摘要：许多控制参数不能实现在线检测导致污水生物处理过程难以实现效果良好的自动控制。神经网络可以用于污水生物脱氮过程控制的软测量。与EFOR模拟计算结果相比，软传感器“测得”的出水总凯氮的绝对误差在±0.03mg/l之内，相对误差在±2.5％之内。
关键词：神经网络 污水生物脱氮 自动控制 软测量
论文作者：刘建勇
由于排放标准对出水氮、磷浓度限制的提高，近年来提出了很多生物去除营养物（Biological Nutrient Removal－BNR）的工艺。与只包含去除有机物的传统活性污泥工艺相比，这些BNR工艺多数需要复杂的检测和控制。因此，污水处理工艺的自动化越来越引起人们的注意。然而由于活性污泥工艺的生物学特性，许多控制参数不能实现在线检测，并且现有的在线传感器用于工艺自动化还不够可靠。解决这一问题有两种途径[1]：开发用于检测控制参数的新方法；开发基于从现有在线传感器获得的信息的软传感器。由于软传感器既可以替代硬件传感器又可以与硬件传感器一起应用起到校验作用和避免冗余，近来很多研究者开始了这方面的研究[1][2][3][4][5]。
神经网络（NN）是人工神经网络(Artificial Neural Networks，ANN)的简称，是90年代以来活跃于工程领域并迅速发展的一门前沿科学，它的主要优点是可以充分逼近任意复杂的非线性关系【6】。近年来人工神经网络已成为数学建模领域的一个热点，得到广泛应用。用神经网络将难以实时检测的参数与污水处理的一些易检测过程参数联系起来，建立其可靠的相关关系，从而间接实现对污水水质参数在线实时检测的目的，这就是所谓的“软测量”技术，其中的神经网络就是软传感器。
污水处理厂生物脱氮的控制中，谙叽衅魇强刂葡低车谋∪趸方凇Ｄ芄辉谙呒觳獾牟问校喊碧?NH4+)、硝态氮 (NOx-)，但总凯氮（Total Kjeldahl Nitrogen—TKN）不能在线检测，这使得脱氮工艺不能实现闭环控制。污水中的TKN浓度和其它水质参数之间存在一定的相关关系，用神经网络模拟这种关系，根据可以精确在线检测的参数和得到的它们与TKN之间的相关关系推出TKN的值，即可以实现TKN的在线检测。
以ASM系列模型(ASMs)为基础的EFOR软件是国际上最普遍使用的模拟污水生物处理的商业软件。EFOR软件的模拟输入输出数据可以用于训练神经网络，用同一组进水数据同时作为EFOR软件和训练好的神经网络的输入，比较其输出，可以评价神经网络的“测量”效果。
1 软传感器—神经网络的构建
与TKN浓度相关的可以精确在线检测的水质参数包括：污水流量(Q)、总化学需氧量(CODt)、悬浮固体(SS)、氨态氮(NH4+)、硝态氮 (NOx-)、总碱度(TAL)、溶解氧(DO)。用这些参数作为输入，TKN作为输出构建神经网络。
神经网络类型：采用目前较为广泛应用的以多层感知器为基础的误差反向传播前馈神经网络——BP神经网络。
神经网络结构：理论上早已证明，具有偏差和至少一个S型隐含层加上一个线性输出层的网络能够逼近任何有理函数，神经网络训练误差精度的提高应优先通过增加隐含层中的神经元数目来获得【7】。因此，采用有偏差的2层BP神经网络（一个隐含层）。
训练函数：TRAINLM；自适应学习函数：LEARNGDM；隐含层传递函数：TANSIG；输出层传递函数：PURELIN。
输入参数n=7，输出参数m=1，取隐含层节点数n1＝6。
神经网络程序用MATLAB6.5编制。神经网络的结构如图1示。图中前面一层是输入层，此处输入参数为7个，iw{1,1}表示输入层到隐含层的权重矩阵，b{1}为加到隐含层每个节点上的阈值矩阵；中间一层为隐含层，隐含层节点数为6个，iw{2,1}表示隐含层到输出层的权重矩阵，b{2}为加到输出层每个节点上的阈值矩阵；最后一层为输出层，此处输出参数为1个。
