，輸出量為對各水質指標的去除率(記為m維向量Y)。通過試驗可知，Y的變化與X和U密切相關，它們之間的關系可用下式表示：
?　　　　　　　F(X，U)=Y?　(1)
　　事實上式(1)極其復雜，很難用一般的函數形式表達。因此，考慮用一個有m+n個輸入和m個輸出的人工神經網絡對該系統進行辯識。只要將試驗測出的p組數據對［(X，U)p，Yp］作為訓練樣本對網絡進行訓練就可以得到一個穩定的網絡輸出，使實際輸出和理想輸出的總誤差小于允許值。這樣，在網絡訓練完畢后就可以用人工神經網絡對系統的出水水質作出在線預測。
　　基于對出水水質的預測結果，可以為系統設計一個針對離散信號的最優預測控制器(見圖1)。
　　圖1中神經網絡預測器可在線調整，即根據t時刻的輸入信號X(t)和U(t)以及輸出信號Y(t)預測系統在t+Δt時刻的輸出Y(t+Δt)。非線性優化器以式(2)為優化目標：
　　　　　　　　　MinJ=?PTU(t)QΔt+FC?
　　　　　滿足Y(X+Δt)=F(X(t) ,U(t))≤C₀?
　　　　　　　0≤Uj≤bj?(j?=1,2,…,?n)　　　　　　　　(2)?
　　 式中 ?U——n階向量，為各種藥劑投加濃度，g/L
?　　　　　P——n階向量，為各種藥劑價格，元/g
?　　　　　C0——m階向量，為m個出水水質指標的允許排放濃度，g/L
?　　　　　Q——廢水流量，L/h
?　　　　　FC——其他固定費用，元
?　　　　　bj——第j種藥劑的最大允許投加濃度
　　　　　　T——轉置
　　　　　　Δt——采樣周期

　　只要通過給定的優化算法進行運算就能尋求一個合適的U值使目標J值最小。對于任一進水水質自動地選定藥劑投量，通過神經網絡對出水水質作出在線預測并通過對藥劑投量的反復試算尋求到一個最佳藥劑投量，在滿足出水水質要求的條件下使總運行費用達到最小。
　　在該模型中可以針對具體的進水水質對神經網絡進行不斷訓練，使理想輸出與期望輸出的總誤差總能小于允許值。將進水水質與藥劑投量作為輸入量得到的輸出量如果不達標，則返回修改U值，如果已達標則判斷是否使總費用達到最小，如果不是最小則繼續修正U值，重復以上步驟直至J值達到最優。?

2 實例分析

2.1 概述
　　湖南省沅陵縣五強溪造紙廠座落在沅水北岸，占地面積約為3×10⁴m²，1992年該廠外排廢水量為80.14×10⁴m³，廢水中SS為607.38t，COD為1674.14t，BOD₅為637.02t，揮發酚為0.82t，硫化物為2.15t。經綜合考慮決定采用化學混凝沉淀法處理該廠廢水，設計流量為1.64×10⁵L/h，
　　要求達到當地環保部門允許的排放標準(如表1所示)，廢水處理流程如圖2所示。

表1 廢水水質及允許排放標準 水質指標 COD(mg/L) SS(mg/L) 色度(倍) pH 廢水 2 782 426 64 7.5 排放標準 800 200 50 6～9

2.2 試驗
　　為對最佳的工藝條件進行實時控制，進行了混凝劑和助凝劑投量對廢水處理效率影響的試驗。理論上應結合不同的廢水水質狀況進行多次試驗，再根據試驗結果對網絡進行訓練，但實際調查表明該廠的廢水水質一直比較穩定(見表1)，故為了使問題簡化，試驗中將進水指標(即輸入信號X)保持不變，而只改變混凝劑和助凝劑的投量。于是選擇表1的進水水質為輸入信號X，以混凝劑l₂(SO₄)₃和助凝劑PAM的投量作為控制變量U，以COD、SS和色度的去除率作為輸出信號Y共進行了120組試驗，其中COD去除 率變化如圖3所示。

　　從圖3可見，在輸入量保持不變的情況下控制變量與輸出量之間的關系表現出了極大的非線性特征，廢水的處理效率隨著混凝劑和助凝劑投量的增加而呈現出非線性的變化趨勢。由于用一般的函數難以描述該系統中的輸入與輸出之間的變化關系，因此很難在某個輸入狀態下對輸出作比較合理的預測，而人工神經網絡具有極強的非線性擬合能力，它能夠在這種非線性條件下對系統作出最優預測控制。
2.3 結果分析
　　用人工神經網絡方法對該輸入與理想輸出信號進行網絡訓練，直至網絡實際輸出與理想輸出小于給定的誤差。采用(5,20,3)結構的神經網絡(即5個輸入層，20個中間層，3個輸出層)對試驗樣本進行訓練，利用MATLAB神經網絡工具箱編制計算程序，經過12600次訓練可使誤差平方和達到預定要求(SSE＜0.01)。
　　當輸入已知參數［Al₂(SO₄)₃價格：0.0004元/g，PAM價格：0.003元/g，其他固定費用：4.95元/h］時，最優預測控制器在輸入信號不變、采樣周期取1h時的計算結果見表2。也就是說，在表1的水質狀況下采用表2的藥劑投加濃度就能夠保證出水達標排放，并使總運行費用最小。經過計算，最優運行費用為82.66元/h。

表2 最優控制變量 藥劑 Al₂(SO₄)₃ PAM 最佳濃度(mg/L) 1 180 0.62 最佳投量(kg/h) 193.52 0.102

　　雖然試驗是在輸入變量X保持不變的情況下求得最優運行工藝條件，但該模型在各種水質條件下均能實現對工藝參數的最優控制，原因是當進水水質發生變化時整個控制系統能夠在線調整神經網絡預測器，并根據最新的預測值對控制變量U作出新的調整，從而使優化目標J又重新達到最小。?

3　結論

　　① 作為智能控制的一個分支，基于神經網絡的智能控制能夠對難以精確建模的復雜對象進行模型辨識、實時控制、優化計算，可為廢水處理系統的實時控制提供新的途徑。
　　② 針對一個具體的廢水處理系統建立了一個基于神經網絡的最優控制模型，它能夠對系統的出水水質作出預測，并根據預測的結果對可控變量作出調整。在保證出水水質達標的同時，能使工程總運行費用一直處于最小。

參考文獻：

　　［1］Qing Zhang,Stephen J Stanley.Real-time water treatment process control with arti ficial neural networks［J］.Journal of Environmental Engineering，1999,125(2):15 3-160.
　　［2］Neelakantan T R,Pundarikanthan N V.Neural network-based simulation-optimization mode for reservoir operation［J］.Journal of Water Resources Planning and Manage ment，2000,126(2):57-64.
　　［3］Joo-Hwa Tay,Xiyue Zhang.A fast predicting neural fuzzy model for high-rate anaer obic wastewater treatment systems［J］.Wat Res，2000,34(11):2849-2860.
　　［4］Joo-Hwa Tay,Xiyue Zhang.Neural fuzzy modeling of anaerobic biological wastewater treatment systems［J］.Journal of Environmental Engineering，1999,125(12):1149- 1159.
　　［5］田禹,王寶貞,周定.人工神經元網絡對水處理系統建模適應性的研究［J］.環境科學學報.19 99,19(1):33-36.?
　　［6］郝明亮，徐建英，左玉輝.人工神經網絡在環境科學上的應用研究［J］.上海環境科學，1999,18(11):510-512.［7］ 邢文訓，謝金星.現代優化計算方法［M］.北京：清華大學出版社，1999.

---

　　作者簡介：曾光明(1962-)，男，湖南華容人，教授，博士生導師，研究方向為環境科學與工程中的新理論、新技術、新方法等。
　　電話：(0731)8822754 13908482238
　　收稿日期：2002-03-25