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