1. 研究目的与意义
随着工业的不断发展，人们环境保护意识的加强，工业废水的污染问题越来越受到重视，而造纸行业是目前我国环境污染的主要行业之一。建国60多年以来，我国制浆造纸工业持续稳步发展，科学研究成果显著[1]。在过去二十年来，造纸工业以指数方式高速发展，未来仍处于高速发展期。我国制浆造纸工业规模巨大，解决污染问题是是发展我国造纸工业的关键之一。污水处理作为保护环境的重要措施，受到全社会越来越多的关注。因此，优化改善造纸业的废水处理过程，成为了一项很有研究意义的课题。造纸废水的处理工艺一般采用物理方法或者生化方法，其过程具有复杂性、非线性、时变性、不确定性和滞后性等特点[2]。废水处理的稳定性和出水效果单纯通过人工操作难以达到预期。而传统的自动控制技术自身也存在着一些缺陷，例如难以建立精确的数学模型，控制效果不理想，从而导致废水处理过程自动化水平相对落后。废水处理系统的控制属于多目标控制[3]，体现为：需控制多种出水指标；需抑制外部环境的扰动对处理过程的影响以确保处理过程的稳定性；需尽量降低处理过程费用以达到经济指标最优化。智能控制系统不依赖系统的精确数学模型，能够逼近任意函数，克服了传统控制过分依赖数学模型的缺点[4]。由于具有自学习、自适应和自组织功能，智能控制系统非常适合应用于复杂非线性系统的建模和控制，已成为废水处理过程的研究热点和前沿课题。随着时代的发展，智能控制技术应该具备控制功能更强，控制品质更好，智能化程度更高的特点。 近年来智能控制在废水处理领域得到了广泛研究[5-8]。预测模型通常具有如下优点[9]：1.建模方便。预测模型可以通过简单实验测定，无需深入了解过程内部机理和进行繁琐复杂的计算。2.鲁棒性强。预测模型采用反馈修正，控制算法采用滚动优化策略，从而使模型失配，畸变，扰动等引起的不确定性得到及时校正，从而获得较好的动态性能。3.应用广泛。除了一般线性过程外，可方便地推广到有约束条件。智能预测模型因具有以上优点，在造纸废水处理过程中有着广泛应用和良好的发展前景。
2. 国内外研究现状分析
一．人工神经网络人工神经网络（Artificial Neural Network,简称ANN）是指利用工程技术手段模拟人脑神经网络的结构和功能的一种技术系统，它是一种大规模并行的非线性系统。神经网络是以对信息的分布存储和并行处理为基础，它具备自组织，自学习功能，在许多方面接近人对信息的处理方法，反映了人脑功能的若干基本特性[10]。人工神经网络特别适合复杂非线性系统的建模和控制，已经成为了废水处理过程的研究热点。Zeng等人设计了一个针对造纸废水处理系统的人工神经网络预测控制系统[11]。前向多层网络是目前广泛应用并有成功应用的网络模型之一。它包含输入层，隐含层以及输出层，隐含层可以为一层或多层，由于用BP算法进行训练，所以常称为BP网络。而BP算法是误差反向传播训练算法的简称（Back-Propagation），它适合于多层神经元网络。针对造纸厂现场排放的废水建立了一个药剂加入量，原水COD，反应时间和出水COD之间的动态关系，应用了ANN和BP算法的学习能力和非线性逼近能力，建立了一个能预测造纸废水处理过程COD的动态模型[12]ANN的预测能力在很大程度上依靠驯化数据的状况。这是因为ANN存在着一些缺陷，例如不适合表达基于规则的知识，不能很好地利用已有的经验知识，网络训练时间长有可能导致陷入非要求的局部极值。如果数据中有干扰和不确定性，则过界问题常会出现，改进神经网络以及与其他智能控制技术在一定程度上可以弥补这些不足。常用的污水处理中的神经网络有BP神经网络，RBF神经网络，自适应神经网络等[13]。二．GA-BP模型预测GA-BP算法可以运用到废水处理过程中COD的预测，网络模型能够较好地反映出各个因子与出水COD的非线性对应变化规律，仿真结果表明，预测的结果很理想[14]。在造纸废水处理过程中建立出水COD预测模型中，由于BP算法容易陷入局部极小，收敛速度慢等缺点，同时遗传算法（Genetic Algorithm-GA）具有全局寻优的特点，把遗传算法和BP网络两者结合起来形成一种混合训练方法GA-BP算法，根据仿真结果可以看出该预测模型具有比较强的学习能力和泛化能力。而且建立的GA-BP预测输出的平均误差很小，说明此模型可以有效且可靠的预测造纸废水出水COD。三.模糊神经网络神经网络和模糊控制（Fuzzy Control）的结合可以有效利用两者的优势，弥补各自的不足，构成模糊神经网络控制（Fuzzy Neural Network,简称FNN）。既可以应用神经网络的模糊逻辑，同时可以利用神经网络的自适应，自学习能力，可以动态调整隶属度函数，在线优化控制规则。应用模糊神经网络，针对废水造纸处理过程中药剂加入量、原水COD、反应时间和出口COD之间的关系，可以建立起造纸废水处理预测模型，实现对废水处理智能控制。马邕文等基于提高工业废水处理自动化程度、保证出水水质的考虑，通过正交实验法获得了用于FNN模型训练和测试的样本数据，并建立了相应的 FNN预测和控制模型[15] ;结合模糊 C均值聚类和混合算法完成网络的结构辨识和参数辨识,仿真结果表明, 预测模型具有很好的学习能力和泛化能力,而测试数据的相对误差范围为 1.2% ～ 8%;建立好的预测控制模型与 MCGS组态软件结合应用于实验室的造纸废水处理控制, 改变原水COD和进水流量的大小,控制系统会自动计算出该时刻的加药量, 其出水 CODCr维持在400 mg/L左右,同人工恒定加药量相比平均相对误差小很多,只有 1.98%,结果表明 MCGS和控制算法结合可以有效控制废水处理过程。四．SVM,LS-SVM,AWLS-SVM支持向量机（Support Vector Machines,SVM）是Vap-nik V.N等人[16-17]基于统计学习理论提出的一种有监督机器学习方法，这种方法利用结构最小化原理来提高其泛化能力，较好的解决了小样本，非线性，高维数，局部极小等实际问题。目前已成为污水处理过程建模领域的研究热点[18-19]。最小二乘支持向量机（least squares support vector machines,LS-SVM)是标准SVM的扩展，由于降低了计算复杂度，提高了学习速度，这种方法更适合用于工业过程软测量建模研究[20] 。赵超等提出一种自适应加权最小二乘支持向量机AWLS-SVM回归的软测量建模方法[21] 。仿真实验表明，AWLS-SVM模型的预测精度及鲁棒性能优于LS-SVM。
3. 研究的基本内容与计划
本文的主要工作是，拟定的设计方案：已有造纸废水处理厂实际数据，包括8个变量，2个变量COD和SS是预测变量（因变量）其余6个是输入变量（自变量），数据集大小为170组数据，对此数据进行统计分析并作图;使用至少一种智能软测量方法对废水数据进行建模仿真。
研究计划:寒假阅读文献资料，掌握造纸废水处理过程软测量建模的研究现状；开学后1-5周熟悉废水处理数据，掌握MTALB基本使用方法；6-9周完成代码的编写；10-14周完成论文。
4. 研究创新点
本文从人工神经网络ANN上手，使用MATLAB的ANN工具箱，最后与多元回归模型比较预测精度。
