软件工程

当前位置: 首页 > 计算机论文 > 软件工程

污水处理系统溶解氧的BP—PID控制算法

软件工程 时间:2019-07-10 00:01:29 来源:软件导刊 作者:王德望,赵敏

王德望+赵敏

摘 要:针对污水处理系统中溶解氧含量波动较大难以控制的问题,提出了一种基于BP神经网络的PID控制器设计方法,并根据BP神经网络的结构和特点优化了控制器参数。基于BP神经网络的PID控制器能根据系统状态在线调整PID控制参数,使系统误差保持在较小范围内,且能使系统受到干扰时快速恢复到稳定状态。以溶解氧含量为控制对象,分别对常规PID控制器和基于BP神经网络的PID控制器进行了大量仿真研究。仿真结果表明:基于BP神经网络的控制系统具有较好的适应性和鲁棒性,其控制品质优于常规PID控制器。

关键词:BP神经网络;PID控制;污水处理;溶解氧质量浓度

DOIDOI:10.11907/rjdk.172580

中图分类号:TP312

文献标识码:A 文章编号:1672-7800(2018)002-0068-03

0 引言

随着现代工业的发展和城镇化进程的加快,水污染问题越来越严重。对污水进行有效处理,可以提高居民的生活质量,改善人们的生活条件[1]。污水处理是一个复杂系统,其处理过程受到很多因素的影响[2]。其中,对曝气池中溶解氧的含量精准控制是污水处理系统的重要环节,当溶解氧含量过高或过低时,都会对污水处理效率造成相应影响。

传统的PID由于鲁棒性好、控制算法简单、易于实现等优点,被广泛运用于污水处理系统溶解氧含量的控制中,比直接作用式调节器的控制效果好。然而传统PID控制也存在一些不足,其中最重要的是PID参数的设置问题,因为一旦PID的参数得到确定,则整个控制过程都是固定的[3]。而在实际污水处理系统中,系统状态会时常发生改变,PID参数的固定不变会导致系统处于不稳定状态。针对传统PID控制的这一不足,提出了将BP神经网络与传统PID相结合的方法,实现了PID控制器控制参数的自整定[4-5]。仿真实验表明,此法提高了系统的动态性能和稳态精度,能够较好地满足系统需求。

1 溶解氧浓度模型建立

有效的水处理取决于对瀑气池中溶解氧含量的适当处理。溶解氧含量受两个因素影响:①提供给曝气池的空气速率;②污水中溶解氧的消耗速率。

污水处理过程中溶解氧含量具有非线性、时变性特点[7],其速率变化公式为:溶解氧含量变化率= DO输入速率-DO输出速率+DO产生率-DO消耗率[8],曝气过程的动态数学模型如下:

2 基于BP神经网络的PID原理

2.1 总体结构设计

(1)经典PID控制器。PID控制器是一种线性控制器,根据系统误差,利用比例参数kp,积分参数kI,微分参数kd对系统进行控制[9]。PID的控制原理如图1所示。

(2)基于BP神经网络的PID控制器。BP神经网络能根据系统运行状态,通过在线学习调节PID控制器的控制参数,使其系统性能达到最优 [10-11]。

系统总体结构如图2所示。

2.2 BP网络结构

BP神经网络是多层感知神经网络,由输入层、隐含层、输出层3部分组成, BP网络结构如图3所示。

在这个模型中,输入节点的数量取决于被控系统的复

杂程度[12],本文较全面地反映出系统误差状态,定义3个输入节点,分别为:x1=e(k),x2=e(k)-e(k-1),x3=∑k1e(i)。其中e(k)为误差量,x2反映误差变化的快慢,x3反映误差的累计效果。输出节点为PID控制器的3个可调参数kp,kI,kd。

2.3 算法设计

BP神经网络算法分为前向传递和反向传递两个阶段。前向传递阶段,输入首先被传入到隐层节点的输入端,等待计算完成后,隐层节点将输出传递到输出节点的输入端,最终得到输出结果;反向传递阶段,当实际输出和期望输出的误差范围大于规定值时,误差反向传递阶段开始。根据系统误差,采用梯度下降法调整权值系数,并逐层向后传递至隐层、输入层。至此前向传递和误差反向传递过程圆满完成。在该过程中,神经网络需要不断地学习和训练,一直持续到输出的误差降低到系统可接受的范围内[13]。

2.3.1 前向算法

根据性能指标,按照梯度下降法修正网络的加权系数[15],并附加一个使搜索快速收敛全局极小惯性项:

3 仿真及结果分析

根据溶解氧浓度的数学模型,使用阶跃信号rin(k)=1,确定kp,kI,kd的值分别为0.4,0.01,1.0。利用BP神经网络整定PID的控制参数,对污水处理系统溶解氧的含量进行控制实验,实验结果如图4所示。

在图5中,溶解氧含量的控制由于瀑气池的频繁变化而具有时滞性。在BP神经网络整定的PID控制中,单位阶跃响应的上升时间tr为2.1s,调节时间ts为4.7s,无超调量;传统PID控制的上升时间tr为2.5s,调节时间ts为7.3s,超调量σ为50.8%,说明基于BP神经网络的PID控制器,能根据系统误差在线调整污水处理系统中溶解氧浓度,且系统能在较短的时间内達到稳定状态,缩短了响应时间,较快地恢复到最佳状态。系统的误差曲线如图5所示,从图中可以看出系统的误差在较短的时间内得到降低,并最终趋向于零误差,说明基于BP神经网络的PID控制精度高。BP神经网络在运行过程中对PID控制参数的调节如图6、图7、图8所示。

为了衡量系统的抗干扰能力,在第50个采样时刻给控制器加入一个幅值为0.5的干扰,得到溶解氧浓度的扰动曲线,仿真结果如图9所示。仿真图中,当传统PID控制受到干扰时,超调量在缩小误差的过程中增大,且产生的误差很难在较短时间内缩小,而BP神经网络的PID控制能在较短时间内缩小干扰产生的误差,且不再产生超调量。

4 结语

由于溶解氧浓度在污水处理过程中具有随机扰动和随时间变化的特点,故在污水处理系统中必须对其进行精准控制。本文采用基于BP神经网络的PID控制器对溶解氧浓度进行控制,利用BP神经网络的自学习和权重调整在线整定PID的控制参数,较好地提高了系统的控制精度。在BP神经网络的PID控制模式下,系统响应速度明显提高,动态性能得以增强,在系统受到干扰的情况下,可在较短时间内恢复。

参考文献

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

[2] 张闻豪.城市污水处理厂节能措施与优化运行技术研究[D].太原:太原理工大学,2012.

[3] 祁海禄.模糊自整定PID控制器设计与仿真研究[C].2009系统仿真技术及其应用学术会议论文集,2009:4.

[4] 吴海平,敖志刚,王冠,等.基于BP神经网络的参数在线整定的PID实时控制[J].电脑知识与技术,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.基于神经网络的污水处理过程建模及仿真的研究[D].青岛:山东科技大学,2006.

[7] 韩广,乔俊飞,薄迎春.溶解氧浓度的前馈神经网络建模控制方法[J].控制理论与应用,2013,30(5):585-591.

[8] 王威.基于自适应遗传PID算法的溶解氧(DO)浓度控制[J].中小企业管理与科技(下旬刊),2015(11):268-269.

[9] 周伟.PID参数自整定的研究与应用[D].武汉:华中科技大学,2011.

[10] 王敬志,任开春,胡斌.基于BP神经网络整定的PID控制[J].工业控制计算机,2011,24(3):72-73.

[11] 涂川川,朱凤武,李铁.BP神经网络PID控制器在温室温度控制中的研究[J].中国农机化,2012(2):53-56.

[12] 张彦军,韩帮华,张晶.基于BP神经网络整定的PID温度控制[J].吉林化工学院学报,2008(3):64-67.

[13] 劉猛.云计算平台下神经网络方法研究[D].成都:电子科技大学,2011.

[14] 赵峰,何祖军.基于自适应PIDNN的船舶航向模型辨识与控制[J].舰船科学技术,2008(4):122-125.

[15] 张运波.神经网络控制算法在光伏并网逆变器控制中的应用[J].长春工程学院学报,2015,16(2):1-47.