引言净水厂是保障饮用水安全的关键环节。通过混凝投药实现净化水质是自来水生产过程中一个重要的环节。混凝剂加量大小直接影响水处理效果。混凝剂不足导致水中胶体不能完全沉淀，过量又造成浪费，且出水效果差。投药后的净水过程具有复杂性、时变性、非线性和大时滞性等特点，人工净水已经不能满足智能化、精确化的要求。为加强饮用水安全管理，解决人工判断净水加矾的问题迫在眉睫[1-2]。目前净水厂的投药方式主要包括人工控制、自动控制、智能控制，其中自动控制包括前馈控制、反馈控制、前馈-反馈复合控制。传统自动控制系统在应用过程中，建立被控对象的精确数学模型，但污水处理表现出非线性、多变量和时变性等特点，通常难以获取与实际情况相符的数学模型，缺乏自适应性与自学习性。国内净水厂的投药方式主要为前馈控制和基于流动电流的单因子闭环控制两种方式[3-4]，对于多个参数变化不能迅速响应，限制控制效果。对比人工控制、自动控制以及智能模糊控制，神经网络控制方式具备明显的自学能力。由于加药受到多因子影响以及不确定性等特点，神经网络的自适应性发挥出重大作用[5]。本研究依据对投药环节的控制要求，对智能数据硬件功能进行规划，确定硬件总体方案。在复杂的控制系统中，通过实时输入特征，形成一类神经网络预测控制，利用神经网络学习系统的动态特性，充分利用测量特征，精确地预测出絮凝剂的加药量。1网络结构1.1LSTM神经网络LSTM（Long Short-Term Memory）模型是一种RNN的变形[6]。相比于普通的循环神经网络，LSTM神经网络添加3个控制器，即输入控制、输出控制和遗忘控制，用以解决循环神经网络传递长时间序列过程中可能出现的梯度爆炸或者梯度消失[7]。遗忘门公式：ft=σ(Wf×ht-1,xt+bf) （1）式中：Wf——遗忘门的权重矩阵；ht-1,xt——把两个向量连接成一个更长的向量；bf——遗忘门的偏置项；σ——Sigmoid函数。输入门公式：it=σ(Wi×ht-1,xt+bi （2）式中：Wi——输入门的权重矩阵；bi——输入门的偏置项。ct̃描述当前输入的单元状态公式：ct̃=tanh(Wc×ht-1,xt+bc) （3）此刻的单元状态ct：ct=ft*ct-1+it*ct̃ （4）式中：*——按元素乘；ft——遗忘门；ct-1——上一次的单元状态；it——输入门；ct̃——当前输入的单元状态。输出门公式：ot=σ(Wo×ht-1,xt+bo) （5）最终输出公式：ht=ot*tanh(ct) （6）遗忘门减少历史信息中的噪声干扰，选择保留部分到当前时刻。输入门决定保留当前时刻输入部分中的重要信息到当前状态。最终输出的预测剂量信息为综合当前信息和历史加药信息对后续加药剂量起辅助作用的信息。1.2模型建立基于历史加药数据对后续加药量进行预测。历史加药数据包括水流量、温度、pH值、入水浊度等不同因子的不同数值，对应的出水实际浊度和实际加药量。首先利用Keras框架搭建一层50个神经元和Tanh激活函数的LSTM层。损失函数选择Mae，优化器选用Adam，采用解释方差分（Explained_Variance_Score）判断模型测试集上的准确度。2预测加药量试验2.1试验软件环境试验在64位Microsoft Windows 10操作系统下运行，处理器Intel(R) Core(TM) i5-8300H CPU @2.30GHz 2.30GHz，8 GB内存与1 T机械硬盘。所有试验均采用Pyhton 3.7代码编写，Tensorflow版本2.1.0，Keras版本2.3.1。2.2试验数据试验数据来自吴江华衍水务的生产数据，包括进厂水流量、水温、pH值、出浊度、实际出水浊度、实际加药量共5项数据。LSTM神经网络依据水流量、进水浊度、水温、pH值、出水浊度得到建议加药量，依据建议加药量实现对加药量的调整，同时利用边缘设备对加药蠕动泵控制，实现对加药量的优化。2.3硬件仪器对自来水厂加药的现有设备进行系统优化改进，使之能够精准高效地处理加药过程。装置主要包括加药蠕动泵部分和各类传感器。通过上述仪器的合理布置、优化组合，实现药品最大化利用和加药量精准化的同时，保证水的浊度达标。2.3.1蠕动泵部分采用24 V，15 W蠕动泵，利用步进电机驱动，配置2300驱动板，利用树莓派连接驱动板控制步进电机转速。流量在5~400 mL/min范围内进行调节。利用Norprene A-60-G工业级软管输送明矾溶液。2.3.2传感器部分水温传感器采用DS18B20温度传感器，工作电源3.0~5.5 V，DQ引脚采用独特的单线接口方式，DS18B20与微处理器连接时，仅需要1条口线即可实现微处理器与DS18B20的双向通讯。测量结果以9~12位数字量方式串行传送。（1）水流量传感器采用霍尔流量计，NPN型叶轮脉冲，工作电压4.5~18 V，可作为水流开关使用，同时可以用来计量流量和流速，霍尔流量计最大压力1.175 MPa。（2）采用TS-300B浊度传感器，工作电压5.00 V。工作原理将传感器输出的电流信号转化为电压信号，通过单片机进行AD转换数据处理。数字量通过模块上的电位器调节触发阈值，当浊度达到设置好的阈值，D1指示灯被点亮，传感器模块输出由高电平变成低电平，单片机通过监测电平变化，判断水的浊度是否超标，从而预警或者联动其他设备。（3）pH传感器工作电压5 V，pH传感器模块主要通过BNC接头和pH复合电极连接，扩展有DS18B20温度传感器接口，方便软件进行温度补偿设计。2.3.3树莓派控制部分树莓派在上传时调用Predix GE接口，使用阿里云平台训练模型，实现在PC上开发之后移植到树莓派上，使用环境是Miniconda。树莓派接受由PLC控制系统传递地从上位机通讯获取沉淀池进水流量、沉淀池PAC投加点瞬时投加量、加药泵运行频率、加药泵状态及原水温度、原水浊度等反馈信息。PLC控制系统根据流量、原水温度、原水浊度进行投加量调节。上位监控软件对这些输入输出点进行监控，实时反映现场运行状态和控制系统执行状态。根据工艺要求，实时报警，满足实际生产的需要。树莓派连接接收机使用Pigpio库，读取远程通信的反馈信息。接收信息后控制计量泵电机的运转，从而控制加药量。树莓派需要与计量泵的电机相连并与扩展版相互连接，同时需要提前安装Gpio库。树莓派通过i2c接口控制扩展板的i2c库以及相关库，打开ix终端调用Python文件，同时需要调用i2c工具。2.4试验评价指标为评价最终模型的准确性，本项研究采用解释性差分、均方根误差、平均误差等指标进行评估[8]，引入Aklearn库进行计算。RMSE=1n∑i=1n|yȋ-yi|2 （7）Aaverage error=1n∑i=1n|yȋ-yi|yi （8）Bexplained variance score=1-Vary-ŷVary （9）3试验结果最终模型的解释性差分参数0.747，均方根误差12.381，平均误差0.231，对于加药过程的预测具备科学性和可行性。实际加药量和预测加药量的对比图如图1所示。将激活函数改为Sigmoid函数后，解释性差分参数变为0.672，均方根误差变为8.344，平均误差变为0.148。10.3969/j.issn.1004-7948.2021.07.010.F001图1实际加药量和预测加药量对比图4效益分析加入明矾时，加入过少则效果不佳；加入过多，不仅成本增加，并且在胶体表面形成新的稳定，导致混凝效果下降。我国国家标准规定出水浊度不高于1 NTU，沉淀池出水浊度小于5 NTU，即为水质合格。净水厂的水主要来自地表水和地下水，源水浊度大约30 NTU，最适宜的混凝水温为20~30 ℃，pH值为弱碱性，pH值约7~8，优质水pH值达到8以上。4.1与人工加药相比节省药量水利部数据显示截至2019年底，供水总量为6 021.2 亿m³，假设水的密度1 000 kg/m³，供水总量计算为：6.021×1011×103=6.021×1014 kg。假设某厂进厂水流量为2×104 m3/h，浊度30 NTU，水温20 ℃、pH值7.9，经过烧杯计量法需要加药量50 kg/kt，而根据预测加药量23.5 kg/kt，实际加药量23.44 kg/kt。若使水浊度小于5 NTU，需要的明矾为：6.021×105÷20×23.44=7.057×105 kg。一般人工加药需要的明矾为：6.021×105÷20×50=1.505×106 kg。人工加药损失药量为：1.505×106-7.057×105=7.996×105 kg。本项目节省药量为：7.996×105-1806.363=797 810.325 kg，即本项目相比传统人工加药可节省药量约8.0×105 kg。4.2与电流控制相比节省药量根据一种流动电流控制方法，若电流在0~5 mA即可获得良好混凝效果。y=a×eb10+x (10)式中：Y——沉淀水浊度，NTU；X——流动电流，mA；a、b——经验系数。根据进厂水流量2×104 m3/h，浊度30 NTU，水温20 ℃、pH值7.9，可得a=0.005 26，b=127.5，代入式（10）。30=0.005 26×e127.510+x (11)求得x=4.742 mA，在0~5 mA范围内，符合较好的混凝效果。对应加入十二水硫酸铝钾35.4 kg，则所需明矾为：6.021×105÷20×35.4=1.066×106 kg。此方法加药损失药量：1.066×106-7.057×105=3.601×105 kg。综上，本项目可节省药量为：3.601×105-1806.363=3.583×105 kg，即本项目相比电流控制节省药量约3.6×105 kg。5结语针对自来水厂加药净化的问题，提出将深度学习LSTM神经网络用于预测控制。该方案通过传感器传输实时感应进水流量、进水浊度、pH值等因素实现对加药量的预测，并通过树莓派等边缘设备实现对加药蠕动泵的控制，起到对加药量的优化作用。