基于人工神经网络算法的水厂混凝投药控制系统研究与开发

2017年5月JournalofYangtzeRiverScientificResearchInstituteMay2017doi:10.11988/ckyyb.201601942017,34(5)：135-140基于人工神经网络算法的水厂混凝投药控制系统研究与开发饶小康,贾宝良，鲁立(长江科学院仪器及自动化研究所，武汉430010)摘要:针对自来水生产投药工艺长滞后、非线性、多输人因子、不确定性、时变性、模糊性等特点，采用人工神经网络算法对周围环境自适应和自学习，研究和开发了一套用于水厂混凝投药的自动控制系统。系统以武汉市第一大水厂—宗关水厂为例，研究了Elman神经网络算法对控制系统混凝投药效果的影响，并基于0LE-DB开放性数据访问标准实现对WinCC工控系统样本数据读取和存储的预处理。系统主要包括投药工艺、数据查询、曲线生成、配药查询、报警日志、报警统计、药耗统计、波动评价、报警设置等功能模块，在宗关水厂的成功运行实现了混凝投药工艺生产运行参数的在线监视和全自动化运行。为水厂的安全生产提供了保障，达到了节约药耗、减少人工、降低操作人员劳动强度的目的。关键词:Elman神经网络；自来水厂;混凝投药;WinCC;控制系统中图分类号:TU991.6;TP183文献标志码：A文章编号：1001-5485(2017)05-0135-061研究背景自来水厂净化工艺主要包括投药和配药2个部分，而混凝投药是净化工艺中最重要的处理工艺，它使水中的各种悬浮颗粒、杂质以及致病微生物聚结和粘结，以便出厂水达到居民生活水质要求。混凝投药作为自来水厂水处理工艺中的核心工艺，其混凝沉淀的效果直接影响着出厂水质。混凝投药是一个复杂的物理化学反应过程，具有非线性、多输入因子(源水流量、源水浊度、温度、PH值、药浓度等）、不确定性、时变性、模糊性等特点,很难准确地建立反应过程的数学模型,且目前国内尚无有效的控制手段来解决精确投药的问题。因此，有必要研究和开发一套具有自适应、自学习能力的混凝投药控制系统，加速我国自来水厂自动化的进程[1]。以武汉市宗关水厂为研究对象,基于人工神经网络算法对其混凝投药进行自动控制。武汉市宗关水厂位于娇口区宗关街水厂一路东侧，占地面积18.4万m2,取水于汉江，综合生产能力达到105万m3/d。供水范围以长江、汉江为界，东至黄浦路，南至沿河大道，西抵建一路，北达姑嫂树、张公堤一带，供水面积约140km2。系统自2014年10月开始运行至今，实现了混凝投药自动控制且运行稳定，能够及时根据现场参数的变化调整投加量，控制效果优于人工控制。2关键技术研究2.1人工神经网络算法人工神经网络算法是由大量处理单元互联组成的非线性、自适应的信息处理系统，其适应性是通过自学习实现，根据环境的变化对权值进行调整、改善系统的行为。针对自来水生产的投药工艺长滞后、非线性、多输入因子、不确定性、时变性、模糊性等特点，系统采用人工神经网络算法对周围环境自适应、自学习，通过对样本数据进行训练学习，进行参数自适应调整和学习结果的权值调整。2.1.1Elman神经网络模型Elman神经网络是Elman于1990年首先针对语音处理问题提出来的，是一种典型的动态递归神经网络[2]。该网络除了常规神经网络中的输入层、隐含层和输出层外，还提出了一个特定的承接层。在Elman神经网络的模型中，输入层单元进行信号的传输，输出层单元进行线性加权输出，隐含层单元实现信号的映射变换，其传递函数可采用线性或非收稿日期:2016-03-07;修回日期：2016-04-11基金项目：长江科学院技术开发和成果转化基金项目（CKZS2014004/YQ)作者简介:饶小康（1985-)，男，湖北黄冈人，工程师，硕士，主要从事水利水电工程施工数字化研究，（电话）18140555722(电子信箱）283139246@qq_com0136长江科学院院报2017年线性函数，承接层又称上下文层，是Elman神经网络的核心，可用来记忆隐含层单元前一时刻的输出值，并反馈给网络的输入，本质上来说是一个延时算子，它使得Elman神经网络特别适合于反映动态过程和预测控制。结构为r-m的Elman神经网络模型如图1所示。图1Elman神经网络模型Fig.1ModelofElmanneuralnetwork2.1.2Elman神经网络学习方法图1中Elman神经网络的输入为m,隐含层和承接层的输出分别为*和^,输出为y。神经网络的权值^，妒，妒分别为raXra，raXr，mXra的矩阵。Elman神经网络相关的数学模型和训练公式为[3]x(k)=/(W1u(k-1)+W3XC(k))；(1)xc{k)=x(k-1)+axc(k-1)；(2)y(k)=g(w2»(k))。（3)式中：M(k-1)为输入层节点的输入；