本實用新型涉及水廠凈化工藝領域，更具體的說，是涉及一種基于人工神經網(wǎng)絡算法的混凝投藥控制系統(tǒng)。

背景技術：

自來水廠凈化工藝流程中，主要包括投藥和配藥兩個部分，而混凝投藥是凈化工藝中最重要的處理工藝，它使水中的各種懸浮顆粒、雜質以及致病微生物聚結和粘結，以便出廠水達到居民生活水質要求。

混凝投藥作為自來水廠水處理工藝中的核心工藝，其混凝沉淀的效果直接影響著出廠水質。混凝投藥是一個復雜的物理化學反應過程，具有非線性、多輸入因子(源水流量、源水濁度、溫度、PH值、藥濃度等)、不確定性、時變性、模糊性等特點，很難準確地建立反應過程的數(shù)學模型，且目前國內尚無有效的控制手段來解決精確投藥的問題，因此有必要研究和開發(fā)一套具有自適應、自學習能力的混凝投藥控制系統(tǒng)，加速我國自來水廠自動化的進程。

技術實現(xiàn)要素：

有鑒于此，有必要針對上述問題，提供一種基于人工神經網(wǎng)絡算法的混凝投藥控制系統(tǒng)，實現(xiàn)了混凝投藥工藝的全自動化和生產運行參數(shù)的在線監(jiān)測，為水廠安全生產提供了保障，達到了節(jié)約藥耗、減少人工、降低操作人員勞動強度的目的。

為了實現(xiàn)上述目的，本實用新型的技術方案如下：

一種基于人工神經網(wǎng)絡算法的混凝投藥控制系統(tǒng)，包括應用層、業(yè)務層、通信層和采集控制層；

所述采集控制層包括數(shù)據(jù)采集模塊和數(shù)據(jù)處理模塊，數(shù)據(jù)采集模塊用于采集混凝投藥樣本數(shù)據(jù)，數(shù)據(jù)處理模塊用于限幅濾波加滑動平均濾波的復合算法對混凝投藥的樣本數(shù)據(jù)進行數(shù)字濾波預處理；

所述通信模塊用于將預處理后的樣本值發(fā)送到業(yè)務層；

所述業(yè)務層用于通過人工神經網(wǎng)絡算法，對樣本數(shù)據(jù)進行訓練并對實際投藥量進行預測；

應用層包括遠程監(jiān)控模塊，用于對數(shù)據(jù)處理分析結果進行遠程監(jiān)控。

作為優(yōu)選的，所述通信層采用工業(yè)以太網(wǎng)進行數(shù)據(jù)傳輸。

作為優(yōu)選的，所述業(yè)務應用層包括投藥工藝模塊、配藥查詢模塊、藥耗統(tǒng)計模塊、數(shù)據(jù)查詢模塊、曲線生成模塊和波動評價模塊；

所述投藥工藝模塊用于調用人工神經網(wǎng)絡算法計算投藥、配藥反饋值參數(shù)，并下達各類參數(shù)和指令進行遠程自動配藥、投藥控制；

所述配藥查詢模塊用于投藥量、實時流量、濾前水濁度、源水流量、計量泵頻率和行程等參數(shù)；

所述藥耗統(tǒng)計模塊用于按照時間對每個沉淀池的累計投藥量進行統(tǒng)計；

所述曲線生成模塊用于對查詢模塊查詢的參數(shù)進行曲線顯示；

所述波動評價模塊用于對投藥量的波動變化進行分析；

作為優(yōu)選的，所述業(yè)務層還包括報警設置模塊、報警統(tǒng)計模塊和報警日志模塊；所述報警設置模塊用于對神經網(wǎng)絡算法投藥量投加報警、投藥中斷報警、設備操作故障報警以及通訊故障報警進行設置；所述報警統(tǒng)計模塊用于對各類報警信息進行統(tǒng)計；所述報警日志模塊用于對報警信息進行記錄和追蹤。

與現(xiàn)有技術相比，本實用新型的有益效果在于：本實用新型引入神經網(wǎng)絡算法對源水流量、濁度、溫度、濾前水濁度、藥流量多個參數(shù)進行了自學習，調整各個參數(shù)對投藥效果的影響權重，實時跟進，將濾前水濁度自動控制在預設范圍內，實現(xiàn)了混凝投藥工藝的全自動化和生產運行參數(shù)的在線監(jiān)測，為水廠安全生產提供了保障，達到了節(jié)約藥耗、減少人工、降低操作人員勞動強度的目的。

附圖說明

圖1為本實用新型實施例的方法流程框圖；

圖2為本實用新型實施例中圖1的具體示意圖；

圖3為本實用新型實施例神經網(wǎng)絡模型示意圖；

圖4是本實用新型實施例中系統(tǒng)結構框圖；

圖5是本實用新型實施例中人工神經網(wǎng)絡自學習后預測值圖；

圖6是本實用新型實施例中人工神經網(wǎng)絡預測值與實際人工投藥實際值的比較示意圖。

具體實施方式

下面結合附圖和實施例對本實用新型所述的一種基于人工神經網(wǎng)絡算法的混凝投藥控制系統(tǒng)作進一步說明。

以下是本實用新型所述的一種基于人工神經網(wǎng)絡算法的混凝投藥控制系統(tǒng)的最佳實例，并不因此限定本實用新型的保護范圍。

圖1示出了一種基于人工神經網(wǎng)絡算法的混凝投藥控制方法，圖2為圖1的具體流程圖，包括以下步驟：

S1、建立神經網(wǎng)絡，在本實施例當中，采用的是Elman神經網(wǎng)絡，該網(wǎng)絡除了常規(guī)神經網(wǎng)絡中的輸入層、隱含層和輸出層外，還提出了一個特定的承接層；在Elman神經網(wǎng)絡的模型中，輸入層單元進行信號的傳輸，輸出層單元進行線性加權輸出，隱含層單元實現(xiàn)信號的映射變換，其傳遞函數(shù)可采用線性或非線性函數(shù)，承接層又稱上下文層，是Elman神經網(wǎng)絡的核心，可用來記憶隱含層單元前一時刻的輸出值，并反饋給網(wǎng)絡的輸入，本質上來說是一個延時算子，它使得Elman神經網(wǎng)絡特別適合于反映動態(tài)過程和預測控制；結構為r-n-m的Elman神經網(wǎng)絡模型如圖3所示；圖3中Elman神經網(wǎng)絡的輸入為u，輸出為y，隱含層和承接層的輸出分別為x和x_c；神經網(wǎng)絡的權值W¹、W²、W³分別為n×n、n×r、m×n的矩陣所述Elman神經網(wǎng)絡的數(shù)學模型和訓練公式為：

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)為神經網(wǎng)絡輸入層節(jié)點的輸入，x(k)為神經網(wǎng)絡隱含層節(jié)點的輸出，y(k)為神經網(wǎng)絡輸出層節(jié)點的輸出，x_c(k)為反饋狀態(tài)向量，W¹、W²、W³分別為神經網(wǎng)絡的承接層到隱含層、輸入層到隱含層、隱含層到輸出層的連接權值，g()為輸出層神經元的傳遞函數(shù)，f()為隱含層神經元的傳遞函數(shù)；α為反饋權值；k為神經元序號；

S2、混凝投藥樣本數(shù)據(jù)獲取及預處理，得到樣本值；

S3、初始化神經網(wǎng)絡權值，在神經網(wǎng)絡模型輸入樣本值；

S4、計算輸入層、隱含層、輸出層和承接層數(shù)值；

S5、計算神經網(wǎng)絡的函數(shù)誤差并更新神經網(wǎng)絡權值，對神經網(wǎng)絡進行訓練，完成神經網(wǎng)絡的學習；

S6、判斷更新后的權值是否滿足設定的精度或訓練次數(shù)，并通過訓練好的模型進行實際投藥量預測，并控制投藥。

作為優(yōu)選的，所述步驟S1中，f()為sigmoid函數(shù)。

在本實施例中，針對影響混凝投藥效果主要因素的源水流量、源水濁度、溫度、濾前水濁度和藥流量，所述步驟S3中，采用限幅濾波加滑動平均濾波的復合算法對混凝投藥的樣本數(shù)據(jù)進行數(shù)字濾波預處理，此方法既去除突發(fā)尖脈沖非正常干擾信號，又濾去一定限幅的隨機噪聲信號，使數(shù)據(jù)樣本變得更加真實，神經網(wǎng)絡的訓練更為準確有效。

作為優(yōu)選的，所述樣本數(shù)據(jù)包括源水流量、源水濁度、溫度、濾前水濁度和藥流量。

作為優(yōu)選的，所述限幅濾波算法具體為：

式中：Y_n為第n次采樣的濾波器的輸出；X_n為第n次采樣值；X_n-1為第n-1次采樣值；ΔX為采樣允許的最大偏差值；

所述滑動平均濾波算法具體為：

式中，N為滑動濾波長度，通過上兩式結合得到復合算法，對樣本數(shù)據(jù)進行數(shù)字濾波預處理。

作為優(yōu)選的，所述步驟S6中具體包括，定義神經網(wǎng)絡誤差函數(shù)：

式中，y_d(k)為神經網(wǎng)絡的第k個期望輸出，根據(jù)梯度下降法，權值的調整公式為：

根據(jù)上式對網(wǎng)絡權值進行調整，并完成神經網(wǎng)絡的學習，上式中，η₁、η₂、η₃分別為權值W¹、W²、W³的學習速率。

圖4一種根據(jù)上述方法進行混凝投藥控制的系統(tǒng)，包括應用層、業(yè)務層、通信層和采集控制層；

所述采集控制層包括數(shù)據(jù)采集模塊和數(shù)據(jù)處理模塊，數(shù)據(jù)采集模塊用于采集混凝投藥樣本數(shù)據(jù)，數(shù)據(jù)處理模塊用于限幅濾波加滑動平均濾波的復合算法對混凝投藥的樣本數(shù)據(jù)進行數(shù)字濾波預處理；在本實施例當中，采集控制層采用PLC控制柜。

所述通信模塊用于將預處理后的樣本值發(fā)送到業(yè)務層；

所述業(yè)務層用于通過人工神經網(wǎng)絡算法，對樣本數(shù)據(jù)進行訓練并對實際投藥量進行預測；

應用層包括遠程監(jiān)控模塊，用于對數(shù)據(jù)處理分析結果進行遠程監(jiān)控。

作為優(yōu)選的，所述通信層采用工業(yè)以太網(wǎng)進行數(shù)據(jù)傳輸。

作為優(yōu)選的，所述業(yè)務應用層包括投藥工藝模塊、配藥查詢模塊、藥耗統(tǒng)計模塊、數(shù)據(jù)查詢模塊、曲線生成模塊和波動評價模塊；

所述投藥工藝模塊用于調用人工神經網(wǎng)絡算法計算投藥、配藥反饋值參數(shù)，并下達各類參數(shù)和指令進行遠程自動配藥、投藥控制，其運行數(shù)據(jù)進行訓練學習，輸入量包括源水流量、源水濁度、溫度、濾前水濁度和藥流量，構成樣本庫以預測控制量，系統(tǒng)經過1000次迭代學習，誤差輸出不大于0.03，采樣頻率每1分鐘取一次平均值，自學習后訓練誤差圖如圖5所示。

所述配藥查詢模塊用于投藥量、實時流量、濾前水濁度、源水流量、計量泵頻率和行程等參數(shù)；

所述藥耗統(tǒng)計模塊用于按照時間對每個沉淀池的累計投藥量進行統(tǒng)計，實時掌握管理者所關心的藥耗計量問題。

所述曲線生成模塊用于對查詢模塊查詢的參數(shù)進行曲線顯示，用戶可自定義選擇需要查看或對比的參數(shù)，直觀、快捷地反映出投藥量等參數(shù)的歷史變化情況，分析自動投藥的投加效果，為投藥自動控制工藝的改進提供技術指標；

所述波動評價模塊用于對投藥量的波動變化進行分析；

作為優(yōu)選的，所述業(yè)務層還包括報警設置模塊、報警統(tǒng)計模塊和報警日志模塊；所述報警設置模塊用于對神經網(wǎng)絡算法投藥量投加報警、投藥中斷報警、設備操作故障報警以及通訊故障報警進行設置；所述報警統(tǒng)計模塊用于對各類報警信息進行統(tǒng)計；所述報警日志模塊用于對報警信息進行記錄和追蹤。

經過自學習的人工神經網(wǎng)絡算法計算輸出的預測值與人工投藥實際值濾前水濁度對比如圖6所示，線條2為神經網(wǎng)絡算法的控制預測值濁度曲線，線條1為人工投藥實際值濁度曲線，二者變化趨勢相同，預測值較實際值減少了很多突變值，控制更為準確，能夠根據(jù)各輸入量參數(shù)的實時變化對投藥量進行更為精確的調整，以達到更高的控制精度。

在使用過程中，以投鞏為例，每隔一分鐘取一次數(shù)據(jù)存入當天的data數(shù)據(jù)庫和matData數(shù)據(jù)庫(當投礬通道實現(xiàn)一用一備時，需要通道公共數(shù)據(jù)庫字段存儲)。選定一個標志位，取最近五分鐘源水流量、過濾后實時濁度和當前設定濁度，當標志位顯示獲取最近五分鐘流量和濁度成功后，才能進行神經網(wǎng)絡計算；每30分鐘為自學習采集一次數(shù)據(jù):從過去七天(該時間可變，原則上時間越長計算結果越精確)的data表里面獲取數(shù)據(jù)，每五條記錄為一組，分別計算單個字段數(shù)值的平均值，按通道數(shù)存入多個matlab表，需要記錄的字段為源水流量、源水濁度、實時濁度、設定濁度、礬流量、設定礬流量、溫度、礬濃度。當進行自學習時，調用神經網(wǎng)絡dll動態(tài)鏈接庫中的函數(shù)，繼而調用matlab表進行自學習；如果有人工設置“設定礬流量”，需等待15分鐘后再自動控制。沒在自學習時，根據(jù)五分鐘平均數(shù)據(jù)標志位，調用dll函數(shù)，算出礬設定值進行投加。(手動改變流量要初始化標志位，使等待15分鐘，但延時算法改變投加量不初始化標志為，仍然保持神經網(wǎng)絡三分鐘控制一次)如果沒有人工控制，同時沒在自學習時，保持三分鐘自動控制一次。當前系統(tǒng)采用神經網(wǎng)絡數(shù)據(jù)比例為20％，剩余80％采用當前礬設定量。

與現(xiàn)有技術相比，本實用新型的有益效果在于：本實用新型引入神經網(wǎng)絡算法對源水流量、濁度、溫度、濾前水濁度、藥流量多個參數(shù)進行了自學習，調整各個參數(shù)對投藥效果的影響權重，實時跟進，將濾前水濁度自動控制在預設范圍內，實現(xiàn)了混凝投藥工藝的全自動化和生產運行參數(shù)的在線監(jiān)測，為水廠安全生產提供了保障，達到了節(jié)約藥耗、減少人工、降低操作人員勞動強度的目的。

以上所述實施例僅表達了本實用新型的幾種實施方式，其描述較為具體和詳細，但并不能因此而理解為對本實用新型專利范圍的限制。應當指出的是，對于本領域的普通技術人員來說，在不脫離本實用新型構思的前提下，還可以做出若干變形和改進，這些都屬于本實用新型的保護范圍。因此，本實用新型專利的保護范圍應以所附權利要求為準。