基于MATLAB的BP神经网络在溶解氧浓度控制中的应用.docx

基于MATLAB的BP神经网络在溶解氧浓度控制中的应用论文导读:：污水处理系统中，溶解氧的浓度起着至关重要的作用。本文针对污水处理CASS池中溶解氧浓度控制的重要性和控制要求等，提出了用BP神经网络对其控制的方法，并设计BP神经网络控制器。通过对BP网络模型的训练和仿真，得出BP神经网络控制器对溶解氧浓度控制具有高度的精确性和可靠性。最后将此BP网络控制器结合与PLC相结合应用到实际系统中，对溶解氧浓度的控制达到了理想的效果。论文关键词：MATLAB，BP神经网络，污水处理，溶解氧0、引言近年来，环境污染日益严重，淡水资源日益匮乏，如何将污水处理后排放或加以利用，已经成为世界各国政府关注的大事。活性污泥法是目前大多数城市污水生活处理厂广泛采用的污水处理工艺，其基本流程包括粗格栅及提升泵房、细格栅及沉砂池、配水计量井、CASS反应池、计量井、接触消毒池等，处理工艺图如图1所示。在曝气作用下机电一体化论文，CASS反应池中的污水得到足够的溶解氧并使存活在活性污泥上的微生物分解可溶性有机物，经过一系列的生化反应，使污水得到净化[1]。图1污水处理工艺图1、控制策略分析与控制器设计1.1控制策略分析CASS反应池中溶解氧浓度的高低直接影响着有机物的去除效率，也就相应的影响了出水水质。如果溶解氧浓度过低，供氧不足，会使微生物代谢活动受影响，微生物净化功能降低，使生化反应不够充分，出水水质达不到标准；如果溶解氧浓度过高，氧的转移效率降低，动力费用增加。曝气池中影响溶解氧浓度的因素众多，主要有进水水质化验值(BOD，COD，TP，TN机电一体化论文，SS)和进水流量等免费论文。所以，在污水处理过程中不同工况下都能够对溶解氧浓度进行快速有效的控制，对整个污水处理过程具有重大的现实意义[2]。由于对溶解氧浓度的控制是一个大时滞、非线性、多变量的系统，溶解氧浓度数学模型难以建立，所以对溶解氧浓度的传统控制方式存在着控制精度不够高，实时性不够好等缺点。基于规则的传统模糊控制虽取得了比传统PID控制方法好的控制效果，但是，由于缺乏自学习能力，不能在线调整控制规则，自适应能力差，使系统的鲁棒性受到限制。神经网络控制是将神经网络在相应的控制系统结构中作为控制器或辨识器，由于神经网络是从微观结构与功能上通过对人脑神经系统的模拟而建立起来的一类模型，具有模拟人的部分智能的特性，使神经控制能对变化的环境具有自适应性，且成为基本上不依赖于数学模型的一类控制机电一体化论文，所以它在控制系统中的应用具有多样性和灵活性。1.2BP网络控制器设计BP网络是一种多层前馈神经网络，由输入层、隐含层和输出层组成。层与层之间采用全互连方式，同一层之间不存在相互连接，隐含层可以有一个或多个[3]。构造一个BP网络需要确定其处理单元――神经元的特性和网络拓扑结构。神经元是神经网络最基本的处理单元，隐含层中的神经元采用S型变换函数，输出层的神经元可采用S型或线性变换函数。图2所示即为一个典型的三层BP网络结构。图2典型三层BP网络结构设上图BP网络输入层有M个节点，输出层有L个节点，而且隐含层只有一层，具有N个节点。一般情况下N>M>L。设输入层神经节点的输出为ai（i=1，2，……，M）；隐含层节点的输出为aj（j=1，2，……，N）；输出层神经节点的输出为yk（k=1机电一体化论文，2，……，L）；神经网络的输出向量为ym；期望输出向量为yp免费论文。则：（1）输入层第i个节点的输入为式中xi（i=1,2，……，M）为网络的输入，θi为第i个节点的阈值。（2）隐含层的第j个节点输入为式中wij和θj分别为隐含层的权值和第j个节点的阈值。（3）输出层第k个节点的输入为1.3BP网络学习算法的步骤（1）初始化：置所有的加权系数为最小的随机数。（2）提供训练集：给出顺序赋值的输入向量和期望的输出向量。（3）基数按实际输出：计算隐含层和输出层各神经元的输出。（4）计算期望值与实际输出的误差。（5）调整输出层的加权系数。（6）调整隐含层的加权系数。（7）返回步骤（3），直到误差满足要求为止。2、BP网络控制器的MATLAB实现2.1BP网络模型的建立与训练由于待处理的污水组成成分复杂，对溶解氧浓度的影响并不是一两个因素，根据污水的主要污染物组成的特点，我们选取了最具代表性和普遍意义，具有关键控制作用的几个进水参数，即选取进水的BOD5、COD、SS、TN、TP以及进水流量作为输入层的输入节点，输出节点即为溶解氧浓度。通常隐含层的数目及隐含层神经元数目决定着神经网络的运算速度、存储空间和收敛性质。太多或太少的隐含层都会导致神经网络的收敛性变差，这是因为过少的隐含层处理单元数目不足以反映输入变量间的交互作用，因而误差较大机电一体化论文，而数目过多，虽然可以达到更小的误差值，但因网络较复杂，从而