基于遺傳算法和BP網絡的造紙廢水處理預測研究

李偉獎 馬邕文

（華南理工大學環境科學與工程學院，廣東廣州，510006）

造紙廢水處理系統由于存在復雜性、非線性、時變性、不確定性和滯后性等特點［1］，尚不能用機理分析和數學推導的方法來獲得精確的數學模型，因此傳統的控制方式很難對其處理過程提出很好的控制方案。智能控制系統不依賴系統的精確數學模型，能夠逼近任意非線性函數，克服了傳統控制過分依賴精確數學模型的缺點［2］，近年來在廢水處理領域得到了廣泛研究［3-6］，如Punal提出了一種針對厭氧消化器的診斷和管理化學的模糊專家系統［7］，國內田禹等人對基于BP人工神經網絡的臭氧生物活性炭系統建模進行了研究［8］。

BP算法的優點是尋優具有精確性，但同時存在一些缺點，最主要的是易陷入局部極小、收斂速度慢和引起振蕩效應等。由于遺傳算法（Genetic Algorithm—GA）具有很強的宏觀搜索能力，且能以較大的概率找到全局最優解，所以用它來完成前期的搜索能較好地克服BP算法的缺點。將兩者結合起來，形成一種混合訓練算法——GA-BP算法，可達到優化網絡，更好地實現造紙廢水處理的目的。

1 廢水處理的實驗系統

1.1 廢水來源

本實驗的廢水為某造紙廠處理OCC的廢水，其水質參數為CODCr620～2200mg/L、BOD5250～510mg/L、SS 500～1100mg/L、pH值6.5、色度50。

1.2 指標測量及設備配置

實驗過程中進出水的COD采用法國AWA公司的在線COD儀測定；加藥泵采用蘭格BT00-100M型蠕動泵，通過調節蠕動泵轉速來改變絮凝劑流量；進水泵為直流水泵，通過改變泵的轉速調節進水流量，并將廢水打入一體化反應器；泥位計使用西門子公司的InterRangerDPS300，用來測定反應器的泥位高度；智能控制模塊為臺灣研華公司（Advantech）的ADAM 4000、ADAM5000模塊系列，通過RS485協議單獨與PC相連，用于信號的轉化和采集；PLC為西門子S7-200 226 AC/DC/RELAY，用于控制本實驗中的開關；一體化反應器由華南理工大學研制開發［9］，模型體積為140L（直徑0.70m，總高度1.10m，下部錐體高度0.30m，錐度45°），廢水在高效反應器的停留時間為2～4h，設計處理能力為36～72L/h。附帶的調節池和清水池體積均為125L的立方體容器（邊長均為50cm）。

1.3 廢水處理實驗系統

廢水處理工藝流程如圖1所示。廢水在調節池中經攪拌器攪拌后通過進水泵打入一體化反應器。絮凝劑PAC（聚合氯化鋁）經1#蠕動泵在進水泵前加入廢水中，助凝劑PAM（聚丙烯酰胺）經2#蠕動泵從一體化反應器上部加入反應器，廢水在反應器中與藥劑混凝沉淀，清水一部分回用到車間中，一部分進入生化池進行生化處理?；炷^程中產生的污泥聚積在反應器底部，當污泥泥位高度高于設定高值時電磁閥自動打開排泥，到達設定低值時電磁閥自動關閉，從而使反應器的污泥高度保持在合適位置。

圖1 實驗室條件下廢紙造紙廢水處理工藝

本實驗采用自動檢測控制方法完成水質的在線檢測以及加藥量的自動控制，其監測系統如圖2所示。監測系統采用IPC作為上位機，PLC作為下位機的控制系統。COD儀自動檢測原水和出水COD，檢測頻率通過PLC控制電磁閥實現，COD經ADAM4017+模塊轉換成數字信號，實時顯示在安裝于IPC的MCGS組態軟件中；進水量和加藥量通過ADAM 4024模塊輸出電壓控制蠕動泵和直流泵的工作電壓以改變流量來實現；高效反應器中的污泥通過泥位計實時監測，再結合PLC控制排泥閥保證反應器中的泥位保持在一定高度；ADAM 4024和ADAM4017+經總線轉換模塊ADAM 4520連接IPC機COM1口；PLC通過PPI通信電纜連接IPC機COM2口，IPC機上裝有西門子公司提供的STEP7 Micro WIN32軟件，可以在IPC下對PLC編程，然后把編好的PLC程序通過PPI電纜下載到PLC實現其對電磁閥的控制功能。

圖2 廢紙造紙廢水處理自動控制系統

2 廢水處理預測過程中BP網絡預測模型

2.1 參數選擇

影響造紙廢水處理過程出水COD的因素很多，根據廢水處理工程的實際情況，檢測參數獲取的方便性及與出水COD相關程度，選取的參數如下：通過t時刻的原水COD、加藥量、進水流量以及出水COD，預測廢水處理系統t+Δt時刻的出水COD，數學表達式如下：

式中，各變量x（t）、v（t）、u（t）、y（t）分別表示t時刻的進水COD、加藥量、進水流量和出水COD；y（t-Δt）和y（t-2Δt）分別表示t-Δt和t-2Δt時刻的出水COD；y1（t-Δt）=y（t）-y（t-Δt）和y2（t-Δt）=y（t）-2y（t-Δt）+y（t-2Δt）分別表示出水COD在t-Δt時刻的一階、二階導數，代表出水COD的變化趨勢；y（t+Δt）表示t+Δt時刻廢水處理系統的出水COD預測值，在此Δt取0.5h。

2.2 預測模型結構

本實驗造紙廢水處理過程出水COD的預測模型結構采用3層BP網絡結構，以上8個選擇參數為網絡的輸入神經元，出水COD預測值為輸出神經元，中間隱含層的神經元個數根據經驗選擇17個。構造該模型的推理網絡如圖3所示。

圖3 預測模型示意圖

2.3 樣本數據的獲取

訓練樣本數據是影響網絡學習和泛化能力（即對于同一樣本集中的非訓練樣本，網絡仍能給出正確的輸入輸出關系的能力）的重要因素，應具備致密性、遍歷性和相容性［10-11］，結合實驗室具體條件，在此采用正交實驗法獲取樣本數據?？紤]原水COD、進水流量、加藥量3個因素，每個因素選取4個水平，考察這些變量與出水COD的相互關系。

將獲得的64組樣本數據分成兩部分，32組訓練數據用來訓練網絡，使其具備預測功能，而另外32組測試數據用來檢驗訓練好的網絡泛化能力，鑒于篇幅，在此只列出部分樣本數據（見表1）。

表1 部分樣本數據

3 基于遺傳算法的神經網絡訓練方法（GA-BP法）

遺傳算法是一種基于自然選擇和基因遺傳學原理的優化搜索方法。它將“優勝劣汰，適者生存”的生物進化原理引入待優化參數形成的編碼串群體中，按照一定的適配值函數及一系列遺傳操作對各個體進行篩選，從而使適配值高的個體被保留下來，組成新的群體，新群體中各個體適應度不斷提高，直至滿足一定的極限條件［12］。此時，群體中適配值最高的個體即為待優化參數的最優解。正是由于遺傳算法獨具的工作原理，使它能夠在復雜空間進行全局優化搜索，并且具有較強的魯棒性。

遺傳算法應用于神經網絡的一個方面是用來優化人工神經網絡（ANN）的結構，另一個方面是用遺傳算法學習ANN的權重，也就是用遺傳算法取代一些傳統的學習算法?？紤]到BP算法尋優具有精確性，但易陷入局部極小、收斂速度慢的缺點，而遺傳算法具有很強的宏觀搜索能力，可避免局部極小，若將兩者結合起來就會發揮各自的優勢。

3.1 混合GA-BP算法原理及步驟

GA-BP算法就是在BP算法之前，先用遺傳算法在隨機點集中遺傳出優化初值，以此作為BP算法的初始權值，再由BP算法進行訓練。GA-BP算法的步驟：

（1）初始化種群P，包括交叉規模、交叉概率Pc、突變概率Pm以及各層之間權值的初始化；在編碼中，采用實數進行編碼，初始種群取30。

（2）計算每個個體評價函數，并將其排序，可按下式概率值選擇網絡個體。

其中，fi為個體i的適配值，可用誤差平方和E來衡量，即：

f（i）=1/E（i）

其中，i=1，…，N為染色體數；k=1，…，4為輸出層節點數；p=1，…，5為學習樣本數；Tk為教師信號。

（3）以概率Pc對個體Gi和Gi+1交叉操作產生新個體Gi′和Gi+1′，沒有進行交叉操作的個體進行直接復制。

（4）利用概率Pm突變產生Gj的新個體。

（5）將新個體插入到種群P中，并計算新個體的評價函數。

（6）計算ANN的誤差平方和，若達到預定值εGA，則轉（7），否則轉（3），繼續進行遺傳操作。

（7）以遺傳算法遺傳出的優化初值作為初始權值，用BP算法訓練網絡，直到指定精度εBP（εBP＜εGA）。

BP算法通過反向傳播的調整網絡層之間的權值，權值調整量按［權值修正量］=［學習步長］·［局部梯度］·［單元的輸入信號］進行，即，對輸出層，有Δwjk=η·δk·yj；對隱層，有Δvij=η·δj·xi，從而得到新的輸出層和隱層的權值為

wjk=wjk+Δwjk，vij=vij+Δvij

3.2 網絡訓練與仿真分析

將其中32組實驗數據進行訓練，用GA-BP算法訓練圖3的BP網絡，其遺傳算法誤差平方和曲線、適應度曲線和BP算法的訓練目標曲線分別見圖4和圖5。遺傳算法的初始種群Pop=30，目標精度εGA=5.0；BP算法的目標誤差err_goal=0.02，學習率lr=0.01?？梢钥闯?，GA進行了80代的遺傳操作達到了目標值εGA；BP算法進行了1952步收斂到指定精度εBP。利用訓練好的網絡模型對這32組數據進行仿真，結果如圖6所示。從圖6可以看出，網絡的仿真輸出與期望輸出非常接近，說明此網絡具有很強的學習能力。

3.3 GA-BP模型預測廢水處理過程

利用訓練好的GA-BP網絡模型對另外32組完全不同于訓練數據的實驗數據進行預測仿真，并與實際期望輸出進行比較，同時計算出相對誤差，其結果分別如圖7和圖8所示。計算得出最大相對誤差為2.56％，平均相對誤差為0.88％，結果表明，GA-BP模型可以實現對造紙廢水處理過程的預測。

4 結論

4.1 利用訓練好的GA-BP網絡模型對實驗數據進行仿真，網絡的仿真輸出與期望輸出很接近，最大相對誤差為2.56％，平均相對誤差為0.88％，這表明GA-BP網絡具有較強的學習能力。

4.2 傳統BP網絡的優點是尋優具有精確性，但是易陷入局部極小、收斂速度慢和引起振蕩效應等缺點；而遺傳算法具有很強的宏觀搜索能力，且能以最大的概率找到全局最優解；將遺傳算法和BP網絡兩者結合起來形成一種混合訓練算法——GA-BP算法，能達到優化網絡的目的，可以實現對廢水處理過程的預測，且泛化能力很好。

4.3 GA-BP算法可以運用到廢水處理過程中COD的預測，網絡模型能夠較好地反映出各個因子與出水COD的非線性對應變化規律，仿真結果表明，預測的結果很理想。

［1］ZhangQ，Stanley S J.Real-time water treatment process controlwith artificial neural network［J］.Journal of Environmental Engineering，1999，125（2）：153.

［2］馬邕文，吳 嬌，萬金泉，等.廢紙造紙廢水的水解酸化處理［J］.中國造紙，2006，25（10）：22.

［3］白 樺，李圭白.混凝投藥的神經網絡控制方法［J］.給水排水，2001，27（11）：83.

［4］Zhu J.An on-Line wastewater quality predication system based on a time-delay neural network［J］.EngineeringApplications ofArtificial Intelligence，1998（11）：747.

［5］Meyer U，Popel H J.Fuzzy control for nitrogen removal and energy saving in wwt-plants with pre-denitrification［J］.Wat Sci＆Tech，2003，47（11）：69.

［6］Baeza J A，GabrielD，Lafuente J.I mproving the nitrogen removal efficiency ofA2/O basedWWTP by using an on-line knowledge expert system［J］.Water Research，2002，36：2109.

［7］Punal A.Adcanced monitoring and control of anaerobic wastewater treatment plants：Diagnosis and supervision by a fuzzy based expert system［J］.Water Sic＆Tech，2001，43（7）：191.

［8］田 禹，王寶貞，周 定.基于BP人工神經元網絡的臭氧生物活性炭系統建模研究［J］.中國給水排水，1998，14（3）：24.

［9］萬金泉，馬邕文，王 艷，等.廢紙造紙廢水特點及其處理技術［J］.造紙科學與技術，2005，24（5）：58.

［10］Zhang J，Ou J，YuD.Real-timemulti-step prediction control forBP network with delay［J］.Journal of Harbin Institute of Technology（New Series），2000，7（2）：82.

［11］Jang S R.ANFIS：Adaptive-network-based fuzzy inference systems［J］.IEEE Trans.on Systems，Man＆Cybernetics，1993，23（3）：665.

［12］王智平，劉在德，等.遺傳算法在BP網絡權值學習中的應用［J］.甘肅工業大學學報，2001，27（2）：20.