基于ANN 的废纸 造纸废水 处理过程的动态建模

华南理工大学学报(自然科学版)第33卷第12期JournalofSouthChinaUniversityofTechnologyVol.33No.122005年12月(NaturalScienceEdition)December2005文章编号:1000-565X(2005)12-0042-04收稿日期:2005-02-283基金项目:广东省科技厅重大专项(2003A3040406);广州市科技计划项目(2004Z3-D0271)作者简介:李迪(1965-),女,教授,主要从事过程智能监测及控制.E2mail:itdili@scut.edu.cn基于ANN的废纸造纸废水处理过程的动态建模3李迪1唐辉1万金泉2马邕文2(1.华南理工大学机械工程学院,广东广州510640;2.华南理工大学资源科学与造纸工程学院,广东广州510640)摘要:研究了人工神经网络技术在废纸造纸废水处理过程动态建模中应用的可行性,采用误差反向传播网络(BP网)建立了表征原水COD、加药量、进水流量、历史出水COD与预计出水COD之间复杂关系的动态模型,并对不同训练方法进行了比较,发现带有动态调整的方法具有较好的效果,其模型的计算输出值与过程的实际输出值具有较好的一致性.利用所建立模型对造纸厂现场排放废水进行实验,结果表明该模型可用于废纸造纸废水处理的动态描述,并为进一步的废水处理系统在线智能控制奠定了基础.关键词:造纸;废水处理;人工神经网络;动态建模中图分类号:X703.1文献标识码:A目前,我国用废纸浆造纸的比重逐年上升,与此同时,废纸造纸废水作为一种新的污染源引起了人们的高度重视.在该类废水处理过程中,如何保证不同条件下出口水质的稳定达标排放,同时降低运行成本,都对处理过程的控制技术提出了挑战.废纸造纸废水处理工艺一般采用物理方法或者生化方法,其过程具有复杂性、非线性、时变性、不确定性等特点,难以用精确的数学模型描述实际过程.人工智能技术由于具有自学习、自适应和自组织功能,特别适合复杂非线性系统的建模和控制,已成为废水处理过程的研究热点.如Punal[1]提出了一种针对厌氧消化器的诊断和管理化学的模糊专家系统,Du和Tyagi[2]用模糊神经网络对活性污泥工艺进行了规则建模预测污泥泥龄.国内田禹等人[3]对基于BP人工神经网络的臭氧生物活性炭系统建模进行研究.在废纸造纸废水处理方面,Zeng等[4]人设计了一个针对造纸废水处理系统的人工神经网络预测控制系统,该系统可以在仿真条件下很好地预测污染物去除率和控制最佳加药量.本文针对造纸厂现场排放的废水建立药剂加入量、原水COD、反应时间和出口COD之间的动态关系,应用BP神经网络的学习能力和非线性逼近能力,建立一个能预测废纸造纸废水处理出水COD的动态模型.1BP人工神经网络原理BP神经网络是应用最广泛的神经网络.典型的BP神经网络结构由输入层、隐含层和输出层组成,如图1所示.其工作过程包括输入信号的正向传播和误差信号的反向传播,网络的权重修正是使下式的E为最小:E=126lk=1(dk-yk)2.其中:E表示误差;dk为第k节点期望值;yk为第k个输出节点的值.其递推学习算法如下:Δwjk=ηδykzj=η(dk-yk)yk(1-yk)zj;Δvij=ηδzjxi=η(6lk=1δykwjk)zj(1-zj)xi.其中:xi表示第i个输入节点;zj表示第j个隐层节点;Δwjk表示隐层到输入层的权重调节量;Δvij表示输入层到隐层的权重调节量;η为比例系数,反映学习速率;δyk为输出层的误差信号;δzj为隐层的误差信号.具体推导公式见文献[5].经过训练后的BP网络可以实现系统模型辨识和系统仿真.图1BP网络结构Fig.1StructureofBPneuralnetwork2废纸造纸废水处理动态预测模型的建立2.1实验系统本文中的建模数据来源于广东某造纸厂的废水处理过程,通过分别改变原水COD、加药量、进水流量中的某一个参数,其他参数不变,测得相应的出水COD.废纸造纸废水处理工艺如图2所示.在现有的造纸厂废水处理过程中,絮凝剂和助凝剂的加入量一般根据经验设定,而且加药量保持较长时间不变,其改变需人工操作完成.然而当造纸废水的流量及水质变化时,通过人工调整难以迅速作出反应,因此出口水质的稳定达标难以实现.为了解决该问题,本图2废纸造纸废水处理工艺Fig.2Wastewatertreatmentprocessinpapermakingbywastepaper图3废纸造纸废水处理监控系统框图Fig.3Schematicdiagramofmonitorsystemforwastewatertreatmentinpapermakingbywastepaper文通过对进口废水水质、出口水质的在线检测,由计算机控制