论文部分内容阅读
神经网络和模糊逻辑在处理和解决问题时不需要对象的机理模型.神经网络的优点是具有大规模并行处理能力、学习能力,容错能力强,还有很强的自适应能力;其缺点是表达知识比较困难、学习速度慢.模糊控制能以较少的规则来表达知识,系统简单而透明,缺点是难以进行学习,难以建立完善的控制规则.在全面总结国内外污水生物处理自动控制、智能控制现状的基础上研究了不同结构的BP神经网络动态模拟活性污泥法处理过程的效果、用神经网络作为活性污泥法处理过程"软测量"工具的效果,以ANFIS(Adaptive Neural Network Based FuzzyInferential System,ANFIS)为工具分别实现了对曝气、曝气池混合液回流,二沉池污泥回流的优化控制.用BP神经网络对基于ASM-1的典型活性污泥法脱氮工艺进行动态模拟,效果良好:出水CODt的误差在3mg/l以下,出水TN的误差在1mg/l以下,出水NH3-N的误差在1.5mg/l以下,出水SS的误差在1.5mg/l以下.用BP神经网络对典型的活性污泥法脱氮除磷工艺进行了动态模拟,效果很好:神经网络预测出水CODt的误差可控制在±0.6%以下,出水TN的误差可控制在±2%以下,出水SS的误差可控制在±1%以下,出水TP的误差可控制在±2.5%以下,出水PO4的误差可控制在±3%以下,出水NH3-N的误差可控制在0.04 mg/l以下.从对污水处理脱氮和脱氮除磷工艺进行模拟的结果看,神经网络的预测的精度与训练样本数目直接相关,预测误差与所模拟的工艺过程本身的复杂程度无关.采用不同的隐含层节点数模拟效果差别不大,隐含层节点数多时效果略优,训练和模拟时间随隐含层节点数的增加而明显变长.用神经网络作为活性污泥法脱氮过程控制的软传感器效果良好:软传感器"测得"的出水TKN的误差在±2.5%之内;出水CODt的误差在±1.5%之内.首次提出通过建立ANFIS模型可以准确预测一直处于好氧状态的曝气池中溶解氧的浓度,而交替处于好氧和缺氧状态的曝气池,ANFIS模型对其溶解氧浓度的预测误差较大.采用ANFIS与采用多层BP神经网络相比,训练样本数量相同时,前者训练时间明显小于后者,且能达到全局最优.ANFIS的缺点是只能有一个输出,输入参数的个数也不能太多,一般低于5个.ANFIS模型的训练时间与模型输入参数的个数及训练样本数密切相关,四个输入参数ANFIS训练时间明显长于三个输入参数ANFIS的训练时间.首次通过建立ANFIS模型得到城市污水活性污泥法工艺中曝气池溶解氧浓度、曝气池混合液回流量、二沉池污泥回流量的最优值,从而实现了对活性污泥法工艺中曝气,混合液回流,污泥回流的优化控制,这可以在保证出水水质的同时最大限度地节约能耗.节约能耗的多寡和污水处理工艺、设计参数、污水厂运行管理情况、当地的出水标准、污水处理设备等都有关系.对盐田污水厂的模拟结果表明:分别用BP神经网络和ANFIS对活性污泥法工艺进行准确模拟,前者需要的训练样本多余后者,样本数相同时预测误差后者要小的多;实际的运行数据中有可能有事故数据,也可能有的数据存在很大的测量误差,所以在采用这些数据之前要对其进行筛选和处理.如果用于训练的样本数据各参数的数值相差很大,必须对样本数据进行归一化处理,否则所建立模型的误差将非常大.经归一化处理后的样本用于训练,极大地减小了模型误差.