CN107908111A - 一种基于bp神经网络的污泥脱水系统的计算机控制方法 - Google Patents

Abstract

本发明公开了一种基于BP神经网络的污泥脱水系统的计算机控制方法，包括：按采样周期，采集进入污泥脱水机絮凝搅拌装置的污泥含水率W₁、污泥量Q，絮凝剂溶液的浓度C以及泥饼含水率W₂；依次将污泥含水率W₁、污泥量Q、絮凝剂溶液的浓度C以及泥饼含水率W₂进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄}；其中，x₁为污泥含水率系数，x₂为污泥量系数，x₃为污泥温度系数，x₄为泥饼含水率系数；输入层向量映射到中间层，中间层向量y＝{y₁,y₂,…,y_m}；得到输出层向量z＝{z₁,z₂,z₃,z₄}；其中，z₁为污泥脱水电机的转速调节系数，z₂为加药泵的流量调节系数，z₃为污泥泵流量调节系数，z₄为絮凝搅拌装置的转速调节系数。本发明提供的基于BP神经网络的污泥脱水系统的计算机控制方法，能够提高污泥脱水系统的处理效率。

Description

一种基于BP神经网络的污泥脱水系统的计算机控制方法

技术领域

本发明属于污泥脱水系统自动控制技术领域，特别涉及一种基于BP神经网络的污泥脱水系统的计算机控制方法。

背景技术

随着我国经济的迅速发展和对环境保护的重视，污水处理厂和污水处理站的数量逐年增多，伴随产生的污泥量也与日剧增。除污水处理厂的剩余底泥外，受到工业废水污染的河道、湖泊、水库的污染底泥是水体持续污染的原因之一。污泥含水量高、易腐烂、成分复杂、含有毒、有害、难降解的有机物及重金属等。污泥含水量高，体积很大，且呈流动性。无论是污泥填埋还是资源化利用，污泥脱水都是其中重要环节之一。经污泥脱水处理后，污泥体积减至原来的十几分之一，且由液态转化成固态，便于运输和消纳。

现有污泥脱水技术中一般先将污泥脱水至80％，使污泥体积大幅度减小后，再进一步进行深度脱水或干化处理，污泥脱水效果直接决定后续工艺的负荷。目前，污泥脱水系统已经能够实现自动化控制，但一般只能根据最初测定的污泥状况，按设定好系统的运行参数运行，在发现脱水效果差时再进行人工调节。而污水处理厂在实际污水处理过程中，因污水性质、温度等情况持续变化，导致污泥的性质也会相应发生变化，污泥脱水系统的脱水效果也并不稳定。而因人工调节的限制性，无法使污泥脱水系统一直处于最佳运行状态，造成絮凝剂浪费，泥饼含水率不达标。

发明内容

本发明的目的是提供一种基于BP神经网络的污泥脱水系统的计算机控制方法，其能够根据污泥性质及污泥的处理效果实时调节污泥脱水系统的运行参数，使污泥脱水系统达到最佳运行状态，提高污泥脱水系统的处理效率。

本发明提供的技术方案为：

一种基于BP神经网络的污泥脱水系统的计算机控制方法，包括以下步骤：

步骤1：按照采样周期，采集进入污泥脱水机絮凝搅拌装置的污泥含水率W₁、污泥量Q，絮凝剂溶液的浓度C以及泥饼含水率W₂；

步骤2：依次将污泥含水率W₁、污泥量Q、絮凝剂溶液的浓度C以及泥饼含水率W₂进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄}；其中，x₁为污泥含水率系数，x₂为污泥量系数，x₃为污泥温度系数，x₄为泥饼含水率系数；

步骤3：所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_m}；m为中间层节点个数；

步骤4：得到输出层向量z＝{z₁,z₂,z₃,z₄}；其中，z₁为污泥脱水电机的转速调节系数，z₂为加药泵的流量调节系数，z₃为污泥泵流量调节系数，z₄为絮凝搅拌装置的转速调节系数，使

n_i+1＝z₁ ⁱn_max，

q_i+1＝z₂ ⁱq_max，

q′_i+1＝z₃ ⁱq′_max，

n′_i+1＝z₄ ⁱn′_max，

其中，z₁ ⁱ、z₂ ⁱ、z₃ ⁱ、z₄ ⁱ分别为第i个采样周期输出层向量参数，n_max、q_max、q′_max、n′_max分别为设定脱水电机的最大转速、加药泵的最大流量、污泥泵的最大流量、絮凝搅拌装置的最大转速，n_i+1、q_i+1、q′_i+1、n′_i+1分别为第i+1个采样周期的脱水电机的转速、加药泵的流量、污泥泵的流量、絮凝搅拌装置的转速。

优选的是，所述絮凝剂溶液的浓度C根据污泥温度T及污泥含水率W₁进行调整：

当污泥温度T≤15℃，絮凝剂溶液的浓度C＝(3.79T^-0.43+2.36lnW₁)·C₀；

当污泥温度15＜T＜25℃，絮凝剂溶液的浓度C＝(2.98T^-0.34+5.79lnW₁)·C₀；

当污泥温度T≥25℃，絮凝剂溶液的浓度C＝(1+6.18lnW₁)·C₀；

其中，C₀为根据污泥性质及絮凝剂类型确定的絮凝剂配置浓度。

优选的是，絮凝剂配置浓度C₀为0.8～1.2g/L。

优选的是，在所述步骤2中，将污泥含水率W₁、污泥量Q、絮凝剂溶液的浓度C以及泥饼含水率W₂进行规格化的公式为：

其中，x_j为输入层向量中的参数，X_j分别代表测量参数W₁、Q、C、W₂，j＝1,2,3,4；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

优选的是，在所述步骤3中，初始运行状态下，脱水电机的转速、加药泵的流量、污泥泵的流量、絮凝搅拌装置的转速满足经验值：

n₀＝0.67n_max，

q₀＝0.67q_max，

q′₀＝0.70q′_max，

n′₀＝0.70n′_max，

其中，n₀、q₀、q′₀、n′₀分别为脱水电机的初始转速、加药泵的初始流量、污泥泵的初始流量、絮凝搅拌装置的初始转速；n_max、q_max、q′_max、n′_max分别为设定的脱水电机的最大转速、加药泵的最大流量、污泥泵的最大流量、絮凝搅拌装置的最大转速。

优选的是，在所述步骤3中，所述中间层节点个数m为4个。

优选的是，所述絮凝剂采用聚丙烯酰胺。

优选的是，所述污泥脱水系统采用叠螺式污泥脱水机。

优选的是，污泥脱水系统的处理量为100～600kg-DS/h。

本发明的有益效果是：本发明提供的基于BP神经网络的污泥脱水系统的计算机控制方法，能够根据污泥性质及污泥的处理效果实时调节污泥脱水系统的运行参数，使污泥脱水系统达到最佳运行状态，提高污泥脱水系统的处理效率。

附图说明

图1为本发明所述的污泥脱水系统示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

本发明提供了一种基于BP神经网络的污泥脱水系统的计算机控制方法，其能够根据污泥的性质及污泥的处理效果实时调节污泥脱水系统的运行参数，使污泥脱水系统达到最佳运行状态，从而提高污泥脱水系统的处理效率。

如图1所示，所述污泥脱水系统包括：污泥泵110，其采用螺杆泵或转子泵，所述污泥泵110设有变频装置，能够进行流量调节；污泥泵110通过管道吸取污泥池中的污泥，并将污泥通过进泥管输送至污泥脱水机200的絮凝搅拌装置的进泥口。所述进泥管道上设有污泥流量计120，其用于测定进入污泥脱水机200的流量Q。进泥管道上设有电磁流量调节阀130，用于辅助调节进泥量。自动配药装置310，其内部设有干粉投加装置及多级搅拌装置，搅拌装置分别设置在不同搅拌室中，自动配药装置310能够根据设定浓度自动进行絮凝剂的配置。为便于絮凝剂溶液浓度调节，最后一级搅拌室设有进水口，具有加水稀释功能，可将在前面搅拌室中配置的较高浓度的絮凝剂溶液进行稀释。所述污泥脱水系统采用聚丙烯酰胺作为絮凝剂，絮凝剂一般配置浓度C₀为0.8～1.2g/L。加药装置310通过管道连接加药泵320，为精确计量，本实施例中采用计量泵进行加药。加药泵320通过加药管道将絮凝剂溶液输送污泥脱水机200的加药口。所述加药管道上设置电磁流量调节阀330，用于辅助调节加药量；以及加药流量计340，用于测定加药量。本实施例中污泥脱水机200采用叠螺式污泥脱水机，其包括絮凝搅拌装置及脱水机本体，为一体式封闭结构，絮凝搅拌装置及脱水机本体通过内部管道连接。本实施例中，污泥脱水系统的处理量为100～600kg-DS/h。脱水机本体上设有脱水电机，其为变频减速电机，可通过调节电机转速来调节缩水机本体螺旋轴的转速。

加药口及进泥口均设置在絮凝搅拌装置上，在进泥口处设置污泥含水率监测传感器，用于监测进入污泥脱水系统的含水率W₁；在进泥口处设置温度传感器，用于监测污泥温度T；在加药口处设置絮凝剂浓度监测传感器，用于监测进入污泥脱水系统的絮凝剂溶液浓度C。在污泥脱水机的泥饼出口处设置泥饼含水率监测传感器，用于监测污泥脱水机脱水机排出的泥饼含水率W₂。

所述污泥脱水系统的计算机控制方法包括以下步骤：

步骤1：根据污泥性质及变化情况确定采样周期，根据温度传感器测定的污泥温度T及污泥含水率W₁，调整絮凝剂溶液的浓度C，具体包括：

当污泥温度T≤15℃，絮凝剂溶液的浓度C＝(3.79T^-0.43+2.36lnW₁)·C₀；

当污泥温度15＜T＜25℃，絮凝剂溶液的浓度C＝(2.98T^-0.34+5.79lnW₁)·C₀；

当污泥温度T≥25℃，絮凝剂溶液的浓度C＝(1+6.18lnW₁)·C₀；

其中，C₀为根据污泥性质及絮凝剂类型确定的絮凝剂配置浓度。

步骤2：建立BP神经网络模型；

本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出。第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定。第三层为输出层，共_p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入层向量：x＝(x₁,x₂,…,x_n)^T

中间层向量：y＝(y₁,y₂,…,y_m)^T

输出层向量：z＝(z₁,z₂,…,z_p)^T

本发明中，输入层节点数为n＝4，输出层节点数为p＝4。隐藏层节点数m由下式估算得出：

按照采样周期，输入的4个参数为：进入污泥脱水机絮凝搅拌装置的污泥含水率W₁、污泥量Q，絮凝剂溶液的浓度C以及泥饼含水率W₂；

由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入神经网络之前，需要将数据规格化为0-1之间的数。

具体而言，对于污泥含水率W₁，进行规格化后，得到污泥含水率系数x₁：

其中，W_1-min和W_1-max分别为污泥含水率最小值和最大值。

对污泥量Q，进行规格化后，得到污泥量系数x₂：

其中，Q_min和Q_max分别为进入污泥脱水系统的污泥量的最小值和最大值。

对絮凝剂溶液的浓度C，进行规格化后，得到絮凝剂溶液的浓度系数x₃：

其中，C_min和C_max分别为絮凝剂溶液浓度的最小值和最大值。

对泥饼含水率W₂，进行规格化后，得到泥饼含水率系数x₄：

其中，W_{2_min}和W_{2_max}分别为泥饼含水率最小值和最大值。

输出信号的4个参数分别表示为：z₁为污泥脱水电机的转速调节系数，z₂为加药泵的流量调节系数，z₃为污泥泵流量调节系数，z₄为絮凝搅拌装置的转速调节系数。

污泥脱水电机的转速调节系数z₁表示为下一个采样周期中的脱水电机的转速与当前采样周期中设定的脱水电机的最大转速之比，即在第i个采样周期中，采集到的脱水电机的转速为n_i，通过BP神经网络输出第i个采样周期的脱水电机的转速系数z₁ ⁱ后，控制第i+1个采样周期中脱水电机的转速为n_i+1，使其满足n_i+1＝z₁ ⁱn_max，

加药泵的流量调节系数z₂表示为下一个采样周期中的加药泵流量与当前采样周期中设定的最大加药泵流量之比，即在第i个采样周期中，采集到的加药泵流量为q_i，通过BP神经网络输出第i个采样周期的加药泵流量调节系数z₂ ⁱ后，控制第i+1个采样周期中加药泵流量为q_i+1，使其满足q_i+1＝z₂ ⁱq_max；

污泥泵流量调节系数z₃表示为下一个采样周期中的污泥泵的流量与当前采样周期中设定的污泥泵最大流量之比，即在第i个采样周期中，采集到的污泥泵流量为q′_i，通过BP神经网络输出第i个采样周期的污泥泵流量调节系数z₃ ⁱ后，控制第i+1个采样周期污泥泵流量为q′_i+1，使其满足q′_i+1＝z₃ ⁱq′_max；

絮凝搅拌装置的转速调节系数z₄表示为下一个采样周期中絮凝搅拌装置的转速与当前采样周期中设定的絮凝搅拌装置的最大转速之比，即在第i个采样周期中，采集到的絮凝搅拌装置的转速为n′_i，通过BP神经网络输出第i个采样周期的絮凝搅拌装置的转速调节系数z₄ ⁱ后，控制第i+1个采样周期中絮凝搅拌装置的转速为n′_i+1，使其满足n′_i+1＝z₄ ⁱn′_max。

步骤3：进行BP神经网络的训练。

建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值w_ij，隐层节点j和输出层节点k之间的连接权值w_jk，隐层节点j的阈值θ_j，输出层节点k的阈值w_ij、w_jk、θ_j、θ_k均为-1到1之间的随机数。

在训练过程中，不断修正w_ij和w_jk的值，直至系统误差小于等于期望误差时，完成神经网络的训练过程。

如表1所示，给定了一组训练样本以及训练过程中各节点的值。

表1训练过程各节点值

步骤4：采集数据运行参数输入神经网络得到调控系数。

训练好的人工神经网络固化在芯片之中，使硬件电路具备预测和智能决策功能，从而形成智能硬件。智能硬件加电启动后，脱水电机的转速、加药泵的流量、污泥泵的流量、絮凝搅拌装置的转速均以初始值开始运行：脱水电机的初始转速为n₀＝0.67n_max，加药泵的流量为q₀＝0.67q_max，污泥泵的初始流量为q′₀＝0.70q′_max，絮凝搅拌装置的初始转速为n′₀＝0.70n′_max。

同时，传感器测量初始污泥含水率W₁、污泥量Q，絮凝剂溶液的浓度C以及泥饼含水率W₂，通过将上述参数规格化，得到BP神经网络的初始输入向量通过BP神经网络的运算得到初始输出向量

步骤5：得到初始输出向量后，即可调节脱水电机的转速，加药泵的流量，污泥泵的流量，絮凝搅拌装置的转速。使下一个采样周期的脱水电机的转速，加药泵的流量，污泥泵的流量，絮凝搅拌装置的转速分别为：

n₁＝z₁ ⁰n_max

q₁＝z₂ ⁰q_max

通过传感器获取第i个采样周期中的进入污泥脱水机絮凝搅拌装置的污泥含水率W₁、污泥量Q，絮凝剂溶液的浓度C以及泥饼含水率W₂，通过进行规格化得到第i个采样周期的输入向量xⁱ＝(x₁ ⁱ,x₂ ⁱ,x₃ ⁱ,x₄ ⁱ)，通过BP神经网络的运算得到第i个采样周期的输出向量zⁱ＝(z₁ ⁱ,z₂ ⁱ,z₃ ⁱ,z₄ ⁱ)，然后控制脱水电机的转速n，加药泵的流量q，污泥泵的流量q′以及絮凝搅拌装置的转速n′，使第i+1个采样周期时脱水电机的转速，加药泵的流量，污泥泵的流量以及絮凝搅拌装置的转速，分别为：

n_i+1＝z₁ ⁱn_max，

q_i+1＝z₂ ⁱq_max，

q′_i+1＝z₃ ⁱq′_max，

n′_i+1＝z₄ ⁱn′_max，

通过上述设置，在污泥脱水系统运行过程中对脱水电机的转速，加药泵的流量，污泥泵的流量以及絮凝搅拌装置的转速进行调节，使污泥脱水系统达到最佳运行状态，从而提高污泥脱水系统的处理效率。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (9)

1.一种基于BP神经网络的污泥脱水系统的计算机控制方法，其特征在于，包括以下步骤：

步骤1：按照采样周期，采集进入污泥脱水机絮凝搅拌装置的污泥含水率W₁、污泥量Q，絮凝剂溶液的浓度C以及泥饼含水率W₂；

步骤2：依次将污泥含水率W₁、污泥量Q、絮凝剂溶液的浓度C以及泥饼含水率W₂进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄}；其中，x₁为污泥含水率系数，x₂为污泥量系数，x₃为污泥温度系数，x₄为泥饼含水率系数；

步骤3：所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_m}；m为中间层节点个数；

步骤4：得到输出层向量z＝{z₁,z₂,z₃,z₄}；其中，z₁为污泥脱水电机的转速调节系数，z₂为加药泵的流量调节系数，z₃为污泥泵流量调节系数，z₄为絮凝搅拌装置的转速调节系数，使

n_i+1＝z₁ ⁱn_max，

q_i+1＝z₂ ⁱq_max，

q′_i+1＝z₃ ⁱq′_max，

n′_i+1＝z₄ ⁱn′_max，

其中，z₁ ⁱ、z₂ ⁱ、z₃ ⁱ、z₄ ⁱ分别为第i个采样周期输出层向量参数，n_max、q_max、q′_max、n′_max分别为设定脱水电机的最大转速、加药泵的最大流量、污泥泵的最大流量、絮凝搅拌装置的最大转速，n_i+1、q_i+1、q′_i+1、n′_i+1分别为第i+1个采样周期的脱水电机的转速、加药泵的流量、污泥泵的流量、絮凝搅拌装置的转速。

2.根据权利要求1所述的基于BP神经网络的污泥脱水系统的计算机控制方法，其特征在于，所述絮凝剂溶液的浓度C根据污泥温度T及污泥含水率W₁进行调整：

当污泥温度T≤15℃，絮凝剂溶液的浓度C＝(3.79T^-0.43+2.36lnW₁)·C₀；

当污泥温度15＜T＜25℃，絮凝剂溶液的浓度C＝(2.98T^-0.34+5.79lnW₁)·C₀；

当污泥温度T≥25℃，絮凝剂溶液的浓度C＝(1+6.18lnW₁)·C₀；

其中，C₀为根据污泥性质及絮凝剂类型确定的絮凝剂配置浓度。

3.根据权利要求2所述的基于BP神经网络的污泥脱水系统的计算机控制方法，其特征在于，絮凝剂配置浓度C₀为0.8～1.2g/L。

4.根据权利要求1所述的基于BP神经网络的污泥脱水系统的计算机控制方法，其特征在于，在所述步骤2中，将污泥含水率W₁、污泥量Q、絮凝剂溶液的浓度C以及泥饼含水率W₂进行规格化的公式为：

<mrow> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>X</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>X</mi> <mrow> <mi>j</mi> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> </mrow> <mrow> <msub> <mi>X</mi> <mrow> <mi>j</mi> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>X</mi> <mrow> <mi>j</mi> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> </mrow> </mfrac> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>3</mn> <mo>,</mo> <mn>4</mn> <mo>;</mo> </mrow>

其中，x_j为输入层向量中的参数，X_j分别代表测量参数W₁、Q、C、W₂，j＝1,2,3,4；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

5.根据权利要求1所述的基于BP神经网络的污泥脱水系统的计算机控制方法，其特征在于，在所述步骤3中，初始运行状态下，脱水电机的转速、加药泵的流量、污泥泵的流量、絮凝搅拌装置的转速满足经验值：

n₀＝0.67n_max，

q₀＝0.67q_max，

q′₀＝0.70q′_max，

n′₀＝0.70n′_max，

其中，n₀、q₀、q′₀、n′₀分别为脱水电机的初始转速、加药泵的初始流量、污泥泵的初始流量、絮凝搅拌装置的初始转速；n_max、q_max、q′_max、n′_max分别为设定的脱水电机的最大转速、加药泵的最大流量、污泥泵的最大流量、絮凝搅拌装置的最大转速。

6.根据权利要求1所述的基于BP神经网络的污泥脱水系统的计算机控制方法，其特征在于，在所述步骤3中，所述中间层节点个数m为4个。

7.根据权利要求1～6任意一项所述的基于BP神经网络的污泥脱水系统的计算机控制方法，其特征在于，所述絮凝剂采用聚丙烯酰胺。

8.根据权利要求7所述的基于BP神经网络的污泥脱水系统的计算机控制方法，其特征在于，所述污泥脱水系统采用叠螺式污泥脱水机。

9.根据权利要求8所述的基于BP神经网络的污泥脱水系统的计算机控制方法，其特征在于，污泥脱水系统的处理量为100～600kg-DS/h。