神经网络PID在APMP废水处理中的应用 4页

第2期王忠峰等．神经网络PID在APMP废水处理中的应用145神经网络PID在APMP废水处理中的应用王忠峰1，汤伟1”，黄俊梅1，王孟效1’2(1．陕西科技大学电气与信息工程学院，西安710021；2．陕西西微测控工程有限公司，陕西成阳712081)’摘要：针对APMP废水处理过程存在严重非线性、大时滞等控制难点，提出了基于神经网络PID的APMP废水处理控制方案。关键词：神经网络；PID；溶解氧；APMP，中图分类号：TP273文献标识码：B文章编号：1000—3932(2011)02-0145-04最近几十年里，国内外提出了许多废水处理控制方案，例如：利用仿人智能、开关控制、PID控制及神经网络控制等，其中神经网络控制方案的提出并成功应用，具有重要的意义。为了消除由溶解氧(DO)浓度的改变带来的损失，使用开关量和神经网络PID控制方法。采用开关量控制的目的是进行粗调迅速消除大误差；神经网络PID进行细调提高控制精度，粗略和精确控制之间的转换是通过一种软开关实现的⋯。1曝气过程数学模型的建立1．1活性污泥系统模型7笔者在冯裕钊等提出模型的基础上n】，得出了活性污泥系统的状态方程：、d_矿．sxⅡ。“一孚¨跳孥：》。一事：(1)百2霄-一妒z(1’垫：丛生笔乒盟矿阮+二，d一=一譬．一fE．+Ⅱt，，yNH。1。3一式中IX。(t)——微生物的浓度；菇：(t)——底物浓度；茹，(t)——混合液中氧的浓度；Q——流入量；H。——微生物的最大比增长速率；卜反应器体积；kd——内在的迟滞系数；C——二沉池浓度因子；Qw——污质的流量；，，——联系有机物与需氧量的因子；正。——消耗因子；Ys。——观察到的生长系数；卜设定的溶解氧冲量系数；u——打氧量。1．2模型的转换选取曝气量H为控制量，溶解氧浓度x，(t)作为被控量，并将流入污水中的有机物浓度作为扰动，则式(1)可以表示为：X(I)=A(一)X(I)+占(一)“(I)’，，(I)=C(口)z(I)(2)A(口)；O6一号oO一占曰(p)=[001]7c(一)=[O01]1．3不确定参数有界系统模型在污水处理过程中，由于进水流量Q、排出污泥量Q曹、进水微生物的浓度Si、好氧菌的可观测产率yN。在污水处理过程中是随每天的废水进水量、废水水质等其它方面的因素而发生变化的，同时又由于其进水量，废水水质是在一定范围波动的，因而又属于有界的。由以上分析可知，状态方程式(2)中的参数是在一定的范围内变动的，系统属于不确定参数有界系统，可以确定参数的变化如下：‰一k—CFQ．E[／3。。J9I。。]告E[岛。岛．～一号E[如。卢3Jat]丛生笔乒盟E[阢。／3,_Ⅱ]．，lKH一。’4⋯。。“。取冲量系数恒为1，则各参数的上下界值为：[卢l。h卢。。。]=[一2．9495—5．949】[J92“区。。]=[9．063418．1296][岛。卢3～]=[一10．05’6．05][反。尻一]=[一4．9364—9．9436]收稿日期：2010-09-19(修改稿)基金项目：国家自然基金(30972322)；陕西省自然基金(07JKl92)出k一识一孚等』丛”杀坐\n146化工自动化及仪表第38卷笔者任取一中间状态的模型作为研究的对象，所取的中间状态模型为：；[量?}；3—7：)97—01]菇ct，+[。o]uct，c3812o1，；l13．27—7．1菇(I)+llu(t)()L一．一JLJ此状态模型对应的传递函数为：G(s)=c(口)[sl—A(口)]一1曰(p)：r』上当堕塑L(4)2丁五r矛了西五i而【4，式中：，为3×3阶的单位矩阵。氧气从曝气池底部进入曝气池，氧气在污水中溶解是一个延迟过程，延迟时间一般为4．2—6．4s，本文取延迟时间为5．2s，式(4)变为：G(s)=万袅鼍篇等而e-5t‘(5)2基于神经网络PID的APMP废水控制方案2．1神经网络PID的原理比例控制P是基于偏差调节的，当误差Ie较大时，应加大比例P的作用；而在lel减小到接近或到达零的时候，则减小或停止比例P作用，这样既可以防止调节过度，又可以缩短调节的时间。积分控制J实际上是对误差信息的记忆，当误差较大时加大积分作用，有利于系统快速稳定；当误差较小时减弱积分作用，有利于防止积分饱和。微分控制D只在误差较小时才引入，这样可以使系统的动态过程变短M1。因此不同的误差应采用不同的PID参数，这样才能使系统迅速稳定。BP神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。通过神经网络自身的学习，可以找到某一组最优控制的P、，、D参数。基于BP神经网络的PID控制系统结构如图1所示。传统PID控制器直接对被控对象过程闭环控制，并且3个参数酢、t、％为在线整定；神经网络根据系统的运行状况，调节PID控制器的参数，以期达到性能指标的最优化H】。图1控制系统结构图BP神经网络结构包括网络层数、各层神经元个数、学习速率、初始权值和允许误差等参数。2．1．1输入输出样本的选择由于在不同阶段，DO值的要求不同，需分别控制P、，、D3个参数，BP神经网络程序代码中，3个神经网络的输入样本均为设定值与采样值之差，3个网络的输出样本分别为比例参数、积分参数和微分参数。通过试凑法可得3个神经网络的最佳目标值，即当输入样本(误差值)为[00．20．40．60．8]；比例参数目标值t=[0．40．60．91．21．4]。当误差为[0．040．080．120．200．300．400．500．600．700．80]；积分参数目标值是t=[0．620．600．560．520．490．460．430．400．380．36]。当输入样本(误差值)为[0．00．200．400．600．80]；微分参数目标值是t=[0．30．180．120：080．00]。2．1．2BP模型网络层数及激活函数的确定BP网络一般包括1个输入层，1个或几个隐含层和1个输出层。大量实践表明，一个3层的网络可以完成任意的n维到m维的映射。因此本文将采用单隐层BP网络进行建模，其中网络输入维数为1，输出维数为1；设计3个网络，每个网络的输出值分别对应P、I、D的3个参数。本文用试凑法来确定隐含层节点数，分别测试了节点为2、3、4、5、6，比较误差效果及其收敛速度，最终确定隐层节点数为3。隐含层传递函数选用双曲正切函数tansig，输出层传递函数选用purelin线性函数，训练函数为traingdm【5J。网络的生成语句如下：net=newff(minmax(P)，[3，1]，{’tansig’，’purelin’}，’traingdm’)o2．1．3学习速率的选择学习速率反映网络一次循环训练中权值的变化量，在优化计算中是一个重要的因子，每一个具体网络都存在一个适合的学习速率(本文中学习速率为0．05)。2．1．4初始权值和允许误差的设置初始权值的选取原则是取随机值，一般取一组一1至1之间均匀分布的随机数，且保证权值比较小，本文允许误差设为0．002。2．2溶解氧神经网络PID结合开关量控制算法该控制方法根据溶解氧偏差e(t)的大小将系统响应分为两个区域，在不同区域采用不同的控制策略。这两个区域分别是：I区域，当Ie(‘)I≤1时，系统超调不大，控制策略采用微调，\n镕2№t$№##＆目镕Pu)8^PMP《mⅡⅨ十∞＆m即采用神经网络PID控制策略(开关由b端切向a端)；ⅡE域，当le(￡)l>1时，系统超谓过太．控制策略采用粗两控制策略．目采用开荒盛控制器进行粗诃，使系统迅速向毪态南向靠近("关由q端切向h端)。3仿真用MAT[．AB对神经网络PID方案控制下的曝气池内的溶解氧控制同路进行r仿真研究．“时滞过程为例：。w=可冀弓篙格而e’“在MATIA8的M．File中编写仿真语句．以比倒为例P=(002040608]；t=『0406091214]；net=newff(mlnmax(P)，[3．I]，j’tansig’，7pum，fin。}，’train酣m’)；1瞪弋『]4哐卜—_疆二_一⋯酐■；npulWeights=nPtIWjlI2inpmbias=neIb{1}layerWeights=netLW；2．1}laverbm=ne[b|21nettminParamshow=50：neItrainParamepochs=6000：He[tminPammgoal；0002；[net，tr]mln(nm．p．t)；genslm(net，一】)／／把MAT]AB指夸空问中语句转化为Simulink模块反复训练可知当权值和阐性分别是input—WeighLs：[105000105000—105000]，in—putbi∞=[一g4000—420000]；[ayerWelghts=f—O2946—06243—00L871：tayerhla#=[一0I8I5]时，由神经网络得到舯比例系数蛀件。在MATIAB的Simulink环境下设计系统的仿真框目如图2所“‘。厂_=需匿毽_]盯叮袭襄：协L．匝卜喝■}；u—世u一，⋯。““采用衰减曲线法进行PID参数的整定．得到PID参数分别为P=I2．，=072，D=026。在l=0s时，加^一个单位阶跃；￡：175s时，加^个50％的干扰信号，神经刚络PID与PID的比较曲线如图3所示；为了帻骑神经网络PID的鲁棒性，取传递自数c(s)=丁≠ij号!；譬}丽e’“，即模型失配情况下响应结果如图4所示。帅“””“⋯‰^“⋯“⋯’””目，$Ⅱm**aT#＆目镕pII)目PID白勺№#∞‰目4《女女＆镕MT#＆月镕PID目PID∞№#日|i‰o蕾f《tg}\n148化工自动化及仪表第38卷从图3、4中可以看到，采用神经网络PID控制方法能够得到更好的控制性能和鲁棒性，其结果充分证明了新的控制系统比PID控制系统在系统响应速度、超调量以及延迟时间和增强系统抗干扰能力等特性上均有明显优势。4结束语基于DCS的曝气池溶解氧控制方法在西安蔡伦造纸厂APMP废水处理站得到了成功的运行，并收到的良好的控制效果：当系统进水流量为2500m’／d，COD浓度为2046ms／L，COD负荷为4300kg／d附近时，在DCS控制系统的作用下，COD去除率在87．2％，BOD去除率在95．6％。该系统具有结构简单、调节时间短、调节精度高、稳态性能好和超调量小等优点，因此有必要加大提倡这种控制策略。神经网络PID控制不依靠精确的数学模型，就可以得到满意的控制效果。参考文献高大文，彭永臻，王淑莹等．污水处理智能控制的研究、应用与发展[J]．给水排水，2006，18(6)：35-39．冯裕钊，龙腾锐．变参数活性污泥系统的最优鲁棒控制法[J]．中国给水排水，2003，19(3)：14—16．李祖枢，涂亚庆．仿人智能控制[M]．北京：国防工业出版社，2003．罗健旭，张兆宁，邵惠鹤．应用基于粗集的模糊神经网络进行软测量建模的研究[J]．化工自动化及仪表，2003，30(2)：14·18．张秀玲，郑翠翠，黄兴格等．基于参数优化的自适应模糊神经网络控制在污水处理中的应用[J]．化工自动化及仪表，2009，36(3)：12-14．ApplicationofNeuraINetworkPIDContr01．nAPMPWastewaterTreatmentWANGZhong—fen91，TANGWeil”，HUANGJun．meil，WANGMeng-xia01，2(1．CollegeofElectricandCommunicationEngineering，ShanxiUniversityofScienceandTechnology，Xi’an710021，China；2．XiweiMeasuringandControlEngineeringLimited，Xianyang712081，China)Abstract：Aimingatseverenonlinearityandtime-delayinAlkalinePefoxideMechanicalPulp(APMP)wastewateraerobictreatmentprocess，theAPMPwastewatertreatmentschemewasproposedbasedonneuralnetworkPIDcontrolalgorithm．Theapplicationindicatesthatthisproposedstrategyiseffective．Keywords：neuralnetwork；PID；DO；APMP广告索引西安东风机电有限公司⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯封面无锡康宁防爆电器有限公司⋯⋯⋯⋯⋯⋯⋯⋯⋯封二ABB(中国)有限公司⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯封三艾默生过程控制有限公司⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯封四仕富梅亚太有限公司上海分公司⋯⋯⋯⋯⋯⋯⋯前插1重庆海王仪器仪表有限公司⋯⋯⋯⋯⋯⋯⋯⋯⋯前插2福斯流体技术(上海)有限公司⋯⋯⋯⋯⋯⋯⋯⋯前插3浙江三方控制阀股份有限公司⋯⋯⋯⋯⋯⋯⋯⋯前插4北京八叶科技有限公司⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯前插5四川华林自控科技有限公司⋯⋯⋯⋯⋯⋯⋯⋯⋯前插6上海华强仪表有限公司⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯前插7天华化工机械及自动化研究设计院⋯⋯⋯⋯⋯⋯前插8艾默生过程控制有限公司⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯前插9西门予(中国)有限公司⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯前插10天华化工机械及自动化研究设计院检测仪表所⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯内插l启东宏迭防爆电气有限公司⋯⋯⋯⋯⋯⋯⋯⋯⋯内插2杭州中创电子有限公司⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯内插3先衡自动化仪表(上海)有限公司⋯⋯⋯⋯⋯⋯⋯内插4天华化工机械及自动化研究设计院分析仪表所⋯⋯：⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯··内插5北京西姆宏仪器仪表有限公司⋯⋯⋯⋯⋯⋯⋯⋯内插6天华化工机械及自动化研究设计院工业仪表所⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯内插7上海海能信息科技有限公司⋯⋯⋯⋯⋯⋯⋯⋯⋯内插8天毕化工机械及自动化研究设计院仪器仪表所⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯内插9常州市赛德电子有限公司⋯⋯⋯⋯⋯⋯⋯⋯⋯内插10无锡市惠华特种仪表有限公司⋯⋯⋯⋯⋯⋯⋯内插11东莞市雅德仪表有限公司⋯⋯⋯⋯⋯⋯⋯⋯⋯内插11眉山麦克在线设备有限公司⋯⋯⋯⋯⋯⋯⋯⋯内插121●-1J，J1Jl2345rL