混凝控制事实上主要就是混凝剂投加量的控制,混凝投药是净水工艺中不可缺少的和关键性的环节,准确投加所需要的混凝剂量是获得较好混凝效果及经济效益的关键问题。目前国内众多水厂混凝投药控制的效果都不太理想,如何控制适合水质变化的最佳混凝剂投加量,长期以来一直是给水行业普遍关心而又亟待解决问题。针对混凝过程影响因素众多,例如受原水水质、配水流量和混凝工艺等因素的影响;机理研究复杂,并且混凝过程具有滞后性、非线性和时变性,因而控制难度大,难以确定准确的数学模型。本文在总结传统经典控制方法的基础上,引入神经网络的理论和思想,介绍了BP和GRNN神经网络的结构、建模原理、仿真分析、预测和实现方案。本文首先介绍了选题的背景和混凝投药控制的方法、方式的现状,进而论述了国内外混凝投药控制概况。对适应于混凝过程建模的BP神经网络的结构和算法进行了分析,针对它的特点作了有效改进,引入了改进的算法—量化共轭梯度法(SCG)。分析了GRNN神经网络的结构和特点。在分析混凝过程特性和投药控制方案的基础上,分别设计了以原水浊度、温度、pH、碱度、流量作为BP和GRNN神经网络模型输入神经元参数,投加量为输出神经元。通过对相关水厂实际运行数据进行收集和整理,运用神经网络模型进行了仿真分析,并验证了模型的泛化能力。为了比较模型的优劣,运用数值分析上的最小二乘法,建立了原水水质与投加量的多元数学模型,找出了主要影响因素原水浊度与混凝剂投加量的定量数学表达式。从投药实际值与仿真值的对比图、相关系数和均方根误差(σ)等可以看出神经网络模型明显优于传统控制数学模型。从模型的性能指标看,GRNN模型的性能最好,它能够根据原水水质适时有效预测混凝投药量。应用Visual Basic 6.0开发出控制模型分析的应用界面,便于使用。最后,结合选定水厂投药控制的现状,通过对系统模型的整合和优化,提出了前馈控制系统的实现方案。