閆宏英 李春青

摘要:該文在分析MBR膜污染形成機(jī)制、膜污染影響因素的基礎(chǔ)上，首先利用主元分析法對影響膜污染的各種參數(shù)實現(xiàn)輸入變量的降維和去相關(guān)，求出影響膜污染最為明顯的三大因素：混合液懸浮固體(MLSS)、總阻力和操作壓力(TMP)，進(jìn)而運(yùn)用BP和RBF人工神經(jīng)網(wǎng)絡(luò)建立了這三大參數(shù)與表征膜污染程度大小的膜通量之間關(guān)系的MBR智能仿真系統(tǒng)模型，并分析了兩種神經(jīng)網(wǎng)絡(luò)模型對MBR污水處理膜污染過程的適應(yīng)能力。實驗結(jié)果表明：l)神經(jīng)網(wǎng)絡(luò)模型可以準(zhǔn)確地反映出實際情況，具有很好的自適應(yīng)能力；2) PCA-RBF神經(jīng)網(wǎng)絡(luò)模型的收斂精度高而且速度快于PCA-BP神經(jīng)網(wǎng)絡(luò)模型。

關(guān)鍵詞:膜生物反應(yīng)器；膜通量；BP神經(jīng)網(wǎng)絡(luò)；RBF神經(jīng)網(wǎng)絡(luò)；主成分分析法

中圖分類號：TP389文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044(2012)16-3934-04

Research of MBR Simulation Predictions Based on Neural Network

YAN Hong-ying1,LI Chun-qing2

(Tianjin Polytechnic University ,Computer Science and Software Institution, Tianjin 300387,China)

Abstract: In this paper, based on the analysis of the MBR membrane fouling formation mechanism and the impact factors of membrane fouling, first of all,authors used principal component analysis on various parameters affecting the membrane fouling to achieve dimensionali? ty reduction and decorrelation of the input variables and obtain the most obvious three factors affecting membrane fouling: the mixed li? quor suspended solids (MLSS), the total resistance and the operating pressure (TMP), second, established the MBR intelligent simulation system model reflecting the relationship between the three parameters and the membrane flux characterizing the size of the extent of mem? brane fouling with BP and RBF neural network, and then analyzed the adaptability of the two neural network models with MBR wastewa? ter treatment membrane fouling process. The experimental results show: l) the neural network model can accurately reflect the actual situa? tion, with a good adaptive capacity; 2) the convergence precision and the approximation rate of the RBF neural network model are better than BP neural network model.

Key words: MBR; membrane flux; BP neural network; RBF neural network; principal component analysis

膜生物反應(yīng)器（Membrane Bioreactor，MBR）是膜分離技術(shù)與生物處理技術(shù)相結(jié)合的一種新型、高效的污水處理技術(shù)，它利用微生物對反應(yīng)基質(zhì)進(jìn)行生物轉(zhuǎn)化，利用膜組件分離反應(yīng)產(chǎn)物并截留生物體。根據(jù)國際純粹和應(yīng)用化學(xué)協(xié)會（IUPAC）的定義，由于被處理污水中的固體懸浮物或溶解性物質(zhì)在膜的表面吸附和沉積形成濾餅層，而濾餅層存在使膜的滲透阻力大大增加，從而造成膜通量降低的過程稱為膜污染。大量實驗研究表明，膜污染嚴(yán)重影響MBR膜分離單元的性能，并且造成較大MBR的功耗，膜污染導(dǎo)致的最直接的后果就是膜通量下降，所以膜通量大小是膜污染程度的重要表征。

膜污染的影響因素眾多，主要來自三個方面：1)膜自身的性質(zhì)，如膜材質(zhì)和膜的潤濕性，這些因素決定了濾餅層污染和吸附性污染的程度；2)操作條件，如操作壓力，污泥齡、污泥負(fù)荷等；3)活性污泥混合液性質(zhì)，如污泥濃度(MLSS)和EPS等。并且三個方面相互交叉影響。由于MBR膜污染因子的復(fù)雜性以及各污染因子之間相互交叉，并且模型的應(yīng)用受一定條件的制約，通用性差。因此應(yīng)用經(jīng)典的數(shù)學(xué)模型算法難以精確描述表征膜污染。基于此，該文提出利用人工神經(jīng)網(wǎng)絡(luò)建立污水處理膜污染過程模型的方法。并且分別建立了基于PCA-BP、PCA-RBF人工神經(jīng)網(wǎng)絡(luò)的污水處理膜污染過程預(yù)測模型，經(jīng)過仿真實驗研究，表明兩種神經(jīng)網(wǎng)絡(luò)模型都有很好的適應(yīng)能力，但是PCA-RBF神經(jīng)網(wǎng)絡(luò)模型在收斂精度和逼近速度方面均要優(yōu)于PCA-BP神經(jīng)網(wǎng)絡(luò)模型。

l)該文基于污水處理廠的實際數(shù)據(jù)，建立PCA-BP和PCA-RBF神經(jīng)網(wǎng)絡(luò)MBR污水處理過程模型，通過檢測表明利用神經(jīng)網(wǎng)絡(luò)建立的模型是有效的、可行的；

2)PCA-BP神經(jīng)網(wǎng)絡(luò)和PCA-RBF神經(jīng)網(wǎng)絡(luò)相比較而言，RBF神經(jīng)網(wǎng)絡(luò)模型的收斂精度和逼近速度均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型；兩種神經(jīng)網(wǎng)絡(luò)模型的泛化能力基本相同；

3)PCA-BP神經(jīng)網(wǎng)絡(luò)需要選擇權(quán)值和閾值的調(diào)整方法以避免出現(xiàn)局部最小問題，PCA-RBF神經(jīng)網(wǎng)絡(luò)不僅程序簡單快速，更簡便合理。因此，PCA-RBF神經(jīng)網(wǎng)絡(luò)更適合建立MBR污水處理過程模型。

[1]張燕,膜生物反應(yīng)器處理印染污水及膜污染的研究[D].西安:西安工程科技學(xué)院，2003.

[2]高宏宇.不確定系統(tǒng)的神經(jīng)網(wǎng)絡(luò)控制研究[D].黑龍江:大慶石油學(xué)院,2006.

[3]余穎.基于神經(jīng)網(wǎng)絡(luò)的污水處理過程建模的研究[C].第五屆全球智能控制與自動化大會會議論文集,Hangzhou,P.R.China,2004.

[4]張健,等.基于組合不變矩與神經(jīng)網(wǎng)絡(luò)的衛(wèi)星目標(biāo)識[J].海軍航空工程學(xué)院學(xué)報, 2008, 23 (1) : 29-32.

[5]遲明杰,SBR法污水處理過程建模與控制技術(shù)研究[D].濟(jì)南:山東輕工業(yè)學(xué)院,2010.

[6]毛宗武,基于試驗?zāi)Ｐ偷腗BR三維仿真系統(tǒng)的研究[D].天津：天津工業(yè)大學(xué)，2011.

[7] Wang Weibin，Zheng Pie,Li Jinyong. Application of BP-NN and RBF-NN in Modeling Activated Sludge System[J].Transaction of Tianjin University,2003,3(9):235-240.

[8]王米娜.電子鼻動態(tài)特征信息處理方法研究[D].西北工業(yè)大學(xué),2005.

[9]熊煜,邵慧娟.地震數(shù)據(jù)處理中基于RBF網(wǎng)絡(luò)的函數(shù)逼近[J].計算機(jī)仿真,2005(07).

[10]田麗.基于小波神經(jīng)網(wǎng)絡(luò)的語音識別的研究[D].大慶:大慶石油學(xué)院,2005.

[11]賀清碧. BP神經(jīng)網(wǎng)絡(luò)及應(yīng)用研究[D].重慶:重慶交通學(xué)院,2007.

[12]劉臣輝,呂信紅,范海燕.主成分分析法用于環(huán)境質(zhì)量評價的探討[J].環(huán)境科學(xué)與管理, 2011,36(3):183-186.

[13]沈悅嘯,王利政.膜生物反應(yīng)器的最新研究進(jìn)展[J].中國給水排水, 2010(12) .

[14]馬艷芳,周冰.RBF神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用[J].電腦知識與技術(shù), 2009(25).