專利名稱：：自來水混凝投礬自動(dòng)化控制算法的制作方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于現(xiàn)代信息技術(shù)在自來水廠投礬生產(chǎn)自動(dòng)化控制算法方面的應(yīng)用，具體涉及一種基于神經(jīng)網(wǎng)絡(luò)的前饋算法，和基于模糊控制的反饋算法結(jié)合的自來水混凝投礬控制算法。
背景技術(shù)：
：自來水混凝投礬工藝是自來水制水工藝的關(guān)鍵及核心工藝之一，該工藝的作用是將進(jìn)水通過與諷的混;疑反應(yīng)，使濾前水的濁度降低到一個(gè)可控的范圍。濾前水再經(jīng)過濾池過濾使出廠水達(dá)至'J國家標(biāo)準(zhǔn)要求的濁度。因此該生產(chǎn)工藝的控制效果，關(guān)系城市供水安全。自來水投礬又是一個(gè)復(fù)雜的工業(yè)生產(chǎn)過程，具有非線性、大滯后，多輸入因子(進(jìn)水流量、進(jìn)水濁度和溫度、PH值、礬濃度等)，不確定性、時(shí)變性、模糊性等特點(diǎn)。以江河為水源的水廠，其水源進(jìn)水參數(shù)隨季節(jié)變化十分大，更給實(shí)現(xiàn)投礬自動(dòng)化增加了難度。投礬控制還是個(gè)大系統(tǒng)的概念，因?yàn)槌藥讉€(gè)影響投礬控制效果的主要參數(shù)如進(jìn)水流量、進(jìn)水濁度、進(jìn)水溫度等可用儀表檢測的參數(shù)外，還有許多未知的因素的影響，如臨時(shí)排污，上游沖沙，暴雨，因沉降池未及時(shí)排泥導(dǎo)致效率下降、江水水位過高致使進(jìn)水流量超過反應(yīng)池設(shè)計(jì)能力等多種無法測試的因素，都會(huì)影響濾前水的濁度。近年來，城市供水工業(yè)的制水工藝和自動(dòng)化水平有了很大的提高，許多輔助的操作工藝都實(shí)現(xiàn)了自動(dòng)化，但作為制水工業(yè)的核心工藝一一投礬控制，由于具有較大的難度，而且需要多學(xué)科的協(xié)作攻關(guān)，雖然經(jīng)過行業(yè)內(nèi)外眾多科技人員的多年攻關(guān)，始終沒有突破性進(jìn)展。我國從國外引入SCD(流動(dòng)電流檢測儀)用來進(jìn)行自來水投礬控制，并且在全國上百個(gè)水廠投入運(yùn)用，然而，其中凡是以江河為水源的自來水廠，SCD的傳感器在運(yùn)行很短的時(shí)間后就被泥沙堵塞而失效。其他許多公司開發(fā)的投鞏控制方式如模糊控制、FCD控制(從水下攝像看礬花進(jìn)行控制)等控制方法都以失敗而告終。全國地級以上城市的自來水廠，在信息化、網(wǎng)絡(luò)化數(shù)據(jù)檢測和傳輸都做到一定的水平，但投磯這個(gè)自來水生產(chǎn)的關(guān)鍵性核心工藝，仍然處于人工控制的較落后狀態(tài)。目前，水廠投礬量是依靠實(shí)驗(yàn)室攪拌實(shí)驗(yàn)，得出的數(shù)據(jù)指導(dǎo)實(shí)時(shí)投礬操作，以滿足生產(chǎn)要求。顯然，取樣值只能夠針對某個(gè)時(shí)刻的參數(shù)進(jìn)行實(shí)驗(yàn)，以江河為水源的自來水廠，參數(shù)變化比較大時(shí)，這個(gè)實(shí)驗(yàn)的指導(dǎo)價(jià)值就很低了，只有靠人工的經(jīng)驗(yàn)來進(jìn)行操作。有些水廠的投礬工藝甚至處于完全無數(shù)據(jù)依據(jù)的人工作坊式生產(chǎn)，投礬自動(dòng)化成為水工業(yè)自動(dòng)化技術(shù)進(jìn)步的一個(gè)瓶頸。保證自來水投礬系統(tǒng)的平穩(wěn)、安全運(yùn)行和實(shí)現(xiàn)生產(chǎn)的節(jié)能降耗，是自來水公司的生產(chǎn)管理目標(biāo)。隨著人民生活水平的提高，對于飲水質(zhì)量要求也相應(yīng)提高。國家關(guān)于城鎮(zhèn)供水質(zhì)量的強(qiáng)制標(biāo)準(zhǔn)從2007年7月1日開始執(zhí)行，其中對出廠水濁度的要求從原來的3度提高到1度(內(nèi)定0.5度)，對于制水工業(yè)投礬工藝的控制提出了更高的要求。出廠水濁度控制在3度時(shí)，人工操作比較容易達(dá)到，而要求將出廠水的濁度控制到0.5度，難度就大大增加了。需要人工時(shí)時(shí)精心操作，目前人工控制存在的最大問題是為了防止水濁度超標(biāo)，盡量多加礬；而當(dāng)條件變化時(shí)，人工不可能時(shí)刻對投礬量進(jìn)行調(diào)整，生產(chǎn)消耗也就無法降低；面對突發(fā)事件，稍不小心，就容易產(chǎn)生生產(chǎn)事故，危及飲水安全。因此，這個(gè)重要的生產(chǎn)工藝完全靠人力來完成，本身就是一個(gè)安全隱患。
發(fā)明內(nèi)容本發(fā)明的目的在于提供一種基于神經(jīng)網(wǎng)絡(luò)的前饋算法和基于模糊控制的反饋算法結(jié)合的的自來水混凝投礬自動(dòng)化控制算法，以實(shí)現(xiàn)自來水混凝投礬的全自動(dòng)控制。本發(fā)明的技術(shù)方案基于神經(jīng)網(wǎng)絡(luò)多因子前饋的自來水混凝投礬控制算法，它是用于對源水參數(shù)、投礬控制量和控制結(jié)果參數(shù)通過人工神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和進(jìn)行前饋處理；得到這些量的內(nèi)部對應(yīng)的權(quán)值關(guān)系，再根據(jù)被調(diào)參數(shù)濾前水的濁度的設(shè)定值與實(shí)際控制效果值的差別，按照模糊控制的方法在前饋控制算法的預(yù)測值的基礎(chǔ)上進(jìn)行調(diào)整，形成一個(gè)最終的控制值去對計(jì)量泵進(jìn)行控制。本系統(tǒng)實(shí)現(xiàn)投礬的自動(dòng)化運(yùn)行，保證水工業(yè)的安全生產(chǎn)和平穩(wěn)運(yùn)行、實(shí)現(xiàn)節(jié)能將耗，減員增效。圖1投礬算法框圖。圖2改進(jìn)Elman的網(wǎng)絡(luò)結(jié)構(gòu)示意圖。圖3人工神經(jīng)網(wǎng)絡(luò)輸出誤差變化圖。圖4Elman神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練框圖。具體實(shí)施例方式投礬自動(dòng)控制算法(前饋及反饋)如圖1所示投礬控制的總體算法框架是建立在前饋-反饋控制算法基礎(chǔ)上的。它主要是根據(jù)擾動(dòng)補(bǔ)償?shù)脑磉M(jìn)行控制，提前采取措施補(bǔ)償擾動(dòng)可能產(chǎn)生的不良影響，提高控制品質(zhì)。但前饋控制的擾動(dòng)因子一般是單因子，而對自來水投礬控制的效果產(chǎn)生影響的輸入信號是多因子，非線性的，本算法的創(chuàng)新點(diǎn)在于采用人工神經(jīng)網(wǎng)絡(luò)對輸入多因子信號對控制效果的權(quán)值進(jìn)行學(xué)習(xí)，識別每個(gè)輸入?yún)?shù)對于控制效果影響的規(guī)律，然后由人工神經(jīng)網(wǎng)絡(luò)根據(jù)現(xiàn)實(shí)的輸入?yún)?shù)的變化決定控制值的改變。本控制算法中，將模糊控制的方法引入反饋控制，根據(jù)被調(diào)參數(shù)濾前水的濁度的設(shè)定值與實(shí)際控制效果值的差別，按照模糊控制的方法在前饋控制算法的預(yù)測值的基礎(chǔ)上進(jìn)行調(diào)整，從而構(gòu)成一個(gè)完整的控制方法。前饋實(shí)時(shí)控制系統(tǒng)的主要作用是根據(jù)輸入?yún)?shù)的變化提前進(jìn)行一些相應(yīng)控制值的改變，抑制干擾的影響，以克服系統(tǒng)大時(shí)滯的缺點(diǎn)，反饋模糊控制的主要作用是提高控制精度。神經(jīng)網(wǎng)絡(luò)前饋處理投礬數(shù)據(jù)庫子系統(tǒng)建立往年原水水質(zhì)參數(shù)及相應(yīng)投藥量、沉淀池出水法度的投礬數(shù)據(jù)庫管理系統(tǒng)；改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)子系統(tǒng)以改進(jìn)Elman網(wǎng)絡(luò)模型為核心，通過任務(wù)調(diào)度Elman網(wǎng)絡(luò)模型子系統(tǒng)管理程序模塊從投礬數(shù)據(jù)庫子系統(tǒng)中調(diào)用以往原水水質(zhì)參數(shù)及相應(yīng)的混凝劑投加量、沉淀池出水濁度等作為輸入輸出量建立Elman網(wǎng)絡(luò)模型，并利用訓(xùn)練機(jī)訓(xùn)練，通過預(yù)測才幾利用已訓(xùn)練成熟的Elman網(wǎng)絡(luò)模型確定混凝劑投加量；專家子系統(tǒng)實(shí)現(xiàn)與Elman網(wǎng)絡(luò)模型子系統(tǒng)的無縫連接，建立原水水質(zhì)、混凝劑投加量、沉淀池出水濁度相關(guān)關(guān)系的知識庫、推理機(jī)及知識獲取機(jī)，結(jié)合RBF網(wǎng)絡(luò)模型子系統(tǒng)確定混凝劑投加量，將該投加量和相應(yīng)的沉淀池出水濁度作為資料數(shù)據(jù)通過信息處理，存入投藥數(shù)據(jù)庫子系統(tǒng)中，為下次投藥作好準(zhǔn)備。神經(jīng)網(wǎng)絡(luò)前4貴處理是它是在建立一個(gè)Delphi應(yīng)用程序和Matlab之間的ActiveX自動(dòng)化連接后，在Delphi中#1行Matlab的命令實(shí)現(xiàn)了用Matlab調(diào)用有效數(shù)據(jù)庫，對有效數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)分析，并實(shí)時(shí)返回算法結(jié)果到Delphi并成功運(yùn)用于實(shí)際控制中；所述Delphi調(diào)用神經(jīng)網(wǎng)絡(luò)算法過程為即在Delphi中執(zhí)行Matlab命令的過程如下注冊ActiveX對象；產(chǎn)生和獲得Matlab對象；Matlab讀取專家數(shù)據(jù)庫；Matlab生成改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)；設(shè)置神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練參數(shù)；神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練后計(jì)算輸出。改進(jìn)動(dòng)態(tài)Elman神經(jīng)網(wǎng)絡(luò)考慮到投藥系統(tǒng)是非線性、大滯后的動(dòng)態(tài)系統(tǒng)，采用傳統(tǒng)的靜態(tài)前向網(wǎng)絡(luò)(如BP網(wǎng)絡(luò))其動(dòng)態(tài)性能無法滿足要求。本控制系統(tǒng)經(jīng)多次實(shí)驗(yàn)，采取了一種改進(jìn)的Elman動(dòng)態(tài)網(wǎng)絡(luò)，較好的提高了逼近能力，加快了收斂速度。Elman神經(jīng)網(wǎng)絡(luò)是一種典型的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，自身含有動(dòng)態(tài)環(huán)節(jié)，無需使用較多的系統(tǒng)狀態(tài)作為輸入，從而減少了輸入層單元數(shù)。但基本Elman網(wǎng)絡(luò)只對一階系統(tǒng)能有效辨識，而水廠投礬系統(tǒng)是非線性高階系統(tǒng)，為此我們采用改進(jìn)的Elman網(wǎng)絡(luò)來實(shí)現(xiàn)對模型的控制及預(yù)測。如圖2所示；該網(wǎng)絡(luò)其輸入層、隱含層和輸出層的連接類似于前饋網(wǎng)絡(luò)，輸入層的單元僅起信號傳輸作用，輸出層單元起線性加權(quán)作用。隱含層單元的傳遞函數(shù)采用非線性函數(shù)，其輸出為輸入層信息和結(jié)構(gòu)層信息的非線性疊加；結(jié)構(gòu)層用來保存隱含層單元和自身的前一時(shí)刻的輸出值，疊加后返回給隱層，可以認(rèn)為是一個(gè)一步延時(shí)算子。該網(wǎng)絡(luò)在基本Ehnan網(wǎng)絡(luò)的結(jié)構(gòu)層增加了一組自反饋因子，使網(wǎng)絡(luò)具有更好的記憶特性，更適用于動(dòng)態(tài)模型的辨識。設(shè)網(wǎng)絡(luò)的輸入層、輸出層、隱層的個(gè)數(shù)分別為m、n、r，w,、w2、^分別為結(jié)構(gòu)單元到隱層、輸入層到隱層，以及隱層到輸出層的連接權(quán)矩陣，/(q)和g(q)分別為輸出單元和隱層單元之激發(fā)函數(shù)所組成的非線性向量函數(shù)。其非線性狀態(tài)空間表達(dá)式為W=/《w2,',",w+,c,(A:))(l)c,("=JC,(A:_l)+arxc,0t—1)(2)y,("=g(l>3"x'(")(3)上式中/(Q)可采用Sigmoid函數(shù)，即/00=~^~;g(q)可采用l+e一義線性函凄t,即《0)=&。權(quán)值修正和誤差遞推算法可參閱BP算法的梯度下降法來修正，算法實(shí)施步驟為(1)初始化模型和神經(jīng)網(wǎng)絡(luò)。離線初步訓(xùn)練神經(jīng)網(wǎng)絡(luò)，預(yù)置神經(jīng)網(wǎng)絡(luò)初始一又值和閾值；(2)檢測實(shí)際輸出少(A:)，前向計(jì)算網(wǎng)絡(luò)輸出;(/t)并計(jì)算預(yù)測誤差卓)；(3)計(jì)算補(bǔ)償輸入分量A、和控制增量A";(4)計(jì)算^(A:+l)和w(^+l);(5)用遞推最小二乘法學(xué)習(xí)網(wǎng)絡(luò)權(quán)值及閾值一次；(6)令*=*+1,轉(zhuǎn)入(2);Elman神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程如圖4所示。該學(xué)習(xí)方法可參閱文獻(xiàn)ChengYC,QiWM,CaiWY.DynamicPropertiesofElmanandModifiedElmanNeuralNetwork[A].Procofthe1stIntConfonMachineLearningandCybernetics[C].Beijing,2002，2(2):637-640.漆為民，程遠(yuǎn)楚，姬巧玲，蔡維由.PID型Elman網(wǎng)絡(luò)及在動(dòng)態(tài)系統(tǒng)辨識中的應(yīng)W研究[J].控制與決策，2005,20(10):1197-1200.GaoXZ，GaoXM，0caskaSJ.AModifiedElmanNeuralNetworkModelwithApplicationtoDynamicalSystemsIdentification[A].IEEEIntConfonSystems,Man,andCybernetics[C].Beijing,1996:1376-1381.運(yùn)行結(jié)果分析應(yīng)用Elman網(wǎng)絡(luò)對自來水廠生產(chǎn)的過程中的數(shù)據(jù)進(jìn)行訓(xùn)練，經(jīng)過1000次學(xué)習(xí)，誤差輸出小于0.03。釆樣數(shù)據(jù)每3分鐘取一次平均值，克服了擾動(dòng)。輸入量包括進(jìn)水流量、進(jìn)水濁度、溫度、濾前水濁度，共得到1200組數(shù)據(jù)，構(gòu)成專家?guī)煲灶A(yù)測控制量。圖3是改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的誤差輸出圖。經(jīng)過自學(xué)習(xí)的改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)輸出的預(yù)測值與實(shí)際操作值比較。改進(jìn)Elman網(wǎng)絡(luò)的控制預(yù)測值，與工人實(shí)際控制值(代表投礬量)，兩者大部分情況吻合，同時(shí)神經(jīng)網(wǎng)絡(luò)自動(dòng)去除了實(shí)際生產(chǎn)中的工人誤操作信號，經(jīng)分析，達(dá)到了更高的控制精度。采樣10000組數(shù)據(jù)，經(jīng)2000次學(xué)習(xí)后得到的系統(tǒng)輸出。雖然流量(flux)在某時(shí)刻突然增大，或者進(jìn)水濁度突然降低，但是神經(jīng)網(wǎng)絡(luò)的輸出依然保持較穩(wěn)定的狀態(tài)，和人工最佳操作類似。這表明Elman神經(jīng)網(wǎng)絡(luò)具有智能去除輸入信號中的雜波，自動(dòng)求得最佳控制方案的特性。第6000組數(shù)據(jù)附近工人操作的泵行程實(shí)際值有較大變化，而神經(jīng)網(wǎng)絡(luò)輸出則比較平穩(wěn)，這是由于第5000組數(shù)據(jù)時(shí)流量發(fā)生了突變，但人工操作時(shí)工人看到流量突然變化，可能會(huì)頻繁調(diào)節(jié)計(jì)量泵。經(jīng)分析，投藥反應(yīng)時(shí)間具有滯后性，流量的突變不會(huì)導(dǎo)致反應(yīng)池中濁度發(fā)生突變，所以神經(jīng)網(wǎng)絡(luò)的控制輸出值是正確的，其控制效果大大優(yōu)于人工控制，既保證了生產(chǎn)的安全，又達(dá)到節(jié)能降耗的目的。神經(jīng)網(wǎng)絡(luò)的輸出由專家系統(tǒng)進(jìn)一步微調(diào)，專家?guī)彀v史優(yōu)選數(shù)據(jù)庫和三天實(shí)際操作數(shù)據(jù)庫，人工神經(jīng)網(wǎng)絡(luò)每兩個(gè)小時(shí)對這兩個(gè)數(shù)據(jù)庫進(jìn)行一次學(xué)習(xí)，大約耗時(shí)2分鐘。然后每5分鐘對實(shí)測的參數(shù)進(jìn)行一次輸出參數(shù)推演，最后形成一個(gè)最終的控制值去對計(jì)量泵進(jìn)行控制。專家?guī)熘械臄?shù)據(jù)初始置信度取0.5，若神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)后其輸出滿足要求，將匹配成功記錄的置信度加0.01,反之則減去0.01。經(jīng)長期運(yùn)行后，專家?guī)熘兄眯哦刃∮谄骄眯哦?5%的記錄可以認(rèn)為是不良數(shù)據(jù)，由自學(xué)習(xí)機(jī)構(gòu)刪除。系統(tǒng)軟件釆用Dephi語言開發(fā)，運(yùn)行速度符合現(xiàn)場實(shí)時(shí)要求。數(shù)據(jù)庫在Access平臺(tái)下建立，界面友好，操作方便。系統(tǒng)安全性能非常高，采用計(jì)算機(jī)、人工雙控方式。一般情況下均為計(jì)算機(jī)自動(dòng)控制投礬，僅在濁度、流量發(fā)生突變，與專家?guī)熘袛?shù)據(jù)差別太大以致神經(jīng)網(wǎng)絡(luò)無法學(xué)習(xí)時(shí)，將報(bào)警提示工作人員手工緊急動(dòng)作。模糊反饋控制的作用和原理如前所述，投礬控制是一個(gè)開放的大系統(tǒng)，除了一些主要影響投礬控制效果的因素如進(jìn)水的參數(shù)變化外，還有許多未知的不可測的因素，如上游排污、沖沙，暴雨，沉淀池工況下降，超負(fù)荷運(yùn)行，這些因素導(dǎo)致在同樣的外界條件和投礬控制量的條件下，其控制效果濾前水的濁度不一樣，因此有必要根據(jù)最終的控制效果對控制值進(jìn)行調(diào)整，這就是反饋控制的任務(wù)。考慮到投礬控制的具有的非線性和存在的一些非常規(guī)的情況，反饋控制在此處采用了模糊控制的方法。模糊控制是解決投礬控制反饋的控制精度問題，其方法是在神經(jīng)網(wǎng)絡(luò)在對一組最新的輸入數(shù)據(jù)經(jīng)過推演得到投礬控制的參考輸出值以后，還不是最終的輸出，還要經(jīng)過模糊修正。修正的方法是將最新檢測的濾前水濁度與設(shè)定的濁度進(jìn)行比較，其差值根據(jù)大小列出一個(gè)表，這個(gè)表對應(yīng)輸出的修正值，當(dāng)差值為正，修正值亦為正，即在人工神經(jīng)網(wǎng)絡(luò)得出的輸出值的基礎(chǔ)上增加一個(gè)修正值，為投礬控制的最終值；而當(dāng)差值為負(fù)，則修正值亦為負(fù)，要從輸出值中間減去修正值。與差值對應(yīng)的修正值的大小根據(jù)運(yùn)行經(jīng)驗(yàn)而得。這個(gè)方法是本專利技術(shù)的重要組成部分。其參考表格如下濾前水濁度與i殳定值的差值和輸出補(bǔ)償值對應(yīng)表<table>tableseeoriginaldocumentpage9</column></row><table>表格中間，第一行為濾前水濁度與設(shè)定值的差值，差值以零為中間點(diǎn)，正負(fù)差值按照從小到大的順序排列，每個(gè)差值的步進(jìn)值可根據(jù)不同的應(yīng)用對象靈活設(shè)定，正負(fù)差值的步進(jìn)值可以相同，也可以不同。第二行是與差值對應(yīng)的輸出修正值，這個(gè)修正值要可通過現(xiàn)場的實(shí)驗(yàn)或操作經(jīng)—驗(yàn)來設(shè)定。權(quán)利要求1、一種基于神經(jīng)網(wǎng)絡(luò)多因子前饋的自來水混凝投礬控制算法，它是用于對源水參數(shù)、投礬控制量和控制結(jié)果參數(shù)通過人工神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和進(jìn)行前饋處理；得到這些量的內(nèi)部對應(yīng)的權(quán)值關(guān)系，再根據(jù)被調(diào)參數(shù)濾前水的濁度的設(shè)定值與實(shí)際控制效果值的差別，按照模糊控制的方法在前饋控制算法的預(yù)測值的基礎(chǔ)上進(jìn)行調(diào)整，形成一個(gè)最終的控制值去對計(jì)量泵進(jìn)行控制。2、如權(quán)利要求1所述基于神經(jīng)網(wǎng)絡(luò)多因子前饋的自來水混凝投礬控制算法，其特征是在基于神經(jīng)網(wǎng)絡(luò)多因子前饋的基礎(chǔ)上，專家模糊控制反饋修正，所述模糊控制的方法是在神經(jīng)網(wǎng)絡(luò)在對一組最新的輸入數(shù)據(jù)經(jīng)過推演得到投礬控制的參考輸出值以后，還不是最終的輸出，還要經(jīng)過模糊修正；修正的方法是將最新檢測的濾前水濁度與設(shè)定的濁度進(jìn)行比較，其差值根據(jù)大小列出一個(gè)表，這個(gè)表對應(yīng)輸出的修正值，當(dāng)差值為正，修正值亦為正，即在人工神經(jīng)網(wǎng)絡(luò)得出的輸出值的基礎(chǔ)上增加一個(gè)修正值，為投礬控制的最終值；而當(dāng)差值為負(fù)，則修正值亦為負(fù)，要從輸出值中間減去^f'務(wù)正值；所述表如下濾前水濁度與設(shè)定值的差值和輸出補(bǔ)償值對應(yīng)表差值<table>tableseeoriginaldocumentpage2</column></row><table>表格中間，第一行為濾前水濁度與設(shè)定值的差值，差值以零為中間點(diǎn)，正負(fù)差值按照從小到大的順序排列；第二行是與差值對應(yīng)的輸出修正值。全文摘要本發(fā)明公開了一種基于人工神經(jīng)網(wǎng)絡(luò)進(jìn)行前饋控制和基于模糊反饋控制的自來水混凝投礬自動(dòng)化控制算法，它包括通過人工神經(jīng)網(wǎng)絡(luò)對投礬控制的過程參數(shù)進(jìn)行學(xué)習(xí)，識別系統(tǒng)參數(shù)中間的內(nèi)在對應(yīng)關(guān)系，從而對芯的檢測源水參數(shù)的控制值進(jìn)行預(yù)測，然后通過模糊控制反饋的方法對預(yù)測值進(jìn)行修正，最終得到一個(gè)符合需要的投礬控制量去控制計(jì)量泵工作，完成投礬控制的全過程。本算法能夠在源水參數(shù)變化的條件下保證水工業(yè)的安全生產(chǎn)和平穩(wěn)運(yùn)行、實(shí)現(xiàn)節(jié)能將耗，減員增效。文檔編號C02F1/52GK101556458SQ200910062149公開日2009年10月14日申請日期2009年5月19日優(yōu)先權(quán)日2009年5月19日發(fā)明者周榮政,楊曉林申請人:江漢大學(xué)