（环境科学与工程专业论文）城市污水处理水质模拟与预测研究.pdf

a b s t r a c t 1 h ea r t i f i c i a ln e u r a ln e t w o r k ( a n n li sad e v e l o p p i n gn e w e s ts u b j e c tt h a t b a s e do nn e u r a ls c i e n c e i ti sam a t h e m a t i cm o d e lo ft h e o r i z a t i o no fh u m a nb r a i n n e r v es y s t e m s w i t hi t sc o n c u r r e n c ya n dh i g h l yn o n l i n e r i t y , i tc a nc a r r yt h r o u g h c o m p l i c a t e dl o g i c a lo p e r a t i o n a l s oi tc a nc a r r yo u tt h en o n l i n e rr e l a t i o n sb e t w e e n i n p u t sa n do u t p u t sb yu t i l i z i n gt h er e c o l l e c t i o na n dl e a r n i n go fn e r v ec e l li n n e t w o r k a l o n gw i t hi n d u s t r i a lc o n t r 0 1 t h ep r o c e s sc o n t r o l i nw a s t e w a t e rt r e a t m e n th a s g a i n e da p p l i c a t i o na tl a r g ea n dr a p i d l yd e v e l o p m e n t e s p e c i a l l y , t h et h e o r i sa n d a p p l i c a t i o n so fa n n a n df u z z yn e u r a ln e t w o r kn o to n l yp r o v i d et h e o r yb a s i st o o p e n i n ga n dc o m p l i c a t e dw a s t e w a t e rt r e a t m e n ts y s t e m ，b u ta l s oe n a b l ec o n t r o lt h e w a s t e w a t e rt r e a t m e n tp r o c e s s t h i sp a p e ri sp e r f o r m e db a s e do np i l o tf i e l do fn a t i o n a l8 6 3k e yp r o j e c t ：s t u d y o nt e c h n i c so fu r b a nw a s t e w a t e rt r e a t m e n ta n dr e u s ea n de n g i n e e r i n gd e m o n s t r a t i o n a ut h ed a t ai nt h i sp 印e ra r ef r o mt h er e a l t i m es u p e r v i s i o na n dt h er e s u l t so fw a t e r c h a r a c t e r i s t i c sa n a l y s i s t h es t u d yr e s u l t si nt h i sp a p e ri sb a s i cs t u d yo fan n s o f t m e a s u r ef o rw a t e rc h a r a c t e r i s t i c so fw a s t e w a t e rt r e a t m e n td e m o n s t r a t i n g e n g i n e e r i n g ，a n dp r e - s t u d yo ff u z z yc o n t r o lf o rw a s t e w a t e rt r e a t m e n tp r o c e s s w a t e rq u a l i t i e so fc o d 、s s 、t p 、n h 3 nh a v eb e e ns i m u l a t e da n dp r e d i c t e d t h a ti n l e ta n do u t l e to fb i o c h e m i c a lr e a c t o ra n do ff o u rc o n s t r u c t i o nw e t l a n d sa n d o fw h o l ew a s t e w a t e rt r e a t m e n tp r o c e s s a f t e rt e s t i n gt h es t r u c t u r eo fa n na n d q u a n t i t i e so fn e r v ec e l lm a n yt i m e s ，t h eb e s tr e s u l t sh a sb e e no b t a i n e df o re a c h w a t e ri n d e x i te v a l u a t e st h ea d v a n t a g ea n ds h o r t c o m i n go ft h ean ns t r u c t u r e so f m u l t i - i n p u ta n dm u l t i o u t p u t ( m i m o ) a n dm u l t i i n p u ta n ds i g l e o u t p u t ( m i s o ) f o r s i m u l a t i n gw a t e ri n d e x ，a n dp o i n to u tt h a tt h em i s ob p s t r u c t u r eb e s tt h a nt h e m i m 0b ps t r u c t u r e t h ep r e d i c t i n gr e s u l t ss h o wt h a tt h eb e s tc o r r e l a t i o n c o e f f i c i e n ti sb e t w e e n0 6 4a n d0 9 8 t oo b t a i nt h ea p p l i c a t i o nv a l u e so ff u z z yn e u r a ln e t w o r kf o rs i m u l a t i n gw a t e r i n d e x t h er e s e a r c hh a sb e e nw o r ko u t t h er e s u l t si st h a te a c ho fg a u s sf u n c t i o no r b e l lf u n c t i o na r eb e s t f u n c t i o nt h a tf i tt h es i m u l a t i o no fw a t e ri n d e x w i t ha n f i s ， t h er a t h e rs t e a d yr e s u l t sw i l lb ea c h i e v e d a l lp r o g r a m sh a v eb e e np e r f o r m e di nm a t l a b k e yw o r d s ：a r t i f i c i a ln e u r a ln e t w o r k 、s i m u l a t i n go fw a t e ri n d e x 、f u z z yn e u r a l n e t w o r kc o n t r o l 、s o f t m e a s u r e 、b i o c h e m i c a lr e a c t o r 2 同济大学环境科学与工程博士后出站报告 第一章神经网络与模糊神经网络 1 1 神经网络及其应用 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k 简称a n n ) 是经神经科学发展起 来的新兴边缘学科，是人类在对大脑神经系统认识和理解的基础上构造出的能 够实现某种功能的神经网络系统，它是理论化的人脑神经系统的数学模型，是 基于模仿大脑神经系统结构和功能而建立的一种信息处理系统，具有很强的学 习能力和高度的非线性逼近能力【1 2 1 ，能够进行复杂的逻辑操作。在大量的输 入输出数据的基础上，利用网络神经元的记忆和学习功能，实现输入与输出之 间的非线性关系。 人工神经网络吸取了生物神经网络系统的精华，有其固有的特点： ( 1 ) 高度的并行性人工神经网络是由许多相同的简单处理单元并联组合 而成，并同时并行活动，可达到惊人的信息处理能力与效果。 ( 2 ) 高度的非线性全局作用人工神经网络中的神经元之间以输入和输出 相连，并相互制约和相互影响，从而实现从输入空间到输出空间的非线性映射。 从全局的观点来看，网络整体性能不是网络局部性能的简单迭加，而是集体性 行为的表现。 ( 3 ) 良好的容错性与联想记忆功能人工神经网络通过自身的网络结构能 够实现对信息的记忆，并采用分布式的存储方式，因而使得网络具有良好的容 错性，并能进行聚类分析、特征提取、缺损模式复原等模式信息处理工作；又 宜于做模式分类、模式联想等模式识别工作。 ( 4 ) 强大的自适应、自学习功能人工神经网络可以通过训练和学习来获得 网络的权值与结构，呈现出很强的自学习能力和对环境的自适应能力。 神经网络特别适用于信息的智能化处理、复杂控制、信号处理等方面。( 1 ) 信息的智能化处理：神经网络适宜于处理具有残缺结构和含有错误成分的模 式，能够处理含糊、不确定、不完整的信息，存在矛盾及假象等复杂环境中的 模式；与传统的专家系统相比，神经网络突破了某些障碍，且能对不完整信息 进行补全，根据已学会的知识和处理问题的经验对复杂问题作出合理的判断， 1 型堑查兰堑望盐兰量三堡堡兰生堂堂塑生 给出较满意的决策答案，或对未来过程作出有效的预测和估计，如自然语言处 理、市场分析、预测估值、系统诊断、事故检查、密码破译、语言翻译、逻辑 推理、知识表达、智能机器人、模糊评判等。( 2 ) 复杂控制：神经网络在诸如 机器人运动控制等复杂控制问题方面有独到之处。较之传统数字计算机的离散 控制方式，更适宜于组成快速实时自适应控制系统。这方面的主要应用是：多 变量自适应控制、变结构优化控制、并行分布控制、智能及鲁棒控制等。( 3 1 信号处理：神经网络的自学习和自适应能力使其能够对各类信号进行多用途加 工处理，尤其在处理连续时序模拟信号方面有很强的适应性。这方面的主要应 用有：自适应滤波、时序预测、谱估计和快速博里叶变换、通信编码和解码、 信号增强降噪、噪声相消、信号特征检测等。神经网络在做弱信号检测、通信、 自适应滤波等方面的应用尤其引人注目，已在许多行业得到运用。 人工神经网络已经应用于社会和生产等若干领域，并取得了良好效果，同 样也被广泛的应用于水处理系统的预测和建模 3 1 1 4 1 1 5 1 1 6 1 ( 7 1 1 8 1 ，其中误差反向传播 网络( b a c k p r o p a g a t i o nn e t w o r k ，简称b p 网络) 是神经网络中应用最有效、最 活跃的系统之一，且绝大多数采用了三层结构( 输入层、一个隐含层和输出层) 。 b p 网络是一种非线性映射人工神经网络，并具有对于任意闭合区问连续函数 都可以用含有一个隐层的b p 网络来逼近和具有较高的预测精度的特性。b p 神经网络是人工神经网络中应用最为广泛的一种，在人工神经网络的实际应用 中，8 0 - - 9 0 的人工神经网络模型是采用b p 网络或它的变化形式，它也是 前向网络的核心部分，体现了人工神经网络的精华。 b p 网络主要用于： 1 ) 函数逼近：用输入矢量和相应的输出矢量训练一个网络逼近一个函数； 2 ) 模式识别：用一个特定的输出矢量将它与输人矢量联系起来； 3 ) 分类：把输入矢量以所定义的合适方式进行分类； 4 ) 数据压缩：减少输出矢量维数以便于传输或存储。 1 1 1b p 网络的设计 在进行b p 网络的设计时，主要考虑设计的网络是否满足模拟数据的精度 要求，在控制过程中更要考虑网络训练时间等因素，主要影响因素有网络的层 2 旦至奎兰! 垄翌兰皇三堡堡主生堂苎壑鱼 数、每层中的神经元个数和激活函数、初始值以及学习速率等。在用m a t l a b 进行设计时主要考虑层数、神经元的数量和传递函数等。 ( 1 ) 网络的层数 网络的层是神经网络结构必不可少的组成部分，典型的b p 网络就是由输 入层、隐含层和输出层等三层组成的，并在理论上已经证明：b p 网络可在任 意希望的精度上实现任意的连续函数【9 1 。网络层数的多少决定了误差的大小、 精度的高低和结构的复杂程度等，增加层数可提高精度，但也使网络复杂化， 从而增加了网络的训练时间。一般在设计中多采用三层的网络结构。但是，对 于污水处理这么复杂的系统某些水质指标，笔者分别采用了三层和增加神经元 数量与四层和适量神经元个数相结合的办法，对本文的数据分别进行了模拟建 模，从所建模型的精度和训练时间来看，对于所有水质指标存在一定差异，但 对某些水质指标后者模拟结果明显优于前者。 ( 2 ) 隐含层的神经元数 神经网络的结构决定后，隐含层的神经元数量决定了网络的训练精度，增 加神经元数量可以提高网络的精度，但当神经元数量太多时，不仅会大大增加 训练时间，而且在进行函数逼近时，可能导致不协调的拟合。一般看来，网络 神经元个数的选择原则是：在能够解决问题的前提下，再加上1 也个神经元以 加快误差的下降速度即可。但是，网络隐含层节点数的确定还没有理论依据， 还有待继续研究，通常可由以下三式【加1 综合确定。 善c ： 胁 1 - 1 ，l l = n + ，l o + 口 ( 1 - 2 ) ，l l = l o g ： ( 1 - 3 ) 其中：为隐含层神经元的数量；研为训练样本数；n 为输入神经元个数； 一。为输出神经元个数；a 为1 1 0 之间的整数；如果i ，那么c ? - 。0 。 ( 3 ) 传递函数 b p 网络的神经元的输出是通过传递函数实现1 1 1 的，隐含层神经元的传递 函数一般采用s i g m o i d 函数：，b ) = _ 与；输出层神经元的传递函数可呆用线 性函数，或采用与隐含层相同的传递函数。 1 同济大学环境科学与工程博士后出站报告 ( 4 ) 学习速率 学习速率决定每一次循环训练中所产生的权值变化量。大的学习速率可能 导致系统的不稳定；但小的学习速率可导致较长的训练时间，从而影响收敛速 度，不过能保证网络的误差值最终趋于最小。在一般情况下，倾向于选取较小 的学习速率以保证系统的稳定性。学习速率的选取范围在0 o l o 8 之间。 对于每一个具体网络都存在一个合适的学习速率，为减少训练次数以及训 练时间，比较合适的方法是采用变化的自适应学习速率，使网络的训练在不同 的阶段自动设置不同学习速率的大小。 w 忙+ 1 ) ；w 忙) + ，7 _ 0 e ( 1 4 ) p 吼 ( 1 - 5 ) p 吼+ 器 耻一阶掣訾 6 ， 咖k 舢凡 同济大学环境科学与工程博士后出站报告 时间，一般可与遗传算法【13 】等优化算法结合，以得到全局优化的神经网络结构。 污水处理工艺过程控制的关键是如何建立进水水质、运行控制参数与出水 水质的预测数学模型关系，做到实时的预测和控制，同时实现处理过程系统的 软测量。由于污水处理是一个复杂的过程，受众多环境因素等的影响，并且城 市污水处理过程的运行中，需要控制的运行参数和出水指标很多，而作为污水 处理厂运行的评价指标是出水水质指标，但出水水质的好坏直接受进水水质和 运行参数的影响，并且存在着极其复杂的非线性关系，因此，一般数学方法难 以建立精确的模型，而神经网络由于具有很强的容错性和自学习、自适应的能 力，完全适合和满足污水处理过程的建模【1 4 1 要求，也必将推进工艺过程实时控 制的研究和应用。 1 2 模糊神经网络及其应用 1 2 1 模糊神经网络的发展 1 9 6 5 年扎德( l a z e d e h ) 教授创立了模糊集合论，为表述和处理事物的 模糊性和系统中的不确定性，为模拟人的模糊逻辑思维功能，提供了强有力的 工具，并且渗透到社会科学和自然科学的许多分支中去，在理论上和实际运用 上都取得了引人注目的成果。1 9 7 4 年英国马丹尼( e h m a d a n i ) 把模糊语言逻 辑用于过程控制获得成功以来，模糊控制在工业过程、家用电器以及高技术领 域的应用，充分显示了模糊控制的巨大潜力。对于现代被控系统的高度复杂性， 测量的不精确性，系统动力学特性的不确定性，以及人们对控制性能指标要求 的高标准性，使基于精确模型的传统控制理论受到了严峻挑战，模糊控制却充 分显示出了发展前景。模糊控制是以模糊集合论，模糊语言变量及模糊逻辑推 理为基础的非线性智能控制，它已与神经网络、遗传算法及混沌理论等新学科 相融合，已经并正在显示出其巨大的应用潜力。模糊控制的核心部分为模糊控 制器，在模糊控制系统中具有举足轻重的作用。因此在模糊控制系统中，设计 和调整模糊控制器的工作非常重要。 模糊控制的基本也是最重要的是建立较完善的控制规则库，尤其对于那些 时间，一般可与遗传算法口列等优化算法结合，以得到全局优化的神经网络结构。 污水处理工艺过程控制的关键是如何建立进水水质、运行控制参数与出水 水质的预测数学模型关系，做到实时的预测和控制，同时实现处理过程系统的 软测量。由于污水处理是一个复杂的过程，受众多环境因素等的影响，并且城 市污水处理过程的运行中，需要控制的运行参数和出水指标很多，而作为污水 处理厂运行的评价指标是出水水质指标，但出水水质的好坏直接受进水水质和 运行参数的影响，并且存在着极其复杂的非线性关系，因此，一般数学方法难 以建立精确的模型，而神经网络由于具有很强的容错性和自学习、自适应的能 力，完全适合和满足污水处理过程的建模f 1 4 j 要求，也必将推进工艺过程实时控 制的研究和应用。 1 2 模糊神经网络及其应用 1 2 1 模糊神经网络的发展 1 9 6 5 年扎德( l a z e d e h ) 教授创立了模糊集合论，为表述和处理事物的 模糊性和系统中的不确定性，为模拟人的模糊逻辑思维功能，提供了强有力的 工具，并且渗透到社会科学和自然科学的许多分支中去，在理论上和实际运用 上都取得了引人注目的成果。1 9 7 4 年英国马丹尼( e h m a d a m ) 把模糊语言逻 辑用于过程控制获得成功以来，模糊控制在工业过程、家用电器以及高技术领 域的应用，充分显示了模糊控制的巨大潜力。对于现代被控系统的高度复杂性， 测量的不精确性，系统动力学特性的不确定性，以及人们对控制性能指标要求 的高标准性，使基于精确模型的传统控制理论受到了严峻挑战，模糊控制却充 分显示出了发展前景。模糊控制是以模糊集合论，模糊语言变量及模糊逻辑推 理为基础的非线性智能控制，它已与神经网络、遗传算法及混沌理论等新学科 相融合，已经并正在显示出其巨大的应用潜力；模糊控制的核心部分为模糊控 制器，在模糊控制系统中具有举足轻重的作用。因此在模糊控制系统中，设计 和调整模糊控制器的工作非常重要。 模糊控制的基本也是最重要的是建立较完善的控制规则库，尤其对于那些 模糊控制的基本也是最重要的是建立较完善的控制规则库，尤其对于那些 时变的、非线性的复杂系统而言，这些控制规则是人们对被控过程认识的模糊 信息的9 3 纳和操作经验的总结，控制规则的完善和可靠程度直接决定了控制效 果的好坏。被控过程的非线性、高阶次、时变性以及随机干扰等因素，都会造 成模糊控制规则或者粗糙或者不够完善，会不同程度地影响控制效果。为了弥 补这个不足，模糊控制器是较佳选择，使控制过程向着自适应、自组织、自学 习方向发展，使得模糊控制参数和规则在控制过程中能自动地调整、修改和完 善，从而使系统的控制性能不断完善，达到最佳的控制效果。 随着模糊技术和神经网络技术研究的不断深入，将模糊技术和神经网络技 术进行有机结合，充分发挥其各自的优势并弥补其不足。模糊技术的特长在于 逻辑推理能力，容易进行高阶的信息处理，将模糊系统引入到神经网络中，可 大大地拓宽模糊系统处理信息的范围和能力，使其不仅能处理精确信息，也能 处理模糊信息或其他不精确信息，不仅能实现精确性联想及映射，还可实现不 精确性联想及映射，特别是模糊联想及模糊映射。神经网络在学习和自动辨识 方面有极强的优势，采取神经网络技术来对模糊信息进行处理，使模糊规则的 自动提取和模糊隶属函数的自动生成成为可能，并使模糊控制系统成为一种自 适应模糊控制系统。 模糊推理系统主要由模糊化层、模糊推理层和去模糊化层组成。模糊化层 是一个可将前提条件中的模糊变量的状态转化为其基本模糊状态的网络层，这 种转化的依据是定义在前提模糊变量定义域上的模糊子空间，而这些模糊子空 间则与模糊推理前提条件中的基本模糊状态相对应。模糊推理层是模糊推理的 输入与输出的桥梁，即是模糊推理的输入变量的基本模糊状态和输出变量的基 本模糊状态之间的模糊关系，它们是由具体的问题所确定的。去模糊化层是将 推理层的输出变量的分布型基本模糊状态转化成确定状态的网络层，其目的是 给出确定的输出，或者给出量化的输出。 1 2 2 模糊控制技术的研究现状 自适应模糊控制自1 9 7 9 年以来得到了迅速的发展，在随后出现的各种研 究成果的推动下，自适应模糊控制成为建模和控制的主要技术之一，并且理论 研究成果已经证明具有积推理、中心反模糊化、高斯型隶属函数的模糊系统能 6 j 里堕查芏至垄翌堂皇三堡堡主生堂些壑堂 以任意的精度逼近任一闭子集上的实连续函数，且利用模糊系统是一般的逼近 工具的理论结果，可直接将它们看成一个三层前馈网络。根据这种思想，可以 建立权值易于理解的神经网络模型，并能利用等价的模糊系统来进行初始化网 络结构，从而使得模糊控制器规则的在线调整精度和神经网络的学习速度得以 较大提高。 模糊系统作为一般的逼近工具，具有一个显著特点是能表达语言型的复杂 的非线性系统，并以此实现非数字化系统的模糊控制器建模，并可理论上采用 复合法 1 5 , 1 6 1 ，梯度法，神经网络法1 1 7 】【1 8 1 ，遗传算法【”】【2 0 2 1 , 2 2 , 2 3 , 2 4 等方法进行规 则辨识和隶属函数微调，以不断完善推理规则库。 模糊控制器一般由模糊推理规则、模糊化与反模糊化等模块组成。模糊推 理是模糊控制器的核心。对于模糊化，目前主要方法有：最大面积的等分法、 面积加权的反模糊化方法、基于水平集的自适应反模糊化方法等。模糊化规则 的获取方法，主要有( 1 ) 从输入输出数据中获取人的经验，并通过系统和操 作者之间的对话，构造一个最优的模糊推理模型；( 2 ) 利用学习算法自动从经 验数据中提取模糊规则；( 3 ) 利用矢量化对积空间进行分类，以获得模糊推理 规则等方法。另外也有人将模糊逻辑与神经网络的过程智能控制技术有机的结 合在一起，给出了一种基于遗传算法的模糊控制中模糊规则的细调方法，即利 用遗传算法优化包含控制器性能的代价数来寻找规则权【2 5 1 ，从而达到校正模糊 控制器性能的目的。 模糊控制器向着自适应、自组织、自学习方向发展，使得模糊控制参数和 模糊规则能在控制过程中自动地调整、修改和完善，使系统的控制性能得以进 一步提高，从而达到最佳的控制效果。基于神经网络和遗传算法设计的模糊控 制器具有强大的功能和重要的应用价值，在模糊系统的模糊规则和隶属函数的 生成及局部节点或权参数的优化调整时，遗传算法比神经网络更易于实现全局 优化 2 6 , 2 7 , 2 8 ，对复杂的非线性控制适应性较好 2 9 1 1 3 0 1 。 模糊系统能够逼近任意闭集上的连续实函数，并可通过调整对应模糊网络 中隶属函数的形状和数量以及相应增加规则节点数，提高和改善其在论域上的 逼近精度。 同济大学环境科学与工程博士后出站报告 1 3 污水过程控制应用现状与发展 1 3 1 研究现状和发展方向 污水处理过程控制与同其它工业控制一样，在国外已经迅速而普遍的应用 和发展，尤其神经网络或模糊神经网络的发展和应用，为污水处理工艺过程的 控制提供了强有利的理论依据p ，在线控制不仅提高了管理水平，而且优化了 工艺运行，降低了运行成本。在国外，已经将智能控制技术应用于污水生物处 理的许多方面，如控制出水c o d l 32 | 、预测出水氨氮浓度、控制脱氮除磷【3 3 1 、 预测污泥膨胀的发生【3 4 1 、控制出水悬浮物浓度f 3 5 1 、防止和恢复毒物和冲击负 荷的影响【3 6 1 、预测重金属对活性污泥工艺的影响【”1 、控制曝气强度和甲醛投 加量等；涉及到多种活性污泥法处理工艺：s b r 法、t s s b r ( 两段s b r l 、连续 流s b r 法、传统活性污泥法、a o 法、a 2 o 法【3 8 l 、高纯氧活性污泥法【3 9 1 、 污泥的厌氧消化、厌氧流动床1 4 0 1 、厌氧滤池、上向流厌氧污泥床，等等，国内 在这方面的研究和应用还远落后于国外。 在我国，对污水生物处理智能控制系统的研究处于起步阶段，过程控制变 量的选择、控制规则的抽象、智能控制器的建立、仿真与控制系统的训练、以 及最终的应用与推广需要大量的试验研究，将目前的研究结果推广到实际污水 处理厂中，硬件和智能控制软件方面都有待开发。在污水处理系统中应用的人 工智能技术主要有专家系统、模糊逻辑、神经网络和知识库推理等【4 1 1 。智能控 制技术和传感器技术的不断发展也将对此起到很大的推进作用。 1 - 3 2 工业污水的动态处理技术 东南大学成功的研制和开发出了一种处理工业污水的新方法“动态处理 法”的思想，阐述了模糊控制技术和p l c 技术在污水处理工艺中的实现方法 和控制原理1 4 2 1 ，并开发了实际应用系统，实践表明该系统工作可靠，自动化程 度高。 工业污水动态处理法的“动态”基本思想是尽可能的缩短污水处理时间。 实现方法是保持污水入口阀一直开启，它的开口度的大小根据污水污染程度轻 重由模糊控制器调节，即若污水的污染程度重，则模糊控制器发出控制信号调 r 节入口阀的开口度变小，以延长污水净化处理时间；若污水的污染度轻，则模 棚控制器发出控制信号调节入口阀的开口度变大，以缩短污水净化处理时间。 模糊模糊控制器的作用是确定污水最佳净化处理时间，在保证处理质量的同 时，大大的提高了污水处理速度。最后，模棚控制器将控制信号传给p l c ，采 用p l c 控制所有执行元件的具体动作，这样进一步提高了系统的自动化控制 水平。 模糊控制系统应用于污水处理过程控制的关键是建立适合污水处理工艺 的，能有效的优化运行参数，符合工艺以及进出水水质和水量要求的模糊规则 库。模糊规则是模糊控制的核心部分，也是最重要的不可缺少的组成部分。 1 3 3 污水生物处理系统的智能控制 目前，国内污水生物处理系统通常采用手动控制，由人工操作完成常规的 运行操作，大多数污水处理厂远非优化运行 4 3 1 ，这是因为污水生物处理系统是 复杂的多输人多输出动态开放系统。此外，原水水质水量具有随机性和时变性， 尽管国际水协( i a w q ) 推出了基于活性污泥法的动力学模型a s m l 、2 、3 ， 但人们对处理系统中发生的生物化学反应过程理解不够，模型中大量的动力学 参数和化学计量系数难以准确确定，也由于污水处理系统具有高度的不稳定性 和模糊性，并且运行过程涉及大量的定性信息，以致难于建立真正符合实际运 行情况的数学模型，另外一些实时监测仪器可靠性较差等，因此，难于依靠反 馈、前馈、最优和预测控制等传统的控制理论和自动控制方法实现理想的控制 效果 4 4 1 ，而对这类复杂的系统进行智能控制，能得到其他控制方式无法实现的 令人满意的结果【4 5 1 。 污水生物处理工艺主要分为连续流和间歇流两种，工艺目标是去除有机 物、脱氮和除磷。连续流污水生物处理系统的控制变量主要即有曝气池曝气量、 污泥回流比、剩余污泥排放量、内循环比、各阶段水力停留时间等。而间歇式 活性污泥法及其改进方法，控制变量主要包括每周期内进水、缺氧搅拌、好氧 曝气、沉淀等各反应阶段的运行时间、好氧阶段的曝气量和碱度调整量、反硝 化阶段的外碳源投加量以及剩余污泥排放量等。 污水生物处理系统的控制参数也即控制系统的输入，包括各种进出水水质 水量指标，如流量、s s 、c o d 。，、b o d 、n h 3 n 、n 0 2 n 、n 0 3 n ，等等；污 泥状态指标，如污泥浓度、s v i 、沉淀池污泥界面高度、耗氧速率( o u r l 、污 泥龄等；环境变量，如温度、p h 值、d o 、o r p 等。 为实现多重控制目标与任务，需要利用智能控制手段选择关键和有效的输 入和输出变量，并建立它们之间的关系。污水处理的系统控制主要分为时间控 制和过程控制两大类。时间控制，即反应终点控制，主要依靠在线监测s b r 整个反应过程得到的d o 曲线、o r p 曲线和p h 值曲线上的特征点，借助模糊 控制、神经网络等越技术判断有机物氧化、硝化、反硝化等各反应阶段的终 点，及时给出控制动作。过程控制主要根据在线监测d o 数据调控曝气量，根 据o r p 和p h 曲线调控硝化过程的碱度投加和反硝化过程的外碳源投加等。 智能控制多利用污水处理厂已有的运行数据，采用神经网络或模糊神经网 络的自学习和自适应能力，建立控制规则库；并根据在线监测的水质指标、水 力参数，对运行状态进行调整。 目前，关于s b r 法的智能控制研究报导较多 4 6 , 4 7 , 4 8 , 4 9 , 5 0 , 5 1 , 5 2 1 ，基本思路也 比较一致，基本准则是：不考虑在线监测数据的干扰，根据d o 、o r p 和p h 等指标的一阶导数的变化，判断有机物氧化、硝化、反硝化等阶段的开始和终 止点。在此基础上建立模糊控制规则库，或者采用神经网络等方法对控制参数 的特征曲线自学习产生和修正控制规则。 连续流活性污泥工艺的控制要复杂些，根据在线监测进水流量、d o 、o r p 、 p h 值、进水c o d 和或b o d 和或n h 3 n 调节曝气量；根据出水s s 、b o d 浓 度调控回流污泥泵的流量和剩余污泥排放量；根据出水o r p 、n h 3 n 和或 n o ，n 浓度调控内循环泵的流量。 1 3 4 专家系统( e s ) 专家系统( e x p e r ts y s t e m ) 的实现有多种渠道，也可采用已有的专家开发 系统环境来实现针对某一特定功能的专家系统1 5 引。一般通过问卷调查等形式向 处理厂的现场控制专家和有经验的熟练操作员询问，抽象出用定性或模糊语句 描述的控制规则，然后在专家系统中检查评价当前知识库的优缺点，并不断改 进和完善。c t l a d i g e s 等人从1 9 8 8 年开始开发专家系统。1 9 9 1 年，他们将在线 同济大学环境科学与工程博士后出站报告 专家系统( o n l i n ee x p e r ts y s t e m ) 应用于德国中部城市萨尔茨吉特一巴登市 ( s a l z g i t t e r b a d ) 的传统二级污水处理厂。1 9 9 2 年，又开发了针对a o 同时脱 氮除磷工艺的离线专家系统( o f f - l i n ee x p e r ts y s t e m ) ，用于寻找和解决发生的和 模拟的问题，并寻找控制参数和策略【5 4 】。 n h o z g u r 和m k s t e n s t o r m 开发了针对精细化工废水处理厂的专家系统， 用于对硝化过程出现的问题进行判断和改j e t s 5 1 ，也可以用于过程控制，此系统 结合了统计数学和专家知识，共有3 3 8 条规则和1 7 3 种建议，具有预测、解释 和建议、防治等功能。s w n a m 等针对处理水质水量变化较大的食品废水处理 厂建立了在线综合控制系统1 5 引，由管理层和过程控制层组成。过程控制层由6 个独立的控制环和进水流量、p h 、d o 和m l s s 等4 个过程控制变量组成。在 管理层中应用基于规则的专家系统为过程控制层提供最优设定值。两年的成功 运行，与之前的控制相比，出水c o d 减少超过5 0 ，节能约5 0 。然而， 大多数的e s 无法对以往的实例进行学习；无法从信息源直接提取信息；无法 解决知识库中控制规则的冲突；无法随系统复杂性的增加而进行很好的管理； 当遇到未知的局面时系统就显得非常脆弱，移植性差。因此，需要增加知识采 集和学习工具来增强e s 的质量，并寻求联合其他人工智能技术。目前开发的 e s 大都针对特定的处理系统，将来的发展就是将e s 与有效的模型结合在一 起，以使系统自动与处理厂相结合产生自适应控制。 1 3 5 模糊控制 建立污水生物处理模糊控制系统的关键是建立模糊控制器，主要包括输入 和输出参数的模糊化和反模糊化、控制规则的获取以及模糊推理。r m t o n g 等人将模糊控制应用于英国n o m i c h 兼有硝化要求的二级污水处理系统中【5 7 1 ， 简化了活性污泥工艺的控制问题。根据从运行管理人员的经验中获得的知识建 立了活性污泥工艺的模糊控制器，包括出水b o d 等9 个输入参数和d o 调节 量等3 个输出变量及2 0 条控制算法，其中有4 条用于处理污泥膨胀和污泥上 浮的问题。数学模型模拟运行的结果表明采用模糊控制器明显改善了出水水 质。s a m a n e s i s 等人提出了针对a o 脱氮工艺的智能控制系统。输入参数包 括反应器中的n h 3 一n 、n 0 3 n 、d o 、温度、m l s s 以及原污水与二沉池出水 同济大学环境科学与工程博士后出站报告 的b o d 之差6 个用仪器可以检测的变量；输出变量包括好氧段的供氧量、从 反应器曝气段到缺氧段的混合液回流比和从二沉池到生物反应器的污泥回流 比。控制规则来自专家操作员的经验，由i f - - t h e n 语句表达；简化后的知识 库由5 0 条规则构成。在希腊p a b m 污水处理厂进行仿真，检测结果表明与人 工操作员控制相比有很大优势，可以满足污水处理厂在大多数运行条件下的控 制，得到的系统可作为培训新操作员的有效模拟器。g a l l u z z o 等人采用基于规 则的模糊多级控制器【5 8 1 ，控制连续流n d b e p r ( 硝化、反硝化生物过量吸磷) 污水处理厂中的曝气量，通过启发式规则引入操作员的经验。第1 级控制器根 据输入参数n h 3 n 和n 0 3 n 的浓度，估计d o 设定值；第2 级根据前一级的 输出和曝气池出水p 0 4 p 浓度校正d o 设定值满足除磷要求；第3 级引入进水 流量作为d o 的校正因子。此控制的主要缺点是需要在线监测n h 3 n 、n o ，n 和p 0 。p 浓度，因此其应用受传感器可靠性和成本的限制；其次，只考虑了曝 气量一个因素，而未考虑回流比和曝气区容积等其他控制变量。t a o i ，e t a l 针 对连续进出水、间歇硝化反硝化、使用超滤膜进行过滤的单池高负荷生物脱氮 系统，处理不经稀释的粪尿废水，应用模糊控制以达到稳定的脱氮效果【5 9 1 。模 糊控制器的输入变量为d o 、o r p 、p h 、n i - 1 3 n ，输出变量为曝气量。依据处 理厂操作员的经验，给出模糊控制规则。结果表明此系统可以对高冲击负荷迅 速采取对策，在常负荷条件下克服了时间序列控制存在的滞后性，非常稳定， 易于维护。 1 3 6 神经网络 人工神经网络由于本身具有的很强的学习记忆和自适应能力，因此，在实 际中是编制规则和解决污水处理厂运行中许多问题的较好方法，而模糊逻辑过 程控制方法可阻用于从污水处理厂历史运行资料中提出专家规则。然而，人工 神经网络是编制规则和解决污水处理厂运行中许多附加问题的更好方法，因为 它具有很好的适应能力和学习能力。在神经网络中，知识是通过学习例子而分 布地存储在网络中，因此，神经网络具有很好的容错能力，当个别处理单元损 坏时，对网络的整体行为影响很小，且不会影响整个系统的正常工作。b o g e r 认为神经网络在污水处理工程中应用的主要优点是能够从污水处理厂历史资 一 旦至查芏! 垄苎兰童垦堡主生堂堂垫生 料中直接抽出隐含现象，而其他人工智能系统如专家系统则不然，需要人工干 预编写工艺知识与准测；但神经网络的局限性是如果数据库不充分可能造成错 误的内推，而如果局限于很窄的运行条件范围可能造成错误的外推。b o g e r 根 据污水处理厂两年中的每日运行数据库，开发了一个高度仪表化的计算机控制 大型污水处理厂的人工神经网络模型【加1 。输入变量为8 6 个仪器检测和实验室 分析的原水水质指标以及处理厂内部运行参数，输出为1 9 种出水污染物浓度， 得到的模型精确地预测了处理厂出水中氨氮浓度。人工神经网络分析的结果认 为其中1 5 个输入变量对输出有意义，用简化的输入集合重新训练增加了模型 的准确性，识别出的人工神经网络模型符合污水处理厂的生物处理工艺理论。 a g 。c a p o d a g l i o 等人应用神经网络系统辨识技术对污泥膨胀现象进行了模 型化处理f 6 1 1 。他们选用s v i 作为污泥膨胀的指标，使用j o n e si s l a n d 污水处理 厂1 4 个月的每日监测量作为训练数据，建立了两种随机模型和1 个人工神经 网络模型。神经网络系统( a n n s ) 的输入为前5 天的b o d 、n h 3 n 、p 、曝 气池中的d o 、曝气池中的停留时间和f m 参数值等，共计2 5 个输入变量， 输出为s v i 。用建立的3 个模型预测下一天的s v i ，2 0 天的预测结果对比表明： 与另外4 种预测技术相比，这3 个模型都获得了非常准确的结果，远远超过其 他方法。 r f y u 等人建立了更可靠有效的联合在线检测o r p 和p h 与神经网络系 统( a n n s ) 的实时控制系统来完成连续流s b r 系统的非稳态控制【6 2 1 ，以排除 仪器噪声和干扰引起的误差对o r p 和p h 曲线特征点的影响。建立的回归人 工神经网络用来描述非稳态o r p 和p h 控制点，它由输入、隐藏和输出3 层 组成，采用通用的d e l t a 学习规则训练网络，采用梯度降低法使误差最小化， s i g m o i d 算法用作激活传递函数，用均方根评价训练和测试算法。研究结果表 明：与定时控制相比，实时控制时曝气段和厌氧段的水力停留时间分别减少了 4 5 和1 5 5 ，并在较短的停留时间内表现出较高的脱氮效率。 1 3 7 混合人工智能 混合人工智能技术是人工智能技术的发展，可以弥补单一技术的缺陷，尤 其适用于复杂系统的控制。污水生物处理系统中涉及大量的不确定信息需要处 旦堕查! ! 垄壁! 童三堡堡圭生堂兰塑生 理，且控制规则的建立需要专家知识，丙模糊控制技术和神经网络技术就可以 改进系统的学习能力，因此，这种混合技术的应用将是今后发展的方向。 t o h t s u k i 等人考察了使用单一传统策略控制活性污泥系统的困难，提出 用“智能控制系统”框架下的多种模拟方法【6 3 1 来克服这些困难，例如，利用动 力学模型的数学分析可以说明目标系统的非稳定、复杂和非线性特征；利用语 言表达，如专家系统，来说明膨胀现象和判断可能需要改变控制目标的情况； 而模糊控制器有助于结合操作员的经验规则。 c h w e n 等人发展了c h a p m a n 将实时专家系统平台用于污水处理厂过程 监测和运行的思想，建立了过程模拟模型和混合人工智能系统。在控制过程中， 混合人工智能系统使用基于规则的知识控制库系统，使用神经网络预测和控制 曝气池运行工况。混合人工智能系统将模拟采集的数据转化成知识库，模拟的 结果表明了在是否采用人工智能控制情况下原水变化对出水水质的影响。系统 具备提供完全自动过程控制的能力，可以评价和改进实际污水处理厂运行中的 控制动作，也可以在全规模污水处理厂中作为操作员的训练和开发工具。 1 3 8 在线传感器的应用 在线监测传感器是智能控制系统的重要组成部分和基础，部分早期的研究 方向也受到这方面的限制。如前所述，智能控制器的输人参数中的部分环境变 量，如o r p 、温度和p h 值，已经实现了可靠的在线检测，检测仪器技术成熟， 可以直接应用于污水处理过程的控制，但是对于大部分污水生物处理工艺，难 以由监测结果产生控制动作。 近年来，国外研制了一些水质指标和污泥状态指标的在线监测系统，如 c o d 在线分析仪、浊度仪、n h 3 n 传感器、n 0 3 n 传感器、p 0 4 p 传感器、 污泥浓度计、污泥界面仪等，而且可靠性已被证实。在这方面，美国、日本、 德国、瑞土的技术处于领先地位，分别有知名公司和代表性产品，目前我国使 用的过程在线水质分析仪多是进口产品 6 4 , 6 5 ，然而这些高技术传感器，如 n h ，n 和n 0 3 n 传感器非常昂贵，并且需要一种灵敏的超滤装置去除水样中 的悬浮固体以保护监测装置；而在线p o 。p 传感器试剂的使用量比较大，运行 维护费用很高。如果能低成本并可靠地检测这种参数，那么就能更直接和高级 1 4 的方式