智能控制系统在污水处理厂的应用研究

1、技术与应用Technology&Application HYPERLINK :/ jsbwater / :/ jsbwater 智能控制系统在污水处理厂的应用研究文 / 沈燕蓉上海市城市建设设计研究院摘要：本文以某污水处理厂的污水处理过程为研究对象，建立污水处理过程人工神经网 络模型。从理论上证明人工神经网络可以逼近任意非线性函数，且可以实现多输入多输出之 间的映射关系。随着人工神经网络技术的开展，将进一步展现其在污水处理厂智能控制系统 建模上的优越性。关键词：人工神经网络径向基人工神经网络模糊神经网络城市的污水处理厂运行经费 来源主要是靠居民及各类用户单 位的缴费和政府的财政补贴，目 前存在

2、着污水处理量满足不了社 会开展需求的问题，如何在满足 日益增长的污水处理量的社会需 求的同时保证处理水质、降低污 水厂的处理本钱，减轻国家财政 及用户的负担成为各污水厂运行 管理的主要任务。做到均衡生产。常用的措施是采 用人工调节，由于缺少在线监测 和自动控制系统，人工调节明显 存在滞后性和随意性，故很难做 到科学准确。其次由于目前污水 厂的主要设备设施的运行处于刚 性状态，操作员工也很难对变化 的水量通过设备采取必要的调节 措施，这样必然导致处理数量、 质量和能耗三者无法统一，造成取得良好的效果。一、工程研究开发过程以某中等规模的污水处理厂 的污水处理过程为研究对象，建 立污水处理过程人工神

3、经网络模 型。根据运行单位提供的历年污 水处理检测数据报表，并进行了 一系列的调研工作和数据整理工 作，由于曝气量Q2和曝气时间对于污水处理厂而言，无论能源的白白浪费和运行费用的居t没有变化，对模型无影响，故采用何种工艺运行方式，其主要高不下。近年来，由于科学技术不予采用，而根据报表提供的内本钱都为能源消耗、药剂消耗、的飞速开展，污水在线监测仪表容，采用如下数据项：日常维修费用、更新改造费用、可靠性进一步增强，这就为量化1 、进水： Q1 、 BOD 、人员和管理费用等。如何根据 管理运用与推广奠定了根底。目COD、SS、pH和T水温；具体情况建立本钱的有效控制方前国内外设备管理有预防性维修2

4、、初沉池：BOD和SS；式，使各种消耗实现最小化，从而使企业可持续开展，是城市污 水处理这个新兴产业面临的迫切 要求。向预知状态维修开展的新思路，这一维修模型的建立和开展就需 要以科学的方法和手段去量化把 握设备状态。设备状态的把握有3、曝气池：两组DO再生1、DO再生3，Mlss再生1、Mlss再生3，DO吸附1、 DO吸附3和Mlss吸附1、Mlss吸附3；4、二沉池：BOD、COD、现行污水厂的设施设备大都极强的专业性、复杂性、连续性SS和pH；建于20世纪70、80年代并为全天和长期性。实践证明建立设备状建立以初沉池生化需氧量 候运行，污水的进水水源客观上态监测诊断受控点工作，经探 B

5、OD、化学需氧量COD、酸碱量存在着不均衡性，故污水厂很难索、开展和推广在设备管理上已pH、污水流量Q1、悬浮固体SS54 水工业市场 2021年第7期和曝气池的曝气量Q2、溶解氧 DO、曝气时间t、污泥浓度Mlss 与二沉池的BOD、COD、pH和 SS之间的关系模型。根据污水处理的工艺流程 以及人工神经网络现有的建模方 法，制定了多套人工神经网络模 型方案，以便比照筛选。应用的 神经网络包括前馈人工神经网 络BP，局部反应型人工神经网 络Elman，径向基人工神经网络 RBF，模糊神经网络FNN和集成 神经网络等，并采用多项技术以 改善人工神经网络的训练与泛化 性能。针对上述各种网络类型，

6、经 过23台机器累计1100多机时， 预计三千多万次的训练和仿真， 然后对各种人工神经网络的精 度、效率进行比拟，最终采用 BP网络作为本工程模型的根本 结构，在对该根本结构经过算法 优化和改良后具有良好的学习能 力，实际运行说明在神经网络学 习训练后，网络对110天归一化 数据的均方误差在101102之 间。二、模型结构方案根据污水处理厂活性污泥法 水处理工艺流程和要求建模的参 数以及提供的实测数据，为今后图1人工神经网络模型结构用子神经网络4作为二沉池 的模型；按工艺流程将四个子网络的 对应输入输出相连，即为整个水 处理过程人工神经网络模型，示 意图如图1所示。根据数据报表的工程和水质 处

7、理的工艺流程，选择各子神经 网络的输入输出参数见表1。1、按初沉池前后测量的水 质指标，选用进水BOD、COD、 SS、pH、Q1和T水温共六个 参数作为子神经网络1的输入数 据，而用初沉池的BOD和SS两个 参数作为子神经网络1的输出指 标。2、按曝气池的前后水质指 标，选用初沉池的BOD、SS和进 水Q1、COD、pH、T作为子神经网络2、3的共同输入，由于空气 量Q2不变不可调节以及回流 污泥量亦不调节，而实际的出水 指标有较大的变化例如BOD处 理前后的效率在7098之间 变化，因此必有某种因素在起 作用。考虑到再生池污泥浓度与 回流污泥量有较直接的关系，所 以选用1号、3号再生池的污

8、泥浓 度MLSS作为子神经网络2、3的 输入，代替回流污泥量，相当于 调节参数。这样子神经网络2、3 分别各有六个输入参数，而输出 为DO再生1、3，DO吸附1、3和 Mlss吸附1、3，各为三个参数。 3 、按二沉池的前后工艺 参数，选用进水Q1、T、pH、 COD，初沉对应的子神经网络的 BOD、SS和曝气池对应的子神掌握和应用模型的方便，采用人子神经网络输入参数输出参数子神经网络1初沉池进水：BOD,COD,SS, pH,Q1,T(水温)初沉：BOD,SS子神经网络2,3(曝气池)进水：Q1,COD,pH,T初沉：BOD,SS 再生1，3：MLSS再生1，3：DO 吸附1，3：DO,ML

9、SS子神经网络4(二沉池)进水：Q1,COD,pH,T初沉：BOD,SS 再生1，3：DO 吸附1，3：DO,MLSS出水：BOD,COD,SS,pH工神经网络与实际构筑物相对应 的方法，用四个子神经网络分别 表示四个主要构筑物：用子神经网络1作为初沉池 的模型；用子神经网络2作为1号曝气 池的模型；用子神经网络3表示3号曝气 池的模型；表1各子神经网络的输入与输出参数图21人工神经网络封面图22人工神经网络总体模型图23 人工神经网络1初沉池图24人工神经网络2图25人工神经网络3图26人工神经网络4曝气池1号曝气池3号二沉池经网络中DO再生1、3，DO吸附 1、3以及Mlss吸附1、3共九

10、个参 数，作为二沉池的输入，而输出 为出水BOD、COD、SS及pH四 个参数。三、模型应用软件的界面设计图31子神经网络1作为初沉图32为子神经网络2作为1号图33为子神经网络3表示3号 池模型的输出曲线曝气池模型的输出曲线曝气池模型的输出曲线根据每个子神经网络对应一 个构筑物，这样在实际上是分别 建立了对应初沉池，曝气池1 号和3号和二沉池的四个独立 子人工神经网络模型。而将它们 的组合又组成了从进水到出水的一个整体的人工神经网络模型， 如图1所示。模型应用软件的界面设计为 多窗体形式：第一个窗体为应用软件封 面；见图21第二个窗体为四个子神经网 络的联结形式，表示整个污水处 理工艺过程模

11、型；见图22 第三个窗体为初沉池人工神经网络模型；见图23第四个窗体为曝气池1号人 工神经网络模型；见图24 第五个窗体为曝气池3号人工神经网络模型；见图25 第六个窗体为二沉池人工神经网络模型；见图26 为了便于操作人员掌握和应用，界面设计主要表达实用，而 风格尽可能简洁明了。使用时只 要翻开对应构筑物的神经网络模 型窗口，输入相关的参数数据， 再单击相应的神经网络确认按 钮，即可立即显示相关的模型输 出参数值。四、模型的运行结果与分析1、模型运行结果图43为子神经网络3表示3号图44为子神经网络4作为二 曝气池模型的输出曲线沉池模型的输出曲线为了便于考察模型的总体 性能，将模型输出数据与该

12、厂的 报表数据作于同一图中以便于比 较，图中横坐标为天数，纵坐标 为相应的参数值，虚线表示报表 数据曲线，实线表示模型仿真输 出曲线。为了便于分析比拟，用满 度相对误差x计算模型输出误 差，其公式为：x%=(1/n) | 模型输出 报表数据|/参数的测量范围 100式中n总计算天数。(1) 图31图34 为对各 子网络的220天曲线，其中后面 110天为建模所用数据，称为训 练数据，前110天为预测所用数 据，称为仿真数据。误差计算结果为：11 0 天训练数据平均误差 为：9.78%11 0 天仿真数据平均误差 为：10.77%220 天总体数据平均误差 为：10.27%在模型输出的12个参数

13、中：1个参数5，5个10，6个18(2) 图 4 1 图 4 4 为运 行单位提供的 2003 年 12 月 21 日2004年2月20日的数据报表 曲线和模型输出曲线的比拟图。由于提供的新报表中局部 参数的数据变化范围已超出去年 全年的变化范围，所以用新数据 的一半用以建模，以改善原有模 型的性能，曲线中的前30天为训 练数据曲线，而后30天为仿真曲 线。计算误差为：30 天训练数据平均误差： 2.9%30 天仿真数据平均误差： 8.5%60 天总体数据平均误差： 5.7%图34为子神经网络4作为二图41子神经网络1作为初沉图42为子神经网络2作为1号 沉池模型的输出曲线池模型的输出曲线曝气

14、池模型的输出曲线其中，在模型输出的 12 个 参数中： 5 个参数 5 ； 7 个10；(3) 两个月数据分析表见表2。 从图 2 和图 3 中可见，模型 输出曲线的总体趋势变化与该厂 实测数据曲线变化保持一致。模 型的总体平均相对误差为10左 右，以目前人工神经网络的技 术，本模型的性能属于良好水 平。本模型所描述的对象是多输 入多输出高度非线性的生化物理 过程。从已查阅的文献资料来 看，尚未发现用人工神经网络建 立类似的复杂系统。作为比照， 将一个已发表的、规模与类型相 近的人工神经网络在天气预报中 的应用为例。其采用单个神经网 络，14个输入参数、2个输出参 数，以短期预报定性识别天气好

15、 坏，其正确率为81。人工神经网络模型产生误差 的原因分析如下：(1) 从数据方面分析：小局部数据明显不合正常 规律。例如：2004年2月5日BOD进水：196.1初沉：9.3 出水：24.3从报表的数据可知，作为 模型的输入和输出，参数的变化表2数据分析表出水BOD仿真数据误差出水COD仿真数据误差出水SS仿真数据误差出水PH仿真数据误差8.413.112656.131.240.459429.681615.679627.277.33410.8818.915.080920.2157.253.61866.261021.7625117.637.227.35941.9310.516.961861.5

16、45046.64426.711824.12834.047.257.15831.269.411.598723.396966.52383.592423.95180.27.267.18531.0310.510.81322.9857.162.13968.832419.963616.827.27.27981.1115.211.387625.0854.752.62973.782825.074110.457.087.21261.879.811.359515.9137.836.83082.562826.41665.667.187.16680.1819.511.746639.7663.757.274810.09

17、2824.134113.817.37.29890.016.99.529438.115963.00486.792421.69759.597.247.19580.6115.915.50152.5137.545.993422.652225.485615.847.267.35351.2915.515.66381.0647.956.052917.022623.95367.877.157.22751.0815.514.79614.5434.640.06915.811620.455227.847.117.03581.0414.815.21592.8177.176.63670.62828.10020.3677

18、.03220.461213.713714.2869.271.22612.932218.359616.557.247.20880.4314.915.0771.1961.261.16090.062828.35291.267.257.21580.4712.510.714414.2955.949.400211.632824.029914.186.986.92540.788.19.901822.2479.880.38120.732829.07913.857.27.1290.9923.122.69291.7658.559.79592.222828.21730.786.926.92040.0124.824.

19、78890.0445.245.46390.583030.41761.397.327.32320.042523.54425.8279.278.08011.412624.88234.37.397.40980.2724.421.4612.0552.849.35746.521618.091613.076.776.83230.9221.923.38276.7760.766.31919.262826.07526.877.117.12820.2618.618.79011.0241.343.445.181414.46723.347.247.23030.132525.13240.5356.857.71211.6

20、13030.32791.097.677.67840.1124.224.33450.5672.266.58147.783028.30985.637.177.17330.0524.925.48712.3661.963.10061.941213.356111.37.617.56910.542020.12240.6175.470.85896.022425.7857.447.697.65170.523.422.67113.1154.657.18514.732422.79275.037.67.63150.4124.824.11562.7676.876.88660.112422.82934.887.67.6

21、2450.322525.14940.651.249.21053.892827.95950.147.557.57740.366.79.518742.074834.22828.692617.417933.017.157.04621.458.718.7468115.4852.452.54330.272220.85615.27.57.45490.612.425.0155101.7454.741.604123.942026.437232.197.297.31260.3112.89.982422.016945.339334.292827.49291.817.197.10081.247.86.018722.

22、8447.625.538546.353018.925236.927.097.160.997.812.646462.133340.083521.472820.285327.557.277.23120.5312.213.04156.956.652.07381424.880577.727.327.22241.3315.513.137215.2464.334.78145.912422.61075.797.297.19641.288.816.413286.5142.668.136559.942818.853932.667.277.29870.3917.420.449317.5247.929.774437

23、.842621.467417.437.27.07981.6719.621.574810.0869.234.185650.61818.61193.47.267.11891.9414.711.684220.5263.837.257141.62624.960246.987.14432.3524.810.32358.3771.867.52315.961430.1381115.277.016.90451.5114.65.733660.7355.960.02817.382629.23312.436.927.39856.929.417.864890.0569.244.471535.732630.40316.

24、937.187.04511.8813.714.75167.6885.158.750130.962824.844911.276.936.87740.7621.424.141812.8163.479.218624.953026.124912.927.216.78165.948.612.694647.613729.988618.952222.17950.826.976.86961.442515.700837.263.427.033857.361820.564214.256.916.82631.2123.523.63350.5768.472.09835.412229.713935.067.37.248

25、90.724.38.715664.1374.859.951419.852830.30668.246.997.3915.7423.125.19899.0964.552.617818.422824.436412.737.517.38731.6322.924.2866.0561.948.364621.872813.381652.217.77.54512.0111.821.377981.1762.458.25816.642818.432834.177.67.63030.424.815.515637.4449.453.32697.952819.667129.767.347.26770.9924.921.

26、334514.3281.951.088537.622822.70418.917.667.59230.8824.525.03612.1961.458.35884.952424.59812.497.537.49460.47是不一致的，即输出与输入的关 系不是唯一对应的。例如反映在 BOD中的处理效率在7098 左右变化。由于输出的多值性， 将会使所建模型产生较大误差。(2) 从神经网络方面的分 析：为减小仿真误差，在建模过程中已采取了一系列的措施，虽 然模型性能比初期有较大改善， 但由于人工神经网络的泛化问题 到目前为止还没有完全解决，所 以无法到达令人满意的理想程 度。五、模型的结论与建议1、结

27、论(1) 对污水处理的生化物 理过程是一个多输入多输出高度 非线性系统，用常规的方法难以 建立适宜的对象数学模型。由于 建模中引入了人工智能技术，所 以采用人工神经网络建立污水处 理过程的模型的下转第73页 HYPERLINK :/ jsbwater / :/ jsbwater Communion经验交流曝气不均会使填料堆积，填料利 用率下降；曝气强度太大又会吹 脱生物膜。控制生物池的曝气量 处于强度适中的合理水平，既可 以保证好氧池的效果，又可以使 流化填料均匀流化，使其作用得 到最大发挥。综上，得出以下结论：(1) 合理的曝气系统控制对 稳定生物池的运行极为重要，合 理的曝气量和曝气强度可

28、以使填 料的功能和利用率得到最大限度 的发挥，稳定出水水质。(2) 良好的填料外表正好为 这些长泥龄的微生物提供了栖 息载体，使得硝化作用增强， NH3-N和TN的去除效果都得到明显的改善。(3) 通过投加填料，生物膜 法和活性污泥法相结合的改造方 法，对于需要提高污泥负荷而池 容有限的污水厂的升级改造有一 定的借鉴意义。 参考文献 1韩喜莲，王艳.悬浮填料对 污水脱氮的影响分.甘肃科学学 报，2007，19(2)：1471502刘翔，高廷耀.生物接触氧化 法处理污水的一种新型填料悬 浮填料.重庆环境工程，1999， 21(2)：42443毕学军，高廷耀.生物脱氮除磷工艺好氧区硝化功能的强化实 验.上海环境科学，2000，19(4)： 1831864张辰，谭学军.城市污水厂升 级改造的有关问题.中国给水排 水，2021，24(24)