基于改进GA?BP神经网络的工厂污水监测系统研究

诸飞　俞阿龙

摘 要： 针对工厂污水水质评价准确性低、实时性差等问题，提出一种将改进遗传算法（GA）和BP神经网络相结合对工厂污水的水质进行评价的方法。GA?BP神经网络不仅具有BP神经网络的非线性映射能力，还具有遗传算法的全局搜索能力。采用自适应算法对GA的交叉率和变异率进行改进，用GA优化BP的权值和阈值，将最优权值和阈值送给BP神经网络进行训练、预测，并与传统BP进行比较。实验结果表明，改进的GA?BP神经网络无论是收敛性、准确性还是实时性都优于传统BP网络。该方法用于污水水质评价具有应用推广价值。

关键词： 工厂污水； 水质分类； 改进GA； BP神经网络； 污水监测； 自适应算法

中图分类号： TN711?34； TP183 文献标识码： A 文章编号： 1004?373X（2018）11?0133?06

Research on factory sewage monitoring system based on improved GA?BP neural network

ZHU Fei1， YU Along2

（1. School of Physics and Electronic?Electrical Engineering， Ningxia University， Yinchuan 750021， China；

2. School of Physics and Electronic Electrical Engineering， Huaiyin Normal University， Huaian 223300， China）

Abstract： A water quality evaluation method of factory sewage is proposed to solve the problems of low accuracy and poor timeliness of factory sewage quality assessment， which is based on the combination of improved GA and BP neural network. The GA?BP neural network has the nonlinear mapping ability of BP neural network， and global search ability of genetic algorithm. The adaptive algorithm is used to improve the crossover rate and mutation rate of GA. The GA is used to optimize the weight and threshold of BP neural network. The optimal weight and threshold are sent to BP neural network for training， prediction and comparison with traditional BP neural network. The experimental results show that the convergence， accuracy and timeliness of the improved GA?BP neural network are better than those of traditional BP neural network. The method has a certain application and promotion value for water quality evaluation of sewage.

Keywords： factory sewage； water quality classification； improved GA； BP neural network； sewage monitoring； adaptive algorithm

0 引 言

目前，我国工厂污水处理技术较发达国家落后，污水水质评价准确性差，有很多主观的判断成分，导致未达标的污水随意排放[1]。水体污染日趋广泛和严重，加剧了水资源的短缺状况。从环境保护的角度来说，对工厂排放污水的水质进行准确有效的评价显得尤为重要。

针对工厂污水排放具有不确定性，处理过程多变、非线性、时变、强随机等特点[2]，科学有效地对工厂污水水质进行准确有效的评价是本文研究的内容。对水质评价的方法很多，文献[3]使用单因子污染指数法对丹江口水库水质进行评价；文献[4]利用主成分分析法对黄河口及邻近水域水质进行评价；文献[5]采用人工神经网络法对大沽河湿地海水水质进行评价。但是这些方法都存在不足和缺点，单因子法需将评价因子与评价标准进行比较，增加了复杂性；主成分分析法需要各指标之间有较好的线性关系，而工厂污水具有很强的非线性；人工神经网络容易陷入局部最优解。

本文将改进的GA?BP神经网络应用于工厂污水水质评价中，不仅具有BP的非线性映射能力，而且具有GA的全局搜索能力，将两者相结合，取长补短，构成GA?BP神经网络来评价污水水质。对GA的交叉率和变异率采用自适应算法进行改进，在大量历史数据的基础上，结合多个参数，利用GA优化BP神经网络的权值和阈值，缩小范围后利用BP对污水水质进行科学有效的评价，不仅结构简单，而且具有很强的泛化能力。

1 污水监测系统原理

在工厂污水的排放口处，放置不同类型的传感器节点。当工厂排放污水时，传感器节点将检测到污水参数值，通过ZigBee和移动通信网络发送给管理中心，管理中心将接收到的各个参数值送给经GA优化训练过的BP神经网络，GA?BP网络对污水进行分类识别，得出该工厂污水排放情况，监测是否达到排放标准。污水监测系统整体结构如图1所示。

2 GA?BP神经网络

2.1 BP神经网络

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，由输入层、输出层和隐含层节点组成，只在相邻神经元之间有连接，可看作由一组内联的神经元组成的高度并联模型，其性能主要由拓扑结构、权值和阈值确定[6]。训练学习分为正向和反向。在正向传播过程中，输入信号通过隐含层处理并传向输出层，如果输出层的信息与预期输出之间的误差未达到要求，则将误差沿原路反向传播，通过修正各连接的权值和阈值，使实际输出和期望输出误差不断减小。不断重复此过程，使整个网络误差减小至目标值[7]。BP神经网络具有自学习、自组织、较好的容错性和优良的非线性逼近能力，用于对工厂污水的水质分类识别非常适合。根据Kolmogorov定理：在一定范围内合理的结构和恰当的权值条件下，含有一层隐含节点的BP网络可以完成任意[n]维到[m]维映射[8]。图2为一个三层的BP神经网络。

2.2 遗传算法改进

遗传算法（Genetic Algorithm，GA）利用遗传操作和“优胜劣汰”的自然选择来指导学习和确定搜索方向，具有全局搜索能力。参数中交叉概率[Pc]和变异概率[Pm]的选择是影响遗传算法行为和性能的关键。但是传统的遗传算法对所有个体的交叉和变异概率都选取一个固定值，在整个遗传算法过程中保持不变。在这种情况下，如果群体中的个体彼此非常接近，则个体的选择概率相当，交叉后不能产生新个体，不利于进化，甚至停滞[9]。

本文采用自适应调整规则对遗传算法交叉率和变异率进行改进，使每个个体按适应度值大小选择不同的交叉概率[Pc]和变异概率[Pm]。在遗传过程中根据适应度变化自动调节这两个控制参数，这样每个个体对环境变化就具有自适应调节能力。如式（1）和式（2）所示：

[Pc=pc1-（pc1-pc2）（fmax-f）fmax-favg，f≥favgpc1，f

[Pm=pm1-（pm1-pm2）（fmax-f）fmax-favgf，f≥favgpm1，f

式中：[pc1]为初始交叉概率；[pc2]为交叉概率可以提高的最大值；[ fmax]為群体最大适应度； [f]为交叉两个个体中较大适应度值；[favg]为每代群体平均适应度值；[pm1]为初始变异概率；[pm2]为变异概率可提高最大值；[ f]为要变异个体适应度值。

2.3 GA优化BP神经网络

BP神经网络虽然具有很强的非线性映射能力和简单的网络结构，但也存在很多缺点，如：算法收敛速度慢；容易陷入局部最优解[10]。

本文用改进过的遗传算法来优化BP神经网络，GA在优化BP神经网络过程中能同时优化网络的拓扑结构及其权重和阈值，使网络模型依据样本知识进行选择，并随问题的复杂程度而改变，可以实现BP网络的动态自适应性。GA具有全局性、并行性、快速性、较好的适应性和鲁棒性，能有效解决BP网络易陷于局部极小、收敛速度慢甚至不收敛问题。GA优化BP神经网络流程图如图3所示。

GA优化BP神经网络具体步骤如下：

1） 初始化种群，选择合适的编码方式。针对工厂污水的特殊性，本文采用实数编码，便于较大空间的遗传搜索，提高遗传算法精度要求，避免编码和解码的复杂性。

2） 适应度函数的选择。把预测输出和期望输出之间的误差绝对值和[E]作为个体适应度值[F]，计算公式为：

[F=ki=1nabs（yi-oi）] （3）

式中：[n]为网络输出节点数；[oi]为BP神经网络第[i]个节点的期望输出；[yi]为第[i]个节点的预测输出；[k]为系数。

3） 选择操作采用轮盘赌法，即基于适应度比例策略，每个个体[i]的选择概率[Pi]为：

[fi=kFi，Pi=fij=1Nfj] （4）

式中：[Fi]为个体[i]的适应度，由于适应度值越小越好，所以在个体选择前对适应度值取倒数；[N]为种群数目；[k]为系数。

4） 交叉操作。由于个体采用实数编码，所以交叉操作方法采用实数交叉法，第[k]个染色体[ak]和第[l]个染色体[al]在[j]位的交叉操作如下：

[akj=akj（1-b）+aljbalj=alj（1-b）+akjb] （5）

式中[b]是[0，1]的随机数。

5） 变异操作。选取第[i]个个体的第[j]个基因[aij]进行变异，变异操作方法如下：

[aij=aij+（aij-amax）*f（g），r>0.5aij+（amin-aij）*f（g），r≤0.5] （6）

式中：[amax]为基因[aij]的上界；[amin]为基因[aij]的下界；[f（g）=r21-gGmax2]，[r2]为一个随机数，[g]为当前迭代次数，[Gmax]为最大进化次数；[r]为[0，1]的随机数。

6） 用新染色体代替原来染色体，计算适应度，如果满足条件，跳到步骤7）；否则，转到步骤3）继续优化。

7） 将最优权值和阈值赋给BP神经网络用于训练，直到达到设定的误差值。

8） 将训练好的BP神经网络用于工厂污水分类识别，得到排放情况。

3 实 验

由于不同工厂排放的污水参数各有差异，本文选取淮安某一氨氮化肥厂作为实验对象。氨氮化肥厂排放的污水成分比较复杂，主要包括COD、BOD、悬浮物、氨氮、硫化物等。由于这里检测的污水是直接排放到地表水中的，结合目前传感器技术的发展，选取最能反映水质情况的温度、溶解氧（DO）、氨氮、pH、浊度这5个参数作为排污口污水是否达标的参考指标。

根据《地表水环境标准》（GB3838?2002）和《合成氨工厂水污染物排放标准》[11]（GB13458?2013），对污水参数划分一个判断标准，如表1所示。分为6个等级，每个等级各参数对应一个排放限值和一个期望输出。期望输出≤0.2为‘Ⅰ，0.2～0.4为‘Ⅱ，0.4～0.6为‘Ⅲ，0.6～0.8为‘Ⅳ，0.8～1.0为‘Ⅴ，>1.0为‘劣Ⅴ。

3.1 构建BP神经网络

根据前面给出的Kolmogorov定理[12]：一个三层的BP神经网络可以实现任意维的非线性映射。针对选定的氨氮化肥厂，本文构建一个三层BP神经网络，包括输入层、一层隐含层和输出层。因为本文选定5个参数作为指标，故输入层神经元个数为5；隐含层神经元的个数没有确定的公式，只能根据经验公式（7）计算出大致范围[13]，然后用试凑法不断调整尝试，本文正是采用这种方法。当节点为11个时效果最佳；输出层根据前面的规定，对应为1个神经元。故BP结构确定为5?11?1，如图4所示。

[Sh=Si+So+a，a∈[1，10]] （7）

式中：[Sh]为隐含层神经元数；[Si]为输入层神经元数；[So]为输出层神经元数；[a]为整数。

3.2 数据预处理和参数设定

由于各维数据间数量级差别和不同参数之间的量纲不同，仿真之前对输入数据进行归一化预处理，本文采用Matlab自带函数mapminmax将数据归一化到[-1，1]。函数形式如式（8）所示，[ymax=1，ymin=-1]，[xmax]和[xmin]分别为样本中的最大值和最小值，[xk]为要归一化的样本值，[y]为归一化后的值。根据表1的污水参数分类标准，共有6个等级，每个等级使用20组数据，共120组数据进行训练，最后用12组数据进行测试，归一化后训练样本数据见表2。

[y=（ymax-ymin）?xk-xminxmax-xmin+ymin] （8）

BP神经网络的结构确定好以后，个体编码串也就确定下来，输入层和隐含层的权值矩阵[W1]为11×5，隐含层阈值[B1]为11×1；隐含层和输出层[W2]为1×11，输出层阈值[B2]为1。因此编码串长度为11×5+11×1+1×11+1=78。输入层到隐含层传递函数使用tansig，隐含层到输出层的传递函数使用purelin，网络训练函数选择trainlm函数。目标误差设置net.trainParam.goal=0.001。学习速率设置net.trainParam.lr=0.01。

遗传算法的种群规模取10，交叉率和变异率按式（1）和式（2）进行自适应调整，初始值为：[Pc1=0.4]，[Pc2=0.99]，[Pm1=0.01]，[Pm2=0.1]。

3.3 实验结果

将GA?BP神经网络用训练样本数据进行训练，然后用测试数据进行测试，并从收敛性、准确性以及实时性三个方面与传统BP神经网络进行对比。

图5为BP神经网络均方差变化曲线。从图5中可看出迭代151步，网络已达到设定值0.001，同时将每步的迭代时间记录下来，然后用训练好的BP神经网络进行预测，预测之前对预测样本数据利用与训练样本数据一样的方法归一化处理，mapminmax（‘apply，input_test，inputs）。归一化后测试数据见表3。

同样对GA?BP神经网络进行训练，如图6所示，迭代8步就达到了设定值0.001。

图7为GA?BP神经网络的适应度曲线，在进化0～7代时适应度值下降得比较厉害；由于局部最优值的存在，7～14代时趋于平缓；因为GA的优化作用，14～16代时又开始下降；在20代以后就达到了最佳适应度值，至此进化完成。提取最佳权值和阈值，进行预测。

从上述实验过程可以看出：

1） 收敛性：BP神经网络需要151步才能收敛，而改进的GA?BP神经网络只需要8步就已经收敛，说明改进的GA?BP神经网络收敛性远远快于BP神经网络。

2） 准确性：从表4可以看出，对于同样的12组预测数据，BP预测中2组有错误，准确率为83.3%，而GA?BP的准确率为100%。说明GA?BP神经网络的准确性更好，能更好地对污水水质进行分类识别。

3） 實时性：如图8所示， GA?BP神经网络每步运行时间都比BP神经网络少0.02～0.03 s，说明同样运行一步GA?BP神经网络的实时性要好于BP神经网络。

从三个方面将GA?BP神经网络和BP神经网络进行对比，得出GA?BP神经网络无论是在收敛性、准确性还是实时性都远远优于传统BP神经网络。

4 结 论

本文将改进的GA?BP神经网络用于对工厂污水的水质进行分类识别，根据相关标准划分为6个级别并设定相应期望值。根据输出的期望值判断排放的污水类别，从而起到监测污水排放是否达标的目的，并从收敛性、准确性和实时性三个方面与传统的BP神经网络进行比较。通过实验表明，改进的GA?BP神经网络无论是收敛性、准确性还是实时性都比传统BP神经网络更具有优势，该方法在工厂污水水质评价中具有应用推广价值。

注：本文通讯作者为俞阿龙。

参考文献

[1] 傅其凤，杨亚磊，陈万军，等.工业污水在线监测系统的应用[J].工业水处理，2015，35（3）：106?108.

FU Qifeng， YANG Yalei， CHEN Wanjun， et al. Application of on?line monitoring system for factory sewage [J]. Industrial water treatment， 2015， 35（3）： 106?108.

[2] 刘翊.浅谈城市工厂污水处理及水资源保护[J].节能环保，2015，5（18）：13?15.

LIU Yi. The city sewage treatment plant and water resources protection [J]. Energy saving and environmental protection， 2015， 5（18）： 13?15.

[3] 王文静，高鹏程，李捷，等.丹江口水库典型入库支流水质评价与趋势分析[J].水资源保护，2016，32（3）：127?130.

WANG Wenjing， GAO Pengcheng， LI Jie， et al. Water quality evaluation and trend analysis of typical inflow tributaries of Danjiangkou reservoir [J]. Water resources protection， 2016， 32（3）： 127?130.

[4] 刘潇，薛莹，纪毓鹏，等.基于主成分分析法的黄河口及其邻近水域水质评价[J].中国环境科学，2015，35（10）：3187?3192.

LIU Xiao， XUE Ying， JI Yupeng， et al. Water quality evaluation of Yellow River Estuary and adjacent waters based on principal component analysis [J]. Chinese environmental science， 2015， 35（10）： 3187?3192.

[5] 徐勇，赵俊，过锋，等.基于BP人工神经网络的大沽河湿地海水水质综合评价[J].渔业科学进展，2015，36（5）：31?37.

XU Yong， ZHAO Jun， GUO Feng， et al. Integrated quality assessment of Dagu river wetland sea water based on back propagation （BP） artificial neural network [J]. Progress in fishery sciences， 2015， 36（5）： 31?37.

[6] 张旭东，高茂庭.基于IGA?BP网络的水质预测方法[J].环境工程学报，2016，10（3）：1566?1571.

ZHANG Xudong， GAO Maoting. Water quality prediction method based on IGA?BP network [J]. Journal of environmental engineering， 2016， 10（3）： 1566?1571.

[7] 潘雨红，张宜龙，蔡亚军，等.基于GA?BP算法的公路工程造价估算研究[J].重庆交通大学学报（自然科学版），2016，35（2）：141?145.

PAN Yuhong， ZHANG Yilong， CAI Yajun， et al. Research on highway engineering cost estimation based on GA?BP algorithm [J]. Journal of Chongqing Jiaotong University （natural science）， 2016， 35（2）： 141?145.

[8] 马威，马飞，郭荣，等.GA?BP网络在凿岩防卡阀推进压力预测中的应用[J].工矿自动化，2016，42（7）：44?50.

MA Wei， MA Fei， GUO Rong， et al. Application of GA?BP network to prediction of pressure of rock drill valve propulsion [J]. Industrial and mine automation， 2016， 42（7）： 44?50.

[9] 张志英，计峰，曾建智.基于改进GA的分段堆场计划调度方法研究[J].哈尔滨工程大学学报，2015，36（8）：1103?1108.

ZHANG Zhiying， JI Feng， ZENG Jianzhi. Based on improved GA based subsection yard planning and scheduling method [J]. Journal of Harbin Engineering University， 2015， 36（8）： 1103?1108.

[10] 孔祥松，单仁亮，赵文峰，等.基于GA?BP的煤巷围岩稳定性分类与应用[J].煤矿安全，2016，47（5）：219?222.

KONG Xiangsong， SHAN Renliang， ZHAO Wenfeng， et al. Classification and application of stability of surrounding rock of coal roadway based on GA?BP [J]. Coal mine safety， 2016， 47（5）： 219?222.

[11] 段付岗，李清位.合成氨工厂污水排放标准的比较及建议[J].化肥工厂，2015，42（1）：46?48.

DUAN Fugang， LI Qingwei. Comparison and suggestion of sewage discharge standard in synthetic ammonia plant and suggestion [J]. Chemical fertilizer plant， 2015， 42（1）： 46?48.

[12] 蔡超.一类Kolmogorov型方程的系数反演问题[J].山东大学学报（理学版），2016，51（4）：127?134.

CAI Chao. Coefficient inversion of a type of Kolmogorov type equation [J]. Journal of Shandong University （science edition）， 2016， 51（4）： 127?134.

[13] 王小川，史峰，郁磊，等.Matlab神经网络43个案例分析[M].北京：北京航空航天大学出版社，2013.

WANG Xiaochuan， SHI Feng， YU Lei， et al. Matlab neural network 43 cases analysis [M]. Beijing： Beihang University Press， 2013.

[14] 李俊龙，郑丙辉，张铃松，等.中国主要河口海湾富营养化特征及差异分析[J].中国环境科学，2016，36（2）：506?516.

LI Junlong， ZHENG Binghui， ZHANG Lingsong， et al. Characteristics and difference analysis of eutrophication in the main estuarine estuary of China [J]. China environment science， 2016， 36（2）： 506?516.