一种动态自适应最近邻聚类学习算法在工业污水处理中的应用

D0I:10.13374/j.issnl001-053x.2006.01.020 第28卷第1期 北京科技大学学报 Vol.28 No.1 2006年1月 Journal of University of Science and Technology Beijing Jan.2006 一种动态自适应最近邻聚类学习算法在 工业污水处理中的应用 陈先中)侯庆文)柳瑾)庄严2) 孟广军3) 1)北京科技大学信息工程学院，北京1000832)北华大学，吉林1320213)大庆油田化工集团，大庆163000 摘要为了建立工业污水pH值中和系统的正模型，研究了具有大滞后非线性特性的加药中和 过程.利用一种动态自适应最近邻聚类(DANNC)学习算法，全面调整网络参数完成了污水pH值 加药中和控制系统网络的学习和训练.采用中和过程神经网络内模控制系统的逆棋型充当控制 器，进行了各种工业条件下污水中和的仿真实验.结果表明，该系统实现了△pH≤0.2的工业污水 的控制精度目标，系统实时跟踪和抗干扰性良好 关键词工业污水；最近邻聚类学习算法；动态自适应调整；pH值：内模控制 分类号TP274 工业污染物排放的pH值控制问题已有多种 函数f的导数表达式为： 成熟的方法，如传统的PD控制算法、模糊控制 f(x)= 算法、专家系统以及神经网络等].一方面由于 2√2/4+K10H-1+10(2) 工业污水排放量大，成分复杂，酸碱类型也是强弱 f(x)在pH=7时达到最大值，即f=2.2× 不定，pH值变幅较大.另一方面，在工业生产中， 10.对于较大和较小的pH值，f值将急剧地下 常利用电石渣废液作污水处理中和液，其内含有 降.如当pH=4和10时，f=4.3×103,增益变 大量固体颗粒及其他杂质，致使中和剂本身浓度 化达几个数量级. 波动较大，且会造成中和反应滞后，给中和过程的 可见，整个pH值的中和反应特性呈明显的 实际控制带来很多具体的困难.如果采用常规的 非线性关系，当pH值较大和较小时，曲线较为平 控制方案，则针对性不强，表现为反应速度慢，控 缓，当pH=6~9时，存在很强的非线性，因此进 制精度低等2).本文模拟工业现场的环境和条 行pH值的控制时，应充分考虑其非线性特征 件，建立了一套工业用污水循环和加药中和控制 2基于神经网络的pH值控制算法 系统，有针对性地寻找一种抗干扰性强的工业级 设计 先进控制算法，在满足一定响应速度和控制精度 的前提下，更经济地解决加药控制系统的实时加 传统的RBF网络的学习主要包括两部 药跟踪和抗干扰问题，达到污水排放的pH值波 分46]：一是基函数中心矢量的确定；二是输出权 动范围△pH≤0.2的工业控制目标 的确定，前者通常用聚类方法或根据某一价值函 数在输出样本中选取，如随机选取RBF中心的直 1 pH值控制原理 接计算法，以及自组织学习选取RBF中心法（如 pH值表示式3)： 均值聚类法、梯度下降法和正交最小二乘法).后 者常用线性最小二乘法及其改进算法得到. pH=f(x)=-lg(√x2/4+Km-x/2)(1) 上述两种基函数中心矢量的确定方法只适用 式中，函数∫为滴定曲线，x为氢氧离子浓度与 于静态模式的离线学习算法，即算法有效的基础 氧离子浓度的差，K为平衡常数 是事先必须获得所有可能的样本数据，不能用于 动态输入模式的在线学习算法.且在学习前输入 收稿日期：2004-12-16修回日期：200501-18 基金项目：国家自然科学基金资助项目(N0.60472095) 数据的中心个数，即RBF网络隐单元个数要人为 作者简介：陈先中(1966一)，男，副教授，博士 确定 本文根据文献[7]提出采用一种动态自适应

第 2 8 卷 第 1 期 2 0 0 6 年 i 月 北 京 科 技 大 学 学 报 J o u m a l fo U n i ev 邝i ty fo Sc i e n ec a n d r r e c h n o l og y eB 幼i n g V o l . 2 8 N o 。 1 J a n 。 2 0 0 6 一种动态 自适应最近邻聚类学习算法在 工业污水处理 中的应用 陈先 中` ) 侯 庆 文 ` ) 柳 瑾 ` ) 庄 严 )2 孟 广军 )3 1 ) 北京科技大学信息工程学院 , 北京 1 00 0 8 3 2 ) 北华大学 , 吉林 13 2 0 2 1 3 ) 大庆油 田化工集团 , 大庆 1 6 30 0 0 摘 要 为了建立工业污水 p H 值 中和 系统的正模型 , 研 究了具有大滞后非线性 特性的加药 中和 过程 . 利用一种动态 自适应最近邻聚类 ( D A N N c )学 习算法 , 全面调整 网 络参数完成了污水 p H 值 加药 中和控制系统 网络的学习和 训练 . 采用 中和过程神经 网络 内模控制 系统的逆模 型 充当 控制 器 , 进行 了各种工业条件下污水中和的仿真实验 . 结果表明 , 该系统实现了 乙 p H 簇0 . 2 的工业污水 的控制精度 目标 , 系统 实时跟踪和抗干扰性 良好 . 关键词 工业污水 ; 最近邻聚类 学习算法 ; 动态 自适应调整 ; p H 值 ; 内模控制 分类号 T P 2 74 工业污染 物排放的 p H 值控制 间题 已有 多 种 成熟的 方法 , 如 传 统 的 PI D 控 制 算法 、 模糊控 制 算法 、 专家系统 以及 神经 网络 等〔’ 〕 . 一 方面 由于 工 业污水排放量大 , 成分复杂 , 酸碱类型也是强 弱 不定 , p H 值变幅 较大 . 另一 方面 , 在工业 生产 中 , 常利用 电石渣 废 液作污 水处 理 中和 液 , 其 内含 有 大量 固体颗粒 及 其 他杂 质 , 致使 中和 剂 本身浓 度 波动较大 , 且会造成 中和反 应滞后 , 给中和过 程的 实际控制带 来很 多具 体的 困难 . 如果 采用 常规 的 控制方 案 , 则针对性不强 , 表现 为反 应速度慢 , 控 制精度 低 等2[] . 本 文模拟 工 业 现 场 的环 境和 条 件 , 建立 了一套 工业 用 污水 循环和 加药 中和控 制 系统 , 有 针对性 地 寻找 一种 抗 干扰 性强 的工业 级 先进控制算 法 , 在满 足 一 定响 应速 度和 控制精度 的前提下 , 更经 济地 解决加 药控 制 系统 的实时加 药跟踪 和抗干 扰问 题 , 达 到污 水 排放 的 p H 值波 动范 围 △p H 镇0 . 2 的工业 控制 目标 . 函数 f 的导数 表达式 为 : 、 · ( , ) - 一二坠三一 - - 一煞 . 一 (2) 2 了 x , / 4 + K 、 l o p 一 + 10 F l , 1 p H 值控制原理 p H 值表 示式 3[] : p H = f( x ) = 一 19 ( 了 x Z 4/ + K , 一 x 2/ ) ( 1) 式中 , 函数 f 为 滴定 曲线 , x 为 氢 氧 离子 浓 度与 氧离子浓度的差 , K w 为平衡常数 . 收稿 B 期 : 2 00 4 一 1 2 一 26 修回 日期 : 2 00 5 一 0 1一 18 基金项 目 : 国家 自然科学基金资助 项 目 ( N o . 60 4 7 2 0 9 5) 作者简介 : 陈先中 ( 19 6 6一 ) , 男 , 副教授 , 博士 f’ ( x )在 p H = 7 时达到最大值 , 即 厂 = 2 . 2 只 1护 . 对于较大和 较 小 的 p H 值 , 厂值将急剧 地 下 降 . 如 当 p H = 4 和 10 时 , 厂 = 4 . 3 x l o 3 , 增 益 变 化达几个数 量级 . 可见 , 整 个 p H 值的 中和 反应 特性 呈 明显 的 非线性关系 当 p H 值较大 和较 小时 , 曲线较 为平 缓 , 当 p H = 6 一 9 时 , 存在很强 的非 线性 . 因此 进 行 p H 值的控制时 , 应充分考虑 其非线性特征 . 2 基于 神经 网络 的 p H 值控制算 法 设计 传 统 的 R B F 网 络 的学 习 主 要 包 括 两 部 分〔4划 : 一是基 函数 中心 矢量 的确 定 ; 二是 输出权 的确 定 . 前 者通常用 聚类方法 或根 据某一 价值函 数在输 出样本 中选取 , 如 随机选 取 RB F 中心的直 接计算法 , 以及 自组 织学 习选 取 R B F 中 心法 ( 如 均值聚 类法 、 梯度下 降法 和正 交最 小二 乘法 ) . 后 者常用线性最 小二乘法 及其改 进算法 得到 . 上述两种基 函数中心矢量 的确 定方 法 只适 用 于静 态模式 的离 线学 习算法 , 即算法 有 效 的基 础 是事先必须 获得 所有 可 能 的样 本数 据 , 不 能用 于 动态输入模式的在线 学 习算法 . 且 在学 习前输 入 数据的 中心个数 , 即 R B F 网络隐单 元个数 要 人为 确定 . 本文根 据文 献 仁7 ] 提 出采 用一 种 动态 自适 应 DOI: 10. 13374 /j . issn1001 -053x. 2006. 01. 020

Vol.28 No.1 陈先中等：一种动态自适应最近邻聚类学习算法在工业污水处理中的应用 ·85· 最近邻聚类学习算法.与传统学习方法相比，动 接控制式电磁阀；电磁继电器选用华控公司的HY 态自适应最近邻聚类学习算法，不需要事先确定 一890电磁继电器输出端子板；反应容器呈圆柱 隐单元的个数，且聚类所得到的RBF网络是优化 状，由镀锌板焊接而成，内涂防腐漆 的，其算法可在线学习 首先初始化系统参数，启动计时器，然后按规 其网络输出为： 定的采样周期启动数据采集板采集pH计的测量 M 信号，采集到的数据送入计算机进行存储、处理、 exp(-‖x-c2/r2) f(x)= 1 M (3) 记录和输出.计算机记录并输出高低电平控制继 exp(-x-c,2/r2) 电器选通电磁阀的开断通道及时间长短.单位时 间内流过电磁阀的药剂流量是一定的，通过控制 式中，r为高斯函数宽度，w.为权矢量，‖-c:‖ 加药时间即可控制加药量， 为聚类中心的距离，c:为x的最近邻聚类，M为 聚类中心的个数.可以看出这是一种优化的网络 4控制系统的建模 输出模型，其中半径x的选取是问题的关键 采用对象一正模型一逆模型系统的方法，即 本文中，首先在网络模型中自动选取隐节点 利用神经网络正模型模拟对象、逆模型充当控制 的中心（初始聚类中心）和初始权值，然后通过改 器，设计中和过程神经网络内模控制系统，并进行 变隐节点的宽度，以及采用线性最小二乘法 仿真实验， (LMS)调整权值来获得优化的RBF网络.实际 4.1数据的采集与处理 训练中，使用中和反应实验中取得样本数据，由于 选浓盐酸HCI和纯碱NaOH作为中和药剂， 数据的分散性，基函数中心宽度并不始终影响网 在中和容器内蓄水，打开循环泵，加入一定量的盐 络.将r减小到一定值时，由于数据的分散性，每 酸，使容器内的水呈酸性，用pH计测得pH= 一组输入数据各成一类，隐含层的中心数为输入 2.36.用烧杯稀释纯碱，制成药剂，用pH计测得 样本数，中心即为输入数据.所以本文根据误差 药剂的pH=12.40.将配制好的药剂由漏斗倒入 要求动态调整了基函数中心宽度，并进一步权值 加药罐.用计算机控制电磁阀的开通，使药剂加 优化，获得的模型精度很高 入到中和容器内.同时用pH计测量容器内水的 3实验系统的设计 pH值，由计算机采集、记录和显示数据，获得中和 过程的实验数据.电磁阀的开通时间代表加药 系统由pH计、计算机、数据采集板、电磁继 量，实际加药量为66.24mL·s1.选取神经网络 电器、电磁阀、反应容器及循环泵组成.pH计由 学习训练的采样周期为1s. E+H公司提供，数据采集板选用华控公司HY~ 表1为中和反应的实验数据 6070通用数采板，电磁阀采用常闭式小管径直 表1中和反应实验数据 Table 1 Experimental data of the neutralization reaction 加药时 对象 加药时 对象 加药时 对象 加药时 对象 加药时 对象 加药时 对象 间/s H 间/s pH 间1s pH 间/s pH 间/s pH 间/s pH 0 2.36 9 2.56 18 3.04 内 8.51 36 10.42 45 11.10 2.38 10 2.58 19 3.18 28 8.68 37 10.59 46 11.11 2.39 11 2.63 20 3.40 8 8.98 38 10.73 47 3 2.41 12 2.67 21 3.71 30 9.20 39 10.81 48 2.41 2.73 22 4.06 9.34 40 10.94 49 2.42 4 2.74 23 5.48 32 9.64 41 10.99 6 2.45 15 2.76 24 6.21 33 9.80 42 11.02 7 2.48 2.87 33 7.62 34 10.10 43 11.07 8 1.50 17 2.93 26 8.16 35 10.32 44 11.08

V o l . 2 8 N o . 1 陈先中等 : 一种动态 自适应最近邻聚类学习算法在工业污水处理中的应 用 最近邻 聚类 学 习算法 . 与传统 学 习方 法 相 比 , 动 态 自适应最近 邻 聚类学 习算 法 , 不 需 要 事先 确定 隐单元 的个数 , 且聚类 所得到 的 R B F 网络是 优化 的 , 其算法 可在线学 习 . 其网络输 出为 : 艺 。 、 e x p ( 、 一 }l 二 ` 一 。 * }1 2 / : , ) f ( x k ) = 畏厂- — ( 3 ) 习 e x p ( 一 {l x ` 一 。 、 11 ’ / r Z ) 式中 , : 为高斯函 数宽度 , 。 : 为权矢量 , 1{ 犷 一 。川 为聚类中心的距离 , 。、 为 犷 的最 近邻 聚 类 , M 为 聚类中心的个数 . 可以看出这是 一种优 化 的 网络 输出模型 , 其 中半径 r 的选取是 问题 的关键 . 本 文中 , 首先 在 网络 模型 中 自动选取 隐节 点 的 中心 (初 始聚类 中心 ) 和初 始权 值 , 然 后通 过改 变隐 节 点 的 宽 度 , 以 及 采 用 线 性 最 小 二 乘 法 ( L M )S 调整 权 值来 获得 优 化 的 R B F 网 络 . 实 际 训练 中 , 使用 中和 反应实验 中取得样本 数据 , 由于 数据 的分散性 , 基 函数中 心宽度并不始终 影 响网 络 . 将 : 减 小到一定值时 , 由于数据 的分 散性 , 每 一组输入 数据 各成 一类 , 隐含层 的 中心 数 为输 入 样 本数 , 中心即 为输 入 数据 . 所 以 本文 根 据误 差 要求 动态调整 了基函 数 中心宽度 , 并进 一 步权 值 优化 , 获得 的模型精度 很高 . 接控制 式电磁 阀; 电磁继 电器选用华控 公司的 H Y 一 8 9 0 电磁 继 电器输 出端 子 板 ; 反 应 容 器 呈 圆 柱 状 , 由镀锌板焊 接而成 , 内涂防腐漆 . 首 先初始 化系统参数 , 启动计 时器 , 然后按 规 定 的采样周期 启动数据采集板采 集 p H 计 的测 量 信号 , 采 集到 的数 据送 入计 算机 进行 存储 、 处理 、 记录 和输出 . 计算机 记录并 输出高 低 电平 控制继 电器选 通 电磁 阀的开断通 道及 时 间长短 . 单位 时 间内流过 电磁 阀 的药剂 流 量是 一 定 的 , 通过 控 制 加药 时 间即可控制加药 量 . 3 实验系统的设计 系统 由 p H 计 、 计 算 机 、 数 据采 集板 、 电磁继 电器 、 电磁 阀 、 反应 容器 及循环 泵组 成 . p H 计 由 E 十 H 公 司提 供 , 数据 采集板 选用华 控公 司 H Y 一 60 70 通用数 采 板 . 电磁 阀采 用 常闭 式 小管径 直 4 控制 系统的建模 采用对象一正 模型一 逆 模型 系统的方 法 , 即 利用 神经 网络正模型 模拟 对象 、 逆 模型 充当控 制 器 , 设计 中和过 程 神经网络 内模控 制 系统 , 并 进行 仿 真实验 . 4 . 1 数据 的采集与处理 选浓盐 酸 H CI 和纯 碱 N a O H 作 为中和 药剂 , 在中和 容器 内蓄水 , 打开循 环泵 , 加入 一定量 的盐 酸 , 使 容器 内 的水 呈 酸 性 , 用 p H 计 测 得 p H = 2 . 36 . 用烧 杯稀 释纯 碱 , 制 成 药剂 , 用 p H 计 测得 药剂 的 p H = 12 . 40 . 将配 制好 的药剂 由漏 斗倒入 加药 罐 . 用计 算 机 控制 电磁 阀 的开 通 , 使药 剂 加 入到 中和容器 内 . 同时 用 p H 计 测 量容器 内水 的 p H 值 , 由计算机 采集 、 记录 和显示 数据 , 获得 中和 过 程 的 实验数 据 . 电磁 阀 的 开通 时 间代 表 加 药 量 , 实际加药量 为 6 . 24 m L · S 一 ` . 选取 神 经 网络 学 习训 练 的采 样周期为 1 5 . 表 1 为中和反 应的实验数据 . 表 1 中和反应实验数据 T a b l e 1 E x pe r i m e n t a l d a t a o f t h e n e u t r a liaz t i o n 比 a e t i o n 加药时 对象 加 药时 对 象 加药时 对 象 ! 力。药时 对象 { 力。药时 对象 … ”口药时 对象 间 / : p H 间 八 p H 间/ 5 p H … }司 / S } }司 / “ 1 !司 / S 18 3 , 0 4 一 } 2 7 8 一 { 3 6 1。一 1 9 3 . 18 …:洲斌 … 2 8 “ . 6 “ … ’ 7 `。 . 5 9 1 ; : 一 2 〔) 3 . 4 0 1 2 9 8 · 9 5 } 3 ” `。 . 7 3 … 48 2 1 3 . 7 1 30 9 . 2 0 1 3 ” ’ 。 心 , … ` 9 2 2 4 . 0 6 { 3` 9 乃 ` … ` 。 `。 .9 4 2 3 5 . 4 8 1 3 2 ’ ` 6` { “ `。 9 9 24 6 . 2 1 … ’ 3 ’ 名“ … 4 2 “ . “ z 25 7 . 6 2 1 3` ’ 。 注 。 { 4 3 “ . 0 7 26 8 . 1 6 ! J S 10 · 3 2 } 4 4 1 1 · 0 8

86 北京科技大学学报 2006年第1期 选择以下指标作为神经元网络的输入和输出 与正模型相反，选择以下指标作为中和过程 正模型.输入向量：{药剂pH,对象初始pH,加药 输入和输出的逆模型.输入向量：|药剂pH,对象 时间{，输出向量：{对象的当前输出pH,药剂pH 初始pH,对象的当前输出pH,输出向量：加药 以添加药剂的实际pH值计算，对象初始pH以添 时间{，基于MATLAB编制了控制系统的仿真程 加药剂初始pH值计算，加药量以电磁阀开通的 序.逆向建模仿真结果见图1. 时间表示 图1给出了碱酸中和情况下中和过程的逆向 45 (a) (b) Is 0.4 pH值 pH值 图1中和过程逆向建模仿真结果。()期望输出与模型输出的对比：(b)模型输出与对象输出之间的误差曲线 Fig.1 Results of the reverse modeling in the neutralization reaction:(a)comparison of the output of expectation with the model;(b)error between the model and the system 建模结果.其中，对象初始pH=2.45,药剂pH= 5控制系统试验 12.40.图1(a)为期望输出曲线1与模型输出曲 线2的对比，图2(b)为pH值输出误差曲线，范 工业水处理中，为避免药剂浪费，不允许超 围为-0.55~+0.42.虽然建模结果中存在一定 调，系统只能从一侧接近控制目标，同时由于控 的误差，但从图中可见，在pH控制的常用范围6 制目标在中和反应的敏感区，药剂不宜采用一次 一9之间的误差仍可以满足控制要求.所以，神 性大量投加的方法.系统设定值pH=8.5,输出 经网络的逆向建模基本完成了辨识任务，模拟了 的控制效果见图3所示， 加药中和的逆过程. 在图3(a)中，控制精度，满足要求的精度指 4.2中和过程神经网络内模控制系统 标.图3(b)设85s时系统设定值产生变化，观察 pH中和过程神经网络内模控制系统如图2系统输出的变化，其中设定值由7.5变化到9.0. 所示.图中分别为神经网络正模型NNM和逆模 结果表明系统可以较快地跟踪设定值的变化.保 型NNC,滤波器为典型的一阶低通滤波器，具有 持系统的设定值不变，在70s时加入一个干扰信 单位增益，并且其频率响应被校正以消除测量装 号，使设定值由7.5变化到6.0，观察系统输出的 置引入的高频噪声.它与控制器合在一起根据选 变化，结果如图3(c)所示.结果表明系统具有较 择的性能指标来设计 强的抗干扰性能 对象初始pH 6结论 药剂pH 由结果可见，采用基于动态自适应最近邻聚 pH输人⑧滤波器 由NCC主对象 pH输出 类学习算法的神经网络内模控制系统具有较高的 控制精度.在pH=6~9的工业污水加药中和排 NNM 放条件下，系统较好地实现了的控制目标，具有良 图2中和过程神经网络内模控制系统 好的实时跟踪性和抗干扰性.试验系统造价低 Fig.2 Internal model control system of the network in the neu- 廉，达到了预期效果. tralization reaction

北 京 科 技 大 学 学 报 2 0 0 6 年第 i 期 选择 以下指标 作为神经 元网络 的输入和输 出 正 模型 . 输入 向量 : {药剂 p H , 对象 初始 p H , 加 药 时间 } , 输出向量 : {对 象的 当前输 出 p H } , 药剂 p H 以 添加药剂 的实际 p H 值计 算 , 对象 初始 p H 以 添 加 药剂 初始 p H 值计算 , 加 药 量 以 电磁 阀开 通 的 时间表示 . 裂厂面一一一— — 一一一下一门 与正模型相 反 , 选择 以下 指 标作为 中和 过 程 输入和输 出的逆模型 . 输入 向量 : }药剂 p H , 对象 初始 p H , 对 象的当前输 出 p H } , 输 出向量 : }加 药 时间 } , 基于 M A T L A B 编 制了控制 系统的仿真 程 序 . 逆 向建模仿真结果见 图 1 . 图 1 给出 了碱 酸中和情况 下 中和过 程 的逆 向 一 阿 \咧 闷 卜 绷呜臼潺 `凡j , 尸、ùúéù、气l 愉宜岔只之口 2 上 山八O ìnU 1 6 月峪 P H 值 p H 值 图 1 中和过程逆向建模仿真结果 . ( a) 期望输出与模型输出的对比 ; ( b) 模型输出与对象输 出之间的误差 曲线 F i g . 1 R es u lst o f t卜e ver e n 记 m od e li gn i n t h e en u tar li z a ti o n 代 a e t i o n : ( a ) com P ar i ~ o f t h e o u t P u t o f e x 碑 c t a t i o n w i t h t h e m od e l : ( b ) e附 r 悦 t we n t加 m o d e l a 耐 t h e s y s t e m 建模结果 . 其 中 , 对象 初始 p H 二 2 . 45 , 药剂 p H = 12 . 4 0 . 图 1 ( a )为期 望输 出 曲线 1 与模型 输 出 曲 线 2 的对 比 . 图 2 ( b) 为 p H 值输 出误 差 曲线 , 范 围为 一 0 . 5 5 一 + 0 . 4 2 . 虽然 建模 结果 中存在 一定 的误差 , 但从 图 中可见 , 在 p H 控 制的常用范 围 6 一 9 之 间的误 差 仍 可 以满 足控 制要 求 . 所 以 , 神 经网络的逆 向建 模基 本 完成 了辨识 任务 , 模拟 了 加药 中和 的逆过程 . 4 . 2 中和 过程神经 网络内模控制系统 p H 中和过 程 神 经 网络 内模 控制 系 统 如 图 2 所 示 . 图中分别为神经 网络正模型 N N M 和逆 模 型 N N C , 滤波 器 为典 型 的 一 阶低通滤 波器 , 具 有 单位增益 , 并且其频 率响 应 被校 正 以 消 除测量 装 置 引入的高频 噪声 . 它与控 制器合在 一起根据选 择 的性能指 标来设计 . 5 控制系统试验 工业水 处 理 中 , 为避 免 药 剂 浪 费 , 不 允 许超 调 , 系统 只能 从 一侧 接近 控 制 目标 . 同 时由于控 制目标在 中和反 应 的敏感 区 , 药剂 不 宜采 用 一次 性 大量 投加 的方 法 . 系统设 定值 p H = 8 . 5 , 输 出 的控制效 果见 图 3 所示 . 在 图 3 ( a) 中 , 控制 精度 , 满 足 要 求的精度 指 标 . 图 3 ( b) 设 8 5 5 时系统 设 定值产 生变化 , 观 察 系统输 出的变化 , 其中设 定值 由 7 . 5 变化 到 9 . 0 . 结果表 明系统可以 较快地 跟踪设 定值的变化 . 保 持系统的设 定值不 变 , 在 70 5 时加入 一个 干扰信 号 , 使设 定值由 7 . 5 变化 到 6 . 0 , 观察系统 输 出的 变化 , 结果如图 3 ( 。 )所示 . 结果 表 明系统 具有较 强的抗干 扰性能 对象初始 p H 州 图 2 F i g . 2 I n t e rn al 中和过程神经网络内模控制系统 m o d e】 e o n tOrI s y s t e m o f t h e en t w o kr i n t h e n e u - 6 结论 由结果 可见 , 采用 基 于动 态 自适 应 最近 邻 聚 类学 习算法 的神经 网络 内模控 制系统具有较高 的 控制精度 . 在 p H 二 6 一 9 的 工业 污水 加药 中和 排 放 条件下 , 系统较好 地实现 了的控制 目标 , 具有 良 好 的 实 时 跟 踪性 和抗 干扰 性 . 试 验 系统 造 价低 廉 , 达 到 了预期效果 . t r a liaz t i o n 代臼d i o n

Vol.28 No.I 陈先中等：一种动态自适应最近邻聚类学习算法在工业污水处理中的应用 ·87· 12: 12- (a)pH-8.5 (b)pH=7.5-9 9 9 名 6 3- 10 20 30 4050 40 80 120 160200 时间s 时间s 2 (c1pH=7.5-5 这g 图3控制系统的输出 Fig.3 Output of the pH control system 40 80 120160200 时间s and control.IEEE Control Syst Mag,1990,35(3):129 套考文献 [5]Park J.Sandberg I W.Universal approximation using radial basis function networks.Neural Comput,1991(3):246 [1]钱易，现代废水处理新技术，北京：中国科学技术出版社， [6]Chen T P,Chen H.Approximation theory capability to func- 1992 tons of several variables,nonlinear functionals,and operators [2]杨威，那成烈.废水中和微机控制系统.甘肃工业大学学 by radial basis functional neural networks.IEEE Trans Neural 报.2002,28(37：65 Network5,1995,6(4):904 [3]何小其，废水中和处理H值控制的研究与实践.浙江大学 [7]朱明星，RBF网络基函数中心选取算法的研究安囊大学学 学报：工学版，2001,35(5)：298 报：自然科学版，2000,24(1)：72 [4]Antsaklis P J.Special section on neural networks for systems Application of the dynamic self-adaptive nearest neighbor clustering algorithm in an industrial waste water treatment system CHEN Xianchong,HOU Qingwen!,LIU JinD,ZHUANG Yan2),MENG Guangjun3) 1)Information Engineering School,University of Science and Technology Beijing,Beijing 100083,China 2)Beihua University.Jilng 132021,China 3)Daqing Petroxchemical Com:pany,Daqing 163000.China ABSTRACT In order to establish a positive model of pH value control,the process with severe non-lineari- ty and serious lag of neutralization action was studied by adding medicine in an industrial waster water neu- tralization control system.A novel kind of Dynamic Adaptive Nearest Neighbor Clustering (DANNC)algo- rithm was adopted,and a strategy by adjusting the parameter in the entire neural network to finish the task of learning and training of the neural network(NN)was applied.The NN internal model control system for pH value of neutralization,which serves as a controller of the converse model was designed,and differ- ent kinds of simulation experiments were carried.The results showed that the accuracy of the pH control system is ApHs0.2,which satisfied the requirement of the real time adding medicine track and anti-jam- ming abilities in industrial application. KEY WORDS industrial waster water;nearest neighbor clustering algorithm;dynamic self-adapting;pH value;internal model control

V 0 1 . 2 8 N o . l 陈先中等 : 一 种动态 自适应最近邻聚类学习 算法在工业污水处理 中的应用 8 7 12 一 一 - - 一一一一 — _ _ _ ( a l P }1 = 8 5 1 12 (b ) PH 立 7 . 5 一 9 遥书爆ù一d 一 连二ù d Q 一刻 3、 ; ~ ~ ~ ~ ~ ~ ~ ~山护 曰曲一 一 」 一 l 0 2 0 30 4 0 8 0 12 0 16 0 2 0 0 时间 / s 时 间 /s 12 ` e、 P H = 7 5 ~ 刃3 图 3 控制系统的输出 连二d Q ù F i g . 3 o u t P u t o f t h e P H e o n t r o l s y s t e ù m 蜘 4 0 8 0 12 0 时 间 /s 16 0 2 0 0 参 考 文 献 困6[] 【l] 钱易 现代废 水处理 新技术 . 北京 : 中国 科学 技术 出版社 1 9 92 〔2j 杨威 , 那成 烈 废 水 中和 微机 控制 系统 . 甘 肃工 业大学学 报 , 2() ()2 . 州 ( 3 ) 65 [ 3] 何 小其 废水中和 处 理 。 H 值控制的研究与实践 . 浙江 大学 学报 : 工学版 , 2 ()0 1 . 35 ( 5 ) : 2 9 8 仁4 〕 A n t s a k l ; 5 P I S下) e e l a l 、 e t lo n o n n e u r a l n e t w o r k s fo r Sy s t e m s E7 〕 a n d e o n t r o l . I E E E C o n t ro l S y s t M a g , 19 9 0 , 3 5 ( 3 ) : 12 9 P a r k J , S a n d b e r g 1 W . U n : v e r s a l a p p r o x l m a t i o n u s i n g r a d 一a l b a s `5 f u n e t l o n n e t w o r k s . N e u r a l C o m p u t , 1 9 9 1 ( 3 ) : 2 4 6 C h e n T P , C h e n H . A p p r o x 一 m a t l o n t h eo r y e a p a b il i t y t o f u n e - t z o n s o f s e v e r a l v a r l a b l e s , n o n l ln e a r f u n e t i o n a l s , a n d o p e r a t o r s b y r a d 一a l b a s l s f u n e t z o n 己 n e u r a l n e t w o r k s . IE E E T r a 璐 N e u r a l N e t w o r kS , 1 9 9 5 , 6 ( 4 ) : 9 0 4 朱明星 . BR F 网络基 函数中心选取算法的研究 . 安徽大学学 报 : 自然科学版 , 2 0 0 0 , 2 4 ( 1 ) : 7 2 A p p li e a t i o n o f t h (: d y n a m i e s e l f 一 a d a p t i v e n e a r e s t n e ig h b o r e l u s t e r i n g a l g o r i t h m i n a n i n d u s t r i a l w a s t e w a t e r t r e a t m e n t s y s t e m C H五N X i 。 、 二人。 , , g ` ) , z拍 u Q i n g 二e : 产) , 工I u j i : 1 ) , 川以N G 介 , 2 ) , 姚 N G G u a , 曰 u 、 3 ) 1 ) I n fo r nr a l l o n E o g l: 飞。 ` 。绪 1 , 1 9 S e } 、 0 1 , U n i v e r s , t y o f S e l e n o e a n d T e e h n o l o g y B e ij ln g , B e 1 J i n g 1 00 0 8 3 , C hi n a 2 ) B e l h u 。 U n 、 v e r 、 , t y , J , l , n g 13 2 0 2 1 , C h l n a 3 ) D a q in g P e t r o 〔 ! , e rn lc a l C o n : F a n y , D a q i n g 16 3 0 00 , C h t n a A B S T R A C T I n . o r d e r t o e s t a b li s l 飞 a p o s i t i v e m o d e l o f p H v a l u e e o n t r o l , t h e p r o e e s s w i t h s e v e r e n o n 一 li n e a r i - t y a n d s e r i o u 、 l a g o f n e 以 t r a li z a t i o r 一 a e t i o n w a s s t u d i e d b y a dd i n g m e d i e i n e i n a n i n d u s t r i a l w a s t e r w a t e r n e u - t r a li z a t 旧 n Co n t r 〔 , 1 S y s l e m . A n o v e l k i n d o f D y n a m i C A d a p t i v e N e a r e s t N e i g h b o r C l u s t e r i n g ( D A N N C ) a lg o - r i t h m w a s a d o P t e ( l , a n 、 1 a s t r a t e g y b y a dj u s t i n g t h e p a r a m e t e r i n t h e e n t i r e n e u r a l n e t w o r k t o fi n i s h t h e t a s k o f l e a r n l n g a n d t , · a i n l n 卜: o f t h e n e u r a l n e t w o r k ( N N ) w a s a p p li e d . T h e N N i n t e r n a l m o d e l e o n t r o l s y s t e m f o r p H v a l u e o f n e t 一t r a li z a t i o n , w ] l i e h s e r v e s a s a e o n t r o ll e r o f t h e e o n v e r s e m o d e l w a s d e s i g n e d , a n d d i ff e r - e n t k i n d s o f s i m u l a t l o n e x p e r i m e n t s w e r e e a r r i e d . T h e r e s u l t s s h o w e d t h a t t h e a e e u r a e y o f t h e p H e o n t r o l s y s t e m 1 5 △ p H 《 () . 2 , · 、 h i e h s a t i s fi e d t h e r e q u i r e m e n l o f t h e r e a l t i m e a d d i n g m e d i e i n e t r a e k a n d a n t i 一 J a m - m i n g a b z li t ze 、 zr 、 I n d u s t r i a l a P P li e a t i o n . K E Y WO R D S 一n d u s t r l a l w a s r e r w a t e r : n e a r e s t n e ig h b o r e l u s t e r i n g a l g o r i t h m ; d y n a m i e s e lf 一 a d a p t i n g ; p H v a l t le ; I n t e r r z a l m o d e l o o n t r o l