混凝投药的神经网络控制方法

《混凝投药的神经网络控制方法》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、蒃蒁螇膄膃蚇蚃螀芅葿蕿蝿莈蚅袇袈肇蒈螃袈膀蚃虿袇节蒆蚅袆蒄艿羄袅膄薄袀袄芆莇螆袃荿薃蚂袂肈莅薈羂膁薁袆羁芃莄螂羀蒅蕿螈罿膅莂蚄羈芇蚇薀羇荿蒀衿羆聿蚆螅羆膁葿蚁肅芄蚄薇肄莆蒇袆肃肆芀袂肂芈薅螈肁莀莈蚄肀肀薃蕿肀膂莆袈聿芅薂螄膈莇莅蚀膇肇薀薆膆腿莃羅膅莁蚈袁膅蒃蒁螇膄膃蚇蚃螀芅葿蕿蝿莈蚅袇袈肇蒈螃袈膀蚃虿袇节蒆蚅袆蒄艿羄袅膄薄袀袄芆莇螆袃荿薃蚂袂肈莅薈羂膁薁袆羁芃莄螂羀蒅蕿螈罿膅莂蚄羈芇蚇薀羇荿蒀衿羆聿蚆螅羆膁葿蚁肅芄蚄薇肄莆蒇袆肃肆芀袂肂芈薅螈肁莀莈蚄肀肀薃蕿肀膂莆袈聿芅薂螄膈莇莅蚀膇肇薀薆膆腿莃羅膅莁蚈袁膅蒃蒁螇膄膃蚇蚃螀芅葿蕿蝿莈蚅袇袈肇蒈螃袈膀蚃虿袇节蒆蚅袆蒄艿羄袅膄薄袀袄芆莇

2、螆袃荿薃蚂袂肈莅薈羂膁薁袆羁芃莄螂羀蒅蕿螈罿膅莂蚄羈芇蚇薀羇荿蒀衿羆聿蚆螅羆膁葿蚁肅芄蚄薇肄莆蒇袆肃肆芀袂肂芈薅螈肁莀莈蚄肀肀薃蕿肀膂莆袈聿芅薂螄膈莇莅蚀膇肇薀薆膆腿莃羅膅莁蚈袁膅蒃蒁螇膄膃蚇蚃螀芅葿蕿蝿莈蚅袇袈肇蒈螃袈膀蚃虿袇节蒆蚅袆蒄艿羄袅膄薄袀混凝投药的神经网络控制方法白桦　李圭白提要:　　基于神经网络的内模控制系统具有很强的自学习性和自适应性，对大滞后、非线性系统可实现预测控制，较传统控制方式有明显的优势。研究了这一方法在水净化混凝投药自动控制中的应用，在分析混凝投药过程特点的基础上，选择了影响混凝剂投加量及混凝效果的主要参数，建立了预测投药量的神经网络模型，确定了混凝投药

3、神经网络内模控制系统的结构，并对网络训练样本数据的获得进行了讨论。关键词:　　关键词　混凝投药控制　神经网络　神经网络控制　内模控制　水处理　自动化　浊度0　前言　　投药混凝是水质净化的重要环节，准确地投加混凝剂可以有效地减轻过滤、消毒设备的负担，是提高水质、取得良好混凝效果及经济效益的关键问题。因此，近年来这一问题一直是水工作者的关注重点。　　为实现混凝投药量的在线实时控制，达到混凝剂的最佳投加，目前主要采用两种控制方式：一种是闭环控制方式，主要有模拟沉淀法和基于加药后水质参数的流动电流法，比较成功的应用如1989年，Detel&Kingery利用流动电流检测器(SCD)实现对投

4、药量的有效控制而降低了生产费用［1］；1993年，Bernharde&Schell利用SCD实现了当原水水质发生变化时的最优投药控制［2］。目前，国内水厂采用的混凝投药自动控制系统大都基于这种方式。另一种是前馈控制方式，主要依赖于建立原水参数与投药量之间的相关关系。例如，最简单、原始的人工经验目测法和数学模型法等。由于混凝过程是一个复杂的物理、化学过程，目前还很难通过对其化学反应机理的研究，准确地建立反应过程的数学模型；同时，由于从混凝剂的投加，到絮凝、沉淀、过滤，大约经过40min以上时间，对于这样的非线性、大滞后系统，采用传统的控制方式是很难对原水水质参数的变化作出

5、快速响应的，也就限制了其控制效果。　　水处理过程的最终目标，是通过对原水水质参数的分析，在线实时控制药剂的投加量，以适应原水水质的不断变化，使出水满足各项水质指标。就上述的各种方法而言，也是通过不同的控制方法或控制算法，建立起原水水质参数与投药量之间的关系，循着这一思路，笔者提出一种新的混凝投药控制方法--人工神经网络控制方法。　　神经网络控制是随着神经网络的复兴而发展起来的，是神经网络与自动控制的一种结合，目前各国学者正致力于将其用于工业生产过程控制中的应用研究。因此，把这一方法应用于水工业中，将是一次有益的探索。1　人工神经网络概述　　人工神经网络是在现代神经科学研究成果的基础

6、上提出的，并反过来用于工程或其它领域。其着眼点是采用生物体神经细胞网络中可利用的部分来克服目前计算机或其它系统不能解决的问题，如学习、识别专家系统等。它是由大量而简单的处理单元(神经元)广泛地相连接而形成的非线性复杂网络系统，具有非线性函数逼近的能力，有很强的容错能力和学习能力。其中前馈型网络由输入层、中间层(隐层)、输出层组成。隐层可有若干层，每一层的神经元只接受前一层神经元的输出，这样就实现了从输入层结点的状态空间到输出层状态空间的非线性映射。网络中的连接权和连接结构都可以通过学习而得到。神经网络所记忆的信息存储在神经元之间的连接权中，从单个权中看不出其存储信息的内容，因而是分

7、布式存储方式。图1是一种典型的前馈式神经网络模型示意图，其神经元是分层排列的，各层神经元、各层之间通过不同的权重连接，权重的大小反映互连神经元之间相互影响的形式与大小，在输入层输入各初始参数后，输出层的输出值即为该网络对这些输入层参数的响应，也即所需结果。图1所示网络实质上是建立输入层各参数In到输出层各参数Om的映射，从而反映这些输入参数对输出的影响形式和幅度，进而反映输入参数与输出结果之间的本质联系。　　在众多神经网络模型中，误差反向传播网络(BackPropa