本實(shí)用新型涉及水廠凈化工藝領(lǐng)域，更具體的說(shuō)，是涉及一種基于人工神經(jīng)網(wǎng)絡(luò)算法的混凝投藥控制系統(tǒng)。

背景技術(shù)：

自來(lái)水廠凈化工藝流程中，主要包括投藥和配藥兩個(gè)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(zhì)以及致病微生物聚結(jié)和粘結(jié)，以便出廠水達(dá)到居民生活水質(zhì)要求。

混凝投藥作為自來(lái)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(zhì)?；炷端幨且粋€(gè)復(fù)雜的物理化學(xué)反應(yīng)過(guò)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(shí)變性、模糊性等特點(diǎn)，很難準(zhǔn)確地建立反應(yīng)過(guò)程的數(shù)學(xué)模型，且目前國(guó)內(nèi)尚無(wú)有效的控制手段來(lái)解決精確投藥的問(wèn)題，因此有必要研究和開發(fā)一套具有自適應(yīng)、自學(xué)習(xí)能力的混凝投藥控制系統(tǒng)，加速我國(guó)自來(lái)水廠自動(dòng)化的進(jìn)程。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，有必要針對(duì)上述問(wèn)題，提供一種基于人工神經(jīng)網(wǎng)絡(luò)算法的混凝投藥控制系統(tǒng)，實(shí)現(xiàn)了混凝投藥工藝的全自動(dòng)化和生產(chǎn)運(yùn)行參數(shù)的在線監(jiān)測(cè)，為水廠安全生產(chǎn)提供了保障，達(dá)到了節(jié)約藥耗、減少人工、降低操作人員勞動(dòng)強(qiáng)度的目的。

為了實(shí)現(xiàn)上述目的，本實(shí)用新型的技術(shù)方案如下：

一種基于人工神經(jīng)網(wǎng)絡(luò)算法的混凝投藥控制系統(tǒng)，包括應(yīng)用層、業(yè)務(wù)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(dòng)平均濾波的復(fù)合算法對(duì)混凝投藥的樣本數(shù)據(jù)進(jìn)行數(shù)字濾波預(yù)處理；

所述通信模塊用于將預(yù)處理后的樣本值發(fā)送到業(yè)務(wù)層；

所述業(yè)務(wù)層用于通過(guò)人工神經(jīng)網(wǎng)絡(luò)算法，對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練并對(duì)實(shí)際投藥量進(jìn)行預(yù)測(cè)；

應(yīng)用層包括遠(yuǎn)程監(jiān)控模塊，用于對(duì)數(shù)據(jù)處理分析結(jié)果進(jìn)行遠(yuǎn)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(jìn)行數(shù)據(jù)傳輸。

作為優(yōu)選的，所述業(yè)務(wù)應(yīng)用層包括投藥工藝模塊、配藥查詢模塊、藥耗統(tǒng)計(jì)模塊、數(shù)據(jù)查詢模塊、曲線生成模塊和波動(dòng)評(píng)價(jià)模塊；

所述投藥工藝模塊用于調(diào)用人工神經(jīng)網(wǎng)絡(luò)算法計(jì)算投藥、配藥反饋值參數(shù)，并下達(dá)各類參數(shù)和指令進(jìn)行遠(yuǎn)程自動(dòng)配藥、投藥控制；

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

所述藥耗統(tǒng)計(jì)模塊用于按照時(shí)間對(duì)每個(gè)沉淀池的累計(jì)投藥量進(jìn)行統(tǒng)計(jì)；

所述曲線生成模塊用于對(duì)查詢模塊查詢的參數(shù)進(jìn)行曲線顯示；

所述波動(dòng)評(píng)價(jià)模塊用于對(duì)投藥量的波動(dòng)變化進(jìn)行分析；

作為優(yōu)選的，所述業(yè)務(wù)層還包括報(bào)警設(shè)置模塊、報(bào)警統(tǒng)計(jì)模塊和報(bào)警日志模塊；所述報(bào)警設(shè)置模塊用于對(duì)神經(jīng)網(wǎng)絡(luò)算法投藥量投加報(bào)警、投藥中斷報(bào)警、設(shè)備操作故障報(bào)警以及通訊故障報(bào)警進(jìn)行設(shè)置；所述報(bào)警統(tǒng)計(jì)模塊用于對(duì)各類報(bào)警信息進(jìn)行統(tǒng)計(jì)；所述報(bào)警日志模塊用于對(duì)報(bào)警信息進(jìn)行記錄和追蹤。

與現(xiàn)有技術(shù)相比，本實(shí)用新型的有益效果在于：本實(shí)用新型引入神經(jīng)網(wǎng)絡(luò)算法對(duì)源水流量、濁度、溫度、濾前水濁度、藥流量多個(gè)參數(shù)進(jìn)行了自學(xué)習(xí)，調(diào)整各個(gè)參數(shù)對(duì)投藥效果的影響權(quán)重，實(shí)時(shí)跟進(jìn)，將濾前水濁度自動(dòng)控制在預(yù)設(shè)范圍內(nèi)，實(shí)現(xiàn)了混凝投藥工藝的全自動(dòng)化和生產(chǎn)運(yùn)行參數(shù)的在線監(jiān)測(cè)，為水廠安全生產(chǎn)提供了保障，達(dá)到了節(jié)約藥耗、減少人工、降低操作人員勞動(dòng)強(qiáng)度的目的。

附圖說(shuō)明

圖1為本實(shí)用新型實(shí)施例的方法流程框圖；

圖2為本實(shí)用新型實(shí)施例中圖1的具體示意圖；

圖3為本實(shí)用新型實(shí)施例神經(jīng)網(wǎng)絡(luò)模型示意圖；

圖4是本實(shí)用新型實(shí)施例中系統(tǒng)結(jié)構(gòu)框圖；

圖5是本實(shí)用新型實(shí)施例中人工神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)后預(yù)測(cè)值圖；

圖6是本實(shí)用新型實(shí)施例中人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際人工投藥實(shí)際值的比較示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本實(shí)用新型所述的一種基于人工神經(jīng)網(wǎng)絡(luò)算法的混凝投藥控制系統(tǒng)作進(jìn)一步說(shuō)明。

以下是本實(shí)用新型所述的一種基于人工神經(jīng)網(wǎng)絡(luò)算法的混凝投藥控制系統(tǒng)的最佳實(shí)例，并不因此限定本實(shí)用新型的保護(hù)范圍。

圖1示出了一種基于人工神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)，在本實(shí)施例當(dāng)中，采用的是Elman神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)除了常規(guī)神經(jīng)網(wǎng)絡(luò)中的輸入層、隱含層和輸出層外，還提出了一個(gè)特定的承接層；在Elman神經(jīng)網(wǎng)絡(luò)的模型中，輸入層單元進(jìn)行信號(hào)的傳輸，輸出層單元進(jìn)行線性加權(quán)輸出，隱含層單元實(shí)現(xiàn)信號(hào)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(jīng)網(wǎng)絡(luò)的核心，可用來(lái)記憶隱含層單元前一時(shí)刻的輸出值，并反饋給網(wǎng)絡(luò)的輸入，本質(zhì)上來(lái)說(shuō)是一個(gè)延時(shí)算子，它使得Elman神經(jīng)網(wǎng)絡(luò)特別適合于反映動(dòng)態(tài)過(guò)程和預(yù)測(cè)控制；結(jié)構(gòu)為r-n-m的Elman神經(jīng)網(wǎng)絡(luò)模型如圖3所示；圖3中Elman神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的權(quán)值W¹、W²、W³分別為n×n、n×r、m×n的矩陣所述Elman神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型和訓(xùn)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(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)的輸入，x(k)為神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的輸出，y(k)為神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)的輸出，x_c(k)為反饋狀態(tài)向量，W¹、W²、W³分別為神經(jīng)網(wǎng)絡(luò)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(quán)值，g()為輸出層神經(jīng)元的傳遞函數(shù)，f()為隱含層神經(jīng)元的傳遞函數(shù)；α為反饋權(quán)值；k為神經(jīng)元序號(hào)；

S2、混凝投藥樣本數(shù)據(jù)獲取及預(yù)處理，得到樣本值；

S3、初始化神經(jīng)網(wǎng)絡(luò)權(quán)值，在神經(jīng)網(wǎng)絡(luò)模型輸入樣本值；

S4、計(jì)算輸入層、隱含層、輸出層和承接層數(shù)值；

S5、計(jì)算神經(jīng)網(wǎng)絡(luò)的函數(shù)誤差并更新神經(jīng)網(wǎng)絡(luò)權(quán)值，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，完成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)；

S6、判斷更新后的權(quán)值是否滿足設(shè)定的精度或訓(xùn)練次數(shù)，并通過(guò)訓(xùn)練好的模型進(jìn)行實(shí)際投藥量預(yù)測(cè)，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(shí)施例中，針對(duì)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(dòng)平均濾波的復(fù)合算法對(duì)混凝投藥的樣本數(shù)據(jù)進(jìn)行數(shù)字濾波預(yù)處理，此方法既去除突發(fā)尖脈沖非正常干擾信號(hào)，又濾去一定限幅的隨機(jī)噪聲信號(hào)，使數(shù)據(jù)樣本變得更加真實(shí)，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練更為準(zhǔn)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(dòng)平均濾波算法具體為：

式中，N為滑動(dòng)濾波長(zhǎng)度，通過(guò)上兩式結(jié)合得到復(fù)合算法，對(duì)樣本數(shù)據(jù)進(jìn)行數(shù)字濾波預(yù)處理。

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

式中，y_d(k)為神經(jīng)網(wǎng)絡(luò)的第k個(gè)期望輸出，根據(jù)梯度下降法，權(quán)值的調(diào)整公式為：

根據(jù)上式對(duì)網(wǎng)絡(luò)權(quán)值進(jìn)行調(diào)整，并完成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，上式中，η₁、η₂、η₃分別為權(quán)值W¹、W²、W³的學(xué)習(xí)速率。

圖4一種根據(jù)上述方法進(jìn)行混凝投藥控制的系統(tǒng)，包括應(yīng)用層、業(yè)務(wù)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(dòng)平均濾波的復(fù)合算法對(duì)混凝投藥的樣本數(shù)據(jù)進(jìn)行數(shù)字濾波預(yù)處理；在本實(shí)施例當(dāng)中，采集控制層采用PLC控制柜。

所述通信模塊用于將預(yù)處理后的樣本值發(fā)送到業(yè)務(wù)層；

所述業(yè)務(wù)層用于通過(guò)人工神經(jīng)網(wǎng)絡(luò)算法，對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練并對(duì)實(shí)際投藥量進(jìn)行預(yù)測(cè)；

應(yīng)用層包括遠(yuǎn)程監(jiān)控模塊，用于對(duì)數(shù)據(jù)處理分析結(jié)果進(jìn)行遠(yuǎn)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(jìn)行數(shù)據(jù)傳輸。

作為優(yōu)選的，所述業(yè)務(wù)應(yīng)用層包括投藥工藝模塊、配藥查詢模塊、藥耗統(tǒng)計(jì)模塊、數(shù)據(jù)查詢模塊、曲線生成模塊和波動(dòng)評(píng)價(jià)模塊；

所述投藥工藝模塊用于調(diào)用人工神經(jīng)網(wǎng)絡(luò)算法計(jì)算投藥、配藥反饋值參數(shù)，并下達(dá)各類參數(shù)和指令進(jìn)行遠(yuǎn)程自動(dòng)配藥、投藥控制，其運(yùn)行數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，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(gòu)成樣本庫(kù)以預(yù)測(cè)控制量，系統(tǒng)經(jīng)過(guò)1000次迭代學(xué)習(xí)，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(xué)習(xí)后訓(xùn)練誤差圖如圖5所示。

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

所述藥耗統(tǒng)計(jì)模塊用于按照時(shí)間對(duì)每個(gè)沉淀池的累計(jì)投藥量進(jìn)行統(tǒng)計(jì)，實(shí)時(shí)掌握管理者所關(guān)心的藥耗計(jì)量問(wèn)題。

所述曲線生成模塊用于對(duì)查詢模塊查詢的參數(shù)進(jìn)行曲線顯示，用戶可自定義選擇需要查看或?qū)Ρ鹊膮?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(dòng)投藥的投加效果，為投藥自動(dòng)控制工藝的改進(jìn)提供技術(shù)指標(biāo)；

所述波動(dòng)評(píng)價(jià)模塊用于對(duì)投藥量的波動(dòng)變化進(jìn)行分析；

作為優(yōu)選的，所述業(yè)務(wù)層還包括報(bào)警設(shè)置模塊、報(bào)警統(tǒng)計(jì)模塊和報(bào)警日志模塊；所述報(bào)警設(shè)置模塊用于對(duì)神經(jīng)網(wǎng)絡(luò)算法投藥量投加報(bào)警、投藥中斷報(bào)警、設(shè)備操作故障報(bào)警以及通訊故障報(bào)警進(jìn)行設(shè)置；所述報(bào)警統(tǒng)計(jì)模塊用于對(duì)各類報(bào)警信息進(jìn)行統(tǒng)計(jì)；所述報(bào)警日志模塊用于對(duì)報(bào)警信息進(jìn)行記錄和追蹤。

經(jīng)過(guò)自學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)算法計(jì)算輸出的預(yù)測(cè)值與人工投藥實(shí)際值濾前水濁度對(duì)比如圖6所示，線條2為神經(jīng)網(wǎng)絡(luò)算法的控制預(yù)測(cè)值濁度曲線，線條1為人工投藥實(shí)際值濁度曲線，二者變化趨勢(shì)相同，預(yù)測(cè)值較實(shí)際值減少了很多突變值，控制更為準(zhǔn)確，能夠根據(jù)各輸入量參數(shù)的實(shí)時(shí)變化對(duì)投藥量進(jìn)行更為精確的調(diào)整，以達(dá)到更高的控制精度。

在使用過(guò)程中，以投鞏為例，每隔一分鐘取一次數(shù)據(jù)存入當(dāng)天的data數(shù)據(jù)庫(kù)和matData數(shù)據(jù)庫(kù)(當(dāng)投礬通道實(shí)現(xiàn)一用一備時(shí)，需要通道公共數(shù)據(jù)庫(kù)字段存儲(chǔ))。選定一個(gè)標(biāo)志位，取最近五分鐘源水流量、過(guò)濾后實(shí)時(shí)濁度和當(dāng)前設(shè)定濁度，當(dāng)標(biāo)志位顯示獲取最近五分鐘流量和濁度成功后，才能進(jìn)行神經(jīng)網(wǎng)絡(luò)計(jì)算；每30分鐘為自學(xué)習(xí)采集一次數(shù)據(jù):從過(guò)去七天(該時(shí)間可變，原則上時(shí)間越長(zhǎng)計(jì)算結(jié)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(jì)算單個(gè)字段數(shù)值的平均值，按通道數(shù)存入多個(gè)matlab表，需要記錄的字段為源水流量、源水濁度、實(shí)時(shí)濁度、設(shè)定濁度、礬流量、設(shè)定礬流量、溫度、礬濃度。當(dāng)進(jìn)行自學(xué)習(xí)時(shí)，調(diào)用神經(jīng)網(wǎng)絡(luò)dll動(dòng)態(tài)鏈接庫(kù)中的函數(shù)，繼而調(diào)用matlab表進(jìn)行自學(xué)習(xí)；如果有人工設(shè)置“設(shè)定礬流量”，需等待15分鐘后再自動(dòng)控制。沒在自學(xué)習(xí)時(shí)，根據(jù)五分鐘平均數(shù)據(jù)標(biāo)志位，調(diào)用dll函數(shù)，算出礬設(shè)定值進(jìn)行投加。(手動(dòng)改變流量要初始化標(biāo)志位，使等待15分鐘，但延時(shí)算法改變投加量不初始化標(biāo)志為，仍然保持神經(jīng)網(wǎng)絡(luò)三分鐘控制一次)如果沒有人工控制，同時(shí)沒在自學(xué)習(xí)時(shí)，保持三分鐘自動(dòng)控制一次。當(dāng)前系統(tǒng)采用神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)比例為20％，剩余80％采用當(dāng)前礬設(shè)定量。

與現(xiàn)有技術(shù)相比，本實(shí)用新型的有益效果在于：本實(shí)用新型引入神經(jīng)網(wǎng)絡(luò)算法對(duì)源水流量、濁度、溫度、濾前水濁度、藥流量多個(gè)參數(shù)進(jìn)行了自學(xué)習(xí)，調(diào)整各個(gè)參數(shù)對(duì)投藥效果的影響權(quán)重，實(shí)時(shí)跟進(jìn)，將濾前水濁度自動(dòng)控制在預(yù)設(shè)范圍內(nèi)，實(shí)現(xiàn)了混凝投藥工藝的全自動(dòng)化和生產(chǎn)運(yùn)行參數(shù)的在線監(jiān)測(cè)，為水廠安全生產(chǎn)提供了保障，達(dá)到了節(jié)約藥耗、減少人工、降低操作人員勞動(dòng)強(qiáng)度的目的。

以上所述實(shí)施例僅表達(dá)了本實(shí)用新型的幾種實(shí)施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對(duì)本實(shí)用新型專利范圍的限制。應(yīng)當(dāng)指出的是，對(duì)于本領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本實(shí)用新型構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本實(shí)用新型的保護(hù)范圍。因此，本實(shí)用新型專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。