人工神經(jīng)網(wǎng)絡(luò)在污水處理過程模擬中的應(yīng)用與研究進展

許家齡

摘 要：介紹了在污水處理過程模擬中應(yīng)用較廣的人工神經(jīng)網(wǎng)絡(luò)（ANN）模型。闡述了人工神經(jīng)網(wǎng)絡(luò)在污水處理過程模擬中的研究應(yīng)用特點，總結(jié)了近年來人工神經(jīng)網(wǎng)絡(luò)在污水處理過程模擬中算法優(yōu)化、模型前處理、模型結(jié)合等方面的研究進展。最后，對人工神經(jīng)網(wǎng)絡(luò)在污水處理過程模擬的發(fā)展前景進行了展望。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò);ANN;污水處理過程模擬;研究進展

中圖分類號：TB ? ? 文獻標識碼：A ? ? ?doi：10.19311/j.cnki.1672-3198.2020.08.097

隨著計算機技術(shù)的發(fā)展和人工智能的興起，各行各業(yè)均有向自動化和智能化的發(fā)展趨勢。近年來，由于環(huán)境意識的提高，污水處理研究也得到了巨大發(fā)展，同時也對污水處理的智能化產(chǎn)生了需求。人工神經(jīng)網(wǎng)絡(luò)理論作為一門活躍的邊緣交叉學(xué)科，廣泛應(yīng)用于模式分類、系統(tǒng)識別、智能控制等方面。目前，人工神經(jīng)網(wǎng)絡(luò)在污水處理過程模擬方面的研究已經(jīng)取得了一定成果，仍需要持續(xù)進一步的研究發(fā)展。

1 人工神經(jīng)網(wǎng)絡(luò)介紹

人工神經(jīng)網(wǎng)絡(luò)尚難以統(tǒng)一地定義。美國的神經(jīng)網(wǎng)絡(luò)學(xué)家Hecht Nielsen對人工神經(jīng)網(wǎng)絡(luò)的定義是：“人工神經(jīng)網(wǎng)絡(luò)是人工建立的、由多個很簡單的處理單元組成的動態(tài)系統(tǒng)，并且這些處理單元之間按某種方式相互連接。這個系統(tǒng)的拓撲結(jié)構(gòu)是有向圖，信息處理方式是對連續(xù)或斷續(xù)的輸入做狀態(tài)響應(yīng)?！?/p>

近年來，應(yīng)用于污水處理過程模擬領(lǐng)域研究的神經(jīng)網(wǎng)絡(luò)模型類型主要是基于BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)等。

BP和RBF神經(jīng)網(wǎng)絡(luò)都屬于多層前向神經(jīng)網(wǎng)絡(luò)。其包含輸入層、隱含層和輸出層，隱含層可以為多層。輸入層中每個源節(jié)點通過激勵函數(shù)后的輸出組成了第二層神經(jīng)元的輸入信號，網(wǎng)絡(luò)中每一個神經(jīng)元接收上一層相應(yīng)被連接的神經(jīng)元的輸出信息。

BP神經(jīng)網(wǎng)絡(luò)就是應(yīng)用了BP（誤差反向傳播）算法的多層感知器，具有處理線性不可分問題的能力。工作信號沿正向傳播，到達輸出層時，基于監(jiān)督學(xué)習(xí)，對比期望值得到誤差信號，進行反向傳播。誤差信號反向傳播的過程中，網(wǎng)絡(luò)節(jié)點間的權(quán)值基于誤差反饋不斷被調(diào)節(jié)修正，以期模型輸出更接近期望輸出。BP應(yīng)用廣泛，但BP神經(jīng)網(wǎng)絡(luò)也存在兩個主要缺點：收斂速度慢，訓(xùn)練容易陷入局部極小。

RBF（徑向基函數(shù)）神經(jīng)網(wǎng)絡(luò)由三層構(gòu)成。其中隱含層采用徑向基函數(shù)作為基函數(shù)，將原來線性不可分的問題轉(zhuǎn)換為線性可分。其具有結(jié)構(gòu)簡單、收斂速度快、能逼近任意非線性函數(shù)等優(yōu)點，在近年內(nèi)應(yīng)用廣泛。根據(jù)隱含層節(jié)點數(shù)目的不同可分為正則化RBF網(wǎng)絡(luò)和廣義RBF網(wǎng)絡(luò)等。徑向基函數(shù)網(wǎng)絡(luò)中需要訓(xùn)練的參數(shù)為：隱含層基函數(shù)的中心、隱含層基函數(shù)的標準差、隱含層與輸出層之前的權(quán)值等。

2 人工神經(jīng)網(wǎng)絡(luò)在污水處理過程模擬中的研究應(yīng)用特點

污水處理系統(tǒng)屬于復(fù)雜系統(tǒng)，影響系統(tǒng)輸出的參數(shù)多，部分內(nèi)部機理未被認知。人工神經(jīng)網(wǎng)絡(luò)不依賴系統(tǒng)的機理知識，基于數(shù)據(jù)的訓(xùn)練而建立輸入與輸出的非線性映射關(guān)系，對污水處理過程的模擬比較適用。

然而，污水處理系統(tǒng)具有時滯性，污水處理實際過程復(fù)雜，嚴格來講，系統(tǒng)內(nèi)某個時刻輸出信息是由之前多個輸入狀態(tài)信息所映射的，而神經(jīng)網(wǎng)絡(luò)模型的輸入一般為某一個時刻的數(shù)據(jù)。這也給神經(jīng)網(wǎng)絡(luò)模型在污水處理過程模擬中的應(yīng)用增加了難度。

同時，神經(jīng)網(wǎng)絡(luò)模型基于數(shù)據(jù)的訓(xùn)練，對于數(shù)據(jù)的數(shù)量和質(zhì)量有一定要求，特別是對于復(fù)雜的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練至收斂需要的數(shù)據(jù)較多。而在污水處理系統(tǒng)中，部分參數(shù)的自動檢測還不成熟，如COD、TP等水質(zhì)指標參數(shù)也容易產(chǎn)生測量誤差。樣本數(shù)據(jù)的數(shù)量和質(zhì)量受到限制，會使得建立的神經(jīng)網(wǎng)絡(luò)模型的性能受到限制。

另外，污水處理系統(tǒng)中，與輸出相關(guān)性強的參數(shù)指標較多。而輸入維數(shù)的增加會大大增加所建立神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜程度，這顯然也是不利于神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練收斂的。

3 人工神經(jīng)網(wǎng)絡(luò)在污水處理過程模擬中的研究進展

目前人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于污水處理過程模擬的研究主要集中于提升模型性能和提高在污水處理過程模擬中的適用性兩方面，采取的方式主要有算法優(yōu)化、模型前處理、模型結(jié)合等。

3.1 算法優(yōu)化研究

總結(jié)了近10年內(nèi)應(yīng)用或提出并應(yīng)用于污水處理過程的神經(jīng)網(wǎng)絡(luò)模擬的一些算法，如表1。其主要是為了優(yōu)化神經(jīng)網(wǎng)絡(luò)連接權(quán)值的計算方法，以及克服神經(jīng)網(wǎng)絡(luò)的某些固有缺點等。

3.2 模型前處理研究

關(guān)于神經(jīng)網(wǎng)絡(luò)模型的前處理研究，主要集中在為了降低模型的復(fù)雜程度而對神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)提取特征和變量選擇等方面。

Hanbay D等人采用小波包分解（wavelet packet decomposition）對神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)進行降維，基于Malatya污水處理廠歷史數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)模型，模型性能良好。劉鴻斌等人通過計算每個輸入變量在偏最小二乘（PLS）模型中的權(quán)重，確定潛變量，再通過變量投影重要性（VIP）指標衡量各解釋變量相對于響應(yīng)變量的解釋程度和各解釋變量包含信息對模型的重要性，以此作為選擇輸入變量的依據(jù)，從而實現(xiàn)輸入數(shù)據(jù)降維。針對污水處理的COD和SS軟測量，選擇變量后的神經(jīng)網(wǎng)絡(luò)模型比未選擇變量的神經(jīng)網(wǎng)絡(luò)模型復(fù)雜程度更低、泛化能力更強。李文靜等人，通過計算比較每個輸入變量與輸出變量的歸一化互信息值，選取相關(guān)性強的輸入變量作為模型的輸入變量。在污水處理廠的歷史數(shù)據(jù)中，選取10個輸入變量，利用260組樣本數(shù)據(jù)建立并訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，模型性能良好。

另外，諸如主成分分析、相關(guān)性分析、靈敏度分析等常用數(shù)據(jù)預(yù)處理方法也廣泛應(yīng)用于神經(jīng)網(wǎng)絡(luò)模型數(shù)據(jù)的前處理。

3.3 模型后處理研究

一般地，人工神經(jīng)網(wǎng)絡(luò)模型對于污水處理過程的模擬中，人工神經(jīng)網(wǎng)絡(luò)模型的輸出便作為對實際系統(tǒng)的預(yù)測值。也有少量研究，對人工神經(jīng)網(wǎng)絡(luò)模型的輸出預(yù)測進行進一步分析，以優(yōu)化預(yù)測效果。

李佟等人用BP神經(jīng)網(wǎng)絡(luò)粗擬污水處理過程后，用馬爾可夫鏈對擬合結(jié)果及誤差進行狀態(tài)劃分以進一步提高預(yù)測精確度，最后運用基于BP神經(jīng)網(wǎng)絡(luò)與馬爾可夫鏈的組合模型分析預(yù)測效果。其擁有好的適用性，能準確預(yù)測出水水質(zhì)范圍。

3.4 模型結(jié)合研究

近年來，也有一些結(jié)合不同類型的神經(jīng)網(wǎng)絡(luò)或結(jié)合神經(jīng)網(wǎng)絡(luò)與其他方法及模型的研究。

閔振輝等人結(jié)合新陳代謝灰模型和廣義回歸神經(jīng)網(wǎng)絡(luò)模型，對污水處理廠出水參數(shù)預(yù)測，性能較傳統(tǒng)的廣義回歸神經(jīng)網(wǎng)絡(luò)模型更好。王德望等人結(jié)合BP神經(jīng)網(wǎng)絡(luò)和PID控制器，實現(xiàn)了PID控制參數(shù)的自整定。通過污水處理溶解氧仿真試驗，改進后的PID控制器能更好的滿足系統(tǒng)要求。諸飛等人將GA神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，用GA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)、權(quán)重和閾值，使模型可以隨著問題的復(fù)雜程度做出自適應(yīng)的改變。能有效解決BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小和收斂速度慢等問題。將結(jié)合模型用于污水處理廠的水質(zhì)分類識別，效果良好，具有推廣價值。

4 結(jié)語

人工神經(jīng)網(wǎng)絡(luò)在污水處理過程領(lǐng)域的模擬研究具有較廣闊的發(fā)展前景，目前其主要應(yīng)用于污水處理過程的系統(tǒng)識別和參數(shù)軟測量等。黑箱性質(zhì)、非線性映射能力強、魯棒性等特點使得它具有較好的適用性和通用性，其在污水處理工程控制優(yōu)化方向發(fā)展的具有一定潛力。優(yōu)化神經(jīng)網(wǎng)絡(luò)模型和發(fā)展新型神經(jīng)網(wǎng)絡(luò)等是一個重要研究方向，近年來相關(guān)研究也較多。另外，在人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于污水處理過程模擬的方面，如何處理污水處理系統(tǒng)中的時滯影響，如何在污水處理系統(tǒng)樣本數(shù)據(jù)數(shù)量和質(zhì)量受限的情況下獲得好的性能，如何在模型輸入保留大部分系統(tǒng)信息的前提下降低模型的復(fù)雜程度，都是可以進行研究的方向。

參考文獻

[1]張莉，艾勝書，王帆，等.多段多級AO工藝處理城市污水的研究進展[J].長春工程學(xué)院學(xué)報（自然科學(xué)版），2017，18（02）：83-87+95.

[2]朱大奇.人工神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀及其展望[J].江南大學(xué)學(xué)報，2004，3（1）：103-110.

[3]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例[M].北京：機械工業(yè)出版社，2003.

[4]陳明.MATLAB神經(jīng)網(wǎng)絡(luò)原理與實例精解[M].北京：清華大學(xué)出版社，2013.

[5]甄博然，韓紅桂，喬俊飛.基于增長型神經(jīng)網(wǎng)絡(luò)的污水處理過程溶解氧控制[J].中南大學(xué)學(xué)報（自然科學(xué)版），2009，40（S1）：74-79.

[6]鄭廣勇，羅飛，陳偉斌.基于免疫粒子群神經(jīng)網(wǎng)絡(luò)的污水水質(zhì)預(yù)測[J].微處理機，2010，31（02）：75-77+81.

[7]廖雪平，羅飛.混合神經(jīng)網(wǎng)絡(luò)在污水毒性預(yù)測中的應(yīng)用[J].化工自動化及儀表，2011，38（02）：211-213+238.

[8]張照生，羅健旭.基于DE-BP算法的模糊神經(jīng)網(wǎng)絡(luò)控制器及其在污水處理溶解氧濃度控制上的應(yīng)用[J].華東理工大學(xué)學(xué)報（自然科學(xué)版），2013，39（01）：55-60.

[9]王樹東，葛珉昊，陳明明.基于混合遞階遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的BOD_5軟測量方法[J].給水排水，2014，40（03）：149-153.

[10]李娥，王波.HS算法在生物生態(tài)組合污水處理中的應(yīng)用[J].計算機工程與應(yīng)用，2015，51（01）：238-242.

[11]Guo H，Jeong K，Lim J，et al.Prediction of effluent concentration in a wastewater treatment plant using machine learning models[J].Journal of Environmental Sciences，2015，（32）：90-101.

[12]Khademikia S，Haghizadeh A，Godini H，et al.Artificial Neural Network-Cuckoo Optimization Algorithm （ANN-COA） for Optimal Control of Khorramabad Wastewater Treatment Plant，Iran[J].Civil Engineering Journal，2016，2（11）：555-567.

[13]喬俊飛，李瑞祥，柴偉，等.基于PSO-ESN神經(jīng)網(wǎng)絡(luò)的污水BOD預(yù)測[J].控制工程，2016，23（04）：463-467.

[14]鄭博一，任亮.人工魚群神經(jīng)網(wǎng)絡(luò)應(yīng)用于城市污水處理廠進水量預(yù)測研究[J].環(huán)境科學(xué)與管理，2016，41（10）：87-91.

[15]喬俊飛，孫玉慶，韓紅桂.改進K-means算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的出水氨氮預(yù)測[J].控制工程，2018，25（03）：375-379.

[16]高明，崔鈳，李昊，等.基于HCPS多層感知器的污水處理后氨氮濃度測量[J].輕工學(xué)報，2018，33（06）：92-100+108.

[17]魯明，劉東儒，章毅，等.基于灰狼算法與RBF神經(jīng)網(wǎng)絡(luò)對污水出水BOD的預(yù)測[J].蘭州工業(yè)學(xué)院學(xué)報，2019，26（02）：83-87.

[18]Hanbay D，Turkoglu I，Demir Y.Prediction of wastewater treatment plant performance based on wavelet packet decomposition and neural networks[J].Expert Systems With Applications，2008，34（2）：1038-1043.

[19]劉鴻斌，宋留.變量選擇在廢水處理過程軟測量建模中的應(yīng)用[J/OL].山東大學(xué)學(xué)報（工學(xué)版）：1-10[2019-12-25].http：//kns.cnki.net/kcms/detail/37.1391.T.20190909.1632.004.html.

[20]李文靜，李萌，喬俊飛.基于互信息和自組織RBF神經(jīng)網(wǎng)絡(luò)的出水BOD軟測量方法[J].化工學(xué)報，2019，70（02）：687-695.

[21]李佟，李軍.基于BP神經(jīng)網(wǎng)絡(luò)與馬爾可夫鏈的污水處理廠脫氮效果模擬預(yù)測[J].環(huán)境科學(xué)學(xué)報，2016，36（02）：576-581.

[22]閔振輝，張志強.基于灰色神經(jīng)網(wǎng)絡(luò)的污水處理廠水質(zhì)預(yù)測研究[J].自動化與儀器儀表，2013，（03）：10-11+16.

[23]王德望，趙敏.污水處理系統(tǒng)溶解氧的BP-PID控制算法[J].軟件導(dǎo)刊，2018，17（02）：68-70+73.

[24]諸飛，俞阿龍.基于改進GA-BP神經(jīng)網(wǎng)絡(luò)的工廠污水監(jiān)測系統(tǒng)研究[J].現(xiàn)代電子技術(shù)，2018，41（11）：133-138.