由于废水种类多、性质各不相同,使得废水处理本身具有复杂性。目前废水处理的方法很多,其中絮凝法是较常用的一种。絮凝的一个原理是使废水中Zeta电位值减小。Zeta电位是水中带电微粒表面剪切层的电位,是表征胶体体系稳定性的指标,胶体带电越多则Zeta电位越大。　　 通常是加入絮凝剂PAC(聚合氯化铝)和PAM(聚丙烯酰胺)来中和水中带电微粒的电位,使得Zeta值减小,胶体脱稳絮凝达到去除杂质的目的。目前絮凝剂的投放量大多是依靠人工经验,难免会造成浪费,因此本文对投放絮凝剂工段建模,通过控制Zeta电位值达到昂贵凝聚剂投放量最优控制的目的。　　 本文首先利用BP神经网络对投放絮凝剂工段进行建模,同时利用Elman动态网络对投放絮凝剂工段建模作比较。由于BP神经网络自身的缺陷使得其建模效果相对一般,而Elman网络是在BP神经网络的基础上增加了一个承接层,使得该网络具有记忆能力,对历史数据相对敏感,在非线性逼近方面的能力强,因此在系统建模中取得了较好的建模模型;二是利用Elman网络的拟合泛化值进行曲线拟合,再利用数学中对于函数拐点的定义和求法,对拟合曲线函数求解其拐点,并将所求的值作为BP神经网络PID控制算法和双启发式动态规划的控制目标;三是设计BP神经网络PID控制器,利用该算法对Zeta电位值进行控制;四是构造效用函数,用双启发式动态规划算法进行Zeta电位值的优化控制。仿真结果表明,两种算法得到了比较好的控制效果。