ANFIS在饮用水处理混凝中的应用 - 图文

ANFIS在饮用水处理混凝中的应用(一)

摘要：运用ANFIS（自适应神经—模糊推理系统）以及大量实际生产原始数据,构建合理的模糊推理预测模型。同时结合国内先进的流动电流混凝技术,在厦门杏林水厂进行混凝剂投加量最佳方式的尝试。本文将阐述如何利用ANFIS构建混凝剂投加预测模型,同时,给出杏林水厂在水处理投加控制的模式,并阐述其功能特点和应用效果。

关键词：水处理、自适应神经模糊推理系统（ANFIS）、混凝、游动电流、投药控制

Application of ANFIS to Coagulation of water treatment process

CHEN Xi

Abstract：on the basis of practical initial data,we use adaptive neuro-fuzzy inference system to built a fuzzy dosing forecast model. at the same time,we use streaming current technology and the fuzzy model to build a new water treatment coagulation dosing control system in xiamen water company. in this paper,I will explain how to build the fuzzy model,and show the control mode and advantages in water treatment chemicals dosing in xinglin waterworks .

Keywords：water treatment ,ANFIS, coagulation ,streaming current, dosing control

1、 引言：

自来水厂中,常规的水处理流程一般存在的四个阶段：凝聚——向原水中投加混凝剂以使水中胶体脱稳;絮凝——脱稳的胶体相互聚集;沉淀——从水中去除绝大部分悬浮物和絮体;过滤——进一步除掉絮体。其中絮凝和凝聚被称为“混凝”。

混凝过程是水处理中主要环节,直接关系到出厂水的水质。在水处理的过程中,混凝剂的投加起着关键的作用,目前国内水厂混凝过程大多采用流动电流反馈控制和传统数学模型前馈控制,控制效果都不太理想,存在沉淀池出水浊度波动大,药剂浪费严重的问题。

传统的模型控制难度大,因为混凝过程是一个大时间滞后、非线性、时变的过程。它包括混凝剂投加、混合、絮凝和沉淀四个部分。投药自动控制不能很好的实现,但如果使用人工操作,往往就会得到很有效的控制效果。通过人工操作,很容易保证出厂水水质的稳定与合格。净化人员可根据原水浊度、原水流量的变化情况、反应后矾花生成和沉淀水浊度的情况,确定混凝程度,调节投药量,从而保证出水稳定合格。这一人工控制过程解决了混凝过程中因为原水浊度、温度、CODMn、PH、碱度、流量和混凝工艺等诸多因素带来的影响。神经网络模糊逻辑控制的引入,就是模仿有经验净化操作人员的人工操作,在一定的范围内很好的解决问题。

神经模糊系统是一种神经网络系统,它充分应用了模糊系统的模糊规则来初始化和解释神经网络,模仿人脑的逻辑思维过程,实现将人的定性思维和判断方法定量化,以适合计算机处理过程的特点,处理模型未知或不精确的控制问题。MATLAB模糊逻辑工具箱所提供的自适应神经网络模糊推理系统ANFIS（adaptive neuro-fuzzy inference system）就在这一理论基础上建立起来,它极大地优化了数据建模的过程。

2、 ANFIS自适应神经—模糊推理系统简介

Matlab提供的模糊工具箱函数ANFIS使用一个给定的输入输出数据集,从而构造出一个模糊推理系统,并用一个单独的反向传播算法或该算法与最小二乘相结合的方法来完成对系统隶属函数参数的调节。这使得模糊系统可以从其建模数据中学习信息。我们可以通过MATLAB提供的命令行或者图形界面两种方式应用工具箱函数ANFIS。

ANFIS使用的建模方法与系统辩识的方法相似。首先假定一个参数化的模型结构（将输入关联到隶属函数,并相应建立起规则,然后通过输出隶属度函数和相应参数,将输出对应输出隶属度函数,完成输入到输出的映射）,然后采集输入输出的数据。使用ANFIS训练FIS（fuzzy inference system）模型,根据某个选定的误差准则修正隶属函数参数,使得FIS系统模仿提供给系统的训练数据。

在建模的过程中,采集来的实际数据往往含有噪声,从而使训练数据无法表示要建模系统的全部特征。所以需要通过检验数据和测试数据对建立的模型进行确认工作。数据的真实可靠性是建立符合实际生产模型的关键,选择一个良好的输入输出数据集,既要典型地代表被训练模型要模仿的数据集,又要与训练数据集有明显的区别。

但不是所有的模糊推理系统都能使用ANFIS,它只支持Sugeno形系统（一种模糊推理系统,其中每个规则的结果是输入的线性组合,而输出是结果的加权线性组合）,而且必须是各规则的权均为1的一阶或零阶的Sugeno型系统,并且系统是单输出,其输出值由加权平均反模糊化方法（即线性或常量输出隶属函数）获得。这些要求可以符合水处理投药预测模型的建模。

3、运用ANFIS建立混凝投加预测模型

厦门杏林水厂日处理水量为18.5万吨,以九龙江水地表水（北溪水、江东水）和坂头水库水为水源,混凝和沉淀采用泥渣循环型澄清池（机械加速澄清池）,过滤工艺采用V型滤池。

数据采集期间,均采用人工投药,将沉淀水控制在最经济浊度4±0.5 NTU,现场实测得到的各项水质参数均具有代表性,是满足出厂水合格前提以及满足最经济浊度的准确测量结果。样本选取2003年12月25日到2005年9月25日共641组数据。样本数据包括的水质参数：温度,PH值,原水浊度,CODMn,药剂投加单耗。

其中水温（10.9-32.2 oc）,浊度（2.53-703NTU）,CODMn（1.1-8.8mg/L）PH（6.62-7.78）,药剂投加单耗（3.79-99.57 mg/L）。

1

杏林水厂使用厦门净水剂厂生产的水处理剂聚合氯化铝PAC,本品适应水体范围pH值为4-14,最佳处理范围pH值为6-8。本次数据集在水处理剂的最佳处理范围内,所以PH值不作为输入的影响环节加于考虑。现将温度,原水浊度,CODMn作为混凝投加预测模型的输入变量,聚合氯化铝的投加单耗（mg/L）作为系统输出变量。混凝投药神经模糊预测模型的结构如图1。 图1混凝投药神经模糊预测模型的结构 > 图2 训练样本的温度变化曲线 图3训练样本的CODMn变化曲线 >图4 训练样本的浊度变化曲线 运用ANFIS构建模型,首先在打开MATLAB,并在命令行中键入“anfisedit”,从而打开ANFIS编辑器操作界面。从load data中选择导入的数据类型以及数据源,数据类型包括 “training,testing,checking”。数据的扩展名必须是 “.DAT”,数据必须是一个矩阵,在该矩阵中,除最后一列外,都必须是一个以矢量形式排列的输入数据,输出数据都必须在最后一列。 数据导入以后,ANFIS 图形区会将训练数据以“O”的形式绘制出来,将检验数据以“+”的形式绘制,图形的横轴标号为data set index,从它可以得到输入数据的值（不管是向量还是标量）。训练数据与检验数据会相互叠加在图形区中,如图5。这个数据集用于调整数据建模的最佳隶属函数参数从而训练模型系统。在训练开始的时候,要给训练指定一个初始的模糊推理系统,可以利用ANFIS缺省的分割法“Grid partition”来产生FIS（模糊推理系统）,在构建FIS的同时,要确定输入变量的个数,输入输出隶属函数的类型及输入隶属函数的个数。基于ANFIS只工作于Sugeno系统,所以输出隶属函数只有两个选择：constant和linear。 在对模糊推理系统进行训练的过程中,从Train FIS选项框中,可以选择hybrid（反向传播算法与最小二乘法的结合,即混合法）和backpropa（反向传播算法）。同时选择Error Tolerance（误差容许限）和Epochs（训练时间）。项目确定以后,开始训练FIS。图6为训练结果。 2

图5 训练数据与检测数据图形 对FIS训练以后,还可以通过ANFIS编辑器对系统进行检验,具体方法为选中ANFIS编辑器右下方的“Test FIS”部分中的“checking data”,单击“Test Now”就可以对建立的FIS（模糊推理系统）进行检验。 图6 ANFIS训练结果 图7 ANFIS检验结果 经过不断训练以后,选择最小检验误差的相关隶属函数参数,从而产生规则。本例通过ANFIS构建了一个符合混凝投药的预测模型,其中规则有27条如图8,输出隶属度为linear。 通过FIS编辑器还可以完成对模糊推理系统中各变量的定义和各变量隶属函数的设置,同时可以打开模糊规则编辑器,查看模糊规则,并对其参数进行修改。图9显示输入和输出变量在 “FIS editor”中的关系。图10-图13为投药神经模糊预测模型中各变量在 “membership function editor”的修改界面。通过ANFIS的训练,构建合理的混凝剂投加预测模型,该模型应用于药剂投加系统的前馈控制,从而大大加快系统应对外界扰动的速度,减少沉淀水浊度的波动,在最快时间内将系统稳定下来,保证沉淀水合格（即滤前水）达到最经济浊度的要求。 3

图8 混凝投药神经模糊预测模型的模糊规则27条 图9输入和输出关系 >图10 输出函数 4

图11 原水温度隶属函数 图12 CODMn隶属函数 图13 原水浊度隶属函数 4、 原有投药控制系统的不足之处 在厦门杏林水厂饮用水混凝工艺中,原自动投加控制系统是由SCD（流动电流检测仪）、PLC、变频器、投药计量泵组成的闭环反馈控制,又称单因子控制系统。该系统结构简单,使用方便,时间滞后约为２min。 其中的流动电流检测器（Streaming Current Detector简称SCD）,是用来测定水体相对于静止的带电表面流动而产生的流动电流,从而对混凝剂的最佳投药量进行监控。八十年代水处理科研人员研究认为：流动电流与ζ电位(即胶体杂质脱稳的关键)在一个相当宽的范围内,具有近似的线性相关。从而将移动电流技术引入混凝工艺,通过检测水中胶体所产生的流动电

5

流（代替ζ电位）反映胶体的脱稳程度,由此决定并控制投药量的多少,实现对混凝投药过程的自动控制。

但是在实际应用中,流动电流的效果不是很理想,其中不足之处有：流动电流因为水体中有机污染物,而出现干扰现象。当有机物浓度较高时,电中和脱稳凝聚作用弱化,流动电流失去依据;有机物不同程度的存在改变流动电流检测器探头的表面特性,对探头造成污染,使测定值发生偏差;流动电流检测仪的零漂以及仪表灵敏度低,变化范围小,仪器腔缝隙小等原因的存在,造成投药混凝控制系统不稳定;混凝工艺中干扰因素多,其中SCD给定值需要技术人员根据不同情况及时调节;系统没有将沉淀水浊度作为受控量,一旦流动电流检测值偏离,投药将不准确,从而导致沉淀池出水浊度长时间的震荡。

5、 神经模糊预测模型的串级投药控制系统在混凝工艺中的应用

对于饮用水处理这一大时间滞后、非线性、时变的过程,采用神经模糊预测模型的串级控制系统能有效地改善系统的控制质量。将ANFIS构建的神经模糊预测模型作为前馈控制,将原本时延较小的流动电流环节作为串级控制的内环（副控制回路）,将沉淀水浊度反馈控制的环节作为串级控制的外环（主控制回路）,从而组成该神经模糊预测串级调节系统。系统结构如图14。

图14 基于神经模糊预测模型的串级控制投药系统

前馈控制神经模糊预测模型的存在,能有效地减少被控量的动态偏差,有效克服扰动,当扰动（原水流量、温度,原水浊度,CODMn）出现的时候,前馈调节器立即根据主要干扰的大小对系统加药量进行调节,来补偿干扰因素对水中胶体脱稳程度影响,从而提高系统的抗干扰能力,提高系统的控制质量。

串级调节系统主要使系统在稳态时能准确地使被控量等于给定值,该系统把沉淀水出水浊度作为系统的主控参数,流动电流为副控参数。通过这套串级调节系统,当副回路流动电流环节中有扰动出现的时候,副回路控制器能及时对扰动实现抑制,从而减缓对主参数沉淀水浊度的影响。串级控制中流动电流回路成为副回路控制之后,能有效改善系统的动态特性,使系统的反应速度加快,控制更为及时;同时,提高系统的工作频率,使震荡周期缩短;并能使系统对于负荷和操作条件变化的适应能力增强,从而很大程度上改善了控制品质。

在神经模糊预测模型的串级控制系统中,神经模糊预测模型具有超前调节的作用,主控制回路（外环）具有“细调”的作用,副控制回路（内环）具有“粗调”的作用,三者相互配合,使混凝控制得到很好的效果。

6、 应用效果分析

经过长时间的运行实践表明,通过MATLAB模糊工具箱中ANFIS,能有效构建神经模糊预测模型,从而对水处理前馈投加起重要作用。但同时也看出一点,就是预测结果的准确度很大程度上取决于样本数据的丰富性和全面性,当样本涵盖比较小的时候,预测结果的误差就较大。面对水处理这一个大时间滞后、非线性、时变的过程,只有在满足以“经济浊度”为前提的最优投药量下,积累最具有代表意义的数据,才能在预测模型上更加逼近现实的数据模型。

厦门杏林水厂通过神经模糊预测模型的串级控制系统,大大改善原有自动投药模式,产生良好的经济效益,在不影响出厂水水质的前提下,不同程度地降低矾耗,同时减轻了净化操作人员的工作强度。

参考文献：

[1]刘宏远,张燕 《饮用水强化处理技术及工程实例》 化学工业出版社 2005

[2]邵裕森 《过程控制及仪表》上海交通大学出版社 1998

[3]窦振中 《模糊逻辑控制技术及其应用》 北京航空航天大学出版社 2001

[4] 楼顺天 胡昌华《基于MATLAB的系统分析与设计：模糊系统 》西安电子科技大学出版社,2001

6

7

本文来源：https://www.bwwdw.com/article/sf5d.html