　　废水处理的控制系统 :主机中装有北京昆仑通

态自动化软件公司的 MCGS组态软件 , MCGS具有
实时性强 ,并处理性能良好 ,可视化操作界面 ,容易
操作等特点。MCGS支持 ADAM 模块驱动 ,能够读、
写 ADAM 模块信号。 COD 仪为法国 AWA 在线

COD 检测仪 ,通过 PLC切换电磁阀 1,电磁阀 2和电

磁阀 3,可以检测进水 COD、

厌氧池出水 COD 和最

终出水 COD ,经 ADAM4017 + 转换模块送到主机 ,
存储在 MCGS数据库中。ADAM4024将数字信号转
换成模拟信号 ,通过一个自己制作的水泵控制电路
控制进水水泵的转速 ,从而达到控制进水流量的目
的。变频器接有外控接口 ,也是通过 ADAM4024模
块精确地控制变频器从而控制鼓风机曝气量。

2　模糊神经网络模型 ( FNN )

模糊神经网络模型是一个五层的网络结构 ,如

图 2所示。第一层为输入层。该层的各个节点直接
与输入向量的各分量 xi连接 ,它起着将输入值 x =

[ x

, x

,. . . , x

]

传送到下一层的作用。该层的节

点数 n等于输入变量的个数。第二层为模糊化层。
每个节点代表一个语言变量值 ,如 NB、PS等。它的
作用是计算各输入分量属于各语言变量值模糊集合
的隶属度函数 , 隶属函数采用高斯函数 μ

j
i

- ( x i - c ij) 2

2ij

;第三层为模糊规则层 ,每个节点代表一条

模糊规则 ,它的作用是用来匹配模糊规则的前件 ,计
算每条规则的适用度 ; 第四层为归一化层。第五层
为输出层 ,实现的是清晰化计算。

3　FNN 在造纸废水处理过程的建立与预测

3. 1　模糊神经网络原理

如图 3所示 ,首先根据废水处理系统的输入输

出建立样本集。在学习过程中把样本集中的数据输

入模糊神经网络 ;根据样本的输入值计算出网络的
实际输出值 ;然后计算样本输出值与网络输出值的
差值 ;根据差值用模糊神经网络的算法调整网络权
值 ,不断重复上述过程直到样本误差在规定范围之
内 ,学习即结束。

3. 2　参数选择

影响 A /O 处理工艺处理造纸废水出水 COD 值

的因素很多 ,根据废水处理工程的实际情况 ,检测参
数获取的方便性及与出水 COD值相关程度 ,选取的
参数如下 :原水 COD、

厌氧池出水 COD、

好氧池第二

格 DO、

厌氧池第二格 ORP、

进水流量以及最终出水

COD ,数学表达式如下 :

y = { x, q, u, y

, y

, g}

式中各变量 x、q、u、y1, y2, g分别表示进水 COD、

好

氧池第二格 DO、

进水流量、

厌氧池出水 COD、

最终

出水 COD 和厌氧池第二格 ORP值。 y表示废水处
理系统的出水 COD预测值。

3. 3　预测模型结构

文中造纸废水处理过程出水 COD 值的预测模

型结构采用如图 2的五层模糊神经网络结构 ,第一
层选择 3. 2节中的 6个输入变量为网络的输入神经
元 ;第二层中的隶属度函数个数 mf_n = 2,隶属函数
选择高斯函数 ,该层节点就为 6 ×2 = 12;第三层模
糊规则层 ,模糊规则条数为 2

= 64 条 ,因此该层节

点为 64;第四层归一层的节点个数与第三层个数同
为 64;第五层去模糊化层 , COD 预测值为输出神经
元 ,只有一个输出节点。

3. 3　样本数据的获取

训练样本数据是影响网络学习和泛化能力 (即

对于同一样本集中的非训练样本 ,网络仍能给出正
确的输入输出关系的能力 )的重要因素 ,应具备致
密性、

遍历性和相容性等三个要素

[ 9 - 10 ]

,结合实验

室具体条件 ,在此采用正交实验法进行试验获取样
本数据 ,考虑原水 COD、进水流量、曝气量 3 个因
素 ,原水 COD选取 6个水平 ,进水流量、

曝气量选取

4个水平 ,考察这些量与出水 COD 的相互关系。将

获得的 96组样本数据分成两部分 , 48 组训练数据
用来训练网络 ,使其具备预测功能 ,而另外 48组测
试数据用来检验训练好的网络泛化能力 ,鉴于篇幅

《造纸科学与技术》　2010年第 29卷第 1期