污水處理控制方法范文

本站小編為你精心準備了污水處理控制方法參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

《化工學(xué)報》2015年第S2期

摘要：

針對污水處理過程具有非線性、大時變等問題，提出了一種基于遞歸模糊神經(jīng)網(wǎng)絡(luò)的多變量控制方法。該方法通過遞歸模糊神經(jīng)網(wǎng)絡(luò)控制器自適應(yīng)的獲得對操作變量的控制精度，控制器在常規(guī)BP學(xué)習(xí)算法的基礎(chǔ)上采用學(xué)習(xí)率自適應(yīng)學(xué)習(xí)算法且引入了動量項來訓(xùn)練網(wǎng)絡(luò)參數(shù)，避免網(wǎng)絡(luò)陷入局部最優(yōu)，提高了網(wǎng)絡(luò)對系統(tǒng)的控制精度。最后，基于仿真基準模型（BSM1）平臺對第五分區(qū)中的溶解氧和第二分區(qū)中的硝態(tài)氮控制進行動態(tài)仿真實驗，結(jié)果表明，與PID、前饋神經(jīng)網(wǎng)絡(luò)和常規(guī)遞歸神經(jīng)網(wǎng)絡(luò)相比，該方法能有效提高系統(tǒng)的自適應(yīng)控制精度。

關(guān)鍵詞：

污水處理過程；遞歸模糊神經(jīng)網(wǎng)絡(luò)；控制；自適應(yīng)學(xué)習(xí)算法；溶解氧；硝態(tài)氮；動態(tài)仿真

活性污泥法是目前污水處理廠采用最廣泛的污水處理方法，其機理為利用生化反應(yīng)對污水中的污染物進行分解、清除，具有非線性、大時變、大滯后的特點[1-4]。溶解氧(dissolvedoxygen,DO)濃度和硝態(tài)氮(nitratenitrogen,SNO)濃度是污水處理過程中的兩個重要的運行參數(shù)，能否對其進行有效控制是污水處理的關(guān)鍵問題，直接決定了污水處理能否正常運行。目前，在實際應(yīng)用中污水處理廠多采用PID回路控制對污水處理過程進行控制，但污水處理過程中存在的非線性、大時變特性，使得PID回路控制并不能有效的控制其運行。為了使污水處理過程穩(wěn)定運行，許多學(xué)者把目光轉(zhuǎn)向了智能控制方法。在這些研究中，神經(jīng)網(wǎng)絡(luò)具有的非線性映射能力、自適應(yīng)、自學(xué)習(xí)能力，以及模糊控制具有的模糊推理擬人機制，成為了人們研究污水處理智能控制過程的研究熱點。Belchior等[5]采用一種自適應(yīng)模糊控制策略和監(jiān)督模糊控制結(jié)合的跟蹤控制方法，控制器性能優(yōu)于PI控制器以及常規(guī)模糊控制方法，實現(xiàn)了污水處理過程溶解氧濃度的精確控制。Pires等[6]搭建了污水處理碳和氮的去除實驗平臺，采用基于模糊邏輯規(guī)則的專家控制系統(tǒng)對污水處理過程碳和氮的去除，當(dāng)HRT(hydraulicretentiontime)為3h時，實驗結(jié)果表明脫氮效率高于85%，硝化效率從12%增加到了50%，提高了碳和氮的去除率。Traoré等[7]采用模糊控制器對曝氣過程中的溶解氧進行控制，與常規(guī)控制相比，能耗指標下降了約40%，但推理規(guī)則的確定需要大量的先驗經(jīng)驗，且不具備應(yīng)對環(huán)境突變的自學(xué)習(xí)能力，因此控制精度有待提高。Zeng等[8]采用BP神經(jīng)網(wǎng)絡(luò)模型建立了污染物的去除率和化學(xué)藥物添加量之間的非線性關(guān)系，并提出對BP網(wǎng)絡(luò)訓(xùn)練復(fù)雜且存在局部極小值進行研究可以提高網(wǎng)絡(luò)的建模精度。Baruch等[9]提出了應(yīng)用對角遞歸神經(jīng)網(wǎng)絡(luò)進行建模和自適應(yīng)控制，取得了良好的效果。Qiao等[10]提出了采用Elman神經(jīng)網(wǎng)絡(luò)對DO、SNO和MLSS進行控制，仿真實驗顯示其控制精度較PID、BP神經(jīng)網(wǎng)絡(luò)控制精度有顯著提高。雖然國內(nèi)外學(xué)者利用模糊控制和神經(jīng)網(wǎng)絡(luò)對污水處理進行控制研究獲得了成功應(yīng)用，但是由于模糊控制不具備自學(xué)習(xí)能力，控制規(guī)則不能動態(tài)優(yōu)化，需要經(jīng)過反復(fù)的實驗進行調(diào)整才能達到理想的控制效果，而神經(jīng)網(wǎng)路不能處理結(jié)構(gòu)化知識，是一個“黑箱模型”，不利于對污水處理過程進行知識表達。因此，結(jié)合多種智能控制方法的優(yōu)勢對污水處理過程進行控制成為提高運行精度的有效應(yīng)用。相對于單純的模糊系統(tǒng)、前饋神經(jīng)網(wǎng)絡(luò)和常規(guī)遞歸神經(jīng)網(wǎng)絡(luò)，遞歸模糊神經(jīng)網(wǎng)絡(luò)(RFNN)結(jié)合了兩方面的優(yōu)勢。在處理非線性不確定系統(tǒng)時，RFNN不僅具有模糊推理能力，還包含神經(jīng)網(wǎng)路的自學(xué)習(xí)能力；另一方面，遞歸模糊神經(jīng)網(wǎng)絡(luò)具有動態(tài)元素，內(nèi)部的反饋連接用于記憶歷史信息。因此，RFNN近些年受到了國內(nèi)外研究者的關(guān)注[11-17]。通過對污水處理過程的分析，本文提出基于遞歸模糊神經(jīng)網(wǎng)絡(luò)對DO和SNO進行控制組成多變量污水處理系統(tǒng)，并對學(xué)習(xí)算法進行了改進，文中將RFNN應(yīng)用在污水處理多變量控制中，提高了溶解氧和硝態(tài)氮的跟蹤控制精度。

1前置反硝化污水處理工藝

前置反硝化工藝（A/O工藝）是污水生物脫氮的典型工藝之一[18-19]。A/O工藝將反硝化和硝化反應(yīng)串聯(lián)組成生化反應(yīng)池，廢水首先進入以反硝化反應(yīng)為基礎(chǔ)的缺氧區(qū)，然后經(jīng)過以消化反應(yīng)為基礎(chǔ)的好氧區(qū)，一部分好氧區(qū)出水回流至缺氧區(qū)為反硝化反應(yīng)提供NO3--N。前置反硝化的工藝布局結(jié)構(gòu)如圖1所示。A/O工藝主要包含生化反應(yīng)池和二沉池兩部分。生化反應(yīng)池分為五個分區(qū)，前兩個分區(qū)為厭氧池，后三個分區(qū)為好氧池。好氧池出水一部分通過內(nèi)回流返回生化池第一分區(qū)，一部分進入二沉池。二沉池設(shè)計為十層分層結(jié)構(gòu)，通過物理沉降分離污泥和清水，上層清水直接排入受納水體，一部分沉積的污泥通過外回流返回生化反應(yīng)池。生物脫氮工藝依靠各種厭氧菌和好氧菌的共同作用產(chǎn)生生化反應(yīng)，使得污泥中有機物分解，是一個及其復(fù)雜的過程。國內(nèi)污水處理廠多采用PID控制器對污水處理進行控制，而常規(guī)的控制器難以精確控制這一復(fù)雜過程，需借助智能優(yōu)化算法提升對污水處理過程的控制精度。固本文采用具備混合智能算法優(yōu)勢以及其豐富的動力學(xué)特性的遞歸模糊神經(jīng)網(wǎng)絡(luò)來控制污水處理過程。

2基于RFNN的控制系統(tǒng)設(shè)計

2.1控制系統(tǒng)結(jié)構(gòu)設(shè)計針對污水處理過程的非線性、大時變的特性，采用遞歸模糊神經(jīng)網(wǎng)絡(luò)作為控制器對生化池第五分區(qū)的DO和第二分區(qū)的SNO進行設(shè)定值誤差跟蹤控制，運用實際輸出與設(shè)定值的誤差以及誤差變化率輸入遞歸模糊控制器，通過遞歸模糊神經(jīng)網(wǎng)絡(luò)的非線性映射能力以及豐富的動力學(xué)特性自適應(yīng)的獲得精確的控制量增量。并通過引入動量項的梯度下降法逐步對誤差進行消除，使系統(tǒng)輸出跟蹤設(shè)定值?？刂葡到y(tǒng)結(jié)構(gòu)如圖2所示。在圖2中，yr1、yr2分別為溶解氧濃度和硝態(tài)氮濃度的設(shè)定值，y1、y2分別為溶解氧和硝態(tài)氮的實際輸出值，e為設(shè)定值與實際輸出值之間的誤差，de/dt為誤差變化率，Δu為控制量增量，u1、u2分別為KLa與Qa。誤差e以及誤差變化率de/dt作為RFNN控制器的輸入，用誤差e來修正RFNN控制器中的參數(shù)。控制器輸出為控制量增量Δu，BSM1輸入為u1、u2，u1,2為控制量增量與上一時刻的值的加和，如公式(11)、(12)所示。

2.2RFNN控制器設(shè)計污水處理過程作為典型的非線性離散系統(tǒng)可以表示。其中：x(k)代表k時刻系統(tǒng)的狀態(tài)，u(k)代表k時刻的輸入，G表征為系統(tǒng)的非線性函數(shù)關(guān)系。RFNN神經(jīng)網(wǎng)絡(luò)具有的非線性動態(tài)映射能力可以實現(xiàn)對污水處理過程的精確控制。RFNN控制器設(shè)計。RFNN控制器結(jié)構(gòu)由前尖部分和后件部分兩部分組成，其多輸入單輸出的網(wǎng)絡(luò)拓撲結(jié)構(gòu)如圖3所示。網(wǎng)絡(luò)由六層組成：輸入層、隸屬函數(shù)層、規(guī)則層、遞歸層、TSK層和輸出層。網(wǎng)絡(luò)的前四層為前件網(wǎng)絡(luò)，用來匹配模糊規(guī)則的前件，后兩層為后件網(wǎng)絡(luò)，用來產(chǎn)生模糊規(guī)則的后件。網(wǎng)絡(luò)包含n個輸入神經(jīng)元，其中每個輸入包含m個隸屬度，m個規(guī)則數(shù)，m個遞歸層神經(jīng)元，m個TSK神經(jīng)元和一個輸出神經(jīng)元。用ui(k)和oi(k)分別表示網(wǎng)絡(luò)第k層的第i個神經(jīng)元的輸入和輸出，則信號在網(wǎng)絡(luò)中的傳輸過程以及各層之間的連接關(guān)系可以描述如下：

2.3在線學(xué)習(xí)算法及參數(shù)調(diào)整RFNN控制器的參數(shù)學(xué)習(xí)采用自適應(yīng)學(xué)習(xí)率且引入動量項的梯度下降算法，公式如(13)~(17)。在線學(xué)習(xí)參數(shù)包括前件參數(shù)和后件參數(shù)。以溶解氧控制器網(wǎng)絡(luò)為例，其回路控制的性能指標定義。在控制過程中，由式(4)~(12)計算RFNN控制器的控制量增量輸出，由式(1)、(2)計算實時控制量的值，由式(13)~(16)實現(xiàn)參數(shù)的在線調(diào)整，并且控制器參數(shù)學(xué)習(xí)過程中可以根據(jù)污水處理工況的變化通過公式(17)~(20)自適應(yīng)的調(diào)整學(xué)習(xí)率的大小。硝態(tài)氮控制器的性能指標定義及參數(shù)調(diào)整方法同溶解氧控制器。

2.4性能分析BSM1定義了對控制方案仿真結(jié)果的評價標準，其底層評價指標主要是對回路控制器的跟蹤性能(如控制精度、控制量波動情況等)進行評價。

3仿真分析

仿真實驗中，采用BSM1模型作為模擬污水處理廠的對象。BSM1包含晴好天氣、陰雨天氣和暴雨天氣三個數(shù)據(jù)文件，每個文件給出了14天的污水入水?dāng)?shù)據(jù)，采樣周期為15min.，采用前7天的數(shù)據(jù)進行訓(xùn)練，后7天的數(shù)據(jù)作為測試數(shù)據(jù)，DO濃度設(shè)定為2mg/L,SNO濃度設(shè)定為1mg/L。通過湊試法，經(jīng)過反復(fù)試驗驗證，最終確定RFNN的規(guī)則數(shù)為6，溶解氧控制器參數(shù)學(xué)習(xí)率ηDO自適應(yīng)策略，動量項學(xué)習(xí)率λDO為0.005，硝態(tài)氮控制器參數(shù)學(xué)習(xí)率ηNO采用自適應(yīng)策略，動量項學(xué)習(xí)率λNO為0.005；PID控制系統(tǒng)中溶解氧控制器的參數(shù)Kp_DO、Ti_DO、Td_DO分別設(shè)置為200、15、2，硝態(tài)氮控制器的參數(shù)Kp_SNO、Ti_SNO、Td_SNO分別設(shè)置為50000、5000、400；BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)均選擇為1-12-1，BP神經(jīng)網(wǎng)絡(luò)溶解氧控制器學(xué)習(xí)率為0.15，BP神經(jīng)網(wǎng)絡(luò)硝態(tài)氮控制器的學(xué)習(xí)率為0.12；Elman神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)選擇為1-8-1，Elman神經(jīng)網(wǎng)絡(luò)溶解氧控制器的學(xué)習(xí)率為0.1，Elman神經(jīng)網(wǎng)絡(luò)硝態(tài)氮控制器的學(xué)習(xí)率為0.08。仿真結(jié)果如圖4~圖6所示。從圖4中可以看出，在控制溶解氧時，基于RFNN的控制方法與基于Elman、BP和PID的控制方法相比具有更好的控制性能；從圖5中可以看出，在控制硝態(tài)氮時，基于RFNN的控制方法與基于Elman、BP和PID的控制方法相比具有更好的控制性能。圖6為控制器網(wǎng)絡(luò)在控制中調(diào)整參數(shù)時學(xué)習(xí)率的變化曲線，從圖中可以看出，隨著控制進程的不斷變化，學(xué)習(xí)率可以根據(jù)控制需要不斷的調(diào)整以適應(yīng)工況的變化。表1為四種控制器控制溶解氧精度的比較，基于RFNN控制器的控制系統(tǒng)相較于PID控制器、BP神經(jīng)網(wǎng)絡(luò)控制器和Elman神經(jīng)網(wǎng)絡(luò)控制器來說，其IAE、ISE和Devimax均有效的降低，表明RFNN控制器較其他控制器控制溶解氧時具有更高的精度。表2為四種控制器控制硝態(tài)氮精度的比較，基于RFNN控制器的控制系統(tǒng)相較于PID控制器、BP神經(jīng)網(wǎng)絡(luò)控制器和Elman神經(jīng)網(wǎng)絡(luò)控制器來說，其IAE、ISE和Devimax均有效降低，表明RFNN控制器較其他控制器控制硝態(tài)氮時具有更高的精度。通過實驗證明，基于RFNN控制器的多變量控制系統(tǒng)相較于其他三種控制器提高了對溶解氧濃度和硝態(tài)氮濃度的控制精度，實現(xiàn)了準確跟蹤設(shè)定值的目的。

4結(jié)論

根據(jù)污水處理過程非線性、大時變等特點，本文提出基于遞歸模糊神經(jīng)網(wǎng)絡(luò)作為控制器對第五分區(qū)中的溶解氧和第二分區(qū)中的硝態(tài)氮進行控制，組成了多變量自適應(yīng)控制系統(tǒng)。提出的多變量控制系統(tǒng)可以自適應(yīng)的根據(jù)污水處理環(huán)境的變化調(diào)節(jié)控制量參數(shù)，使溶解氧濃度和硝態(tài)氮濃度以較高的精度跟蹤期望值。RFNN控制器學(xué)習(xí)過程中自適應(yīng)學(xué)習(xí)率的設(shè)計及動量項的引入使控制器網(wǎng)絡(luò)避免陷入局部最優(yōu)，提高了網(wǎng)絡(luò)的收斂精度，進而保證了整個系統(tǒng)的控制精度。仿真實驗表明，通過以上設(shè)計，提出的方案可以使第五分區(qū)中的溶解氧濃度穩(wěn)定在0.01mg/L的誤差范圍之內(nèi)，使第二分區(qū)中的硝態(tài)氮濃度穩(wěn)定0.03mg/L誤差范圍之內(nèi)?？傊?，該方法能有效提高污水處理過程中的控制精度。

作者：韓改堂 喬俊飛 韓紅桂 單位：北京工業(yè)大學(xué)電子信息與控制工程學(xué)院 計算智能與智能系統(tǒng)北京市重點實驗室