郭勁松，龍騰銳，高旭，黃天寅
（重慶建筑大學 城市建設學院，重慶 400045） 摘要：根據(jù)人工神經(jīng)網(wǎng)絡理論和方法，針對活性污泥間歇曝氣系統(tǒng)的特點，提出了活性污泥間歇曝氣系統(tǒng)的BP人工神經(jīng)網(wǎng)絡水質(zhì)模型。通過對模型預測結(jié)果與實測值的比較表明：其具有精度高，適應性強，使用方便的特點。這種模型的建立，為活性污泥工藝實現(xiàn)在線智能化控制提供了一條簡便的途徑。
關(guān)鍵詞：活性污泥法；間歇曝氣；水質(zhì)模型
中圖分類號：X703
文獻標識碼：A
文章編號：1000-4602(2000)11-0015-04 Modeling Study of Activated Sludge Process with Intermittent Aeration Based on BP Artificial Neural Network
GUO Jing-song, LONG Teng-rui, GAO Xu， HUANG Tian-yin
(Faculty of Urban Construction,Chongqing Jianzhu Univ.,Chongqing 400045,China) Abstract： A back propagation (BP) artificial neural networks (ANN) water quality model was developed for activated sludge system with continuous flow and intermittent aeration in accordance with the theory and method of ANN and the features of the process.By comparing the prediction results of the model with the test data,thismodel was accurate and flexible.The model can be used to realize intelligentized on?line control of the process.
Keywords: activated sludge process;intermittent aeration;water quality model 活性污泥法是城市和工業(yè)污水二級處理廣泛采用的工藝，對該工藝的有效控制，在一定程度上依賴于對系統(tǒng)中生物反應器和二沉池動力學的正確模擬。目前已經(jīng)建立的眾多動力學模型均是以分析各種影響因素的作用機理為基礎(chǔ)的。然而，由于影響工藝過程的因素和生化反應的復雜性和高度非線性，以及污水處理生物化學的理論分析還很不深入等原因，使以機理分析為基礎(chǔ)的動力學模型在進行系統(tǒng)模擬時，其預測數(shù)值的穩(wěn)定性和精確性均不盡人意。有觀點認為：如需更深刻地理解工藝的動力學過程就必須發(fā)展更細節(jié)化的機理模型，但這無疑將增加模型的復雜程度和所需參數(shù)的數(shù)目，同時為獲得模型要求的可靠而足夠多的生產(chǎn)性試驗數(shù)據(jù)，以進行參數(shù)估計也并非易事。這些原因給機理模型的推廣使用帶來困難。
人工神經(jīng)網(wǎng)絡的特點在于從輸入到輸出之間的映射關(guān)系是非線性的，無需深究各影響因素與結(jié)果之間的作用機理以及它們之間的相互作用關(guān)系等問題。因此，利用人工神經(jīng)網(wǎng)絡建模與利用模型進行模擬預測，在操作上就非常簡便。 1 BP型人工神經(jīng)網(wǎng)絡 BP（Back-propagation）網(wǎng)絡，即反向傳播人工神經(jīng)網(wǎng)絡，是一種多層結(jié)構(gòu)的映射網(wǎng)絡。它能實現(xiàn)從輸入到輸出的任意非線性映射，其典型結(jié)構(gòu)［1］如圖1。由圖1可知BP網(wǎng)絡是由輸入層、輸出層和隱含層組成，各層節(jié)點之間由可自適調(diào)整的權(quán)值相連，而節(jié)點狀態(tài)由節(jié)點函數(shù)進行描述，常用的節(jié)點函數(shù)為雙彎曲函數(shù)：
f(x)=1/（1+e-x) (1)
利用最陡坡降法(the gradient steepest descent method）將誤差函數(shù)最小化是BP網(wǎng)絡的基本算法。其計算格式由正向傳播和反向傳播兩個過程組成。在正向傳播過程中，輸入信息從輸入層經(jīng)隱含層神經(jīng)元處理后，傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到期望的輸出，則轉(zhuǎn)向反向傳播，即將誤差訊號沿原來的連接通路返回，通過修改各層神經(jīng)元間的權(quán)值，使誤差訊號最小化，其詳細的計算格式與步驟見參考文獻［2］。 
2 間歇曝氣活性污泥法BP網(wǎng)絡的建構(gòu) 建立活性污泥間歇曝氣系統(tǒng)水質(zhì)模型的實質(zhì)是確定輸入層、輸出層及隱含層的數(shù)量和按一定的計算格式對網(wǎng)絡進行訓練，訓練的目的就是對網(wǎng)絡的權(quán)值和閾值進行自適調(diào)整，從而建立起各種神經(jīng)元之間以及從輸入至輸出的映射關(guān)系。輸入層是人工神經(jīng)網(wǎng)絡與外部輸入信息的接口，用戶的輸入數(shù)據(jù)是作為輸入層神經(jīng)元狀態(tài)加到網(wǎng)絡上的。網(wǎng)絡運行時，輸入層神經(jīng)元的狀態(tài)值通過相連的權(quán)值對其他神經(jīng)元的狀態(tài)發(fā)生作用。輸入層只是輸入矢量的存貯庫，并不對輸入信息作任何加工。本研究中，輸入層由影響出水水質(zhì)的各因素組成，選擇以下指標作為輸入矢量：
X1：時間序列，以取樣時間占曝氣——停曝周期時間的百分比表示；
X2：所處狀態(tài)，曝氣區(qū)曝氣時取值為1，停曝取值為0；
X3：運行周期中的曝氣時間；
X4：運行周期中的停曝時間；
X5：進水CODCr濃度；
X6：進水NH3--N濃度；
X7：進水NO3--N濃度；
則輸入層為：
X={X1，X2，X3，X4，X5，X6，X7}={時間，狀態(tài)，曝氣時間，停曝時間，進水CODCr，進水NH3-N，進水NO3--N} 輸出層產(chǎn)生人工神經(jīng)網(wǎng)絡的輸出矢量也即人工神經(jīng)網(wǎng)絡模型運行的結(jié)果，本研究希望輸出的是出水CODCr、NH3-N、NO3--N濃度。
因此，輸出層如下：
Y={Y1，Y2，Y3}={出水CODCr，出水NH3-N，出水NO3--N}
通常隱含層的數(shù)目及隱含層神經(jīng)元數(shù)目決定著神經(jīng)網(wǎng)絡的運算速度、儲存空間和收斂性質(zhì)。太多或太少的隱含層其收斂性均較差，這是因為沒有隱含層，不能反映輸入層神經(jīng)元間的交互作用，因而有較大誤差。有研究表明當隱含層為一至二層時，其網(wǎng)絡的收斂性質(zhì)最佳。隱含層數(shù)的選擇還與問題的復雜性即輸入神經(jīng)元的多少有關(guān)。本研究經(jīng)初步測試決定采用一層隱含層；隱含層處理單元數(shù)目越多收斂越慢，但是可以達到更小的誤差值，特別是訓練范例的誤差。然而單元數(shù)目超過一定數(shù)目后，繼續(xù)增加不僅對降低訓練范例誤差幾乎沒有幫助，反而還使執(zhí)行時間急劇增加。這是因為過少的隱含層處理單元數(shù)目不足以反映輸入變數(shù)間的交互作用，因而誤差較大，而數(shù)目過多，雖然可以達到更小的誤差值，但因網(wǎng)絡較復雜，從而收斂較慢。一般而言，隱含層處理單元數(shù)目為輸入層與輸出層單元數(shù)目總和的一半為佳，本研究隱含層處理單元數(shù)目取為5。
經(jīng)以上分析，可得基于BP人工神經(jīng)網(wǎng)絡的活性污泥間歇曝氣系統(tǒng)水質(zhì)模型結(jié)構(gòu)如圖2。 
3 系統(tǒng)的神經(jīng)網(wǎng)絡模型訓練 本文利用在重慶某污水廠進行曝氣——停曝優(yōu)化試驗得到的110組數(shù)據(jù)對BP神經(jīng)網(wǎng)絡水質(zhì)模型進行了訓練。為了加速模型收斂，對訓練范例的輸入和輸出值按式（2）進行了歸一化處理。
x*=(xmax,exp-x)/(xmax,exp-xmin,exp) (2)
式中 x*——訓練輸入值
x ——原始值
xmax,exp ——原始值中的最大值
xmin,exp——原始值中的最小值
經(jīng)訓練網(wǎng)絡達到穩(wěn)定，得到收斂的節(jié)點權(quán)值和閾值如表1、2所示。 表1 輸入層與隱含層及隱含層與輸出層的作用權(quán)值表| X | H1 | H2 | H3 | H4 | H5 | H | Y1 | Y2 | Y3 | | 輸入層與隱含層作用權(quán)值（W-XH） | 隱含層與輸出層作用權(quán)值（W-HY） | | 1 | 1.186 | -9.105 | -1.516 | -2.237 | -1.571 | 1 | 2.050 | 3.040 | -2.508 | | 2 | 0.868 | 1.153 | 1.469 | 0.475 | -0.799 | 2 | -2.651 | -0.931 | 1.911 | | 3 | -4.673 | 6.797 | 16.885 | -0.871 | -0.766 | 3 | 3.373 | 1.782 | -2.940 | | 4 | 1.030 | 23.137 | -6.117 | 17.868 | 20.980 | 4 | 1.257 | 2.130 | -2.970 | | 5 | 1.194 | 10.154 | 32.689 | -11.328 | -7.099 | 5 | 4.205 | 2.204 | 0.365 | | 6 | 7.398 | 9.238 | -12.355 | -18.322 | 4.158 | | | 7 | 1.589 | -20.441 | -18.099 | 1.124 | -1.388 | 表2 隱含層與輸出層閾值表| 層次 | 隱含層 | 輸出層 | | 序號 | 1 | 2 | 3 | 4 | 5 | 1 | 2 | 3 | | 閾值 | 5.11151 | 2.64592 | 8.52868 | 1.16580 | 1.98588 | 2.24141 | 2.67960 | -0.83271 | 4 模型預測結(jié)果分析 將重慶市某污水廠進行曝氣——停曝優(yōu)化試驗中，曝氣4 h、停曝4 h及曝氣4 h、停曝5 h這兩種運行工況得到的另外23組數(shù)據(jù)作為檢測樣本，對模型進行性能檢測評估，并將網(wǎng)絡學習預測與實測結(jié)果進行比較(見表3)。 表3 神經(jīng)網(wǎng)絡水質(zhì)模型預測值與實測值比較表| | | 0∶00 | 1∶00 | 2：00 | 3∶00 | 4∶00 | 5∶00 | 6∶00 | 7∶00 | 8∶00 | 9:00 | 曝氣4 h、
停曝4 h方式 | 出水CODCr實測值(mg/L)
出水CODCr預測值(mg /L)
相對誤差(%) | 51
52
2.3 | 51
55
7.8 | 48
54
10.5 | 41
44
7.2 | 40
38
5.8 | 36
35
2.9 | 36
33
8.5 | 41
39
5.1 | 46
52
11.4 | | |
|
出水NH3-N實測值(mg/L)
出水NH3-N預測值(mg/L)
相對誤差(%) | 32.0
28.2
12.0 | 27.4
26.9
1.8 | 27.1
26.7
1.5 | 27.1
24.7
8.7 | 22.2
23.4
5.5 | 21.3
24.1
13.2 | 23.0
21.5
6.6 | 25.5
23.5
7.9 | 28.1
25.2
10.3 | | |
|
出水NO3--N實測值(mg/L)
出水NO3--N預測值(mg/L)
相對誤差(%) | 4.5
4.8
6.9 | 4.8
5.3
9.7 | 5.1
5.3
3.3 | 5.8
5.2
9.6 | 6.1
5.2
14.0 | 4.8
5.1
5.3 | 3.9
3.8
3.3 | 3.6
3.4
4.9 | 3.2
2.9
9.7 | | |
|
曝氣4 h、
停曝4 h方式 | 出水CODCr實測值(mg/L)
出水CODCr預測值(mg /L)
相對誤差(%) | 45
46
2.3 | 38
39
2.7 | 38
43
13.8 | 40
45
12.8 | 53
50
5.0 | 58
53
8.2 | 69
56
18.9 | 54
54
0.7 | 55
53
4.1 | 49
49
0.0 | |
|
出水NH3-N實測值(mg/L)
出水NH3-N預測值(mg/L)
相對誤差(%) | 16.6
16.1
3.2 | 18.2
17.9
1.6 | 19.1
20.6
8.0 | 20.5
22.8
11.2 | 27.8
24.1
13.3 | 25.3
25.8
2.0 | 21.5
23.8
10.6 | 19.1
20.8
9.0 | 16.6
16.9
1.6 | 15.4
16.1
4.7 | |
|
出水NO3--N實測值(mg/L)
出水NO3--N預測值(mg/L)
相對誤差(%) | 8.6
8.1
5.3 | 8.0
8.4
4.4 | 7.9
8.0
1.7 | 7.6
7.5
1.2 | 7.4
7.6
2.0 | 7.0
7.5
6.9 | 7.2
7.0
2.4 | 7.5
7.4
0.8 | 8.0
8.0
0.0 | 8.5
8.0
5.7 | |
|
從表3可以看出，神經(jīng)網(wǎng)絡模型的預測值與實測值結(jié)果非常接近，平均相對誤差在7.5%以下。迄今為止，最為成功的活性污泥模型是1986年由IAWPRC(現(xiàn)在的IAWQ)的污水生物處理數(shù)學模型任務組開發(fā)的活性污泥1號模型（ASM1）。在1號模型中包含了13種物質(zhì)、5個化學計量常數(shù)和14個動力學參數(shù)［3］。ASM1在有機物去除、硝化與反硝化啟動策略和計算機輔助設計等方面均有許多運用，證明其在穩(wěn)態(tài)條件下對工藝動力學狀態(tài)優(yōu)良的預測能力。此后提出的活性污泥2號模型(ASM2)，因包含了磷的去除，比ASM1更為龐大，有19種物質(zhì)、22個化學計量系數(shù)及42個動力學參數(shù)［3］。按我國目前的經(jīng)濟和技術(shù)水平，要利用活性污泥1號和2號模型來指導污水廠生產(chǎn)實踐是有困難的［4］。神經(jīng)網(wǎng)絡模型能直接從歷史數(shù)據(jù)擴展到工藝的基本現(xiàn)象，避免了建立機理模型所需的各種復雜參數(shù)，從而使用更為方便，模型預測的精度也并不亞于機理模型，這有利于它的推廣。此外，本研究表明神經(jīng)網(wǎng)絡模型中數(shù)值變量與邏輯變量（如本文的0，1二值變量）可以混合用于同一建模過程，這為污水處理工藝實現(xiàn)智能化控制奠定了基礎(chǔ)。但使用人工神經(jīng)網(wǎng)絡這類黑箱模型，不能弄清楚控制和操作中影響因素的作用關(guān)系，這妨礙了通過它對系統(tǒng)進行調(diào)控的準確性。如果根據(jù)生產(chǎn)運行情況不斷加強人工神經(jīng)網(wǎng)絡模型的學習并建立自耦合的專家策略，則可在一定程度上解決這一問題。因此，現(xiàn)階段在運用可靠的運行數(shù)據(jù)的基礎(chǔ)上建立人工神經(jīng)網(wǎng)絡水質(zhì)管理模型以指導污水廠運行管理在技術(shù)上是可行的，也比較經(jīng)濟。 5 結(jié)論 ①神經(jīng)網(wǎng)絡模型能直接從歷史數(shù)據(jù)擴展到工藝的基本現(xiàn)象，避免了建立機理模型所需的各種復雜參數(shù)，避免了建立機理模型所需的各種復雜參數(shù)，因而使用更為方便。此外，神經(jīng)網(wǎng)絡模型中數(shù)值變量與邏輯變量（如本文的0，1二值變量）可以混合用于同一建模過程，因此，為實現(xiàn)污水處理工藝的智能控制奠定了基礎(chǔ)。
② 確定了基于BP人工神經(jīng)網(wǎng)絡的間歇曝氣活性污泥系統(tǒng)水質(zhì)模型的基本結(jié)構(gòu)，對本范例而言，當輸入層神經(jīng)元為7、隱含層神經(jīng)元為5、輸出層神經(jīng)元為3、學習速率取為0.5、慣性因子取為0.5時，網(wǎng)絡具有優(yōu)良的品質(zhì)。
?、蹜弥貞c某污水廠合建式完全混合曝氣沉淀池的曝氣——停曝時段優(yōu)化試驗數(shù)據(jù)中的110組數(shù)據(jù)作為訓練范例對模型進行訓練，得到了模型的加權(quán)值矩陣和閾值向量。
?、苡闷貧獬恋沓仄貧狻Ｆ貢r段優(yōu)化試驗數(shù)據(jù)中的23組數(shù)據(jù)對模型進行了測試，其預測值與實測值吻合很好，平均相對誤差＜7.5%，為活性污泥工藝的在線實時控制提供了一條簡便實用之路。 參考文獻：
［1］葉怡成.類神經(jīng)網(wǎng)絡模式應用與實作［M］.臺灣:儒林圖書公司，1995.
?。?］樓順天，等.基于MATLAB的系統(tǒng)分析與設計——神經(jīng)網(wǎng)絡［M］.西安:西安電子科技大學出版社，1998.
［3］Grady C P L Jr,Daigger G T,Lim H C,et al.Biological wastewater treatment［M］.Second Edition.New York:Marcel Dekker Inc.,1999.
［4］汪慧貞，等.活性污泥數(shù)學模型的發(fā)展和使用［J］.中國給水排水，1999,15(5):20-21.
作者簡介：郭勁松（1963-）,男,四川射洪人，重慶建筑大學副教授，碩士，主要從事水污染控制規(guī)劃與廢水處理的
教學與研究工 作，發(fā)表論文30篇。
電話：(023)65121504
E-mail:guoyuhao@cta.cq.cn
收稿日期：2000-06-05 | 
