CN106769748B - 膜生物反应器-mbr出水透水率的智能检测系统 - Google Patents

Abstract

膜生物反应器‑MBR出水透水率智能检测系统属于污水处理水质参数在线检测领域。本发明基于功能需求设计了MBR膜污水处理过程智能检测系统，将出水透水率智能检测系统硬件平台、操作软件以及出水透水率软测量技术进行集成，形成完整的透水率智能检测系统；该智能检测系统能够快速、准确地预测膜处理污水过程出水透水率的大小，弥补了国内外膜处理污水过程出水透水率实时检测的空白。

Description

膜生物反应器-MBR出水透水率的智能检测系统

技术领域

本发明属于污水处理水质参数智能检测领域，首次搭建了针对膜生物反应器-MBR出水透水率的智能检测系统。该系统包括搭建完整的出水透水率智能检测系统硬件平台以及出水透水率智能检测系统设计和软硬件功能集成开发，并实现出水透水率的在线智能检测与检测结果的实时显示。

背景技术

中国拥有全世界21％的人口，但只有全世界7％的淡水资源。中国人均水资源量只有100立方米，是世界平均水平的1.25％左右。在水资源紧缺的背景下，提高工业用水效率，降低工业对水资源过量消耗成为生态文明建设的必然要求。2015年4月出台的《水污染防治行动计划》(水十条)规定，到2020年全国万元工业增加值用水量要比2013年下降30％以上；抓好工业节水，制定国家鼓励和淘汰的用水技术、工艺、产品和设备目录，完善高耗水行业取用水定额标准。加强污水再生利用，成为解决水资源紧缺问题的途径。

近年来，随着膜技术的不断成熟，膜技术在工业废水处理中应用的越来越广泛。与传统工艺相比，膜技术在工业废水处理领域优势十分明显，包括实现资源回收、提高用水效率、从源头解决废水污染、节省药剂和土地等。MBR是一种由活性污泥法与膜分离技术相结合的新型水处理技术。MBR以膜组件取代传统生物处理技术末端二沉池，在生物反应器中保持高活性污泥浓度，提高生物处理有机负荷，从而减少污水处理设施占地面积，并通过保持低污泥负荷减少剩余污泥量。主要利用沉浸于好氧生物池内膜分离设备截留槽内的活性污泥与大分子有机物。MBR的特点包括污染物去除率高，出水水质好且稳定、污泥浓度高、占地面积小、运行灵活、自动化程度高等。其中，膜污染是膜技术运行中间需要关持久关注的话题，膜在过滤污水过程中，截流分离的污染物必定对膜产生污染，控制膜污染的手段会增加能耗。膜要不断地清洗，就会带来价格成本增加，也会影响运行成本。

因此预测未来一段时间内膜的污染趋势具有很大的现实意义，根据我们多年来的研究与调查发现，采用基于神经网络的软测量技术可以实现膜处理污水过程中出水透水率准确、实时的检测，同时能大幅节省污水处理厂成本，但国内外针对出水透水率的智能检测系统，尚未形成完整的理论体系，基于智能手段的出水透水率检测系统在国内外尚属空白。因此，基于智能方法搭建出水透水率智能检测系统，在填补国内外技术空白与整合污水处理产业链等方面，具有很高的开发及应用价值。

发明内容

1.膜生物反应器-MBR出水透水率智能检测系统

其特征在于，包括以下步骤：

(1)膜生物反应器-MBR出水透水率智能检测系统以实现出水透水率在线预测为目标，根据膜处理污水过程复杂的特性，提出依次由采集仪表、数据处理服务器、出水透水率预测服务器构成的系统框架，其中采集仪表和数据处理服务器的连接接口采用RS232通信标准，数据处理服务器和出水透水率预测服务器之间使用USB传输线进行数据的传输；

数据处理服务器具有数据存储以及和其它信息系统进行数据交换、共享的能力，通过采集来自流量仪、ORP检测仪、硝酸盐检测仪和压力器的过程变量数据，实现数据的采集，通过通信接口将采集的数据传送给出水透水率预测系统服务器，实现数据的传递；

出水透水率预测系统服务器可结合上传的实时数据做出透水率的预测曲线；出水透水率预测系统服务器以C/S(Client/Server)方式从数据处理服务器中获取相应的过程变量数据进行预测，并以B/S(Browser/Server)方式通过Web服务器向水厂的其他工作管理人员发布污水实际运行变量数据以及预测结果，同时出水透水率预测系统服务器也是显示平台，可实时显示未来一段时间内出水透水率的预测曲线；

其中预测系统服务器中基于人工智能的软测量模块，利用已采集的过程变量数据，通过模糊神经网络和神经网络LM算法，实现对出水透水率未来一段时间内的预测；膜生物反应器-MBR出水透水率的软测量模块，其特征在于，包括以下步骤：

(2)确定目标变量和特征变量；以膜生物反应器-MBR污水处理系统为研究对象，对水质数据进行特征分析，提取产水流量、产水压力、单池膜擦洗气量、厌氧区ORP和好氧区硝酸盐作为特征变量，以透水率作为目标变量；

(3)建立透水率软测量模型；利用模糊神经网络设计MBR处理污水过程中预测透水率的软测量模型，透水率软测量模型的拓扑结构分为四层：输入层、RBF层、归一化层、输出层；拓扑结构为5-R-R-1的连接方式，输入层与RBF层之间的连接权值为1，归一化层与输出层之间的连接权值随机赋值，赋值区间[-1,1]，模糊神经网络的期望输出表示为y_d(t)，实际输出表示为y(t)；基于模糊神经网络的透水率的软测量方法计算依次为：

①输入层：该层由5个神经元组成，其输出为，

x(t)＝[x₁(t),x₂(t),…,x₅(t)]^T (1)

其中，x(t)表示t时刻输入层的输出，x₁(t)表示t时刻产水流量的值、x₂(t)表示t时刻产水压力的值、x₃(t)表示t时刻单池膜擦洗气量的值、x₄(t)表示t时刻厌氧区ORP的值、x₅(t)表示t时刻好氧区硝酸盐的值；

②RBF层：该层由R个神经元组成，每个神经元的输出为，

其中是t时刻RBF层第j个神经元的输出，c_j(t)为t时刻第j个RBF层神经元的中心向量，c_j(t)＝[c_1j(t),c_2j(t),…,c_ij(t)]，i＝1,2，…5，c_ij(t)表示RBF层t时刻第j个神经元中心值的第i个元素，/>为t时刻第j个RBF层神经元的宽度向量，/> d_ij(t)表示RBF层t时刻第j个神经元宽度值的第i个元素；

③归一化层：该层的神经元个数和RBF层相同，为R个，每个神经元的输出为，

其中v_j(t)是t时刻归一化层第j个神经元的输出，是t时刻RBF层第j个神经元的输出，/>为RBF输出之和；

④输出层：输出层输出为透水率软测量模型的实际输出，

y(t)是t时刻输出神经元的输出，w_j(t)表示t时刻归一化层第j个神经元与输出神经元之间的权值，定义模糊神经网络软测量模型输出y(t)与期望输出y_d(t)的误差函数e(t)为：

e(t)＝y_d(t)-y(t) (5)

(4)MBR透水率软测量模型校正，过程如下：

①给定神经网络RBF层与规则层神经元个数R，R为自然数，R通过经验法确定，透水率的软测量模型的训练输入为x(1)，x(2)，…，x(t)，…，x(N)，对应的期望输出y_d(1)，y_d(2)，…，y_d(t)，…，y_d(N)，软测量模型的训练样本为N组，期望误差设为E_d，迭代步数设为s，计算代价函数值E(t)，定义停止标准，当E(t)<E_d，令t＝0；

定义网络的代价函数E(t)，

②设置学习步数s＝s+1；计算出膜透水率智能特征模型输出y(t)，误差e(t)，计算向量J(t)，其中，

拟海瑟矩阵Q(t)计算公式为，

Q(t)＝J^T(t)J(t) (8)

梯度向量g(t)计算公式为，

g(t)＝J^T(t)e(t) (9)

其中，误差关于各个参数的偏导数计算如下；

计算误差关于中心的偏导数

计算误差关于宽度的偏导数

计算误差关于权值的偏导数

③采用自适应二阶算法更新模糊神经网络的参数，

Δ(t+1)＝Δ(t)+(Q(t)+λ(t)I)^-1g(t) (13)

其中，Δ＝[w₁(t)，…w_R(t)，c₁₁(t)，…c₅₁(t)，…，c_1j(t)，…c_5j(t)，…c_1R(t)，…c_5R(t)，d₁₁(t)，…d₅₁(t)…，d_1j(t)，…d_5j(t)，…d_1R(t)，…d_5R(t)]，w_j(t)表示t时刻归一化层第j个神经元与输出神经元之间的权值，c_ij(t)是RBF层的中心，d_ij(t)是RBF层的宽度；

其中，自适应学习率λ(t)为，

λ(t)＝θ||e(t)||+(1-θ)||g(t)|| (14)

0<θ<1是实参数，e(t)是误差向量；

④计算代价函数E(t)，当满足精度E(t)<E_d，迭代停止，否则跳转到步骤②；

将测试样本数据作为训练后的模糊神经网络的输入，模糊神经网络的输出即为膜透水率的软测量值。

附图说明

图1为出水透水率智能检测系统整体架构图；

图2模糊神经网络结构图；

图3出水透水率软测量模型仿真误差曲线；

图4出水透水率软测量模型预测结果图，其中实线为出水透水率实际计算值，黑色为软测量模型的预测值；

图5出水透水率智能检测系统集成架构图；

具体实施方式

(1)出水透水率智能检测系统设计与软硬件功能集成的具体实施

MBR透水率智能检测系统设计和软硬件功能集成开发；本发明创新的关键是搭建和开发完整的系统构架并实现实际应用；检测系统包括数据采集模块、数据传输模块、数据存储模块和人机交互模块，并且这些模块主要体现在数据的获取、传输、存储和显示中，该过程主要涉及了设备、总线、网络和服务器之间的接口设置，服务器界面和后台程序的链接设置，以及数据处理服务器和实际检测仪表的数据传输设置；出水透水率预测系统服务器主要实现对透水率预测过程的实时检测和管理，从界面预测透水率的大小，并将透水率的变化及时反馈客户端，开发的透水率智能检测系统可实现的主要功能包括①对透水率相关参数的查询、②透水率软测量模型基本参数的设定、③显示未来一段时间内透水率的预测曲线

本发明采用软件行业中的构件技术把透水率软测量模型封装为功能模块，增强了模型的复用性，弥补国内外透水率智能检测技术向实际系统操作中人机交互界面推广的空白；本发明采用.NET平台进行软件开发，便于创建ActiveX控件，扩大了软件的可使用环境范围；采用现场总线(Profibus-DP)技术建立全流程系统通讯网络，实现各模块间信息传递；同时本发明提出的透水率智能检测系统实现了中控室和现场各个数据采集点的连接，构成了集中管理的预测系统，系统的拓展容易，各部分功能独立，可以根据实际预测需要增加软、硬件模块并与其它系统进行融合，可实现系统的稳定性和可靠性并保证了透水率的预测精度。

(2)出水透水率软测量技术研究的具体实施

①通过安置在工艺现场的在线检测仪表采集输入变量，需采集的变量的包括5种，参数信息及采集位置如表1所示。

表1采集的过程变量类型

②使用模糊神经网络建立出水透水率的软测池量模型，采用实时采集的数据对模糊神经网络进行训练和测试。选择80组数据进行测试。采集的数据如表2所示。

③对建立的出水透水率软测量模型进行校正，得到的仿真误差曲线图和预测结果图分别为图4、图5所示。

表2软测量模型测试数据

Claims (1)

1.膜生物反应器-MBR出水透水率智能检测系统，其特征在于：

由采集仪表、数据处理服务器、出水透水率预测服务器构成的系统框架，其中采集仪表和数据处理服务器的连接接口采用RS232通信标准，数据处理服务器和出水透水率预测服务器之间使用USB传输线进行数据的传输；

数据处理服务器具有数据存储以及和其它信息系统进行数据交换、共享的能力，通过采集来自流量仪、ORP检测仪、硝酸盐检测仪和压力器的过程变量数据，实现数据的采集，通过通信接口将采集的数据传送给出水透水率预测系统服务器，实现数据的传递；

出水透水率预测系统服务器结合上传的实时数据做出透水率的预测曲线；出水透水率预测系统服务器以C/S即Client/Server方式从数据处理服务器中获取相应的过程变量数据进行预测，并以B/S即Browser/Server方式通过Web服务器发布污水实际运行变量数据以及预测结果，同时出水透水率预测系统服务器也是显示平台，可实时显示未来一段时间内出水透水率的预测曲线；

其中出水透水率预测系统服务器中基于人工智能的软测量模块，利用已采集的过程变量数据，通过模糊神经网络和神经网络LM算法，实现对出水透水率未来一段时间内的预测；具体包括以下步骤：

(2)确定目标变量和特征变量；以膜生物反应器-MBR污水处理系统为研究对象，对水质数据进行特征分析，提取产水流量、产水压力、单池膜擦洗气量、厌氧区ORP和好氧区硝酸盐作为特征变量，以透水率作为目标变量；

(3)建立透水率软测量模型；利用模糊神经网络设计MBR处理污水过程中预测透水率的软测量模型，透水率软测量模型的拓扑结构分为四层：输入层、RBF层、归一化层、输出层；拓扑结构为5-R-R-1的连接方式，输入层与RBF层之间的连接权值为1，归一化层与输出层之间的连接权值随机赋值，赋值区间[-1,1]，模糊神经网络的期望输出表示为y_d(t)，实际输出表示为y(t)；基于模糊神经网络的透水率的软测量方法计算依次为：

①输入层：该层由5个神经元组成，其输出为，

x(t)＝[x₁(t),x₂(t),…,x₅(t)]^T (1)

其中，x(t)表示t时刻输入层的输出，x₁(t)表示t时刻产水流量的值、x₂(t)表示t时刻产水压力的值、x₃(t)表示t时刻单池膜擦洗气量的值、x₄(t)表示t时刻厌氧区ORP的值、x₅(t)表示t时刻好氧区硝酸盐的值；

②RBF层：该层由R个神经元组成，每个神经元的输出为，

其中是t时刻RBF层第j个神经元的输出，c_j(t)为t时刻第j个RBF层神经元的中心向量，c_j(t)＝[c_1j(t),c_2j(t),…,c_ij(t)]，i＝1,2，…5，c_ij(t)表示RBF层t时刻第j个神经元中心值的第i个元素，Г^- _j ¹为t时刻第j个RBF层神经元的宽度向量，d_ij(t)表示RBF层t时刻第j个神经元宽度值的第i个元素；

③归一化层：该层的神经元个数和RBF层相同，为R个，每个神经元的输出为，

其中v_j(t)是t时刻归一化层第j个神经元的输出，是t时刻RBF层第j个神经元的输出，/>为RBF输出之和；

④输出层：输出层输出为透水率软测量模型的实际输出，

y(t)是t时刻输出神经元的输出，w_j(t)表示t时刻归一化层第j个神经元与输出神经元之间的权值，定义模糊神经网络软测量模型输出y(t)与期望输出y_d(t)的误差函数e(t)为：

e(t)＝y_d(t)-y(t) (5)

(4)MBR透水率软测量模型校正，过程如下：

①给定神经网络RBF层与规则层神经元个数R，R为自然数，R通过经验法确定，透水率的软测量模型的训练输入为x(1)，x(2)，…，x(t)，…，x(N)，对应的期望输出y_d(1)，y_d(2)，…，y_d(t)，…，y_d(N)，软测量模型的训练样本为N组，期望误差设为E_d，迭代步数设为s，计算代价函数值E(t)，定义停止标准，当E(t)<E_d，令t＝0；

定义网络的代价函数E(t)，

②设置学习步数s＝s+1；计算出膜透水率智能特征模型输出y(t)，误差e(t)，计算向量J(t)，其中，

拟海瑟矩阵Q(t)计算公式为，

Q(t)＝J^T(t)J(t) (8)

梯度向量g(t)计算公式为，

g(t)＝J^T(t)e(t) (9)

其中，误差关于各个参数的偏导数计算如下；

计算误差关于中心的偏导数

计算误差关于宽度的偏导数

计算误差关于权值的偏导数

③采用自适应二阶算法更新模糊神经网络的参数，

Δ(t+1)＝Δ(t)+(Q(t)+λ(t)I)^-1g(t) (13)

其中，Δ＝[w₁(t)，…w_R(t)，c₁₁(t)，…c₅₁(t)，…，c_1j(t)，…c_5j(t)，…c_1R(t)，…c_5R(t)，d₁₁(t)，…d₅₁(t)…，d_1j(t)，…d_5j(t)，…d_1R(t)，…d_5R(t)]，w_j(t)表示t时刻归一化层第j个神经元与输出神经元之间的权值，c_ij(t)是示RBF层t时刻第j个神经元中心值的第i个元素，表示RBF层t时刻第j个神经元宽度值的第i个元素；

其中，自适应学习率λ(t)为，

λ(t)＝θ||e(t)||+(1-θ)||g(t)|| (14)

0<θ<1是实参数，e(t)是误差函数；

④计算代价函数E(t)，当满足精度E(t)<E_d，迭代停止，否则跳转到步骤②；

将测试样本数据作为训练后的模糊神经网络的输入，模糊神经网络的输出即为膜透水率的软测量值。