污水處理系統溶解氧的BP—PID控制算法

王德望+趙敏

摘 要：針對污水處理系統中溶解氧含量波動較大難以控制的問題，提出了一種基于BP神經網絡的PID控制器設計方法，并根據BP神經網絡的結構和特點優化了控制器參數。基于BP神經網絡的PID控制器能根據系統狀態在線調整PID控制參數，使系統誤差保持在較小范圍內，且能使系統受到干擾時快速恢復到穩定狀態。以溶解氧含量為控制對象，分別對常規PID控制器和基于BP神經網絡的PID控制器進行了大量仿真研究。仿真結果表明：基于BP神經網絡的控制系統具有較好的適應性和魯棒性，其控制品質優于常規PID控制器。

關鍵詞：BP神經網絡；PID控制；污水處理；溶解氧質量濃度

DOIDOI：10.11907/rjdk.172580

中圖分類號：TP312

文獻標識碼：A 文章編號：1672-7800（2018）002-0068-03

0 引言

隨著現代工業的發展和城鎮化進程的加快，水污染問題越來越嚴重。對污水進行有效處理，可以提高居民的生活質量，改善人們的生活條件[1]。污水處理是一個復雜系統，其處理過程受到很多因素的影響[2]。其中，對曝氣池中溶解氧的含量精準控制是污水處理系統的重要環節，當溶解氧含量過高或過低時，都會對污水處理效率造成相應影響。

傳統的PID由于魯棒性好、控制算法簡單、易于實現等優點，被廣泛運用于污水處理系統溶解氧含量的控制中，比直接作用式調節器的控制效果好。然而傳統PID控制也存在一些不足，其中最重要的是PID參數的設置問題，因為一旦PID的參數得到確定，則整個控制過程都是固定的[3]。而在實際污水處理系統中，系統狀態會時常發生改變，PID參數的固定不變會導致系統處于不穩定狀態。針對傳統PID控制的這一不足，提出了將BP神經網絡與傳統PID相結合的方法，實現了PID控制器控制參數的自整定[4-5]。仿真實驗表明，此法提高了系統的動態性能和穩態精度，能夠較好地滿足系統需求。

1 溶解氧濃度模型建立

有效的水處理取決于對瀑氣池中溶解氧含量的適當處理。溶解氧含量受兩個因素影響：①提供給曝氣池的空氣速率；②污水中溶解氧的消耗速率。

污水處理過程中溶解氧含量具有非線性、時變性特點[7]，其速率變化公式為：溶解氧含量變化率= DO輸入速率-DO輸出速率+DO產生率-DO消耗率[8]，曝氣過程的動態數學模型如下：

2 基于BP神經網絡的PID原理

2.1 總體結構設計

（1）經典PID控制器。PID控制器是一種線性控制器，根據系統誤差，利用比例參數kp，積分參數kI，微分參數kd對系統進行控制[9]。PID的控制原理如圖1所示。

（2）基于BP神經網絡的PID控制器。BP神經網絡能根據系統運行狀態，通過在線學習調節PID控制器的控制參數，使其系統性能達到最優 [10-11]。

系統總體結構如圖2所示。

2.2 BP網絡結構

BP神經網絡是多層感知神經網絡，由輸入層、隱含層、輸出層3部分組成， BP網絡結構如圖3所示。

在這個模型中，輸入節點的數量取決于被控系統的復

雜程度[12]，本文較全面地反映出系統誤差狀態，定義3個輸入節點，分別為：x1=e（k），x2=e（k）-e（k-1），x3=∑k1e（i）。其中e（k）為誤差量，x2反映誤差變化的快慢，x3反映誤差的累計效果。輸出節點為PID控制器的3個可調參數kp，kI，kd。

2.3 算法設計

BP神經網絡算法分為前向傳遞和反向傳遞兩個階段。前向傳遞階段，輸入首先被傳入到隱層節點的輸入端，等待計算完成后，隱層節點將輸出傳遞到輸出節點的輸入端，最終得到輸出結果；反向傳遞階段，當實際輸出和期望輸出的誤差范圍大于規定值時，誤差反向傳遞階段開始。根據系統誤差，采用梯度下降法調整權值系數，并逐層向后傳遞至隱層、輸入層。至此前向傳遞和誤差反向傳遞過程圓滿完成。在該過程中，神經網絡需要不斷地學習和訓練，一直持續到輸出的誤差降低到系統可接受的范圍內[13]。

2.3.1 前向算法

根據性能指標，按照梯度下降法修正網絡的加權系數[15]，并附加一個使搜索快速收斂全局極小慣性項：

3 仿真及結果分析

根據溶解氧濃度的數學模型，使用階躍信號rin（k）=1，確定kp，kI，kd的值分別為0.4，0.01，1.0。利用BP神經網絡整定PID的控制參數，對污水處理系統溶解氧的含量進行控制實驗，實驗結果如圖4所示。

在圖5中，溶解氧含量的控制由于瀑氣池的頻繁變化而具有時滯性。在BP神經網絡整定的PID控制中，單位階躍響應的上升時間tr為2.1s，調節時間ts為4.7s，無超調量；傳統PID控制的上升時間tr為2.5s，調節時間ts為7.3s，超調量σ為50.8%，說明基于BP神經網絡的PID控制器，能根據系統誤差在線調整污水處理系統中溶解氧濃度，且系統能在較短的時間內達到穩定狀態，縮短了響應時間，較快地恢復到最佳狀態。系統的誤差曲線如圖5所示，從圖中可以看出系統的誤差在較短的時間內得到降低，并最終趨向于零誤差，說明基于BP神經網絡的PID控制精度高。BP神經網絡在運行過程中對PID控制參數的調節如圖6、圖7、圖8所示。

為了衡量系統的抗干擾能力，在第50個采樣時刻給控制器加入一個幅值為0.5的干擾，得到溶解氧濃度的擾動曲線，仿真結果如圖9所示。仿真圖中，當傳統PID控制受到干擾時，超調量在縮小誤差的過程中增大，且產生的誤差很難在較短時間內縮小，而BP神經網絡的PID控制能在較短時間內縮小干擾產生的誤差，且不再產生超調量。

4 結語

由于溶解氧濃度在污水處理過程中具有隨機擾動和隨時間變化的特點，故在污水處理系統中必須對其進行精準控制。本文采用基于BP神經網絡的PID控制器對溶解氧濃度進行控制，利用BP神經網絡的自學習和權重調整在線整定PID的控制參數，較好地提高了系統的控制精度。在BP神經網絡的PID控制模式下，系統響應速度明顯提高，動態性能得以增強，在系統受到干擾的情況下，可在較短時間內恢復。endprint

參考文獻：

[1] 宋超山.基于快速城市化的分散式污水處理模式研究[D].西安：西北大學，2010.

[2] 張聞豪.城市污水處理廠節能措施與優化運行技術研究[D].太原：太原理工大學，2012.

[3] 祁海祿.模糊自整定PID控制器設計與仿真研究[C].2009系統仿真技術及其應用學術會議論文集，2009：4.

[4] 吳海平，敖志剛，王冠，等.基于BP神經網絡的參數在線整定的PID實時控制[J].電腦知識與技術，2009，5（19）：112-116.

[5] TRAORE A， GRIEU S， PUIG S， et al. Fuzzy control of dissolved oxygen in a sequencing batch reactor pilot plant[J]. Chemical Enginnering Journal，2005，111（1）：13-19.

[6] 崔玉理.基于神經網絡的污水處理過程建模及仿真的研究[D].青島：山東科技大學，2006.

[7] 韓廣，喬俊飛，薄迎春.溶解氧濃度的前饋神經網絡建模控制方法[J].控制理論與應用，2013，30（5）：585-591.

[8] 王威.基于自適應遺傳PID算法的溶解氧（DO）濃度控制[J].中小企業管理與科技（下旬刊），2015（11）：268-269.

[9] 周偉.PID參數自整定的研究與應用[D].武漢：華中科技大學，2011.

[10] 王敬志，任開春，胡斌.基于BP神經網絡整定的PID控制[J].工業控制計算機，2011，24（3）：72-73.

[11] 涂川川，朱鳳武，李鐵.BP神經網絡PID控制器在溫室溫度控制中的研究[J].中國農機化，2012（2）：53-56.

[12] 張彥軍，韓幫華，張晶.基于BP神經網絡整定的PID溫度控制[J].吉林化工學院學報，2008（3）：64-67.

[13] 劉猛.云計算平臺下神經網絡方法研究[D].成都：電子科技大學，2011.

[14] 趙峰，何祖軍.基于自適應PIDNN的船舶航向模型辨識與控制[J].艦船科學技術，2008（4）：122-125.

[15] 張運波.神經網絡控制算法在光伏并網逆變器控制中的應用[J].長春工程學院學報，2015，16（2）：1-47.endprint