湯鎧源　李明河

摘要：針對污水處理系統非線性，滯后性以及強耦合等特性，利用BP神經網絡建立系統模型，對溶解氧（DO）濃度進行控制。傳統預測控制的滾動優(yōu)化部分使用的是梯度下降算法，難以獲取最優(yōu)控制增量，基于此問題，利用L-M （Levenberg-Marquardt）算法對神經網絡滾動優(yōu)化部分進行了改進。通過仿真實驗，結果表明該方法切實可行。

關鍵詞：污水處理;溶解氧濃度;L-M算法;神經網絡

中圖分類號：TP23文獻標志碼：A文章編號：1008-4657（2019）02-0013-05

0引言

隨著生活節(jié)奏的加快，城市污水處理也變得越來越迫切，在污水處理方法中活性污泥法（SBR）是目前使用最廣泛的方法。作為實際活性污泥污水處理系統運行中一個尤為關鍵的控制參數，溶解氧（Dissolved Oxygen，DO）濃度極大地影響了系統的運行成本以及出水水質。因此對溶解氧濃度控制進行深入研究有著非常重要的意義和應用價值。如今中外學者們對溶解氧控制的研究越來越深入，提出了很多有效的控制方法。如PID控制[1-2]、模糊控制[3-4]，模型預測控制[5]以及許多改進的預測控制方法。神經網絡預測控制[6]也被大量應用于溶解氧濃度控制中，同時也存在容易陷入局部最小值，難以獲取最優(yōu)控制增量等問題。

L-M（Levenberg-Marquardt）算法結合了梯度下降法與高斯-牛頓法（Gauss-Newton，G-N）的各自優(yōu)點，它既具有G-N的局部收斂性，又包含了梯度下降法所具備的全局特性。L-M算法利用了近似的二階導數信息，所需的迭代時間較少，收斂速度快，避免陷入局部最小值[7]。本文通過建立溶解氧濃度的BP神經網絡預測模型，并利用L-M算法對傳統神經網絡預測控制的滾動優(yōu)化部分進行改進，使系統能夠更準確的獲取最優(yōu)控制增量，通過Matlab實驗仿真，結果表明本文所提出的方法在溶解氧溶度控制中行之有效，提高了系統的有效性和可靠性。

1污水處理系統模型的建立

活性污泥法的基本過程通常由生化曝氣池、曝氣系統、二沉池、污泥回流系統以及剩余污泥排放等部分組成[8]，如圖1所示。原污水先進入初沉池進行一級處理。其中，曝氣池是污水處理核心部分，曝氣池通過曝氣產生好氧代謝狀態(tài)。隨后池內的廢水及活性污泥一起流至二沉池，進行泥水分離，活性污泥絮體沉入池底，澄清水排出二沉池。從二沉池分離出來的大部分污泥再次回流進入曝氣池，這部分污泥稱之為回流污泥，剩余部分污泥則直接從沉淀池中排出，稱之為剩余污泥。

通過對活性污泥法的工藝流程進行細致分析，本文所采用的是活性污泥1號模型（ASM1），根據物料平衡原理，積累量=反應生成量+輸入量-輸出量，建立污水處理過程數學模型如下[9]：

2神經網絡預測控制

BP神經網絡是一種前饋型神經網絡，在非線性函數的逼近，模式識別以及分類等領域得到了廣泛的應用，因其具有自適應學習能力，有較強的魯棒性及容錯率等特點，常被應用于復雜非線性系統的建模與控制[10]。模型預測控制（Model Predictive Control，MPC）通常包含預測模型、反饋校正、滾動優(yōu)化等部分，但由于傳統MPC通過系統階躍響應所建立的線性或非線性不強的預測模型，而實際的工業(yè)生產中，復雜的工業(yè)對象通常都是強非線性的。所以MPC的使用范圍受到了很大的局限[11]，而神經網絡從理論上來說能夠以任意精度逼近任何非線性模型，因此如何將神經網絡與MPC結合起來對于非線性系統的建模與控制有著極其重要的意義。

由于污水處理系統非線性，滯后性以及強耦合等特性，先利用BP神經網絡建立系統的預測模型，通過反饋校正調整預測輸出，然后對目標值進行滾動優(yōu)化，最終實現溶解氧濃度的優(yōu)化控制。

2.1預測模型

4系統控制結構圖

系統控制結構如圖3所示。

首先，通過輸入輸出數據建立BP神經網絡預測模型，預測系統的輸出值，使系統輸出沿著參考軌跡逐漸接近溶解氧設定值，通過反饋校正減小系統的預測誤差，采用L-M算法對神經網絡預測控制的滾動優(yōu)化部分進行改進，求解出最優(yōu)控制增量，從而實現了對溶解氧控制系統的預測控制。

5仿真分析

5.1建模

產生1000組[-2，2]之間的隨機數作用于對象，獲取對象輸出。通過利用MATLAB神經網絡工具箱中的“newff”函數對所獲取的輸出輸出數據進行BP神經網絡預測模型的搭建。設定訓練精度為1×10-5 ，訓練次數為500，設置隱含層個數為30，經過訓練得到BP神經網絡預測模型。隨機產生50組測試數據，對所建立的模型進行預測測試，結果如圖4所示。

其建模相對誤差為0.6429，表明本文所建立的模型精度較高，能夠滿足預測要求。

5.2仿真結果

使用建立好的預測模型，通過MATLAB展開對溶解氧濃度控制的仿真研究。選擇L-M算法初始點值為[1 1 1]T，最大迭代次數為50次，分別對神經網絡控制以及L-M算法改進的預測控制進行系統的仿真和性能比較。仿真結果如圖5所示。

從圖5中可以看出，本文設計的基于L-M算法的改進神經網絡控制器響應速度快，超調量小，可以比傳統的神經網絡預測器更快地達到穩(wěn)定值。

6結論

針對傳統預測控制不易獲取最優(yōu)控制增量的問題，利用L-M算法改進傳統滾動優(yōu)化部分，設計了基于L-M算法的BP神經網絡預測控制，并應用于污水處理過程中的溶解氧濃度控制。實驗仿真結果表明本文提出的基于L-M算法改進的神經網絡預測方法能夠有效的解決最優(yōu)增量不易獲取的問題，且控制效果對比傳統的預測控制更好，提高了神經網絡控制系統的可靠性。

參考文獻：

[1] Ye H T，Li Z Q，Luo W G.Dissolved Oxygen Control of the Activated Sludge Wastewater Treatment Process Using Adaptive Fuzzy PID Control[C]// Nanjing：Control Conference，2013.

[2] 楊世品，陳林，李山春，等.基于模糊PID控制的污水處理溶解氧控制系統[J].儀表技術與傳感器，2009（1）：88-90.

[3] Belchior C A C，Rui A M A，Landeck J A C.Dissolved Oxygen Control of the Activated Sludge Wastewater Treatment Process Using Stable Adaptive Fuzzy Control[J].Computers & Chemical Engineering，2012，37（4）：152-162.

[4] 顧磊，吳建國，張培建，等.模糊PID神經網絡算法在污水處理中的應用[J].水電能源科學，2016（11）：49-53.

[5] 韓廣，喬俊飛，薄迎春.溶解氧濃度的前饋神經網絡建模控制方法[J].控制理論與應用，2013，30（5）：585-591.

[6] 李明河，周磊，王健.基于LM算法的溶解氧神經網絡預測控制[J].農業(yè)機械學報，2016，47（6）：297-302.

[7] Dkhichi F，Oukarfi B，Fakkar A，et al.Parameter Identification of Solar Cell Model Using Levenberg–Marquardt Algorithm Combined with Simulated Annealing[J].Solar Energy，2014，110：781-788.

[8] 黃銀蓉，張紹德.污水處理曝氣池溶解氧智能優(yōu)化控制系統[J].信息與控制，2011，40（3）：393-400.

[9] 鄭美玲.基于粒子群算法的污水處理預測控制研究[D].哈爾濱：哈爾濱工業(yè)大學，2010.

[10] 譚永紅.基于BP神經網絡的自適應控制[J].控制理論與應用，1994（1）：84-88.

[11] 席裕庚.預測控制[M].第2版.北京：國防工業(yè)出版社，2013.

[12] 周霞，沈炯.多目標免疫GEP算法及其在多項式NARMAX模型辨識中的應用[J].控制與決策，2014（6）：109-109.

[13] 王炳萱，李國勇，王艷暉.基于LM-PSO算法和BP神經網絡的非線性預測控制[J].太原理工大學學報，2016，47（2）：207-211.

[責任編輯：許立群]