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，激發您的寫作靈感。歡迎深入閱讀并收藏。

《化工學報》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網絡的多變量控制方法。該方法通過遞歸模糊神經網絡控制器自適應的獲得對操作變量的控制精度，控制器在常規BP學習算法的基礎上采用學習率自適應學習算法且引入了動量項來訓練網絡參數，避免網絡陷入局部最優，提高了網絡對系統的控制精度。最后，基于仿真基準模型（BSM1）平臺對第五分區中的溶解氧和第二分區中的硝態氮控制進行動態仿真實驗，結果表明，與PID、前饋神經網絡和常規遞歸神經網絡相比，該方法能有效提高系統的自適應控制精度。

關鍵詞：

污水處理過程；遞歸模糊神經網絡；控制；自適應學習算法；溶解氧；硝態氮；動態仿真

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)濃度和硝態氮(nitratenitrogen,SNO)濃度是污水處理過程中的兩個重要的運行參數，能否對其進行有效控制是污水處理的關鍵問題，直接決定了污水處理能否正常運行。目前，在實際應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定運行，許多學者把目光轉向了智能控制方法。在這些研究中，神經網絡具有的非線性映射能力、自適應、自學習能力，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]采用一種自適應模糊控制策略和監督模糊控制結合的跟蹤控制方法，控制器性能優于PI控制器以及常規模糊控制方法，實現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則的專家控制系統對污水處理過程碳和氮的去除，當HRT(hydraulicretentiontime)為3h時，實驗結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，與常規控制相比，能耗指標下降了約40%，但推理規則的確定需要大量的先驗經驗，且不具備應對環境突變的自學習能力，因此控制精度有待提高。Zeng等[8]采用BP神經網絡模型建立了污染物的去除率和化學藥物添加量之間的非線性關系，并提出對BP網絡訓練復雜且存在局部極小值進行研究可以提高網絡的建模精度。Baruch等[9]提出了應用對角遞歸神經網絡進行建模和自適應控制，取得了良好的效果。Qiao等[10]提出了采用Elman神經網絡對DO、SNO和MLSS進行控制，仿真實驗顯示其控制精度較PID、BP神經網絡控制精度有顯著提高。雖然國內外學者利用模糊控制和神經網絡對污水處理進行控制研究獲得了成功應用，但是由于模糊控制不具備自學習能力，控制規則不能動態優化，需要經過反復的實驗進行調整才能達到理想的控制效果，而神經網路不能處理結構化知識，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，結合多種智能控制方法的優勢對污水處理過程進行控制成為提高運行精度的有效應用。相對于單純的模糊系統、前饋神經網絡和常規遞歸神經網絡，遞歸模糊神經網絡(RFNN)結合了兩方面的優勢。在處理非線性不確定系統時，RFNN不僅具有模糊推理能力，還包含神經網路的自學習能力；另一方面，遞歸模糊神經網絡具有動態元素，內部的反饋連接用于記憶歷史信息。因此，RFNN近些年受到了國內外研究者的關注[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網絡對DO和SNO進行控制組成多變量污水處理系統，并對學習算法進行了改進，文中將RFNN應用在污水處理多變量控制中，提高了溶解氧和硝態氮的跟蹤控制精度。

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串聯組成生化反應池，廢水首先進入以反硝化反應為基礎的缺氧區，然后經過以消化反應為基礎的好氧區，一部分好氧區出水回流至缺氧區為反硝化反應提供NO3--N。前置反硝化的工藝布局結構如圖1所示。A/O工藝主要包含生化反應池和二沉池兩部分。生化反應池分為五個分區，前兩個分區為厭氧池，后三個分區為好氧池。好氧池出水一部分通過內回流返回生化池第一分區，一部分進入二沉池。二沉池設計為十層分層結構，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池。生物脫氮工藝依靠各種厭氧菌和好氧菌的共同作用產生生化反應，使得污泥中有機物分解，是一個及其復雜的過程。國內污水處理廠多采用PID控制器對污水處理進行控制，而常規的控制器難以精確控制這一復雜過程，需借助智能優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勢以及其豐富的動力學特性的遞歸模糊神經網絡來控制污水處理過程。

2基于RFNN的控制系統設計

2.1控制系統結構設計針對污水處理過程的非線性、大時變的特性，采用遞歸模糊神經網絡作為控制器對生化池第五分區的DO和第二分區的SNO進行設定值誤差跟蹤控制，運用實際輸出與設定值的誤差以及誤差變化率輸入遞歸模糊控制器，通過遞歸模糊神經網絡的非線性映射能力以及豐富的動力學特性自適應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，使系統輸出跟蹤設定值。控制系統結構如圖2所示。在圖2中，yr1、yr2分別為溶解氧濃度和硝態氮濃度的設定值，y1、y2分別為溶解氧和硝態氮的實際輸出值，e為設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。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控制器設計污水處理過程作為典型的非線性離散系統可以表示。其中：x(k)代表k時刻系統的狀態，u(k)代表k時刻的輸入，G表征為系統的非線性函數關系。RFNN神經網絡具有的非線性動態映射能力可以實現對污水處理過程的精確控制。RFNN控制器設計。RFNN控制器結構由前尖部分和后件部分兩部分組成，其多輸入單輸出的網絡拓撲結構如圖3所示。網絡由六層組成：輸入層、隸屬函數層、規則層、遞歸層、TSK層和輸出層。網絡的前四層為前件網絡，用來匹配模糊規則的前件，后兩層為后件網絡，用來產生模糊規則的后件。網絡包含n個輸入神經元，其中每個輸入包含m個隸屬度，m個規則數，m個遞歸層神經元，m個TSK神經元和一個輸出神經元。用ui(k)和oi(k)分別表示網絡第k層的第i個神經元的輸入和輸出，則信號在網絡中的傳輸過程以及各層之間的連接關系可以描述如下：

2.3在線學習算法及參數調整RFNN控制器的參數學習采用自適應學習率且引入動量項的梯度下降算法，公式如(13)~(17)。在線學習參數包括前件參數和后件參數。以溶解氧控制器網絡為例，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)實現參數的在線調整，并且控制器參數學習過程中可以根據污水處理工況的變化通過公式(17)~(20)自適應的調整學習率的大小。硝態氮控制器的性能指標定義及參數調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據文件，每個文件給出了14天的污水入水數據，采樣周期為15min.，采用前7天的數據進行訓練，后7天的數據作為測試數據，DO濃度設定為2mg/L,SNO濃度設定為1mg/L。通過湊試法，經過反復試驗驗證，最終確定RFNN的規則數為6，溶解氧控制器參數學習率ηDO自適應策略，動量項學習率λDO為0.005，硝態氮控制器參數學習率ηNO采用自適應策略，動量項學習率λNO為0.005；PID控制系統中溶解氧控制器的參數Kp_DO、Ti_DO、Td_DO分別設置為200、15、2，硝態氮控制器的參數Kp_SNO、Ti_SNO、Td_SNO分別設置為50000、5000、400；BP神經網絡的拓撲結構均選擇為1-12-1，BP神經網絡溶解氧控制器學習率為0.15，BP神經網絡硝態氮控制器的學習率為0.12；Elman神經網絡拓撲結構選擇為1-8-1，Elman神經網絡溶解氧控制器的學習率為0.1，Elman神經網絡硝態氮控制器的學習率為0.08。仿真結果如圖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為控制器網絡在控制中調整參數時學習率的變化曲線，從圖中可以看出，隨著控制進程的不斷變化，學習率可以根據控制需要不斷的調整以適應工況的變化。表1為四種控制器控制溶解氧精度的比較，基于RFNN控制器的控制系統相較于PID控制器、BP神經網絡控制器和Elman神經網絡控制器來說，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氮精度的比較，基于RFNN控制器的控制系統相較于PID控制器、BP神經網絡控制器和Elman神經網絡控制器來說，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相較于其他三種控制器提高了對溶解氧濃度和硝態氮濃度的控制精度，實現了準確跟蹤設定值的目的。

4結論

根據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網絡作為控制器對第五分區中的溶解氧和第二分區中的硝態氮進行控制，組成了多變量自適應控制系統。提出的多變量控制系統可以自適應的根據污水處理環境的變化調節控制量參數，使溶解氧濃度和硝態氮濃度以較高的精度跟蹤期望值。RFNN控制器學習過程中自適應學習率的設計及動量項的引入使控制器網絡避免陷入局部最優，提高了網絡的收斂精度，進而保證了整個系統的控制精度。仿真實驗表明，通過以上設計，提出的方案可以使第五分區中的溶解氧濃度穩定在0.01mg/L的誤差范圍之內，使第二分區中的硝態氮濃度穩定0.03mg/L誤差范圍之內。總之，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：北京工業大學電子信息與控制工程學院 計算智能與智能系統北京市重點實驗室