文档介绍：基于神经网络系统的智能投矾系统解决方案
大冶有色集团控股公司动力分公司周少金435005
黄石市特种设备检验检测所陈小明435000
摘要：分析传统投矶系统解决方案的弊端，提出一种新的人工神经网络系统的投矶控制系统方案，介绍了实现神经坏时仍能恢复出原来的信息，具有较强的容错能力和联想记忆能力，同时由于神经网络的信息处理是非程序式的,可根据外部的某个标准进行学习,具有自动组织、学习、适应的特点。
在实际应用中，应用最广泛的是反向传播网络，称之BP网络模型，BP网络模型的算法为反向传播算法。它可以逼近任意连续函数，具有很强的非线性映射能力，而且网络的中间层数、各层的处理单元及网络的学习等参数可根据具体情况设定，灵活性较大，它在许多应用领域中起到重要作用。是至今为止在水厂应用最广泛的神经网络系统。在BP网络中，网络的学习过程实质上是一种误差修正的过程,其原理是：输入系统给定参数，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量值与给定向量值尽可能地接近，当网络输出层的误差平方和小于指定的误差时该算法训练完成，系统根据设定保存网络的权值和偏差。
这种算法由正向和反向传播组成，在正向传播过程中，输入信号从输入层通过特性函数后逐层向隐层至输出层传播，每一层的神经元状态只影响下一层的神经元状态。如在输出层没有得到设定的输出，则转入反向传播，将误差信号沿传播的连接通路返回，通过修改各层神经元连接权值，使输出误差信号最小。
图1PB算法流程图
根据分析，从提起到生产出合格的自来水，水中杂质微粒的去除一般经过以下3个阶段：
（1）凝聚：向源水中投加药剂以使水中胶态颗粒脱稳;絮凝、脱稳的胶态颗粒和其他微粒形成絮体；
（2）沉淀:从水中去除60-80%悬浮物和絮体；
（3）过滤:进一步去除15-20%悬浮物和絮体。
一般情况下，大冶集团水厂长江源水的浊度变化较大，为几十~几百NTU,而经过投药混凝、沉淀、过滤、消毒后，出水浊度只有1个NTU以下,由此可见混凝剂的投加在这一过程中起到主要作用。通过分析混凝剂
投加后的化学反应过程及各种因素对混凝效果的影响程度，可以得出以下几个主要源水参数影响混凝剂的投加量和混凝效果：
浊度:反映水中悬浮颗粒物的浓度，决定混凝剂的投加量。
温度:影响无机盐的水解。水温低，水解反应慢，同时粘度大，布朗运动减弱，絮体不易生成。
⑶流量:影响混凝剂量的大小。
在分析上述水处理过程的特点、找出影响混凝效果的主要因素之后，我们根据大冶集团水厂的特点，建立了浊度、温度、流量、投加量之间的神经网络模型(见图2),考虑到参数的在线可连续测量性,初步选取输入层节点数为3个，分别为源水浊度、温度、流量。输出层节点数为1个，为混凝剂的投加量。隐层节点数和层数可根据神经网络计算理论中的有关公式通过试验确定。输入层参数的选取可根据水源参数的具体特征修改。依据此网络结构可实现已知源水状况时，可预测混凝剂的投加量。预测值的准确程度取决于选取训练样本的准确性与样本数据的有代表性和全面性，训练样本选用近几年现场有代表性运行记录，在此基础建立样本数据。
图2混凝投药神经网络模型的结构
在以上模型基础上结合优化算法可建立投药量最佳预测控制系统,如图3,实现混凝投药的最佳实时控制。
图3最佳投药量预测控制系统图