CN106168759A - 一种基于人工神经网络算法的混凝投药控制方法和系统 - Google Patents

Abstract

本发明涉及一种基于人工神经网络算法的混凝投药控制方法和系统，所述方法包括以下步骤：S1、建立神经网络；S2、混凝投药样本数据获取及预处理，得到样本值；S3、初始化神经网络权值，在神经网络模型输入样本值；S4、计算输入层、隐含层、输出层和承接层数值；S5、计算神经网络的函数误差并更新神经网络权值，对神经网络进行训练，完成神经网络的学习；S6、判断更新后的权值是否满足设定的精度或训练次数，并通过训练好的模型进行实际投药量预测。实现了混凝投药工艺的全自动化和生产运行参数的在线监测，为水厂安全生产提供了保障，达到了节约药耗、减少人工、降低操作人员劳动强度的目的。

Description

一种基于人工神经网络算法的混凝投药控制方法和系统

技术领域

本发明涉及水厂净化工艺领域，更具体的说，是涉及一种基于人工神经网络算法的混凝投药控制方法和系统。

背景技术

自来水厂净化工艺流程中，主要包括投药和配药两个部分，而混凝投药是净化工艺中最重要的处理工艺，它使水中的各种悬浮颗粒、杂质以及致病微生物聚结和粘结，以便出厂水达到居民生活水质要求。

混凝投药作为自来水厂水处理工艺中的核心工艺，其混凝沉淀的效果直接影响着出厂水质。混凝投药是一个复杂的物理化学反应过程，具有非线性、多输入因子(源水流量、源水浊度、温度、PH值、药浓度等)、不确定性、时变性、模糊性等特点，很难准确地建立反应过程的数学模型，且目前国内尚无有效的控制手段来解决精确投药的问题，因此有必要研究和开发一套具有自适应、自学习能力的混凝投药控制系统，加速我国自来水厂自动化的进程。

发明内容

有鉴于此，有必要针对上述问题，提供一种基于人工神经网络算法的混凝投药控制方法和系统，实现了混凝投药工艺的全自动化和生产运行参数的在线监测，为水厂安全生产提供了保障，达到了节约药耗、减少人工、降低操作人员劳动强度的目的。

为了实现上述目的，本发明的技术方案如下：

一种基于人工神经网络算法的混凝投药控制方法，包括以下步骤：

S1、建立神经网络，所述神经网络的数学模型和训练公式为：

x(k)＝f(W¹u(k-1)+W³x_c(k))

x_c(k)＝x(k-1)+α*x_c(k-1)

y(k)＝g(W²x(k))

式中，u(k-1)为神经网络输入层节点的输入，x(k)为神经网络隐含层节点的输出，y(k)为神经网络输出层节点的输出，x_c(k)为反馈状态向量，W¹、W²、W³分别为神经网络的承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值，g()为输出层神经元的传递函数，f()为隐含层神经元的传递函数；α为反馈权值；k为神经元序号；

S2、混凝投药样本数据获取及预处理，得到样本值；

S3、初始化神经网络权值，在神经网络模型输入样本值；

S4、计算输入层、隐含层、输出层和承接层数值；

S5、计算神经网络的函数误差并更新神经网络权值，对神经网络进行训练，完成神经网络的学习；

S6、判断更新后的权值是否满足设定的精度或训练次数，并通过训练好的模型进行实际投药量预测，并控制投药。

作为优选的，所述步骤S1中，f()为sigmoid函数，W¹、W²、W³分别为n×n、n×r、m×n的矩阵。

作为优选的，所述步骤S3中，采用限幅滤波加滑动平均滤波的复合算法对混凝投药的样本数据进行数字滤波预处理。

作为优选的，所述样本数据包括源水流量、源水浊度、温度、滤前水浊度和药流量。

作为优选的，所述限幅滤波算法具体为：

$Y_n=\left\{\begin{array}{c}{X}_n,\left|X_n-X_{n-1}\right|\≤\mathrm{\Δ}X\\ X_{n-1},\left|X_n-X_{n-1}\right|>\mathrm{\Δ}X\end{array}\right.$

式中：Y_n为第n次采样的滤波器的输出；X_n为第n次采样值；X_n-1为第n-1次采样值；ΔX为采样允许的最大偏差值；

所述滑动平均滤波算法具体为：

$Y_n=\frac{1}{N}\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{X}_{n-1}$

式中，N为滑动滤波长度，通过上两式结合得到复合算法，对样本数据进行数字滤波预处理。

作为优选的，所述步骤S6中具体包括，定义神经网络误差函数：

$E\left(k\right)=\frac{1}{2}{\left(y_d\right(k)-y(k\left)\right)}^T\left(y_d\right(k)-y(k\left)\right)$

式中，y_d(k)为神经网络的第k个期望输出，根据梯度下降法，权值的调整公式为：

${\mathrm{\Δ\ω}}_{ij}^3={\mathrm{\η}}_3{\mathrm{\δ}}_i^0{x}_j\left(k\right),i=1,\mathrm{2...},m;j=1,2,\mathrm{...},n$

${\mathrm{\Δ\ω}}_{iq}^2={\mathrm{\η}}_2{\mathrm{\δ}}_j^h{u}_q(k-1),j=1,\mathrm{2...},n;q=1,2,\mathrm{...},r$

${\mathrm{\Δ\ω}}_{jl}^1={\mathrm{\η}}_1\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\left({\mathrm{\δ}}_i^0{\mathrm{\ω}}_{ij}^3\right)\frac{{\mathrm{\δx}}_j\left(k\right)}{{\mathrm{\δ\ω}}_{jl}^1},j=1,\mathrm{2...},n;l=1,2,\mathrm{...},n$

${\mathrm{\δ}}_i^0=\left(y_{d,i}\right(k)-y_i(k\left)\right)g_i^{\′}(.)$

${\mathrm{\δ}}_j^h=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\left({\mathrm{\δ}}_i^0{\mathrm{\ω}}_{ij}^3\right)f_j^{\′}(.)$

$\frac{\∂x_j\left(k\right)}{{\∂}_{jl}^{\mathrm{\ω}1}}=f_j^{\′}(.)x_l(k-1)+\mathrm{\α}\frac{\∂x_j(k-1)}{{\∂}_{jl}^{\mathrm{\ω}1}}$

根据上式对网络权值进行调整，并完成神经网络的学习，上式中，η₁、η₂、η₃分别为权值W¹、W²、W³的学习速率。

一种根据上述方法进行混凝投药控制的系统，包括应用层、业务层、通信层和采集控制层；

所述采集控制层包括数据采集模块和数据处理模块，数据采集模块用于采集混凝投药样本数据，数据处理模块用于限幅滤波加滑动平均滤波的复合算法对混凝投药的样本数据进行数字滤波预处理；

所述通信模块用于将预处理后的样本值发送到业务层；

所述业务层用于通过人工神经网络算法，对样本数据进行训练并对实际投药量进行预测；

应用层包括远程监控模块，用于对数据处理分析结果进行远程监控。

作为优选的，所述通信层采用工业以太网进行数据传输。

作为优选的，所述业务应用层包括投药工艺模块、配药查询模块、药耗统计模块、数据查询模块、曲线生成模块和波动评价模块；

所述投药工艺模块用于调用人工神经网络算法计算投药、配药反馈值参数，并下达各类参数和指令进行远程自动配药、投药控制；

所述配药查询模块用于投药量、实时流量、滤前水浊度、源水流量、计量泵频率和行程等参数；

所述药耗统计模块用于按照时间对每个沉淀池的累计投药量进行统计；

所述曲线生成模块用于对查询模块查询的参数进行曲线显示；

所述波动评价模块用于对投药量的波动变化进行分析；

作为优选的，所述业务层还包括报警设置模块、报警统计模块和报警日志模块；所述报警设置模块用于对神经网络算法投药量投加报警、投药中断报警、设备操作故障报警以及通讯故障报警进行设置；所述报警统计模块用于对各类报警信息进行统计；所述报警日志模块用于对报警信息进行记录和追踪。

与现有技术相比，本发明的有益效果在于：本发明引入神经网络算法对源水流量、浊度、温度、滤前水浊度、药流量多个参数进行了自学习，调整各个参数对投药效果的影响权重，实时跟进，将滤前水浊度自动控制在预设范围内，实现了混凝投药工艺的全自动化和生产运行参数的在线监测，为水厂安全生产提供了保障，达到了节约药耗、减少人工、降低操作人员劳动强度的目的。

附图说明

图1为本发明实施例的方法流程框图；

图2为本发明实施例中图1的具体示意图；

图3为本发明实施例神经网络模型示意图；

图4是本发明实施例中系统结构框图；

图5是本发明实施例中人工神经网络自学习后预测值图；

图6是本发明实施例中人工神经网络预测值与实际人工投药实际值的比较示意图。

具体实施方式

下面结合附图和实施例对本发明所述的一种基于人工神经网络算法的混凝投药控制方法和系统作进一步说明。

以下是本发明所述的一种基于人工神经网络算法的混凝投药控制方法和系统的最佳实例，并不因此限定本发明的保护范围。

图1示出了一种基于人工神经网络算法的混凝投药控制方法，图2为图1的具体流程图，包括以下步骤：

S1、建立神经网络，在本实施例当中，采用的是Elman神经网络，该网络除了常规神经网络中的输入层、隐含层和输出层外，还提出了一个特定的承接层；在Elman神经网络的模型中，输入层单元进行信号的传输，输出层单元进行线性加权输出，隐含层单元实现信号的映射变换，其传递函数可采用线性或非线性函数，承接层又称上下文层，是Elman神经网络的核心，可用来记忆隐含层单元前一时刻的输出值，并反馈给网络的输入，本质上来说是一个延时算子，它使得Elman神经网络特别适合于反映动态过程和预测控制；结构为r-n-m的Elman神经网络模型如图3所示；图3中Elman神经网络的输入为u，输出为y，隐含层和承接层的输出分别为x和x_c；神经网络的权值W¹、W²、W³分别为n×n、n×r、m×n的矩阵所述Elman神经网络的数学模型和训练公式为：

x(k)＝f(W¹u(k-1)+W³x_c(k))

x_c(k)＝x(k-1)+α*x_c(k-1)

y(k)＝g(W²x(k))

式中，u(k-1)为神经网络输入层节点的输入，x(k)为神经网络隐含层节点的输出，y(k)为神经网络输出层节点的输出，x_c(k)为反馈状态向量，W¹、W²、W³分别为神经网络的承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值，g()为输出层神经元的传递函数，f()为隐含层神经元的传递函数；α为反馈权值；k为神经元序号；

S2、混凝投药样本数据获取及预处理，得到样本值；

S3、初始化神经网络权值，在神经网络模型输入样本值；

S4、计算输入层、隐含层、输出层和承接层数值；

S5、计算神经网络的函数误差并更新神经网络权值，对神经网络进行训练，完成神经网络的学习；

S6、判断更新后的权值是否满足设定的精度或训练次数，并通过训练好的模型进行实际投药量预测，并控制投药。

作为优选的，所述步骤S1中，f()为sigmoid函数。

在本实施例中，针对影响混凝投药效果主要因素的源水流量、源水浊度、温度、滤前水浊度和药流量，所述步骤S3中，采用限幅滤波加滑动平均滤波的复合算法对混凝投药的样本数据进行数字滤波预处理，此方法既去除突发尖脉冲非正常干扰信号，又滤去一定限幅的随机噪声信号，使数据样本变得更加真实，神经网络的训练更为准确有效。

作为优选的，所述样本数据包括源水流量、源水浊度、温度、滤前水浊度和药流量。

作为优选的，所述限幅滤波算法具体为：

$Y_n=\left\{\begin{array}{c}{X}_n,\left|X_n-X_{n-1}\right|\≤\mathrm{\Δ}X\\ X_{n-1},\left|X_n-X_{n-1}\right|>\mathrm{\Δ}X\end{array}\right.$

式中：Y_n为第n次采样的滤波器的输出；X_n为第n次采样值；X_n-1为第n-1次采样值；ΔX为采样允许的最大偏差值；

所述滑动平均滤波算法具体为：

$Y_n=\frac{1}{N}\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{X}_{n-1}$

式中，N为滑动滤波长度，通过上两式结合得到复合算法，对样本数据进行数字滤波预处理。

作为优选的，所述步骤S6中具体包括，定义神经网络误差函数：

$E\left(k\right)=\frac{1}{2}{\left(y_d\right(k)-y(k\left)\right)}^T\left(y_d\right(k)-y(k\left)\right)$

式中，y_d(k)为神经网络的第k个期望输出，根据梯度下降法，权值的调整公式为：

${\mathrm{\Δ\ω}}_{ij}^3={\mathrm{\η}}_3{\mathrm{\δ}}_i^0{x}_j\left(k\right),i=1,\mathrm{2...},m;j=1,2,\mathrm{...},n$

${\mathrm{\Δ\ω}}_{iq}^2={\mathrm{\η}}_2{\mathrm{\δ}}_j^h{u}_q(k-1),j=1,\mathrm{2...},n;q=1,2,\mathrm{...},r$

${\mathrm{\Δ\ω}}_{jl}^1={\mathrm{\η}}_1\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\left({\mathrm{\δ}}_i^0{\mathrm{\ω}}_{ij}^3\right)\frac{{\mathrm{\δx}}_j\left(k\right)}{{\mathrm{\δ\ω}}_{jl}^1},j=1,\mathrm{2...},n;l=1,2,\mathrm{...},n$

${\mathrm{\δ}}_i^0=\left(y_{d,i}\right(k)-y_i(k\left)\right)g_i^{\′}(.)$

${\mathrm{\δ}}_j^h=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\left({\mathrm{\δ}}_i^0{\mathrm{\ω}}_{ij}^3\right)f_j^{\′}(.)$

$\frac{\∂x_j\left(k\right)}{{\∂}_{jl}^{\mathrm{\ω}1}}=f_j^{\′}(.)x_l(k-1)+\mathrm{\α}\frac{\∂x_j(k-1)}{{\∂}_{jl}^{\mathrm{\ω}1}}$

根据上式对网络权值进行调整，并完成神经网络的学习，上式中，η₁、η₂、η₃分别为权值W¹、W²、W³的学习速率。

图4一种根据上述方法进行混凝投药控制的系统，包括应用层、业务层、通信层和采集控制层；

所述采集控制层包括数据采集模块和数据处理模块，数据采集模块用于采集混凝投药样本数据，数据处理模块用于限幅滤波加滑动平均滤波的复合算法对混凝投药的样本数据进行数字滤波预处理；在本实施例当中，采集控制层采用PLC控制柜。

所述通信模块用于将预处理后的样本值发送到业务层；

所述业务层用于通过人工神经网络算法，对样本数据进行训练并对实际投药量进行预测；

应用层包括远程监控模块，用于对数据处理分析结果进行远程监控。

作为优选的，所述通信层采用工业以太网进行数据传输。

作为优选的，所述业务应用层包括投药工艺模块、配药查询模块、药耗统计模块、数据查询模块、曲线生成模块和波动评价模块；

所述投药工艺模块用于调用人工神经网络算法计算投药、配药反馈值参数，并下达各类参数和指令进行远程自动配药、投药控制，其运行数据进行训练学习，输入量包括源水流量、源水浊度、温度、滤前水浊度和药流量，构成样本库以预测控制量，系统经过1000次迭代学习，误差输出不大于0.03，采样频率每1分钟取一次平均值，自学习后训练误差图如图5所示。

所述配药查询模块用于投药量、实时流量、滤前水浊度、源水流量、计量泵频率和行程等参数；

所述药耗统计模块用于按照时间对每个沉淀池的累计投药量进行统计，实时掌握管理者所关心的药耗计量问题。

所述曲线生成模块用于对查询模块查询的参数进行曲线显示，用户可自定义选择需要查看或对比的参数，直观、快捷地反映出投药量等参数的历史变化情况，分析自动投药的投加效果，为投药自动控制工艺的改进提供技术指标；

所述波动评价模块用于对投药量的波动变化进行分析；

作为优选的，所述业务层还包括报警设置模块、报警统计模块和报警日志模块；所述报警设置模块用于对神经网络算法投药量投加报警、投药中断报警、设备操作故障报警以及通讯故障报警进行设置；所述报警统计模块用于对各类报警信息进行统计；所述报警日志模块用于对报警信息进行记录和追踪。

经过自学习的人工神经网络算法计算输出的预测值与人工投药实际值滤前水浊度对比如图6所示，线条2为神经网络算法的控制预测值浊度曲线，线条1为人工投药实际值浊度曲线，二者变化趋势相同，预测值较实际值减少了很多突变值，控制更为准确，能够根据各输入量参数的实时变化对投药量进行更为精确的调整，以达到更高的控制精度。

在使用过程中，以投巩为例，每隔一分钟取一次数据存入当天的data数据库和matData数据库(当投矾通道实现一用一备时，需要通道公共数据库字段存储)。选定一个标志位，取最近五分钟源水流量、过滤后实时浊度和当前设定浊度，当标志位显示获取最近五分钟流量和浊度成功后，才能进行神经网络计算；每30分钟为自学习采集一次数据:从过去七天(该时间可变，原则上时间越长计算结果越精确)的data表里面获取数据，每五条记录为一组，分别计算单个字段数值的平均值，按通道数存入多个matlab表，需要记录的字段为源水流量、源水浊度、实时浊度、设定浊度、矾流量、设定矾流量、温度、矾浓度。当进行自学习时，调用神经网络dll动态链接库中的函数，继而调用matlab表进行自学习；如果有人工设置“设定矾流量”，需等待15分钟后再自动控制。没在自学习时，根据五分钟平均数据标志位，调用dll函数，算出矾设定值进行投加。(手动改变流量要初始化标志位，使等待15分钟，但延时算法改变投加量不初始化标志为，仍然保持神经网络三分钟控制一次)如果没有人工控制，同时没在自学习时，保持三分钟自动控制一次。当前系统采用神经网络数据比例为20％，剩余80％采用当前矾设定量。

与现有技术相比，本发明的有益效果在于：本发明引入神经网络算法对源水流量、浊度、温度、滤前水浊度、药流量多个参数进行了自学习，调整各个参数对投药效果的影响权重，实时跟进，将滤前水浊度自动控制在预设范围内，实现了混凝投药工艺的全自动化和生产运行参数的在线监测，为水厂安全生产提供了保障，达到了节约药耗、减少人工、降低操作人员劳动强度的目的。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于人工神经网络算法的混凝投药控制方法，其特征在于，包括以下步骤：

S1、建立神经网络，所述神经网络的数学模型和训练公式为：

x(k)＝f(W¹u(k-1)+W³x_c(k))

x_c(k)＝x(k-1)+α*x_c(k-1)

y(k)＝g(W²x(k))

式中，u(k-1)为神经网络输入层节点的输入，x(k)为神经网络隐含层节点的输出，y(k)为神经网络输出层节点的输出，x_c(k)为反馈状态向量，W¹、W²、W³分别为神经网络的承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值，g()为输出层神经元的传递函数，f()为隐含层神经元的传递函数；α为反馈权值；k为神经元序号；

S2、混凝投药样本数据获取及预处理，得到样本值；

S3、初始化神经网络权值，在神经网络模型输入样本值；

S4、计算输入层、隐含层、输出层和承接层数值；

S5、计算神经网络的函数误差并更新神经网络权值，对神经网络进行训练，完成神经网络的学习；

S6、判断更新后的权值是否满足设定的精度或训练次数，并通过训练好的模型进行实际投药量预测，并控制投药。

2.根据权利要求1所述的基于人工神经网络算法的混凝投药控制方法，其特征在于，所述步骤S1中，f()为sigmoid函数，W¹、W²、W³分别为n×n、n×r、m×n的矩阵。

3.根据权利要求1所述的基于人工神经网络算法的混凝投药控制方法，其特征在于，所述步骤S3中，采用限幅滤波加滑动平均滤波的复合算法对混凝投 药的样本数据进行数字滤波预处理。

4.根据权利要求3所述的基于人工神经网络算法的混凝投药控制方法，其特征在于，所述样本数据包括源水流量、源水浊度、温度、滤前水浊度和药流量。

5.根据权利要求4所述的基于人工神经网络算法的混凝投药控制方法，其特征在于，所述限幅滤波算法具体为：

式中：Y_n为第n次采样的滤波器的输出；X_n为第n次采样值；X_n-1为第n-1次采样值；ΔX为采样允许的最大偏差值；

所述滑动平均滤波算法具体为：

式中，N为滑动滤波长度，通过上两式结合得到复合算法，对样本数据进行数字滤波预处理。

6.根据权利要求5所述的基于人工神经网络算法的混凝投药控制方法，其特征在于，所述步骤S6中具体包括，定义神经网络误差函数：

式中，y_d(k)为神经网络的第k个期望输出，根据梯度下降法，权值的调整公式为：

根据上式对网络权值进行调整，并完成神经网络的学习，上式中，η₁、η₂、η₃分别为权值W¹、W²、W³的学习速率。

7.一种根据权利要求1至6任一所述的方法进行混凝投药控制的系统，其特征在于，包括应用层、业务层、通信层和采集控制层；

所述采集控制层包括数据采集模块和数据处理模块，数据采集模块用于采集混凝投药样本数据，数据处理模块用于限幅滤波加滑动平均滤波的复合算法对混凝投药的样本数据进行数字滤波预处理；

所述通信模块用于将预处理后的样本值发送到业务层；

所述业务层用于通过人工神经网络算法，对样本数据进行训练并对实际投药量进行预测；

应用层包括远程监控模块，用于对数据处理分析结果进行远程监控。

8.根据权利要求7所述的混凝投药控制系统，其特征在于，所述通信层采用工业以太网进行数据传输。

9.根据权利要求7所述的混凝投药控制系统，其特征在于，所述业务应用层包括投药工艺模块、配药查询模块、药耗统计模块、数据查询模块、曲线生成模块和波动评价模块；

所述投药工艺模块用于调用人工神经网络算法计算投药、配药反馈值参数，并下达各类参数和指令进行远程自动配药、投药控制；

所述配药查询模块用于投药量、实时流量、滤前水浊度、源水流量、计量泵频率和行程等参数；

所述药耗统计模块用于按照时间对每个沉淀池的累计投药量进行统计；

所述曲线生成模块用于对查询模块查询的参数进行曲线显示；

所述波动评价模块用于对投药量的波动变化进行分析。

10.根据权利要求7所述的混凝投药控制系统，其特征在于，所述业务层还包括报警设置模块、报警统计模块和报警日志模块；所述报警设置模块用于对神经网络算法投药量投加报警、投药中断报警、设备操作故障报警以及通讯故障报警进行设置；所述报警统计模块用于对各类报警信息进行统计；所述报警日志模块用于对报警信息进行记录和追踪。