污水生物處理MSBR工藝的模糊神經(jīng)網(wǎng)絡模擬控制

污水生物處理MSBR工藝的模糊神經(jīng)網(wǎng)絡模擬控制摘要：MSBR工藝是當前的優(yōu)選污水處理工藝。MSBR工藝配有先進自動控制系統(tǒng)是其成功的關(guān)鍵。模糊神經(jīng)網(wǎng)絡模擬控制將是MSBR工藝控制的一個新發(fā)展。用ANFIS模擬污水生物處理MSBR工藝，當訓練樣本數(shù)據(jù)在100組以上時，模擬效果較好。應用模糊神經(jīng)網(wǎng)絡對MSBR工藝可以實現(xiàn)對曝氣量、運行周期的優(yōu)化控制。關(guān)鍵詞：污水生物處理；MSBR；模糊神經(jīng)網(wǎng)絡；模擬；控制SimulationandControlofSewageBio-treatmentSystemWithMSBRProcessUsingFuzzy-NeuralNetworkAbstract:MSBRprocessisthepreferencesewagebio-treatmentprocesscurrently.ThekeyofMSBRprocess`successisthatithasadvancedautocontrolsystem.UsingfuzzyneuralsimulationcontrolsystemisanewprogressofMSBRprocesscontrol.Whenthetrainingsampledataaremorethan100groups,thesimulationresultisgood.Theaerationamount,runningperiodofMSBRprocesscanbeoptimizedusingfuzzyneuralnetwork.Keywords：wastewaterbio-treatment,MSBR,fuzzyneuralnetwork,ANFIS,simulation,controlMSBR(ModifiedSequencingBatchReactor)——改良式序列間歇反應器，是C.Q.Yang等人根據(jù)SBR技術(shù)特點[1-4]，結(jié)合傳統(tǒng)活性污泥法技術(shù)，研究開發(fā)的一種更為理想的污水處理系統(tǒng)。國內(nèi)同濟大學顧國維教授課題組經(jīng)過多年的研究，綜合了Bardenpho，A2/O，氧化溝及CAST等除磷脫氮工藝的特點，開發(fā)出了MSBR工藝，并在多個污水處理廠成功應用，系統(tǒng)在實際運行中顯示出了良好的處理能力和運行穩(wěn)定性[5]。MSBR既不需要初沉池和二沉池，又能在反應器全充滿并在恒定液位下連續(xù)進水運行，采用單池多格方式，結(jié)合了傳統(tǒng)活性污泥法和SBR技術(shù)的優(yōu)點。MSBR工藝在目前被認為是最新、集約化程度最高、同時具有生物脫氮除磷功能的優(yōu)選污水處理工藝。從系統(tǒng)的可靠性、土建工程量、總裝機容量、節(jié)能、降低運行成本和節(jié)約用地等方面看，均具優(yōu)勢[6]。國內(nèi)外均有污水處理廠成功應用MSBR工藝，如加拿大Saskatchewan的Estevan污水處理廠、韓國漢城污水處理廠、中國深圳的鹽田污水處理廠、江蘇無錫開發(fā)區(qū)污水處理廠、上海松江污水處理廠等。研究及生產(chǎn)性應用證明MSBR法是一種經(jīng)濟有效、運行可靠的污水處理工藝。MSBR工藝配有的先進自動控制系統(tǒng)是其成功的關(guān)鍵因素。由于MSBR工藝是專利技術(shù)，國外未見有關(guān)的詳細報道。國內(nèi)這方面在許多實際控制工程中難以達到理想的目標，影響了系統(tǒng)的運行，由此應進一步著力于污水處理系統(tǒng)的過程控制技術(shù)研究。1MSBR工藝的模糊神經(jīng)網(wǎng)絡模擬控制我國污水處理專家對MSBR工藝的基本原理、工藝流程都比較熟悉，污水處理工程設(shè)計方面也有堅實的基礎(chǔ)和豐富的經(jīng)驗，但在運行管理與自動控制方面卻存在著很多不足。與國外發(fā)達國家相比，我國城市污水處理廠的單位耗電量很大，運行管理人員數(shù)目很多，使得污水處理成本很高，不能充分發(fā)揮MSBR工藝的優(yōu)勢。MSBR工藝系統(tǒng)各格互聯(lián)、交替操作，且可以通過選擇、組合與取舍操作步驟、調(diào)整各操作步驟時間來控制其比較復雜的運行過程。此外，如果進水水質(zhì)變化，MSBR工藝的運行過程更具有非線性、時變性與模糊性的特點，難于用數(shù)學模型根據(jù)傳統(tǒng)控制理論進行有效控制，一些傳統(tǒng)控制理論顯出局限性[7-10]。對MSBR這樣復雜的工藝系統(tǒng)進行智能控制，將能得到其它控制方式難以實現(xiàn)的令人滿意的控制效果。因此，為了實現(xiàn)系統(tǒng)的各操作過程具有適應性和最優(yōu)控制，應進行MSBR運行過程智能化控制的研究。將處理知識模糊性的模糊邏輯控制和具備自學習的人工神經(jīng)網(wǎng)絡結(jié)合起來的模糊神經(jīng)網(wǎng)絡模擬控制將是MSBR工藝系統(tǒng)實時控制的一個新發(fā)展[11]。模糊神經(jīng)網(wǎng)絡的研究與應用在許多領(lǐng)域都取得了可喜的成果，而在污水中的研究還處于初級階段，應用還很少?，F(xiàn)在，對于污水處理系統(tǒng)的模糊神經(jīng)網(wǎng)絡控制的研究在國內(nèi)外非常活躍，已成為該領(lǐng)域的一個研究熱點和前沿課題[12-23]，顯示出廣闊的前景，但還未見有關(guān)模糊神經(jīng)網(wǎng)絡控制應用于MSBR工藝系統(tǒng)的研究。2污水生物處理MSBR工藝的模糊神經(jīng)網(wǎng)絡模擬模糊推理系統(tǒng)廣泛用于模糊控制，神經(jīng)網(wǎng)絡具有自適應自學習的功能，自適應神經(jīng)模糊推理系統(tǒng)(AdaptiveNeuralNetworkBasedFuzzyInferentialSystem，ANFIS)是將模糊推理系統(tǒng)與神經(jīng)網(wǎng)絡相結(jié)合的模糊神經(jīng)網(wǎng)絡，ANFIS充分利用兩者的優(yōu)良特性。下面通過構(gòu)建ANFIS模型對污水生物處理的MSBR工藝進行模擬。2.1污水廠概況某污水處理廠采用MSBR工藝，設(shè)計規(guī)模為12.0×104m3/d，共三組，單組設(shè)計規(guī)模4.0×104m3/d，此處取一組的運行數(shù)據(jù)進行模擬。一組MSBR池各單元水力停留時間、容積如表1示。表1MSBR各單元水力停留時間、容積Table1HRTandvolumeofMSBRunits單元容積（m3）水力停留時間（hhr）序批池Ⅰ50333.02泥水分離池10150.61厭氧池B10940.65厭氧池A16470.99缺氧池13670.82主曝氣池86705.20序批池Ⅱ50333.02合計2385914.312.2ANFIS模型的構(gòu)建輸入?yún)?shù)n：選擇進水中的主要水質(zhì)參數(shù)CODcr、NH3-N、TN、TP共4個,n=4。輸出參數(shù)：ANFIS模型中只能有一個輸出參數(shù)，分別選擇出水中反映處理效果的最主要水質(zhì)指標CODcr、NH3-N構(gòu)建兩個模型。模糊推理系統(tǒng)－FIS類型：模糊推理系統(tǒng)－FIS類型為Sugeno型。ANFIS輸入?yún)?shù)的隸屬函數(shù)數(shù)目：每個輸入?yún)?shù)用三個隸屬函數(shù)表述，隸屬函數(shù)采用鐘型函數(shù)－gbellmf；ANFIS輸出參數(shù)采用線型函數(shù)－linear。ANFIS結(jié)構(gòu)示意如圖1示。圖1ANFIS結(jié)構(gòu)示意Fig.1StructureoftheANFIS2.3ANFIS模型的模擬預測結(jié)果ANFIS模型對出水CODcr的模擬預測結(jié)果如圖2示。ANFIS模型對出水CODcr預測的平均誤差：0.024034×50＝1.2mg/l；最大誤差：0.09×50＝4.5mg/l。圖2ANFIS的模擬結(jié)果（CODcr）Fig.2SimulationresultoftheANFIS（CODcr）ANFIS模型對出水NH3-N的模擬預測結(jié)果如圖3示。圖3對ANFIS的模擬結(jié)果(NH3-N)Fig.3SimulationresultoftheANFIS(NH3-N)對出水NH3-N預測的平均誤差：0.021314×24＝0.5mg/l；最大誤差：0.05×24＝1.2mg/l。模擬結(jié)果表明，構(gòu)建ANFIS模型模擬污水生物處理MSBR工藝，當訓練樣本數(shù)據(jù)在100組以上時，模擬效果較好。3污水生物處理MSBR工藝的模糊神經(jīng)網(wǎng)絡控制根據(jù)對MSBR工藝的分析及初步的研究，應用模糊神經(jīng)網(wǎng)絡對MSBR工藝可以實現(xiàn)曝氣量和運行周期的優(yōu)化控制。3.1對曝氣池中溶解氧的實時預測和對曝氣量的優(yōu)化控制溶解氧是污水生物去除有機物和脫氮過程微生物所必須的重要條件，一般認為硝化過程中的溶解氧應該大于2.0mg/l。隨著曝氣量的增加，反應器內(nèi)的溶解氧濃度會相應提高，硝化速率也會不斷增大。但當曝氣量過大時，硝化過程中的DO濃度過高，這不僅浪費能量，而且會使得在硝化結(jié)束時，溶解氧上升速度的加快或躍升的現(xiàn)象越來越不明顯，且過量曝氣會影響缺氧池的缺氧狀態(tài)。曝氣量過低，則不能為碳氧化、硝化過程提供足夠的溶解氧，不能達到處理目的。因此，合理有效地控制反應過程的曝氣量具有非常重要的現(xiàn)實意義。建立預測溶解氧濃度的ANFIS模型，用實驗中得到的多組進水水量、水質(zhì)（COD、NH3-N、TN、TP）與自動檢測的不同單元內(nèi)DO數(shù)據(jù)作為該模型的訓練樣本訓練ANFIS模型，得到可實時預測MSBR工藝過程曝氣池中溶解氧濃度的ANFIS模型。建立前饋控制系統(tǒng)，根據(jù)ANFIS模型對單元內(nèi)的溶解氧濃度的預測值與實際檢測值的差調(diào)整曝氣裝置，實現(xiàn)對曝氣量的優(yōu)化控制。經(jīng)ANFIS預測模型優(yōu)化控制的曝氣池曝氣量曲線如圖4所示。圖4經(jīng)優(yōu)化的曝氣量Fig.4Optimizedaeration經(jīng)優(yōu)化的曝氣量平均為718.44mg/l/d。實際工程中采用定量控制，要保證曝氣池內(nèi)的需氧量，曝氣量最低應為1400mg/l/d，則采用優(yōu)化控制的曝氣量比采用定量控制的曝氣量少近50％。當然，節(jié)省曝氣量的多少和污水處理工藝、設(shè)計參數(shù)、污水廠運行情況、當?shù)氐某鏊畼藴?、曝氣系統(tǒng)都有關(guān)系。3.2對MSBR工藝運行周期的優(yōu)化控制MSBR工藝的運行可根據(jù)進水水質(zhì)和對出水水質(zhì)的要求分為脫氮運行和脫氮除磷運行。建立預測出水水質(zhì)的ANFIS模型，用實驗中得到的多組自動檢測的不同單元內(nèi)DO、ORP、pH值與出水水質(zhì)（COD、NH3-N、TN）數(shù)據(jù)作為該模型的訓練樣本訓練ANFIS模型，得到可實時預測MSBR工藝過程出水水質(zhì)的ANFIS模型。建立反饋控制系統(tǒng)，根據(jù)ANFIS模型對出水水質(zhì)的預測值與實際檢測值的差以及DO、ORP、pH的變化規(guī)律，調(diào)整運行周期，實現(xiàn)對MSBR工藝脫氮過程運行周期的優(yōu)化控制。建立預測出水水質(zhì)的ANFIS模型，用實驗中得到的多組自動檢測的不同單元內(nèi)DO、ORP、pH值與出水水質(zhì)（COD、NH3-N、TN、TP）數(shù)據(jù)作為該模型的訓練樣本訓練ANFIS模型，得到可實時預測MSBR工藝過程出水水質(zhì)的ANFIS模型。建立反饋控制系統(tǒng)，根據(jù)ANFIS模型對出水水質(zhì)的預測值與實際檢測值的差以及DO、ORP、pH的變化規(guī)律，調(diào)整運行周期，實現(xiàn)對MSBR工藝脫氮除磷過程運行周期的優(yōu)化控制。對MSBR工藝運行周期的優(yōu)化控制有待于進一步試驗研究。4結(jié)語MSBR工藝系統(tǒng)的成功應用有賴于系統(tǒng)采用穩(wěn)定可靠的自動控制系統(tǒng)。研究開發(fā)出可用于實際污水廠的MSBR工藝模糊神經(jīng)網(wǎng)絡控制系統(tǒng)可以穩(wěn)定出水水質(zhì)，節(jié)省能耗，提高自控和管理水平，具有重要的理論意義和實用價值。在我國，隨著更多數(shù)量的污水處理廠采用MSBR工藝，自動控制方面的不足突顯出來，MSBR工藝處理城市污水的模糊神經(jīng)網(wǎng)絡模擬控制具有廣闊的應用前景。參考文獻：ChesterQ.Yang.Amodifiedsequencingbatchreactoractivatedsludgewastewatertreatmentsystem.[D].USA.MS.UniversityofKansas.1989.1-349KetchumL.H.etal.Firstcostanalysisofsequencingbatchbiologicalreactor.JWPCF,1979,51(2)AroraM.L.Etal:Technologyevaluationofsequencingbatchreactor,JWPCF,1985,57(8)NgWun-JernSequencingbatchreactor(SBR)treatmentofwastewater.Environmentalsanitationreviews,1989,28(9)任潔、顧國維，MSBR系統(tǒng)的特點及其除磷脫氮的機理分析，給水排水，2002，28(1)，22-24岳強、鄒小玲、繆應祺，SBR技術(shù)的發(fā)展及應用，污染防治技術(shù)，2003，16(4)，35-38劉建勇、周雪飛、薛罡、顧國維，智能控制在污水處理中的應用現(xiàn)狀及展望，中國給水排水，2002，18(11)，22-25劉建勇、顧國維，用ANFIS模型實時預測曝氣池溶解氧濃度，上海環(huán)境科學，2003，22(增刊2)，44-47劉建勇、顧國維，利用神經(jīng)網(wǎng)絡動態(tài)模擬污水生物脫氮除磷過程，中國給水排水，2003，19(11)，4-7劉建勇、薛罡、顧國維，神經(jīng)網(wǎng)絡在污水處理自動控制中所起的作用，給水排水，2003，29(7)，85-88劉建勇、薛罡、劉中平、周雪飛、顧國維，污水處理過程的模糊神經(jīng)網(wǎng)絡控制，工業(yè)水處理，2003，23(5)，9-11L.Luccatinietal.，Softsensorsforcontrolofnitrogenandphosphorusremovalfromwastewatersbyneuralnetworks,Wat.Sic.Tech.,2002,45(4-5),101-107Yi-MingKuo,Chen-WuingLiu,Kao-HungLin,EvaluationoftheabilityofanartificialneuralnetworkmodeltoassessthevariationofgroundwaterqualityinanareaofBlackfootdiseaseinTaiwan，WaterResearch，2004,38(1),148-158G.M.Zeng,X.S.Qin,L.He,G.H.Huang,H.L.Liu,Y.P.Lin,Aneuralnetworkpredictivecontrolsystemforpapermillwastewatertreatment,EngineeringApplicationsofArtificialIntelligence,2003,16(2),121–129W.C.Chen,Ni-BinChang,Jeng-ChungChen,Roughset-basedhybridfuzzy-neuralcontrollerdesignforindustrialwastewatertreatment,WaterResearch,2003,37(1),95–107BunchingivBazartseren,GeraldHildebrandt,K.P.Holz,Short-termwaterlevelpredictionusingneuralnetworksandneural-fuzzyapproach,Neurocomputing,2003,55(3-4),439–450Yoon-SeokTimothyHonga,MichaelR.Rosen,RaoBhamidimarri,Analysisofamunicipalwastewatertreatmentplantusinganeuralnetwork-basedpatternanalysis,WaterResearch,2003,37(7),1608–1618高大文、彭永臻、王淑瑩、高景峰，污水處理智能控制的研究、應用與