引用本文

蒙西, 乔俊飞, 韩红桂. 基于类脑模块化神经网络的污水处理过程关键出水参数软测量. 自动化学报, 2019, 45(5): 906-919. doi: 10.16383/j.aas.2018.c170497

MENG Xi, QIAO Jun-Fei, HAN Hong-Gui. Soft Measurement of Key Effluent Parameters in Wastewater Treatment Process Using Brain-like Modular Neural Networks. ACTA AUTOMATICA SINICA, 2019, 45(5): 906-919. doi: 10.16383/j.aas.2018.c170497

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c170497

关键词

污水处理过程，关键出水参数，软测量，类脑模块化神经网络 

摘要

针对城市污水处理过程关键出水参数难以实时检测的问题，文中提出了一种基于类脑模块化神经网络（Brain-like modular neural network，BLMNN）的关键出水参数软测量方法.首先，基于互信息和专家知识进行任务分解，分析关键出水参数的相关变量，获取各出水参数的辅助变量.其次，通过模拟大脑皮层模块化分区结构，构建软测量子模型对各水质参数进行同步测量，降低软测量模型复杂度的同时保证了其精度.最后，通过基于实际数据的仿真实验验证了所提出方法的准确性和有效性.

文章导读

城市污水处理过程是一个复杂的、大滞后的生物化学反应过程, 具有多样性、随机性、不确定性、强耦合性、高度非线性、大时变等特征, 其关键水质参数的检测和控制是污水处理厂稳定、高效运行的重要前提[1-3].目前, 水质参数的检测方法可以分为三种[4-5]:人工取样化验法、在线仪表检测法以及软测量技术.其中, 人工化验法操作繁琐, 从取样到化验耗时较长, 所需时间从几分钟到几天不等, 例如对出水生化需氧量(Biochemical oxygen demand, BOD)的化验需要5天.人工化验的时滞会严重影响污水处理效果, 易造成二次污染.与人工取样化验法相比, 在线检测仪表能缩短检测时间, 避免人工操作带来的偶然误差, 但购买与维护成本却十分昂贵, 大多数污水厂都无力配置足够规模的在线仪表.软测量技术通过机理分析建模来估计待测变量, 由于污水过程极其复杂多变, 现有的机理模型难以完全体现污水处理过程的特性, 测量精度无法得到保证.因此, 建立快速、精准、可靠的污水处理系统模型对出水参数进行软测量, 是污水处理过程控制领域亟待解决的问题, 具有重要的研究价值.

针对上述问题, 基于数据驱动的智能化软测量方法在污水处理过程出水水质参数检测领域受到广泛关注和应用[6-9].由于人工神经网络的知识习得能力和非线性逼近能力在诸多非线性系统建模问题上已得到很好验证[10-13], 许多学者开始将其应用于污水处理过程建模领域. Ráduly等[14]选用典型的前馈神经网络对出水BOD和出水化学需氧量(Chemical oxygen demand, COD)进行软测量, 但测量精度有待提高. Bagheri等[15]通过多次对比实验验证了多层感知器和径向基函数(Radial basis function, RBF)神经网络在出水总悬浮物浓度(Total suspended solid, TSS)、出水总磷(Total phosphorus, TP)、出水COD以及出水氨氮(Ammonia nitrogen, NH4-N)软测量上的可行性, 然而通过试凑法确定的网络结构和学习参数却无法保证建模效率和模型性能.文献[16]基于互信息设计了一种弹性径向基函数神经网络, 实现了对出水BOD和出水COD的软测量, 但算法中较多的参数会影响软测量模型在实际工业过程中的应用.结合神经网络与模糊推理系统, Wan等[17]分别建立了出水固体悬浮物浓度(Suspended solid, SS)和出水COD的软测量模型, 该模型的泛化性能却有待提高. Li等[18]构建了一种用于解决非线性系统建模问题的自组织级联神经网络, 当选用该网络对出水BOD和出水TP进行软测量时, 获得了较理想的建模精度, 但其网络结构却过于庞大. Han等[19]用一种改进的粒子群算法对RBF神经网络结构和网络参数进行同步优化, 构建了基于自组织RBF神经网络的出水TP软测量模型, 粒子群算法的引入却增加了时间复杂度, 实际应用中会降低建模效率.综上分析, 对于污水处理过程的多类出水参数(出水BOD、出水COD、出水TSS、出水NH4-N和出水TP等), 目前大多数软测量方法都只是基于神经网络针对单一水质参数建模, 所选用神经网络的性能决定了软测量模型的效率和精度.若神经网络信息处理能力不足, 则无法保障模型的精度; 若网络结构过大, 则会增加模型复杂度、影响建模效率.此外, 网络中较多的参数也会影响软测量模型在实际污水处理过程中的稳定性和应用推广.

针对上述问题, 以不易获取的关键参数出水BOD和出水TP为目标, 文中提出了一种基于类脑模块化神经网络(Brain-like modular neural network, BLMNN)的软测量方法.人脑在信息处理方面有着突出的优点, 如学习、感知以及在复杂环境中做出决策等, 都是现有机器学习系统所无法比拟且一直试图实现的[20].大脑的结构连接决定了其功能特性.模块化分区结构是大脑皮层的一大特征, 人脑在学习、处理任务时, 不同的分区处理不同的信息, 具有"分而治之"特性[21].模拟人脑皮层结构和功能特性, 基于BLMNN的软测量方法旨在通过"分而治之"实现对出水BOD和出水TP的实时、准确检测.首先基于互信息理论和专家知识, 分析各参数变量与待测变量间的相关性, 获取出水参数的辅助变量, 有效降低了模型的复杂度.然后, 针对各出水参数, 采用改进的误差补偿(Improved error correction, IErrCor)[22]算法设计RBF神经网络来构建相应的子模型. IErrCor RBF神经网络能根据待处理任务自适应调整网络结构和参数, 且结构增长和网络参数调整相互作用, 在保证结构精简的同时提高了网络性能.因而采用IErrCor RBF神经网络构建的子模型具有理想的建模速度和模型精度.此外, 文中还对子网络的收敛性和模型的计算复杂度进行了分析, 从理论上体现了BLMNN模型的可靠性.最后, 基于污水厂实际数据的仿真实验验证了所提出方法的有效性和优良性.因此, 文中建立的类脑模块化神经网络软测量模型能有效应用于污水处理过程中, 对实现污水处理过程的实时优化控制具有重要意义.

图 1  BLMNN软测量模型策略图

图 2  类脑模块化神经网络结构图

图 3  IErrCor RBF网络学习能力与结构的关系

针对城市污水处理过程中关键出水参数难以实时、准确检测的问题, 文中提出了一种基于BLMNN的软测量建模方法, 模拟人脑"分而治之"处理复杂任务的特性, 实现了对出水BOD和出水TP的同步、实时、准确检测.该建模方法具有以下特点:

1) 模拟大脑皮层的分区特性, 实现了对关键水质参数出水BOD和出水TP的同步、实时测量.

2) 基于互信息和专家知识选取相关辅助变量, 降低了模型的复杂度, 提高了子模型的性能.

3) IErrCor RBF神经网络结构精简、收敛较快、且具有良好的非线性映射能力, 用该网络构建的子模型有效地保证了整个BLMNN软测量模型的效率和精度.

4) 不同于其他算法需要提前寻求最优参数, BLMNN模型中的初始参数基于待处理任务的样本数据设定.通过初始参数对网络收敛性能影响的理论证明, 体现了该算法在实际应用中的可靠性.对BLMNN计算复杂度的分析也表明文中提出的软测量模型具有较好的建模效率.

目前, 基于BLMNN的污水处理过程出水参数软测量方法的研究尚处于探索阶段, 模型的结构和性能都还有改进和提升空间.从仿真实验验证结果可以看出, 该模型在关键水质参数出水BOD和出水TP的测量问题上具有显著优势, 期望在下一步的工作中能实现对更多出水参数的有效测量.

作者简介

蒙西

北京工业大学博士研究生.主要研究方向为类脑计算, 神经网络结构优化设计.E-mail:mengxi@emails.bjut.edu.cn

韩红桂  

北京工业大学教授.主要研究方向为污水处理工艺复杂建模与控制, 神经网络分析与设计.E-mail:rechardhan@sina.com

乔俊飞  

北京工业大学教授.主要研究方向为智能控制, 神经网络分析与设计.本文通信作者.E-mail:junfeq@bjut.edu.cn