CN105425592B - 一种水处理加药数字化在线控制系统 - Google Patents

Abstract

本发明公开了一种水处理加药数字化在线控制系统，包括原水浊度检测仪、原水流量监测仪、信号滤波器、在线控制器、反馈控制器、加药泵控制装置、出水浊度检测仪构成，信号滤波器将原水水质、流量的监测信号进行滤波降噪处理，消除外界干扰因素的影响；在线控制器完成BP神经网络模型的运算、存储数据并发出控制信号；反馈控制器通过接收实时的滤波信号，按照在线控制器发出的控制信号，确定当前加药的最优量；加药泵控制装置在线接收反馈控制器指令，执行各种药剂的实时定量投放。本发明的有益效果：采用提升小波去噪处理、BP神经网络算法、数字化在线控制方法解决了水处理加药控制系统中的滞后效应、非线性、时变性、强干扰、变结构等问题。

Description

一种水处理加药数字化在线控制系统

技术领域

本发明涉及水处理技术领域，具体而言，涉及一种水处理加药数字化在线控制系统。

背景技术

电厂水处理工艺中，混合、絮凝及沉淀是不可缺少的重要部分，由于混凝过程是一个复杂的物理化学反应过程，对加药种类及剂量的控制精度要求较高，但传统的加药控制系统具有几个典型缺陷：

(1)时滞性较大，而且混合、反应及监测过程均存在延迟性，这些滞后效应给加药控制系统增加了一定的困难；

(2)非线性较强，原水水质成份复杂、流量多变，酸碱度差异较大，其加药后产生的化学反应过程具有明显的非线性；

(3)干扰因素较多，测量误差、设备切换、操作不当等扰动因素也会给该系统的控制带来一定困难；

(4)数字化程度低，传统人工投加方式，随着流量、水质等因素的变化，加药调节过程繁琐，剂量控制的合理性、准确性很难得到保证。

因此电厂水处理的加药过程表现出随机、滞后、非线性、检测条件粗糙，难以建立精确的数学模型，并实现加药数字化在线控制，是水处理行业一个亟待解决的问题。

发明内容

为解决上述问题，本发明的目的在于提供一种确定药剂最佳投加量的水处理加药数字化在线控制系统。

本发明提供了一种水处理加药数字化在线控制系统，包括：

原水浊度检测仪，其输入端进入原水，所述原水浊度检测仪的输出端与信号滤波器的第一输入端连接，所述原水浊度检测仪用于检测所述原水的水质，得到原水水质的数字信号；

原水流量监测仪，其输入端进入原水，所述原水流量监测仪的输出端与所述信号滤波器的第二输入端连接，所述原水流量监测仪用于检测所述原水的流量，得到原水流量的数字信号；

信号滤波器，其第一输出端与反馈控制器的第一输入端，所述信号滤波器的第二输出端与在线控制器的第一输入端连接，所述信号滤波器将所述原水水质的数字信号和所述原水流量的数字信号进行滤波降噪处理，消除外界干扰因素的影响，得到滤波信号；

在线控制器，其第二输入端与出水浊度检测仪的输入端连接，所述在线控制器的输出端与反馈控制器的第二输入端连接，所述在线控制器完成BP神经网络模型的运算、存储数据并发出控制信号；

反馈控制器，其输出端与加药泵控制装置的输入端连接，所述反馈控制器接收所述信号滤波器发出的滤波信号，按照所述在线控制器发出的控制信号，确定所述加药泵控制装置所需的加药量，并给所述加药泵控制装置下发加药指令；

加药泵控制装置，其输出端输出的药剂与原水混合后得到出水，所述加药泵控制装置在线接收所述反馈控制器的加药指令，执行各种药剂的实时定量投放；

出水浊度检测仪，其输出出水，所述出水浊度检测仪用于检测所述出水的水质，得到出水水质的数字信号。

本发明还提供了一种水处理加药数字化在线控制方法，自动采集原水的监测信息，通过信号滤波器消除噪声影响，将得到的中低频信号传入信号输入子系统，根据当前各种药剂的投加量和原水流量、原水水质指标，训练并建立在线控制模型，再根据原水的实时监测信息，对药剂的投加量进行动态调整，确定各种药剂的最佳投加量，该方法包括以下步骤：

步骤1，原水通过原水浊度检测仪和原水流量监测仪，得到原水水质的数字信号和原水流量的数字信号，所述原水水质的数字信号和所述原水流量的数字信号进入信号滤波器，所述信号滤波器将这些含有噪声的数字信号采用提升小波算法进行滤波降噪处理，得到原水去噪信号，具体包括以下步骤：

步骤11，将数字信号进行预处理，剔除奇异点；

步骤12，采用提升格式的dbN小波函数对步骤11得到的数字信号进行分解，具体为：

根据数据之间的相关性，将数字信号分解成两个互不相交的偶数集c_j+1和奇数集d_j+1，即：

c_j+1＝c_j[2n]；

d_j+1＝c_j[2n+1]；

采用与所述偶数集、所述奇数集均不相关的预测算子P，用所述偶数集c_j+1预测所述奇数集d_j+1，所述偶数集c_j+1再减去预测值，得到预测误差，该预测误差即为小波系数d[n]，预测过程表示为：

d_j+1＝c_j[2n+1]-P(c_j+1)；

采用更新算子U产生一个保持原数据特性的子集数据，产生过程表示为：

c_j+1＝c_j[2n]+U(d_j+1)；

步骤13，数字信号的重构，具体为：

采用步骤12相反的过程实现数字信号的重构，重构过程表示为：

将与噪声相应的高频细节信号有关部分置0，得到去噪的重构信号，完成滤波降噪处理；

步骤2，出水浊度检测仪对出水进行检测，得到所述出水水质的数字信号，将步骤1中得到的原水去噪信号、所述出水水质的数字信号作为控制参量，并将加药泵控制装置所需的加药量作为目标函数，将所述目标函数和所述控制参量同时输入在线控制器，利用BP神经网络算法进行学习训练，建立在线控制模型，具体包括以下步骤：

步骤21，将所述原水流量、所述出水流量的数字信号X＝(x₁,x₂,…x_n)^T作为输入向量，所述加药泵控制装置所需的加药量Y＝(y₁,y₂,…,y_m)^T作为输出向量，O＝(o₁,o₂,…o_l)^T作为隐含层的输出向量，d＝(d₁,d₂,…d_m)作为BP神经网络的期望输出向量，W＝(W₁,W₂,…W_n)作为输入层和所述隐含层之间的权值矩阵，V＝(V₁,V₂,…,V_l)作为所述隐含层和输出层之间的权值矩阵，对权值矩阵W和V赋予随机初值，将样本模式计数器p、训练次数计数器q均置为1，误差E置为0，给定最小误差E_min；

步骤22，输入训练样本，计算所述输入层、所述隐含层和所述输出层的输出，利用当前样本X^p、d^p，根据权值矩阵选取的初始权值，经过激励函数的转换，对向量数组X、d赋值，计算O和Y中的分量；

步骤23，计算网络输出误差，网络对应p对训练样本的不同误差为E^p；

步骤24，计算输入层、隐含层和输出层的误差信号，根据各层误差信号调整对应的权值，得到新的权值；

步骤25，判断所有的输入样本是否被训练过一次，如果都训练过则进行步骤26，否则进行步骤21；

步骤26，判断均方误差是否小于给定最小误差E_min，如果是则结束，得到BP神经网络模型，否则进行步骤21；

步骤3，将步骤2建立的BP神经网络模型导入反馈控制器，所述反馈控制器接收到所述原水流量、所述原水水质的数字信号，将该数字信号和所述出水水质的数字信号作为控制参量输入所述BP神经网络模型进行运算，得到当前状态所需的加药量；

步骤4，在线控制器接收并存储经所述信号滤波器滤波后的数字信号，将这些滤波后的数字信号的时间序列均值与未滤波的数字信号的时间序列均值进行比较，若偏离程度超过阈值，所述在线控制器根据当前的时间序列重新建立BP神经网络模型，并将该BP神经网络模型再次导入所述反馈控制器后重新进行步骤3，根据实时的原水水质和原水流量调整当前状态的加药量；

步骤5，所述反馈控制器将步骤4得到的加药量输入加药泵控制装置，自动调节加药阀门来控制实时加药量。

本发明的有益效果为：

1、突破了传统控制系统对于原始采集信号的直接运算，而是将原水检测、监测信号作为时间序列采用小波算法进行消噪处理，以达到将原水的动态规律更加清晰、更加白化、更加准确获取原水的数字化在线特征，具有重大的工程应用价值；

2、研究了原水、出水与各种药剂加药最优量的时间序列，对其内在的因果关系利用自组织神经网络进行了学习训练，提出了确定加药最优量的建模原理，克服了系统非线性、时变性、变结构等复杂问题的影响，更加合理的寻找出原水流量质量、出水要求与加药量三者之间的一般规律，为准确实时投药、提高控制系统的稳定性和适应性提供了一种新方法；

3、该系统的反馈控制器实时采集原水检测、监测信息，按照在线控制器建立的神经网络模型，及时输出当前加药最优量，减少了系统的调节时间，保证了投药的精准和及时，大大节约了生产成本，降低了工人劳动强度，并可通过阈值的调节，在保证出水达标的前提下尽量减少投放量；

4、实现了水处理加药过程的数字化在线控制，将水质、流量、投药量转化为有效数字信号进行处理，通过建立的数学模型在线寻优，输出信号控制投药泵的加药最优量，是出水指标在合格范围内，从而达到无人操作的加药系统，具有非常广阔的应用和市场前景。

附图说明

图1为本发明实施例所述的一种水处理加药数字化在线控制系统的结构示意图；

图2为采用图1进行在线控制的控制方法的流程示意图；

图3为图2中步骤1的具体流程示意图；

图4为图2中步骤2的具体流程示意图。

具体实施方式

下面通过具体的实施例并结合附图对本发明做进一步的详细描述。

实施例1，如图1所示，本发明实施例所述的一种水处理加药数字化在线控制系统，包括原水浊度检测仪、原水流量监测仪、信号滤波器、在线控制器、反馈控制器、加药泵控制装置、出水检测仪构成，信号滤波器将原水水质、原水流量的监测信号进行滤波降噪处理，消除外界干扰因素的影响；在线控制器是整个系统的核心，完成BP神经网络模型的运算、存储数据并发出控制信号；反馈控制器通过接收实时的滤波信号，按照在线控制器发出的控制信号，确定当前加药的最优量；加药泵控制装置在线接收反馈控制器指令，执行各种药剂的实时定量投放。

其中，

原水浊度检测仪的输入端进入原水，原水浊度检测仪的输出端与信号滤波器的第一输入端连接，用于检测原水的水质，得到原水水质的数字信号。

原水流量监测仪的输入端进入原水，原水流量监测仪的输出端与信号滤波器的第二输入端连接，原水流量监测仪用于检测原水的流量，得到原水流量的数字信号。

信号滤波器的第一输入端与的输出端连接，信号滤波器的第二输入端与原水流量监测仪的输出端连接，信号滤波器的第一输出端与反馈控制器的第一输入端，信号滤波器的第二输出端与在线控制器的第一输入端连接，信号滤波器将原水水质的数字信号和原水流量的数字信号进行滤波降噪处理，消除外界干扰因素的影响，得到滤波信号。

在线控制器的第一输入端与信号滤波器的第二输出端连接，在线控制器的第二输入端与出水浊度检测仪的输入端连接，在线控制器的输出端与反馈控制器的第二输入端连接，在线控制器完成BP神经网络模型的运算、存储数据并发出控制信号。

反馈控制器的第一输入端与信号滤波器的第一输出端连接，反馈控制器的第二输入端与在线控制器的输出端连接，反馈控制器的输出端与加药泵控制装置的输入端连接，反馈控制器接收信号滤波器发出的滤波信号，按照在线控制器发出的控制信号，确定加药泵控制装置所需的加药量，并给加药泵控制装置下发加药指令。

加药泵控制装置的输入端与反馈控制器的输出端连接，加药泵控制装置的输出端输出的药剂与原水混合后得到出水，加药泵控制装置在线接收反馈控制器的加药指令，执行各种药剂的实时定量投放。

出水浊度检测仪的输入端与在线控制器的第二输入端连接，出水浊度检测仪输出出水，出水浊度检测仪用于检测出水的水质，得到出水水质的数字信号。

实施例2，如图2所示，本发明还提供了一种利用水处理加药数字化在线控制系统进行在线控制的控制方法，自动采集原水的监测信息，通过信号滤波器消除噪声影响，将得到的中低频信号传入信号输入子系统，根据当前各种药剂的投加量和原水流量、原水水质指标，训练并建立在线控制模型，再根据原水的实时监测信息，对药剂的投加量进行动态调整，确定各种药剂的最佳投加量，该方法包括以下步骤：

步骤1，原水通过原水浊度检测仪和原水流量监测仪，得到原水水质的数字信号和原水流量的数字信号，原水水质的数字信号和原水流量的数字信号进入信号滤波器，信号滤波器将这些含有噪声的数字信号采用提升小波算法进行滤波降噪处理，得到原水去噪信号，如图3所示，具体包括以下步骤：

步骤11，将数字信号进行预处理，剔除奇异点；

步骤12，采用提升格式的dbN小波函数对步骤11得到的数字信号进行分解，具体为：

根据数据之间的相关性，将数字信号分解成两个互不相交的偶数集c_j+1和奇数集d_j+1，即：

c_j+1＝c_j[2n]；

d_j+1＝c_j[2n+1]；

采用与偶数集、奇数集均不相关的预测算子P，用偶数集c_j+1预测奇数集d_j+1，偶数集c_j+1再减去预测值，得到预测误差，该预测误差即为小波系数d[n]，预测过程表示为：

d_j+1＝c_j[2n+1]-P(c_j+1)；

采用更新算子U产生一个保持原数据特性的子集数据，产生过程表示为：

c_j+1＝c_j[2n]+U(d_j+1)；

步骤13，数字信号的重构，具体为：

采用步骤12相反的过程实现数字信号的重构，重构过程表示为：

将与噪声相应的高频细节信号有关部分置0，得到去噪的重构信号，完成滤波降噪处理；

步骤2，出水浊度检测仪对出水进行检测，得到出水水质的数字信号，将步骤1中得到的原水去噪信号、出水水质的数字信号作为控制参量，并将加药泵控制装置所需的加药量作为目标函数，将目标函数和控制参量同时输入在线控制器，利用BP神经网络算法进行学习训练，建立在线控制模型，如图4所示，具体包括以下步骤：

步骤21，将原水流量、出水流量的数字信号X＝(x₁,x₂,…x_n)^T作为输入向量，加药泵控制装置所需的加药量Y＝(y₁,y₂,…,y_m)^T作为输出向量，O＝(o₁,o₂,…o_l)^T作为隐含层的输出向量，d＝(d₁,d₂,…d_m)作为BP神经网络的期望输出向量，W＝(W₁,W₂,…W_n)作为输入层和隐含层之间的权值矩阵，V＝(V₁,V₂,…,V_l)作为隐含层和输出层之间的权值矩阵，对权值矩阵W和V赋予随机初值，将样本模式计数器p、训练次数计数器q均置为1，误差E置为0，给定最小误差E_min；

步骤22，输入训练样本，计算输入层、隐含层和输出层的输出，利用当前样本X^p、d^p，根据权值矩阵选取的初始权值，经过激励函数的转换，对向量数组X、d赋值，计算O和Y中的分量；

步骤23，计算网络输出误差，网络对应p对训练样本的不同误差为E^p；

步骤24，计算输入层、隐含层和输出层的误差信号，根据各层误差信号调整对应的权值，得到新的权值；

步骤25，判断所有的输入样本是否被训练过一次，如果都训练过则进行步骤26，否则进行步骤21；

步骤26，判断均方误差是否小于给定最小误差E_min，如果是则结束，得到BP神经网络模型，否则进行步骤21；

步骤3，将步骤2建立的BP神经网络模型导入反馈控制器，反馈控制器接收到原水流量、原水水质的数字信号，将该数字信号和出水水质的数字信号作为控制参量输入BP神经网络模型进行运算，得到当前状态所需的加药量；

步骤4，在线控制器接收并存储经信号滤波器滤波后的数字信号，将这些滤波后的数字信号的时间序列均值与未滤波的数字信号的时间序列均值进行比较，若偏离程度超过阈值，在线控制器根据当前的时间序列重新建立BP神经网络模型，并将该BP神经网络模型再次导入反馈控制器后重新进行步骤3，根据实时的原水水质和原水流量调整当前状态的加药量；

步骤5，反馈控制器将步骤4得到的加药量输入加药泵控制装置，自动调节加药阀门来控制实时加药量。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种水处理加药数字化在线控制系统，其特征在于，包括：

原水浊度检测仪，其输入端进入原水，所述原水浊度检测仪的输出端与信号滤波器的第一输入端连接，所述原水浊度检测仪用于检测所述原水的水质，得到原水水质的数字信号；

原水流量监测仪，其输入端进入原水，所述原水流量监测仪的输出端与所述信号滤波器的第二输入端连接，所述原水流量监测仪用于检测所述原水的流量，得到原水流量的数字信号；

信号滤波器，其第一输出端与反馈控制器的第一输入端，所述信号滤波器的第二输出端与在线控制器的第一输入端连接，所述信号滤波器将所述原水水质的数字信号和所述原水流量的数字信号进行滤波降噪处理，消除外界干扰因素的影响，得到滤波信号；

在线控制器，其第二输入端与出水浊度检测仪的输入端连接，所述在线控制器的输出端与反馈控制器的第二输入端连接，所述在线控制器完成BP神经网络模型的运算、存储数据并发出控制信号；

反馈控制器，其输出端与加药泵控制装置的输入端连接，所述反馈控制器接收所述信号滤波器发出的滤波信号，按照所述在线控制器发出的控制信号，确定所述加药泵控制装置所需的加药量，并给所述加药泵控制装置下发加药指令；

加药泵控制装置，其输出端输出的药剂与原水混合后得到出水，所述加药泵控制装置在线接收所述反馈控制器的加药指令，执行各种药剂的实时定量投放；

出水浊度检测仪，其输出出水，所述出水浊度检测仪用于检测所述出水的水质，得到出水水质的数字信号。

2.一种利用如权利要求1所述的控制系统进行在线控制的控制方法，其特征在于，自动采集原水的监测信息，通过信号滤波器消除噪声影响，将得到的中低频信号传入信号输入子系统，根据当前各种药剂的投加量和原水流量、原水水质指标，训练并建立在线控制模型，再根据原水的实时监测信息，对药剂的投加量进行动态调整，确定各种药剂的最佳投加量，该方法包括以下步骤：

步骤1，原水通过原水浊度检测仪和原水流量监测仪，得到原水水质的数字信号和原水流量的数字信号，所述原水水质的数字信号和所述原水流量的数字信号进入信号滤波器，所述信号滤波器将这些含有噪声的数字信号采用提升小波算法进行滤波降噪处理，得到原水去噪信号，具体包括以下步骤：

步骤11，将数字信号进行预处理，剔除奇异点；

步骤12，采用提升格式的dbN小波函数对步骤11得到的数字信号进行分解，具体为：

根据数据之间的相关性，将数字信号分解成两个互不相交的偶数集c_j+1和奇数集d_j+1，即：

c_j+1＝c_j[2n]；

d_j+1＝c_j[2n+1]；

采用与所述偶数集、所述奇数集均不相关的预测算子P，用所述偶数集c_j+1预测所述奇数集d_j+1，所述偶数集c_j+1再减去预测值，得到预测误差，该预测误差即为小波系数d[n]，预测过程表示为：

d_j+1＝c_j[2n+1]-P(c_j+1)；

采用更新算子U产生一个保持原数据特性的子集数据，产生过程表示为：

c_j+1＝c_j[2n]+U(d_j+1)；

步骤13，数字信号的重构，具体为：

采用步骤12相反的过程实现数字信号的重构，重构过程表示为：

<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <msubsup> <mi>c</mi> <mrow> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <msub> <mi>c</mi> <mrow> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <mi>U</mi> <mo>(</mo> <msub> <mi>d</mi> <mrow> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mtd> </mtr> <mtr> <mtd> <msubsup> <mi>d</mi> <mrow> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <msub> <mi>d</mi> <mrow> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <mi>P</mi> <mo>(</mo> <msub> <mi>c</mi> <mrow> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mtd> </mtr> <mtr> <mtd> <msub> <mi>c</mi> <mi>j</mi> </msub> <mo>=</mo> <mi>m</mi> <mi>e</mi> <mi>r</mi> <mi>g</mi> <mi>e</mi> <mo>(</mo> <msubsup> <mi>c</mi> <mrow> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>,</mo> <msubsup> <mi>d</mi> <mrow> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>)</mo> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>

将与噪声相应的高频细节信号有关部分置0，得到去噪的重构信号，完成滤波降噪处理；

步骤2，出水浊度检测仪对出水进行检测，得到所述出水水质的数字信号，将步骤1中得到的原水去噪信号、所述出水水质的数字信号作为控制参量，并将加药泵控制装置所需的加药量作为目标函数，将所述目标函数和所述控制参量同时输入在线控制器，利用BP神经网络算法进行学习训练，建立在线控制模型，具体包括以下步骤：

步骤21，将所述原水流量、所述出水流量的数字信号X＝(x₁,x₂,…x_n)^T作为输入向量，所述加药泵控制装置所需的加药量Y＝(y₁,y₂,…,y_m)^T作为输出向量，O＝(o₁,o₂,…o_l)^T作为隐含层的输出向量，d＝(d₁,d₂,…d_m)作为BP神经网络的期望输出向量，W＝(W₁,W₂,…W_n)作为输入层和所述隐含层之间的权值矩阵，V＝(V₁,V₂,…,V_l)作为所述隐含层和输出层之间的权值矩阵，对权值矩阵W和V赋予随机初值，将样本模式计数器p、训练次数计数器q均置为1，误差E置为0，给定最小误差E_min；

步骤22，输入训练样本，计算所述输入层、所述隐含层和所述输出层的输出，利用当前样本X^p、d^p，根据权值矩阵选取的初始权值，经过激励函数的转换，对向量数组X、d赋值，计算O和Y中的分量；

步骤23，计算网络输出误差，网络对应p对训练样本的不同误差为E^p；

步骤24，计算输入层、隐含层和输出层的误差信号，根据各层误差信号调整对应的权值，得到新的权值；

步骤25，判断所有的输入样本是否被训练过一次，如果都训练过则进行步骤26，否则进行步骤21；

步骤26，判断均方误差是否小于给定最小误差E_min，如果是则结束，得到BP神经网络模型，否则进行步骤21；

步骤3，将步骤2建立的BP神经网络模型导入反馈控制器，所述反馈控制器接收到所述原水流量、所述原水水质的数字信号，将该数字信号和所述出水水质的数字信号作为控制参量输入所述BP神经网络模型进行运算，得到当前状态所需的加药量；

步骤4，在线控制器接收并存储经所述信号滤波器滤波后的数字信号，将这些滤波后的数字信号的时间序列均值与未滤波的数字信号的时间序列均值进行比较，若偏离程度超过阈值，所述在线控制器根据当前的时间序列重新建立BP神经网络模型，并将该BP神经网络模型再次导入所述反馈控制器后重新进行步骤3，根据实时的原水水质和原水流量调整当前状态的加药量；

步骤5，所述反馈控制器将步骤4得到的加药量输入加药泵控制装置，自动调节加药阀门来控制实时加药量。