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：根據人工神經網絡理論和方法，針對活性污泥間歇曝氣系統的特點，提出了活性污泥間歇曝氣系統的BP人工神經網絡水質模型。通過對模型預測結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在線智能化控制提供了一條簡便的途徑。
關鍵詞：活性污泥法；間歇曝氣；水質模型
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中生物反應器和二沉池動力學的正確模擬。目前已經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的動力學模型在進行系統模擬時，其預測數值的穩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展更細節化的機理模型，但這無疑將增加模型的復雜程度和所需參數的數目，同時為獲得模型要求的可靠而足夠多的生產性試驗數據，以進行參數估計也并非易事。這些原因給機理模型的推廣使用帶來困難。
人工神經網絡的特點在于從輸入到輸出之間的映射關系是非線性的，無需深究各影響因素與結果之間的作用機理以及它們之間的相互作用關系等問題。因此，利用人工神經網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型人工神經網絡 BP（Back-propagation）網絡，即反向傳播人工神經網絡，是一種多層結構的映射網絡。它能實現從輸入到輸出的任意非線性映射，其典型結構［1］如圖1。由圖1可知BP網絡是由輸入層、輸出層和隱含層組成，各層節點之間由可自適調整的權值相連，而節點狀態由節點函數進行描述，常用的節點函數為雙彎曲函數：
f(x)=1/（1+e-x) (1)
利用最陡坡降法(the gradient steepest descent method）將誤差函數最小化是BP網絡的基本算法。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隱含層神經元處理后，傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層得不到期望的輸出，則轉向反向傳播，即將誤差訊號沿原來的連接通路返回，通過修改各層神經元間的權值，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網絡的建構 建立活性污泥間歇曝氣系統水質模型的實質是確定輸入層、輸出層及隱含層的數量和按一定的計算格式對網絡進行訓練，訓練的目的就是對網絡的權值和閾值進行自適調整，從而建立起各種神經元之間以及從輸入至輸出的映射關系。輸入層是人工神經網絡與外部輸入信息的接口，用戶的輸入數據是作為輸入層神經元狀態加到網絡上的。網絡運行時，輸入層神經元的狀態值通過相連的權值對其他神經元的狀態發生作用。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，曝氣區曝氣時取值為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，曝氣時間，停曝時間，進水CODCr，進水NH3-N，進水NO3--N} 輸出層產生人工神經網絡的輸出矢量也即人工神經網絡模型運行的結果，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}
通常隱含層的數目及隱含層神經元數目決定著神經網絡的運算速度、儲存空間和收斂性質。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，其網絡的收斂性質最佳。隱含層數的選擇還與問題的復雜性即輸入神經元的多少有關。本研究經初步測試決定采用一層隱含層；隱含層處理單元數目越多收斂越慢，但是可以達到更小的誤差值，特別是訓練范例的誤差。然而單元數目超過一定數目后，繼續增加不僅對降低訓練范例誤差幾乎沒有幫助，反而還使執行時間急劇增加。這是因為過少的隱含層處理單元數目不足以反映輸入變數間的交互作用，因而誤差較大，而數目過多，雖然可以達到更小的誤差值，但因網絡較復雜，從而收斂較慢。一般而言，隱含層處理單元數目為輸入層與輸出層單元數目總和的一半為佳，本研究隱含層處理單元數目取為5。
經以上分析，可得基于BP人工神經網絡的活性污泥間歇曝氣系統水質模型結構如圖2。 
3 系統的神經網絡模型訓練 本文利用在重慶某污水廠進行曝氣——停曝優化試驗得到的110組數據對BP神經網絡水質模型進行了訓練。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
經訓練網絡達到穩定，得到收斂的節點權值和閾值如表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值表| X | H1 | H2 | H3 | H4 | H5 | H | Y1 | Y2 | Y3 | | 輸入層與隱含層作用權值（W-XH） | 隱含層與輸出層作用權值（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 模型預測結果分析 將重慶市某污水廠進行曝氣——停曝優化試驗中，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組數據作為檢測樣本，對模型進行性能檢測評估，并將網絡學習預測與實測結果進行比較(見表3)。 表3 神經網絡水質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，神經網絡模型的預測值與實測值結果非常接近，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(現在的IAWQ)的污水生物處理數學模型任務組開發的活性污泥1號模型（ASM1）。在1號模型中包含了13種物質、5個化學計量常數和14個動力學參數［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，證明其在穩態條件下對工藝動力學狀態優良的預測能力。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、22個化學計量系數及42個動力學參數［3］。按我國目前的經濟和技術水平，要利用活性污泥1號和2號模型來指導污水廠生產實踐是有困難的［4］。神經網絡模型能直接從歷史數據擴展到工藝的基本現象，避免了建立機理模型所需的各種復雜參數，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，本研究表明神經網絡模型中數值變量與邏輯變量（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智能化控制奠定了基礎。但使用人工神經網絡這類黑箱模型，不能弄清楚控制和操作中影響因素的作用關系，這妨礙了通過它對系統進行調控的準確性。如果根據生產運行情況不斷加強人工神經網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，現階段在運用可靠的運行數據的基礎上建立人工神經網絡水質管理模型以指導污水廠運行管理在技術上是可行的，也比較經濟。 5 結論 ①神經網絡模型能直接從歷史數據擴展到工藝的基本現象，避免了建立機理模型所需的各種復雜參數，避免了建立機理模型所需的各種復雜參數，因而使用更為方便。此外，神經網絡模型中數值變量與邏輯變量（如本文的0，1二值變量）可以混合用于同一建模過程，因此，為實現污水處理工藝的智能控制奠定了基礎。
② 確定了基于BP人工神經網絡的間歇曝氣活性污泥系統水質模型的基本結構，對本范例而言，當輸入層神經元為7、隱含層神經元為5、輸出層神經元為3、學習速率取為0.5、慣性因子取為0.5時，網絡具有優良的品質。
③應用重慶某污水廠合建式完全混合曝氣沉淀池的曝氣——停曝時段優化試驗數據中的110組數據作為訓練范例對模型進行訓練，得到了模型的加權值矩陣和閾值向量。
④用曝氣沉淀池曝氣——停曝時段優化試驗數據中的23組數據對模型進行了測試，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.類神經網絡模式應用與實作［M］.臺灣:儒林圖書公司，1995.
［2］樓順天，等.基于MATLAB的系統分析與設計——神經網絡［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.活性污泥數學模型的發展和使用［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劃與廢水處理的
教學與研究工 作，發表論文30篇。
電話：(023)65121504
E-mail:guoyuhao@cta.cq.cn
收稿日期：2000-06-05 | 
