和聲改進RBF神經(jīng)網(wǎng)絡(luò)在污水出水COD軟測量中的應(yīng)用

李晉賢+李少甫+李洪

摘 要 針對污水處理過程中出水COD傳統(tǒng)檢測技術(shù)的滯后性，不能及時反饋污水出水水質(zhì)COD指標，本文了采用一種基于軟測量技術(shù)的方法。本文充分利用和聲算法的全局逼近能力和RBF神經(jīng)網(wǎng)絡(luò)的非線性映射能力等優(yōu)勢，將兩者結(jié)合起來，組成在功能上更完善的和聲改進RBF神經(jīng)網(wǎng)絡(luò)，并以此建模，實現(xiàn)對出水水質(zhì)難測指標COD進行檢測。

【關(guān)鍵詞】和聲算法 RBF 軟測量 COD

1 引言

目前，傳統(tǒng)的測量COD的方法為回流滴定法，但該方法存在測定時間長、成本高、運行不安全等缺點。近年來，軟測量技術(shù)逐漸興起。軟測量技術(shù)主要由輔助變量的選擇、數(shù)據(jù)采集與于處理、軟測量模型幾部分組成。其基本思想是把自動控制原理與生產(chǎn)過程有機地結(jié)合起來，運用計算機技術(shù)，預(yù)先選擇其他一些較容易測量的變量，通過數(shù)學(xué)建模來推斷或者估計難以測量的重要變量，以達到實現(xiàn)過程控制的目的。

2 出水COD軟測量模型的建立

軟測量建模有兩種方式：機理建模和辨識建模。從理論上講，機理模型是最最精確的模型，但它要求對被測對象的內(nèi)部特性完全了解。但由于污水處理過程中的復(fù)雜性使得研究者難以通過機理模型方式進行精確建模。辨識建模，將對象看作個黑箱，通過輸入輸出數(shù)據(jù)建立與過程外特性等價的模型，這種方法上午優(yōu)點在于，不需要研究對象的內(nèi)部規(guī)律，只需要獲得足夠多的數(shù)據(jù)，即可建立對象的軟測量模型。

2.1 RBF神經(jīng)網(wǎng)絡(luò)

1988年，Moody和Darken共同提出了徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)。徑向基神經(jīng)網(wǎng)絡(luò)具有收斂速度塊、較強的輸入和輸出特性、唯一最佳逼近且無局部極小問題存在的特點，使得它非常適合于非線性系統(tǒng)的建模。RBF是一種三層前向網(wǎng)絡(luò)。第一層為輸入層，由各輸入信號源節(jié)點組成。第二層為隱含層，該層單元數(shù)量根據(jù)描述的問題再具體確定。第三層為輸出層，它對輸入模式的作用做出響應(yīng)。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

2.2 和聲搜索算法改進RBF神經(jīng)網(wǎng)絡(luò)

以RBF神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，利用和聲搜索算法通用性好，全局搜索能力和魯棒性強的特點，優(yōu)化RBF網(wǎng)絡(luò)隱含層的數(shù)據(jù)中心和擴展常數(shù)。具體改進HS-RBF算法如下：

2.2.1 Step1 初始化參數(shù)

和聲算法初始化的參數(shù)主要有和聲庫大?。℉armony memory Size，HMS），記憶庫取值概率（Harmony memory considering rate， HMCR），微調(diào)概率（Pitch adjusting rate， PAR），音調(diào)微調(diào)帶寬 bw，創(chuàng)作的次數(shù) Tmax。HMS的大小影響著全局尋優(yōu)的能力，一般來說，HMS越大，全局尋優(yōu)能力也就越強，但相應(yīng)地會加大計算量，影響全局尋優(yōu)的速度。

2.2.2 Step2初始化和聲庫和尋求目標函數(shù)

隨機產(chǎn)生m個優(yōu)化問題的初始解放入和聲記憶庫HM中，每個解中的每個參數(shù)對應(yīng)RBF網(wǎng)絡(luò)隱含層的數(shù)據(jù)中心和擴展常數(shù)。

2.2.3 Step3更新和聲記憶庫

判斷新解是否優(yōu)于HM和聲庫內(nèi)的最差解，若是，則最差解將被新解替換，從何得到新的和聲記憶庫。

2.2.4 Step4 終止循環(huán)條件

重復(fù)Step3、Step4，直到達到最大的迭代次數(shù)或滿足停止準則后結(jié)束循環(huán)，輸出最優(yōu)解。本文采用設(shè)定最大迭代次數(shù)來結(jié)束迭代過程。

3 軟測量模型仿真與分析

本文基于綿陽某污水處理廠的出水數(shù)據(jù)。鑒于該污水處理廠采用的氧化溝污水處理工藝，原始輔助變量采用對處理過程產(chǎn)生影響同時易于監(jiān)測的出水參數(shù)如下，日處理水量、氨氮NH3-N、濁度SS、總磷TP、總氮TN、氧化溝污泥濃度、污泥沉降比、污泥指數(shù)。本文采集到的原始水質(zhì)數(shù)據(jù)共150組，100組用于訓(xùn)練，50組用于驗證。對于8組易測量進行PCA降維處理，把歸一化和標準化處理后的數(shù)據(jù)按累計方差貢獻率不小于90%的原則來進行主元選取，將原來的8維輸入變量降到了5維，提高了神經(jīng)網(wǎng)絡(luò)的運算速度。PCA主元分析法去除了原輸出變量間的線性相關(guān)性，降低了輸入維數(shù)。下面用HS來訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)。按照上節(jié)說明的具體算法設(shè)計，在matlabR2016a平臺上編程實現(xiàn)，根據(jù)文獻[7]經(jīng)驗設(shè)計，HS參數(shù)設(shè)置為：HMS=5，HMCR=0.9，PAR=0.3，bw=0.01，最大迭代次數(shù)為1000次。RBF神經(jīng)網(wǎng)絡(luò)隱含層數(shù)據(jù)中心的數(shù)量為10。

從仿真結(jié)果可以看出，經(jīng)和聲算法優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)表現(xiàn)出了比標準RBF神經(jīng)網(wǎng)絡(luò)更好的性能。圖2為100組訓(xùn)練樣本出水COD的仿真結(jié)果，模型訓(xùn)練的網(wǎng)絡(luò)輸出值與污水廠實際采集值的對比說明該模型具有較高的擬合精度；圖3為50組預(yù)測樣本出水COD的仿真結(jié)果，預(yù)測模型的輸出較好地反映出污水處理過程中出水COD的含量。造成誤差的主要原因是樣本數(shù)量不足以及實際采集過程中的測試誤差，通過采集更多的樣本可以更好地減小誤差。從仿真結(jié)果可以看出，經(jīng)和聲算法優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)表現(xiàn)出了比標準RBF神經(jīng)網(wǎng)絡(luò)更好的性能，該模型具有較好的泛化能力和較高的軟測量精度。

4 結(jié)論

本文提出的基于和聲算法改進的RBF神經(jīng)網(wǎng)絡(luò)污水出水COD模型具有較好的預(yù)測能力。充分利用和聲搜索算法的全局搜索能力的特點，對RBF網(wǎng)絡(luò)的隱含層參數(shù)進行動態(tài)調(diào)整，建立污水處理出水水質(zhì)預(yù)測模型，取得了較好的效果。仿真結(jié)果分析表明，該模型具有很好的預(yù)測精度和泛化能力。

參考文獻

[1]姜達勝.水質(zhì)COD測定中問題淺析[J].中國科技博覽，2013：586-586.

[2]張弼澤，臧春華，郭小萍.軟測量技術(shù)的發(fā)展及應(yīng)用[J].科技信息，2012（07）.

[3]潘崢嶸.王群.基于模糊神經(jīng)網(wǎng)絡(luò)的COD軟測量技術(shù)的研究[J].計算機測量與控制，2011.19（07）.

[4]曹鵬飛.羅雄麒.化工過程軟測量建模方法研究進展[J].化工學(xué)報，2013（03）.

[5]李明河.許俊杰.基于神經(jīng)網(wǎng)絡(luò)的污水處理軟測量模型研究應(yīng)用[J].工業(yè)控制計算.2012，25（06）.

[6]雍龍泉.和聲搜索算法研究進展[J].計算機系統(tǒng)應(yīng)用，2011，20（07）：244-248.

[7]安愛民.祁麗春.丑永新.張浩琛.宋厚彬.基于神經(jīng)網(wǎng)絡(luò)的溶解氧濃度軟測量方法研究[J].計算機與應(yīng)用化學(xué)，2016.33（01）.