CN101556458A - 自来水混凝投矾自动化控制算法 - Google Patents

Abstract

本发明公开了一种基于人工神经网络进行前馈控制和基于模糊反馈控制的自来水混凝投矾自动化控制算法，它包括：通过人工神经网络对投矾控制的过程参数进行学习，识别系统参数中间的内在对应关系，从而对芯的检测源水参数的控制值进行预测，然后通过模糊控制反馈的方法对预测值进行修正，最终得到一个符合需要的投矾控制量去控制计量泵工作，完成投矾控制的全过程。本算法能够在源水参数变化的条件下保证水工业的安全生产和平稳运行、实现节能将耗，减员增效。

Description

自来水混凝投矾自动化控制算法

技术领域

本发明属于现代信息技术在自来水厂投矾生产自动化控制算法方面的应用，具体涉及一种基于神经网络的前馈算法，和基于模糊控制的反馈算法结合的自来水混凝投矾控制算法。

背景技术

自来水混凝投矾工艺是自来水制水工艺的关键及核心工艺之一，该工艺的作用是将进水通过与矾的混凝反应，使滤前水的浊度降低到一个可控的范围。滤前水再经过滤池过滤使出厂水达到国家标准要求的浊度。因此该生产工艺的控制效果，关系城市供水安全。自来水投矾又是一个复杂的工业生产过程，具有非线性、大滞后，多输入因子(进水流量、进水浊度和温度、PH值、矾浓度等)，不确定性、时变性、模糊性等特点。以江河为水源的水厂，其水源进水参数随季节变化十分大，更给实现投矾自动化增加了难度。

投矾控制还是个大系统的概念，因为除了几个影响投矾控制效果的主要参数如进水流量、进水浊度、进水温度等可用仪表检测的参数外，还有许多未知的因素的影响，如临时排污，上游冲沙，暴雨，因沉降池未及时排泥导致效率下降、江水水位过高致使进水流量超过反应池设计能力等多种无法测试的因素，都会影响滤前水的浊度。

近年来，城市供水工业的制水工艺和自动化水平有了很大的提高，许多辅助的操作工艺都实现了自动化，但作为制水工业的核心工艺——投矾控制，由于具有较大的难度，而且需要多学科的协作攻关，虽然经过行业内外众多科技人员的多年攻关，始终没有突破性进展。我国从国外引入SCD(流动电流检测仪)用来进行自来水投矾控制，并且在全国上百个水厂投入运用，然而，其中凡是以江河为水源的自来水厂，SCD的传感器在运行很短的时间后就被泥沙堵塞而失效。其他许多公司开发的投矾控制方式如模糊控制、FCD控制(从水下摄像看矾花进行控制)等控制方法都以失败而告终。

全国地级以上城市的自来水厂，在信息化、网络化数据检测和传输都做到一定的水平，但投矾这个自来水生产的关键性核心工艺，仍然处于人工控制的较落后状态。目前，水厂投矾量是依靠实验室搅拌实验，得出的数据指导实时投矾操作，以满足生产要求。显然，取样值只能够针对某个时刻的参数进行实验，以江河为水源的自来水厂，参数变化比较大时，这个实验的指导价值就很低了，只有靠人工的经验来进行操作。有些水厂的投矾工艺甚至处于完全无数据依据的人工作坊式生产，投矾自动化成为水工业自动化技术进步的一个瓶颈。

保证自来水投矾系统的平稳、安全运行和实现生产的节能降耗，是自来水公司的生产管理目标。随着人民生活水平的提高，对于饮水质量要求也相应提高。国家关于城镇供水质量的强制标准从2007年7月1日开始执行，其中对出厂水浊度的要求从原来的3度提高到1度(内定0.5度)，对于制水工业投矾工艺的控制提出了更高的要求。出厂水浊度控制在3度时，人工操作比较容易达到，而要求将出厂水的浊度控制到0.5度，难度就大大增加了。需要人工时时精心操作，目前人工控制存在的最大问题是：为了防止水浊度超标，尽量多加矾；而当条件变化时，人工不可能时刻对投矾量进行调整，生产消耗也就无法降低；面对突发事件，稍不小心，就容易产生生产事故，危及饮水安全。因此，这个重要的生产工艺完全靠人力来完成，本身就是一个安全隐患。

发明内容

本发明的目的在于提供一种基于神经网络的前馈算法和基于模糊控制的反馈算法结合的的自来水混凝投矾自动化控制算法，以实现自来水混凝投矾的全自动控制。

本发明的技术方案：基于神经网络多因子前馈的自来水混凝投矾控制算法，它是用于对源水参数、投矾控制量和控制结果参数通过人工神经网络进行学习和进行前馈处理；得到这些量的内部对应的权值关系，再根据被调参数滤前水的浊度的设定值与实际控制效果值的差别，按照模糊控制的方法在前馈控制算法的预测值的基础上进行调整，形成一个最终的控制值去对计量泵进行控制。

本系统实现投矾的自动化运行，保证水工业的安全生产和平稳运行、实现节能将耗，减员增效。

附图说明

图1投矾算法框图。

图2改进Elman的网络结构示意图。

图3人工神经网络输出误差变化图。

图4Elman神经网络学习训练框图。

具体实施方式

投矾自动控制算法(前馈及反馈)如图1所示：

投矾控制的总体算法框架是建立在前馈-反馈控制算法基础上的。它主要是根据扰动补偿的原理进行控制，提前采取措施补偿扰动可能产生的不良影响，提高控制品质。但前馈控制的扰动因子一般是单因子，而对自来水投矾控制的效果产生影响的输入信号是多因子，非线性的，本算法的创新点在于采用人工神经网络对输入多因子信号对控制效果的权值进行学习，识别每个输入参数对于控制效果影响的规律，然后由人工神经网络根据现实的输入参数的变化决定控制值的改变。

本控制算法中，将模糊控制的方法引入反馈控制，根据被调参数滤前水的浊度的设定值与实际控制效果值的差别，按照模糊控制的方法在前馈控制算法的预测值的基础上进行调整，从而构成一个完整的控制方法。

前馈实时控制系统的主要作用是根据输入参数的变化提前进行一些相应控制值的改变，抑制干扰的影响，以克服系统大时滞的缺点，反馈模糊控制的主要作用是提高控制精度。

神经网络前馈处理投矾数据库子系统：建立往年原水水质参数及相应投药量、沉淀池出水浊度的投矾数据库管理系统；

改进Elman神经网络子系统：以改进Elman网络模型为核心，通过任务调度Elman网络模型子系统管理程序模块从投矾数据库子系统中调用以往原水水质参数及相应的混凝剂投加量、沉淀池出水浊度等作为输入输出量建立Elman网络模型，并利用训练机训练，通过预测机利用已训练成熟的Elman网络模型确定混凝剂投加量；

专家子系统：实现与Elman网络模型子系统的无缝连接，建立原水水质、混凝剂投加量、沉淀池出水浊度相关关系的知识库、推理机及知识获取机，结合RBF网络模型子系统确定混凝剂投加量，将该投加量和相应的沉淀池出水浊度作为资料数据通过信息处理，存入投药数据库子系统中，为下次投药作好准备。

神经网络前馈处理是：它是在建立一个Delphi应用程序和Matlab之间的ActiveX自动化连接后，在Delphi中执行Matlab的命令实现了用Matlab调用有效数据库，对有效数据进行神经网络学习分析，并实时返回算法结果到Delphi并成功运用于实际控制中；所述Delphi调用神经网络算法过程为即在Delphi中执行Matlab命令的过程如下：注册ActiveX对象；产生和获得Matlab对象；Matlab读取专家数据库；Matlab生成改进的Elman神经网络；设置神经网络学习训练参数；神经网络学习训练后计算输出。

改进动态Elman神经网络

考虑到投药系统是非线性、大滞后的动态系统，采用传统的静态前向网络(如BP网络)其动态性能无法满足要求。本控制系统经多次实验，采取了一种改进的Elman动态网络，较好的提高了逼近能力，加快了收敛速度。

Elman神经网络是一种典型的动态神经网络，自身含有动态环节，无需使用较多的系统状态作为输入，从而减少了输入层单元数。但基本Elman网络只对一阶系统能有效辨识，而水厂投矾系统是非线性高阶系统，为此我们采用改进的Elman网络来实现对模型的控制及预测。如图2所示；该网络其输入层、隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传递函数采用非线性函数，其输出为输入层信息和结构层信息的非线性叠加；结构层用来保存隐含层单元和自身的前一时刻的输出值，叠加后返回给隐层，可以认为是一个一步延时算子。该网络在基本Elman网络的结构层增加了一组自反馈因子，使网络具有更好的记忆特性，更适用于动态模型的辨识。

设网络的输入层、输出层、隐层的个数分别为m、n、r，w₁、w₂、w₃分别为结构单元到隐层、输入层到隐层，以及隐层到输出层的连接权矩阵，f(□)和g(□)分别为输出单元和隐层单元之激发函数所组成的非线性向量函数。其非线性状态空间表达式为：

$x_j\left(k\right)=f(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}w{2}_{i,j}{u}_i\left(k\right)+\underset{i=1}{\overset{r}{\mathrm{\Σ}}}{w1}_{i,j}{c}_i\left(k\right))---\left(1\right)$

c_i(k)＝x_i(k-1)+α×c_i(k-1)    (2)

$y_j\left(k\right)=g\left(\underset{i=1}{\overset{r}{\mathrm{\Σ}}}{w3}_{i,j}{x}_i\left(k\right)\right)---\left(3\right)$

上式中f(□)可采用Sigmoid函数，即 $f\left(x\right)=\frac{1}{1+e^{-x}};$ g(□)可采用线性函数，即g(x)＝kx。

权值修正和误差递推算法可参阅BP算法的梯度下降法来修正，算法实施步骤为：

(1)初始化模型和神经网络。离线初步训练神经网络，预置神经网络初始权值和阈值；

(2)检测实际输出y(k)，前向计算网络输出

并计算预测误差e(k)；

(3)计算补偿输入分量Δu_c和控制增量Δu；

(4)计算u_c(k+1)和u(k+1)；

(5)用递推最小二乘法学习网络权值及阈值一次；

(6)令k＝k+1，转入(2)；

Elman神经网络学习训练过程如图4所示。

该学习方法可参阅文献：

[1]Cheng Y C，Qi W M，Cai W Y.Dynamic Properties of Elman and Modified ElmanNeural Network[A].Proc of the 1st Int Conf on Machine Learning andCybernetics[C].Beijing，2002，2(2)：637-640.

[2]漆为民，程远楚，姬巧玲，蔡维由.PID型Elman网络及在动态系统辨识中的应用研究[J].控制与决策，2005，20(10)：1197-1200.

[3]Gao X Z，Gao X M，Ocaska S J.A Modified Elman Neural Network Model withApplication to Dynamical Systems Identification[A].IEEE Int Conf onSystems，Man，and Cybernetics[C].Beijing，1996：1376-1381.

运行结果分析：

应用Elman网络对自来水厂生产的过程中的数据进行训练，经过1000次学习，误差输出小于0.03。采样数据每3分钟取一次平均值，克服了扰动。输入量包括进水流量、进水浊度、温度、滤前水浊度，共得到1200组数据，构成专家库以预测控制量。图3是改进Elman神经网络的误差输出图。

经过自学习的改进Elman神经网络输出的预测值与实际操作值比较。改进Elman网络的控制预测值，与工人实际控制值(代表投矾量)，两者大部分情况吻合，同时神经网络自动去除了实际生产中的工人误操作信号，经分析，达到了更高的控制精度。

采样10000组数据，经2000次学习后得到的系统输出。虽然流量(flux)在某时刻突然增大，或者进水浊度突然降低，但是神经网络的输出依然保持较稳定的状态，和人工最佳操作类似。这表明Elman神经网络具有智能去除输入信号中的杂波，自动求得最佳控制方案的特性。第6000组数据附近工人操作的泵行程实际值有较大变化，而神经网络输出则比较平稳，这是由于第5000组数据时流量发生了突变，但人工操作时工人看到流量突然变化，可能会频繁调节计量泵。经分析，投药反应时间具有滞后性，流量的突变不会导致反应池中浊度发生突变，所以神经网络的控制输出值是正确的，其控制效果大大优于人工控制，既保证了生产的安全，又达到节能降耗的目的。

神经网络的输出由专家系统进一步微调，专家库包括历史优选数据库和三天实际操作数据库，人工神经网络每两个小时对这两个数据库进行一次学习，大约耗时2分钟。然后每5分钟对实测的参数进行一次输出参数推演，最后形成一个最终的控制值去对计量泵进行控制。专家库中的数据初始置信度取0.5，若神经网络学习后其输出满足要求，将匹配成功记录的置信度加0.01，反之则减去0.01。经长期运行后，专家库中置信度小于平均置信度15％的记录可以认为是不良数据，由自学习机构删除。

系统软件采用Dephi语言开发，运行速度符合现场实时要求。数据库在Access平台下建立，界面友好，操作方便。系统安全性能非常高，采用计算机、人工双控方式。一般情况下均为计算机自动控制投矾，仅在浊度、流量发生突变，与专家库中数据差别太大以致神经网络无法学习时，将报警提示工作人员手工紧急动作。

模糊反馈控制的作用和原理：

如前所述，投矾控制是一个开放的大系统，除了一些主要影响投矾控制效果的因素如进水的参数变化外，还有许多未知的不可测的因素，如上游排污、冲沙，暴雨，沉淀池工况下降，超负荷运行，这些因素导致在同样的外界条件和投矾控制量的条件下，其控制效果滤前水的浊度不一样，因此有必要根据最终的控制效果对控制值进行调整，这就是反馈控制的任务。

考虑到投矾控制的具有的非线性和存在的一些非常规的情况，反馈控制在此处采用了模糊控制的方法。模糊控制是解决投矾控制反馈的控制精度问题，其方法是在神经网络在对一组最新的输入数据经过推演得到投矾控制的参考输出值以后，还不是最终的输出，还要经过模糊修正。修正的方法是将最新检测的滤前水浊度与设定的浊度进行比较，其差值根据大小列出一个表，这个表对应输出的修正值，当差值为正，修正值亦为正，即在人工神经网络得出的输出值的基础上增加一个修正值，为投矾控制的最终值；而当差值为负，则修正值亦为负，要从输出值中间减去修正值。与差值对应的修正值的大小根据运行经验而得。这个方法是本专利技术的重要组成部分。其参考表格如下：

滤前水浊度与设定值的差值和输出补偿值对应表

差值	+nin	…	+ni3	+ni2	+ni1	0	-nj1	-nj2	-nj3	…	-njn
												输出修正值	+xin	…	+xi3	+xi2	+xi1	0	-xj1	-xj2	-xj3	…	-xjn

表格中间，第一行为滤前水浊度与设定值的差值，差值以零为中间点，正负差值按照从小到大的顺序排列，每个差值的步进值可根据不同的应用对象灵活设定，正负差值的步进值可以相同，也可以不同。

第二行是与差值对应的输出修正值，这个修正值要可通过现场的实验或操作经验来设定。

Claims (2)

1、一种基于神经网络多因子前馈的自来水混凝投矾控制算法，它是用于对源水参数、投矾控制量和控制结果参数通过人工神经网络进行学习和进行前馈处理；得到这些量的内部对应的权值关系，再根据被调参数滤前水的浊度的设定值与实际控制效果值的差别，按照模糊控制的方法在前馈控制算法的预测值的基础上进行调整，形成一个最终的控制值去对计量泵进行控制。

2、如权利要求1所述基于神经网络多因子前馈的自来水混凝投矾控制算法，其特征是：在基于神经网络多因子前馈的基础上，专家模糊控制反馈修正，所述模糊控制的方法是在神经网络在对一组最新的输入数据经过推演得到投矾控制的参考输出值以后，还不是最终的输出，还要经过模糊修正；修正的方法是将最新检测的滤前水浊度与设定的浊度进行比较，其差值根据大小列出一个表，这个表对应输出的修正值，当差值为正，修正值亦为正，即在人工神经网络得出的输出值的基础上增加一个修正值，为投矾控制的最终值；而当差值为负，则修正值亦为负，要从输出值中间减去修正值；所述表如下：

滤前水浊度与设定值的差值和输出补偿值对应表

  差值   +n_in …   +n_i3   +n_i2   +n_i1   0   -n_j1   -n_j2   -n_j3 …   -n_jn   输出修正值   +x_in …   +x_i3   +x_i2   +x_i1   0   -x_j1   -x_j2   -x_j3 …   -x_jn

表格中间，第一行为滤前水浊度与设定值的差值，差值以零为中间点，正负差值按照从小到大的顺序排列；

第二行是与差值对应的输出修正值。

Images