CN107949814A - 用于废水处理工艺控制的系统和方法 - Google Patents
用于废水处理工艺控制的系统和方法 Download PDFInfo
- Publication number
- CN107949814A CN107949814A CN201780002941.0A CN201780002941A CN107949814A CN 107949814 A CN107949814 A CN 107949814A CN 201780002941 A CN201780002941 A CN 201780002941A CN 107949814 A CN107949814 A CN 107949814A
- Authority
- CN
- China
- Prior art keywords
- parameter
- fault diagnosis
- process variable
- module
- wastewater treatment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 278
- 238000004065 wastewater treatment Methods 0.000 title claims abstract description 80
- 238000004886 process control Methods 0.000 title claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 254
- 238000003745 diagnosis Methods 0.000 claims abstract description 70
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 230000009471 action Effects 0.000 claims description 42
- 238000012937 correction Methods 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 13
- 238000013178 mathematical model Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010238 partial least squares regression Methods 0.000 claims description 2
- 239000002351 wastewater Substances 0.000 description 56
- 230000006870 function Effects 0.000 description 27
- 230000002159 abnormal effect Effects 0.000 description 19
- 244000005700 microbiome Species 0.000 description 11
- 239000010802 sludge Substances 0.000 description 10
- MWRWFPQBGSZWNV-UHFFFAOYSA-N Dinitrosopentamethylenetetramine Chemical compound C1N2CN(N=O)CN1CN(N=O)C2 MWRWFPQBGSZWNV-UHFFFAOYSA-N 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000011545 laboratory measurement Methods 0.000 description 7
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 239000000356 contaminant Substances 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 6
- 238000013024 troubleshooting Methods 0.000 description 6
- 238000011144 upstream manufacturing Methods 0.000 description 6
- 239000002028 Biomass Substances 0.000 description 5
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 5
- 230000003750 conditioning effect Effects 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000002378 acidificating effect Effects 0.000 description 3
- 229910021529 ammonia Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000014113 dietary fatty acids Nutrition 0.000 description 2
- 239000013070 direct material Substances 0.000 description 2
- 238000011143 downstream manufacturing Methods 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 239000000194 fatty acid Substances 0.000 description 2
- 229930195729 fatty acid Natural products 0.000 description 2
- 150000004665 fatty acids Chemical class 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 229910019142 PO4 Inorganic materials 0.000 description 1
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003518 caustics Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- IXCSERBJSXMMFS-UHFFFAOYSA-N hcl hcl Chemical compound Cl.Cl IXCSERBJSXMMFS-UHFFFAOYSA-N 0.000 description 1
- 239000013071 indirect material Substances 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 238000010979 pH adjustment Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000010452 phosphate Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011071 total organic carbon measurement Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/006—Regulation methods for biological treatment
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/28—Anaerobic digestion processes
- C02F3/2846—Anaerobic digestion processes using upflow anaerobic sludge blanket [UASB] reactors
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/30—Aerobic and anaerobic processes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1826—Water organic contamination in water
- G01N33/1846—Total carbon analysis
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2203/00—Apparatus and plants for the biological treatment of water, waste water or sewage
- C02F2203/002—Apparatus and plants for the biological treatment of water, waste water or sewage comprising an initial buffer container
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/005—Processes using a programmable logic controller [PLC]
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/005—Processes using a programmable logic controller [PLC]
- C02F2209/006—Processes using a programmable logic controller [PLC] comprising a software program or a logic diagram
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/20—Total organic carbon [TOC]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Abstract
一种用于废水处理工艺控制的系统,包括:一组测量构件,被布置成获得数据集,所述数据集包括与所述废水处理工艺的参数相关的多个工艺变量;预测模块,被布置成接收所述数据集并基于软传感器来预测废水处理工艺的所述参数;故障诊断模块,被布置成将所预测的参数与预定的标准进行比较;其中,如果所预测的参数不满足所述预定的标准,则所述故障诊断模块能够操作以从所述多个工艺变量中识别导致所预测的参数不满足所述预定的标准的至少一个工艺变量,并确定从所述多个工艺变量中所识别的至少一个工艺变量是否是能够控制的。还公开了一种用于废水处理系统中的优化模块。
Description
技术领域
本发明涉及用于废水(wastewater)处理中的工艺控制的系统和方法。特别是,此系统和方法适合于,但不限于,控制膨胀颗粒污泥床(Expanded Granular Sludge Bed,EGSB)工艺的参数并且将在该情景中对其进行描述。
背景技术
对本发明的背景的以下讨论仅仅是意图有助于理解本发明。应当意识到,该讨论不是承认或供认任何所引用的材料在本发明的优先权日在任何司法管辖范围是公开的、已知的或本领域技术人员的公知常识的部分。
遍及申请文件,除非上下文另外要求,词语“包括”或诸如“包括(单数第三人称)”或“包括(分词)”的变形将被理解为意指包含宣称的整体或整体构成的组,但不排除任何其它的整体或整体构成的组。
此外,遍及申请文件,除非上下文另外要求,词语“包含”或诸如“包含(单数第三人称)”或“包含(分词)”的变形将被理解为意指包含宣称的整体或整体构成的组,但不排除任何其它的整体或整体构成的组。
生物废水处理工艺得到广泛使用并且典型地包括厌氧废水处理和需氧废水处理。
在需氧废水处理工艺中,诸如细菌、原生动物以及真菌的微生物使用溶解的氧作为进行碳生物需氧量(BOD)退化和经由硝化去除氨水的关键成分。当工艺受到良好操作时,需氧废水处理工艺在处理废水达对于出水排放(effluent discharge)所需要的质量是鲁棒的和可靠的。通常应用于工业废水处理的需氧废水工艺的范例包含激活污泥工艺、膜生物反应器(悬浮生长系统)或滴滤器和诸如移动床生物膜反应器(附着生长系统)的基于载体的处理系统。在以上工艺的每个工艺中,以通过诸如鼓风机和空气压缩机的旋转设备投递的空气的形式向微生物供应氧。废水中的溶解的氧由微生物利用作为用于碳BOD的需氧分解的电子受主。在需氧废水处理工艺结束时,废水中的BOD和其它污染物被氧化成二氧化碳及附加生物质(biomass)。
厌氧废水处理工艺是使用微生物在无氧环境下破坏废水中的污染物的工业工艺。由于诸如减少的污泥生产、低能耗以及经由工艺生成的甲烷的能量回收能力,厌氧废水处理已经发展为常规需氧处理的杰出替代。也可以以较高速率(有机加载和体积的)操作厌氧废水处理工艺,因为其不受氧可用性的限制。工业中使用的厌氧废水处理的典型变体包含厌氧过滤器、向下流动静止固定膜反应器(down flow stationary fixed-film reactor)、流化床厌氧反应器以及向上流动厌氧污泥毯反应器(Upflow Anaerobic Sludge BlanketReactor,UASB)。膨胀颗粒污泥床(EGSB)反应器是USAB以高废水处理速率的特定应用。在EGSB工艺中,废水以高向上流动速度通过反应器。
在需氧和厌氧废水处理工艺二者中,实现稳定和经济的操作对于设备操作者来说仍然是复杂的挑战。该复杂性能够归因于工艺对诸如有机加载干扰、处理条件的动态改变以及流入废水中的各种物质的成分的各种因素的高灵敏性质。为了通过范例进行示例,生物废水处理中的污染物的生物退化作为一系列生物反应而进行。这些序列生物反应中的每个涉及区别的微生物物种。同样,流入废水的负荷和成分改变能够扰乱在系统中存在的各种微生物物种之间存在的微妙平衡。类似地,确定用于操作生物处理工艺的最优流入特性是高度复杂的,因为工艺对可以影响存在的任何微生物物种的各种有毒污染物的存在高度敏感。生物质生成速率将进一步使其控制复杂,因为通过水力冲刷或有毒抑制(在工艺扰乱期间)非故意地损失的微生物需要延长的持续时间来替换损失的生物质。
现存的方法,包含诸如软传感器的数学模型,已经在废水处理控制的控制和预测中开展了。虽然在预测废水处理控制中有这些现存的方法,但是仍然存在对容许早期检测并隔离可以导致废水处理系统的灾难性故障的缺陷并将有益于废水处理工艺的的先进的监测和工艺控制策略的需要。此外,操作者通过实施校正指令提供早期介入的能力将防止较小的工艺偏离发展成严重的操作问题。
本发明的目的是至少部分满足以上需求。
发明内容
根据本发明的第一方面,存在一种用于废水处理工艺控制的系统,所述系统包括:多个测量构件,被布置成获得数据集,所述数据集包括与所述废水处理工艺的参数相关的多个工艺变量;预测模块,被布置成接收所述数据集并利用数学模型来预测废水处理工艺的所述参数,所述数学模型被布置成获得所述数据集作为输入并提供预测的参数作为输出;故障诊断模块,被布置成将所预测的参数与预定的标准进行比较;其中,如果所预测的参数不满足所述预定的标准,则所述故障诊断模块能够操作以从所述多个工艺变量中识别导致所预测的参数不满足所述预定的标准的至少一个工艺变量。
所述废水处理工艺的所述参数可以是所述废水处理工艺的出水参数。
用于预测的所述数学模型可以是软传感器。在一些实施例中,所述数学模型包括移动窗口偏最小二乘回归算法。
对不满足所述预定的标准的所述至少一个工艺变量的识别可以方便地基于霍特林T2或Q/SPE统计。
所述故障诊断模块可以能够操作以确定从所述多个工艺变量中所识别的至少一个工艺变量是否是能够控制的。在一些实施例中,如果所述至少一个工艺变量是能够控制的,则所述故障诊断模块然后着手获得能够控制的所述至少一个工艺变量的中值并且确定能够控制的所述至少一个工艺变量是否是根本原因。
确定能够控制的所述至少一个工艺变量是否是根本原因可以包含将能够控制的所述至少一个工艺变量的所述中值与能够控制的所述至少一个工艺变量在正常条件下操作的值的范围进行比较。作为范例,如果能够控制的所述工艺变量落在所述值的范围以外,则将能够控制的所述工艺变量分类为根本原因。所述根本原因可以被进一步分类为定性的根本原因或定量的根本原因。
如果所述根本原因是定量的根本原因,则提供或执行进一步的计算以计算对所述至少一个工艺变量的调整。
在一些实施例中,所述故障诊断模块被布置成与数据库数据通信,并且能够操作以访问所述数据库,以检索至少一个校正指令来基于一组预定义的规则调整能够控制的所述工艺变量。该预定义的规则可以保持在推荐数据库中。
在一些实施例中,系统进一步包括预报模块,所述预报模块能够操作以模拟能够控制的所述工艺变量的调整对所述废水处理工艺的所述参数或预测的参数的影响。所述预报模块可以被布置成与所述故障诊断模块数据通信,以在根据所述校正指令调整之后接受能够控制的所述工艺变量。
替代地,所述预报模块可以绕过所述故障诊断模块并被布置成与所述预测模块直接数据通信。在该布置中,所述预报模块能够操作以模拟至少一个工艺变量的调整对所述废水处理工艺的参数的影响。
在一些实施例中,优化模块可以被布置成与所述预测模块、所述故障诊断模块或所述预报模块数据通信,以针对至少一个目标函数来优化所述多个工艺变量和废水处理工艺的参数。
根据本发明的第二方面,存在一种用于废水处理工艺控制的方法,所述方法包括以下步骤:从多个测量构件获得数据集,所述数据集包括与所述废水处理工艺的参数相关的多个工艺变量;在预测模块处接收所述数据集作为输入并基于数学模型来预测废水处理工艺的所述参数;将所预测的参数与预定的标准进行比较;其中,如果所预测的参数不满足所述预定的标准,则所述故障诊断模块能够操作以从所述多个工艺变量中识别导致所预测的参数不满足所述预定的标准的至少一个工艺变量。
根据本发明的第三方面,存在一种用于废水处理工艺控制中的故障诊断模块,所述故障诊断模块包括与多个测量构件数据通信的至少一个处理器,以接收数据集,所述数据集包括与所述废水处理工艺的参数相关的多个工艺变量,并接收所述废水处理工艺的所述参数的值;以及其后将所述参数的所述值与预定的标准进行比较;其中,如果所述参数不满足所述预定的标准,则所述故障诊断模块能够操作以从所述多个工艺变量中识别导致所预测的参数不满足所述预定的标准的至少一个工艺变量。
所述故障诊断模块可以被布置成与历史数据库和/或推荐数据库数据通信,以检索与每个工艺变量的正常操作范围(正常范围)和所述废水处理工艺的参数相关的信息。
在一些实施例中,从所述多个工艺变量识别所述至少一个工艺变量方便地基于霍特林T2或Q/SPE统计。
所述故障诊断模块可以能够操作以确定所识别的至少一个工艺变量是否是能够控制的。能够控制的工艺变量指能够被调整或控制的被识别的工艺变量。相反地,不能够控制的异常工艺变量指不能够被调整或控制的异常变量。
如果所述至少一个工艺变量是能够控制的,则获得能够控制的所述至少一个工艺变量的中值并且所述故障诊断模块能够操作以确定能够控制的所述至少一个工艺变量是否是根本原因。
确定能够控制的所述至少一个工艺变量是否是根本原因可以包含将能够控制的所述至少一个工艺变量的所述中值与正常范围进行比较。在一些实施例中,如果能够控制的所述至少一个工艺变量落在所述正常范围以外,则将能够控制的所述工艺变量分类为根本原因。所述根本原因可以被进一步分类为定性的根本原因或定量的根本原因。如果所述根本原因被分类为定量的根本原因,则计算对所述工艺变量的调整。所述调整可以受到推荐数据库的帮组,该推荐数据库用于检索至少一个校正指令来调整能够控制的工艺变量。该校正指令可以基于预定义的规则。
所述故障诊断模块可以被布置成与预报模块数据通信,所述预报模块能够操作以模拟能够控制的所述工艺变量的调整对所述废水处理工艺的所述参数的影响。
所述预报模块可以进一步能够操作以模拟任何其它(单个/多个)工艺变量的调整对所述废水处理工艺的所述参数的影响。
在一些实施例中,故障诊断模块可以进一步包括多个定量的和/或定性的根本原因和对应的校正动作的列表,其中,每个对应的调整是校正动作。
在一些实施例中,所述故障诊断模块可以包括优化模块,所述优化模块被布置成根据以下公式以各种组合对所述校正动作进行排列,
其中,n表示识别的校正动作的总数。然后可以确定与每个校正动作对应的模拟的参数并且将每个模拟参数与所述预定的标准进行比较。
在场景中,如果所述模拟参数满足所述预定的标准,则计算目标函数值,并且其中在包括多个目标函数值时,选择最小或最大的目标函数值作为最优解。如果发现没有模拟参数满足所述预定的标准,则选择基于调整预定的工艺变量的次最优选项作为最优解。
根据本发明的第四方面,存在一种用于废水处理工艺控制的优化模块,所述优化模块包括至少一个处理器,所述处理器与多个测量构件数据通信以接收数据集,所述数据集包括与所述废水处理工艺的参数相关的多个工艺变量;其中,所述至少一个处理器能够操作以针对目标函数来优化所述参数和所述多个工艺变量,并且其后,基于该优化确定校正指令。
可能的目标函数是要被最小化的总的工艺操作成本。可以针对与实施校正指令有关的成本进一步优化总的工艺操作成本。
在一些实施例中,所述优化模块用于废水处理系统中,所述废水处理系统包括至少一个厌氧子系统和至少一个需氧子系统,所述优化模块包括至少一个处理器,所述处理器被布置成与多个测量构件数据通信以接收数据集,所述数据集包括与所述废水处理工艺的参数相关的多个工艺变量;其中,所述至少一个处理器能够操作以针对目标函数来优化所述参数和所述多个工艺变量,并且其中,所述目标函数包括所述废水处理系统的总的操作费用的最小化。
所述总的操作费用的最小化可以包含最小化所述厌氧子系统中的出水TOC浓度,和/或最大化所述需氧子系统中的出水TOC浓度。
附图说明
现在仅通过范例方式参照附图描述本发明,其中:
图1是以膨胀颗粒污泥床反应器系统的形式的废水处理工艺设备的示意图。
图2是示例本发明的一个实施例的流程图。
图3是根据本发明的一些实施例的用于废水处理工艺控制的系统的框图。
图4示出了预测WWTP的出水参数(TOC)的结果。
图5是容许用户输入(enter)TOC标准以确定在进行EGSB性能预测之前何时激活故障诊断模块的图形用户界面。
图6是示出故障诊断模块中的工作流程的流程图。
图7示出了由故障诊断模块基于霍特林T2或Q/SPE统计模型执行的典型统计分析的结果。
图8a和8b示例了在被触发时用于执行工艺计算的伪码。
图9示出了采用由故障诊断模块生成的校正动作的模拟效果。
图10示出了容许用户进行改变以在预报模块中得到预计的(projected)TOC的工艺参数及它们的值。
图11示出了通过将T-01废水TOC(实验室)从825.3mg/L改变为700mg/L,来自预报模块的预计的TOC。
图12示出了优化的出水参数(这里的范例为TOC值)及对应的优化参数。
图13示出了待实施以实现对于TOC的优化结果的推荐/校正动作的列表。
图14示出了根据本发明的一些实施例的包括厌氧和需氧处理子系统的废水处理系统,其中,利用优化模块来最小化系统的总的操作费用(OPEX)。
图15示出了用于基于识别的根本原因的列表来优化OPEX的方法。
图16示出了根据本发明的一些实施例的图15的方法的示范性应用。
具体实施方式
根据本发明的实施例并且如图2中所示,存在一种用于诸如EGSB系统100的废水处理工艺系统中的废水处理工艺(WWTP)控制的方法200。参照图1,典型的EGSB系统100包括EGSB反应器102、流入调节池(influent conditioning tank)104、导流池(diversiontank)112以及均衡池(equalization tank)114。来自不同源或客户116的流入废水可以馈入导流池112中或均衡池114中。均衡池114的主要目的是抑制流入废水的流动速率、温度以及污染物浓度的波动以保持下游工艺的操作性能。在来自客户116的废水的参数(压力、流动速率、污染物浓度等)中存在起伏的情况下,可以将废水流116导流至导流池112,作为吸收来自客户116的废水的参数中的突然改变的措施。最后,将来自客户116的流入废水引导至EGSB反应器102用于处理。
在EGSB反应器102中,颗粒状微生物逆来自流入调节池104的以相对高的流动速率流动的流入废水与该废水接触。在在EGSB反应器102中充分处理废水之后,将废水作为经处理的水108(出水(effluent))排放。EGSB工艺中微生物的组合破坏废水中的有机污染物,形成附加生物质(微生物)、经处理的水108以及生物气110的形式的能量,生物气110可以包含甲烷(CH4)和二氧化碳(CO2)。
为了监控各种工艺变量和出水参数,诸如例如总的有机碳(TOC),EGSB系统包括定位或位于适合的位置处(即在EGSB系统周围/内)的多个测量构件以获得对工艺变量和/或工艺参数、以及出水参数的定期(regular)测量。测量构件可以是位于EGSB设备系统中和/或周围的战略位置以获得测量的一个或更多物理传感器的形式的一个或更多器件。附加地或替代地,可以从EGSB设备获得废水的样本并在实验室环境中对其进行测量以推导本领域技术人员已知的工艺变量。在实验室环境中获得的这些测量被称为实验室测量。超时地,建立并定期更新包括测量的工艺变量/参数、以及出水参数的历史数据库30。可以询问历史数据库30以获得对于每个工艺变量和出水参数的统计计算。统计计算包含与每个工艺变量和/或工艺参数相关联的平均数、中值、标准偏差、最大、最小值。对于每个工艺变量和/或参数,可以根据历史数据库30内的数据推导正常操作条件下的值(以下称为“正常值”)的范围。
在说明书的上下文中,术语“参数”可以宽泛地解释为包含常数、变量、计算的或推导的值。
参照图3,存在一种用于废水处理工艺控制的系统10,该系统包括:预测模块12,被布置为从多个测量构件接收数据集,并基于第一函数预测废水处理工艺的出水参数。第一函数可以是试探和/或统计方法的形式,并且可以包含有监督或无监督的学习方法,其包含使用历史数据库30内的数据作为“老师”。第一函数可以是数学模型或软传感器。第一函数用于至少获得数据集作为输入并提供预测的出水参数作为输出。
系统10进一步包括故障诊断模块14,其被布置为将预测的参数或预测的参数的属性与预定的单个标准或多个标准进行比较(以下详述);其中,如果预测的参数或属性不满足预定的标准,则故障诊断模块能够操作以从多个工艺变量中识别可以导致预测的参数不满足用户定义的标准的至少一个工艺变量。
该系统还可以包括预报模块16和优化模块18。预测模块12、故障诊断模块14、预报模块16以及优化模块中的每个模块可以包括以分散或集成布置布置的服务器的形式的一个或更多计算机处理器。处理器和/或服务器布置成数据通信,以从多个测量构件获得数据集。处理器和/或服务器也可以布置成与历史数据库30和推荐数据库40数据通信。此外,预测模块12、故障诊断模块14、预报模块16以及优化模块18可以相对于彼此以各种排列布置。
在一些实施例中,用于废水处理工艺控制的方法200可以实施为多个服务器内的一个或更多非暂时计算机可读介质上的软件代码。
再次参照图2,控制WWTP的方法200可以包括如由预测模块12执行的步骤,也与术语性能预测模块互换地使用。在步骤202中,性能预测模块12获得包括与EGSB系统有关的工艺参数或变量的数据集。数据集可以包括:
a、从多个测量构件获得的实时数据;
b、实验室测量结果;
c、存储在历史数据库30中的数据;和/或
d、实时数据、实验室测量结果和存储在历史数据库30中的数据的组合。
在获得数据集之后,性能预测模块12可以利用能够为试探或统计方法或函数的第一函数,来预测对于一个或更多EGSB反应器的出水TOC(步骤202)。在各种实施例中,第一函数可以是,但不限于,如主成分分析(Principal Component Analysis)、偏最小二乘(Partial Least Square)或主成分回归(Regression)模型的基于因素的模型。在其它实施例中,可以使用基于非因素的模型,诸如是,但不限于,多线性回归(Multiple LinearRegression)、人工神经网络(Artificial Neural Networks)或支持向量机(SupportVector Machine)。在优选实施例中,第一函数可以是移动窗口偏最小二乘(Moving WindowPartial Least Square)算法的形式,其可以是以下等式(1)的形式。
参照图4,示出了使用移动窗口偏最小二乘方法(MWPLS)在用于EGSB反应器的预测的TOC(见图4中的正方形符号)与如从历史数据库获得的废水的测得的TOC(见图4中的圆符号)之间进行的比较。可以观察到MWPLS方法能够使用容易得到的工艺参数而不是依赖于现场分析者或实验室测量精确地预测出水参数(TOC)。现场不容易测得的其它参数包含生化需氧量(Biochemical Oxygen Demand,BOD)、正磷酸盐(PO4-P)和(铵态氮)NH4-N。
MWPLS是有利的,因为使用移动窗口策略容许模型自己更新并且并入与设备最新状态匹配的输入参数,并且同时,去除过时的和无教益的系统信息。
通过范例,MWPLS利用具有适应策略的固定窗口(其中,窗口大小n通常等于历史数据集中的样本的数量或天数),该适应策略二选一地以逐个样本(sample-wise)的方式更新窗口和在更新的窗口上重新计算PLS模型。如果在时间t-1,历史数据集X=(x1,…,xn)T且Y=(y1,…,yn)T,则在MWPLS中使用的具有新获得的数据对xt和yt的窗口能够数学上表示为如下等式(1):
逐个样本地移动固定窗口以跟踪工艺动态。向量Xt可以形成为包括一组输入工艺变量和/或工艺参数。向量Yt可以形成为包括要预测的一组输出出水参数,在此情况下为TOC。
输入工艺变量或参数包含,但不限于,与均衡池114相关的以下实时测量结果和/或实验室测量结果:
a、池中的废水液位(也称为池液位);
b、出口温度;
c、废水pH;
d、废水TOC;
e、入口温度;
f、废水中的总的悬浮固体;
g、废水中的挥发性脂肪酸;
h、废水碱度(可以是pH的子集)。
输入工艺变量或参数可以包含与流入调节池104相关的以下实时测量结果和/或实验室测量结果:
a、废水的流动速率(从均衡池114至调节池104);
b、至少一个调节池104中的废水的pH;
c、控制至调节池104的废水的流动速率的控制阀(包含但不限于馈给流动阀)打开定时/频率或状态;
d、用于调节池104与EGSB反应器102之间的流动控制的阀打开定时/频率或状态。
输入工艺变量或参数可以包含与生物气压力、流过热交换器等的废水的温度、流动速率有关的实时测量结果和/或实验室测量结果。
在步骤204中预测出水TOC之后,预测模块12可以在步骤206进一步将对应的EGSB反应器102的预测的出水TOC值与用户定义的TOC值进行比较。可以由用户经由如图5中所示的图形用户界面输入用户定义的TOC值。如果预测的出水TOC满足一个或更多预定的标准,则什么也不做(步骤208)。
在预测的出水TOC不满足一个或更多用户预定的单个/多个用户定义的标准的情况下,在步骤210触发故障诊断模块14。图6示出了故障诊断模块14在方法步骤212和214中进行的更详细的工作流程500。在此情况下,预定的用户定义的单个标准/多个标准是能够容许用于预测的出水TOC的最大值的形式。更一般地,用于出水或工艺参数的预定的用户定义的单个标准/多个标准是以下形式:能够容许的最大值、能够接受的或能够容许的值的范围、或能够容许的最小值。
在步骤502中,一旦检测到预测的出水TOC不满足预定的单个/多个标准,则故障诊断模块14能够操作以识别至少一个,但典型地多个,可能的工艺变量或参数(以下称为异常工艺参数)。作为范例,异常工艺参数可以包括可以导致预测的出水TOC不满足预定的单个/多个标准的十个工艺变量/参数。使用对于预测的出水TOC能够接受的范围或能够容许的最大值的形式的预定的标准的范例,超出范围的任何TOC值可以触发故障诊断模块14的激活。在一些实施例中,故障诊断模块14可以在步骤502中利用多元统计分析(诸如,但不限于,霍特林T2或Q/SPE统计)来识别多个异常工艺参数。可以意识到的是,多元统计分析的权重(weightage)或贡献(contribution)对于识别对不满足预定的标准的预测的TOC的贡献最大的工艺变量或参数是有用的。因而,与如图7中示例的最高权重或贡献相关联的工艺参数可以被视为或被确定为异常工艺参数。在其它实施例中,可以使用统计工艺控制(SPC)、以及操作和/或专门工艺知识来执行异常参数的识别。
在步骤504中,故障诊断模块14可以进一步将识别的异常工艺变量分类为能够控制的那些并且然后将每个能够控制的异常工艺参数的中值与其正常范围进行比较,正常范围能够从历史数据库30获得。能够控制的异常工艺变量指能够被调整或控制的异常变量。不能够控制的异常工艺变量指不能够被调整或控制的异常变量。中值落在正常范围以外的能够控制的异常工艺参数被分类为“根本原因”。应当意识到,可以存在与不同工艺变量相关联的一个以上的根本原因。
一旦识别根本原因,则然后可以根据推荐数据库40确定校正动作。推荐数据库40含有与每个特定根本原因相对应的至少一个潜在校正指令的编译。可以理解,随着时间的过去的在废水处理工艺控制中的用户经验提供大量信息,容许用户或废水处理设备操作者理解工艺的状态,并且帮助他们做出合适的动作来去除源自工艺的异常及最小化源自工艺扰乱的不必要的操作成本。可以至少将该用户经验捕获为包括对应于每个特定根本原因的潜在校正指令的列表的推荐数据库40的部分。
在各种实施例中,根本原因可以宽泛地归类为“定量的”或“定性的”。定量的根本原因是具有涉及工艺计算的对应的潜在校正指令的那些根本原因,而定性的根本原因是具有不涉及工艺计算的对应的潜在校正指令的那些根本原因。在一些实施例中,工艺计算涉及计算可以表示为工艺参数和/或与工艺相关的用户输入的函数的与工艺相关的变量/参数。与工艺相关的变量/参数也可以表示为工艺参数的函数,具有/不具有与工艺相关的用户输入。
当在步骤508中识别出定性的根本原因时,然后可以在推荐数据库40中使用预定义的规则从潜在校正指令的对应列表查找或确定合适的校正指令。应当意识到,在各种实施例中,潜在校正指令的对应列表可以含有至少两个潜在的校正指令。因而,可以使用布尔逻辑来从两个潜在校正指令确定更多能够应用的校正指令。使用的布尔算子可以包含“大于”和“小于”的算子。
例如,当均衡池01(“T-01”)的异常工艺变量pH,即“T-01pH”被识别为根本原因时,布尔算子:
1)使用“小于算子”将“T-01pH”与4的最小值进行比较;以及
2)使用“大于算子”将“T-01pH”与9的最大值进行比较。
因为仅布尔算子之一将返回“真”作为布尔结果,所以推荐数据库40将返回对应于“真”结果的推荐的校正指令。如果当前“T-01pH”为3,则推荐数据库40将返回校正指令为“进入T-01的废水太酸性。为进入池的低pH废物检查引入废水流的pH。监控T-400中的苛性碱(caustic)的液位”。在此情况下,T-400是荷性碱存储池,并且在输入废水为酸性的情况下,为了确保存在足够的荷性碱用于pH调整,操作者监控此池中的荷性碱的量(液位)是重要的。
也应当理解,在步骤510中生成的定性校正指令超出了仅提供异常工艺参数在正常范围以外的警报。其给出了现存问题“T-01太酸性”的简短的上下文/提要,并且给设备操作者提供解决现存问题的指令。另外,定量校正指令可以包含给监控pH并确保存在足够的化学品存货用于工艺调整的操作者的提醒,或类似地(“为进入池的低pH废物检查输入废水流的pH;监控T-400中的荷性碱的液位”)。
当在步骤508中识别了定量根本原因时,故障诊断模块14能够操作以在步骤514(不具有用户输入)或步骤518(具有用户输入)中执行工艺计算以确定与工艺相关的参数之前,在步骤512中确定是否需要与工艺相关的用户输入。在各种实施例中,与工艺相关的用户输入是必须的,以在WWTP工艺控制中容许一些用户自行处理和灵活性。在步骤514或518中执行的工艺计算至少基于与工艺相关的用户输入和/或现存的工艺参数。在工艺计算后,然后可以在步骤520从推荐数据库40至少基于计算的与工艺相关的参数和预定义的规则或逻辑来确定合适的校正动作。例如,当异常的能够控制的工艺参数被识别为“客户A”时,处理器或推荐数据库40着手执行“计算1”以确定校正指令。图8是用于“计算1”的伪码,示出了以立方米(m3)计的对于废水导流可用的最大体积“MaxVTK001”和以小时(hr)计的对于废水导流可用的最大时间“MaxTTK001”的计算,与工艺相关的参数可以表示为现存工艺参数和与工艺相关的用户输入的函数,诸如:
(i)DF:至导流池的总的导流流量(以立方米(m3)/小时计);
(ii)DVTVol:均衡池容量(以m3计);
(iii)FTK001:从导流池至均衡池的流量(以m3/小时计);
(iv)LTK001:以百分比填充的导流池液位(%);
(v)EQTMax:以百分比填充的均衡池中的最大能够容许的液位(%)。
在计算与工艺相关的参数“MaxVTK001”和“MaxTTK001”之后,然后可以在步骤520中使用布尔逻辑来基于一组预定义的规则从可能的校正指令的列表确定校正指令。在各种实施例中,由于WWTP的复杂性,可能存在使用布尔算子的组合来确定校正动作的需要。在此方面,布尔算子可以是,但不限于,“大于”、“小于”、“与”、“与非”、“或”和“或非”算子的组合。
与具有针对每个定量的根本原因的对应的可能校正指令的列表相关联的一个优点是提供检查和平衡的第二系统,以确保已经运作于异常状态的WWTP不失去控制。
返回参照“计算1”作为范例,在从可能的校正指令的列表确定合适的校正指令之前,首先询问推荐数据库40以检查工艺参数“LTK001”(导流池液位)。在在客户的废水中存在高的TOC/酚含量时的情形,一个可能的解决方案是将废水导流至导流池。然而,将废水导流至导流池而不首先检查导流池液位可以导致溢出,特别是如果如在“计算1”的场景1中导流池接近其最大能够容许的容量时。结果,废水的导流将对WWTP的总的情形不具有任何校正影响。替代地,导流池的溢出可以导致其它安全和环境顾虑。因此,进行该动作可能不仅减弱导流池的性能,而且还使得EGSB系统的总的性能退化。
甚至在导流池具有足够的容量时,如果由布尔逻辑确定了导流流动速率(DF)大于导流池至均衡池流动速率FTK001(“DF>FTK001”),也存在防止前述情形发生的需要。如“计算1”的场景2中示例的,工艺计算用于通过如下确定来提供此安全网:
1)在特别的结合点导流池的可用的容量;以及
2)基于如用户选择的导流流动速率,导流池达到其最大能够容许的容量所花费的时间。
结果,这些定量的信息有教益地容许用户或者设备操作者实施校正指令。
在“计算1”的场景3,如果由布尔逻辑确定了导流流动速率小于导流池至均衡池流动速率(“DF>FTK001”)“与”导流池液位在其能够容许的最大容量的80%以下(LTK001<80%),则用户能够执行废水导流,而无需任何附加顾虑。在各种实施例中,应当意识到,仅场景之一将返回“真”以确保不向用户提供冲突的校正指令。然而,取决于问题的性质,也可能存在如下场景(未明确示出):可能存在一个以上的“真”布尔结果,由此,校正指令是至少两个可能的校正指令的组合。
虽然故障诊断模块14利用为基于至少一个领域专家或人操作者的经验的校正动作的编译的推荐数据库40,但是其实现了超出仅是对通常由人执行的任务自动化的技术优点。
例如,基于在异常点废水设备的工艺条件来确定发给操作者的校正动作并从而提供对该问题的“最相关”的解决方案。还有,具有定量的推荐给了设备操作者清楚的能够操作的指令。这给了操作者需要做什么以及校正动作的程度的清晰图画,并且给了操作者所需的校正动作的程度的预期。
此外,通过提供完全并且严格地基于一组客观规则的校正动作,基于规则或基于逻辑的推荐数据库40根除了主观性笼罩的判断或归因于人操作者的不充分的事实的判断。参照“计算1”作为范例,在不知道专家人操作者B先前在液位在85%时通过将废水导流至导流池中而遇到了严重故障的情况下,专家人操作者A可能判断85%的导流池液位仍然在用于废水导流的安全限度内。
此外,基于规则或基于逻辑的推荐数据库大大地有助于增加新的知识。参照“计算1”,将新的根本原因增加到推荐数据库中(该推荐数据库涉及类似地至少需要废水至导流池的导流的校正动作)将自动被标记以遵循如“计算1”中列出的相同规则。
此外,还可以观察到从列表确定合适的校正动作可能涉及考虑许多不同的因素和规则。基于规则或基于逻辑的推荐数据库40可以根除冲突指令并且在进行决策时保持一致性。在各种实施例中,通过确保触发条件相互排斥,即,布尔逻辑仅返回一个唯一的结果,也可以确保新的校正动作的增加不与现存的校正动作冲突。编码了领域专家的知识的基于规则的推荐数据库的另一优点是能够使得非技术人员容易地在模拟或实际情景中试验与从领域专家授予的那些规则或安全限制不同的规则或安全限制。
一旦基于以上方法确定了校正指令,则故障诊断模块14能够操作用于将所有定量的和定性的校正指令概括为“推荐”,以权重的顺序显示给用户。
虽然故障诊断模块14可以提供合适的校正指令以恢复对应于异常工艺参数的根本原因,但是其不提供关于采取校正指令的可能的影响的信息。
在一些实施例中,故障诊断模块14可以独立于预测模块12,并且能够操作以接收一个或更多电子文件的形式的数据集。可以直接从历史数据库30获得该数据集,而没有任何形式的预测。
为了获得更多的关于采取如由故障诊断模块生成的校正指令的可能的影响的信息,用户可以激活预报模块16。
在各种实施例中,预报模块16具有两种模式,集成预报和独立预报模式。集成预报模式是对故障诊断模块14的补充功能,其在步骤216被激活以在在步骤214中实施推荐的校正指令之前预计或模拟校正指令对出水参数的影响。另一方面,独立预报模式容许用户手动改变某输入(单个/多个)参数并预计处理性能,甚至无需激活故障诊断模块14。图9示出了在集成预报模式中采用由故障诊断模块14生成的校正动作的模拟效果。参照图10,预报模块16提供图形用户界面,该界面包括能够控制的工艺参数及它们的当前值的列表。在如图10中示例的独立预报中,列表可以包含预定的单个/多个工艺参数。图形用户界面还容许用户逐个或共同地手动调整值,以预计出水参数(TOC)。然后如图11中所示地显示预计的出水TOC。在各种实施例中,可以使用类似于性能预测模块的试探或统计方法来执行模拟或预计。在集成预报中(未示出),列表可以包含被识别为能够控制的根本原因的工艺参数。
虽然预报模块16容许用户手动预计或模拟校正指令的独特组合对出水参数的影响,但是其典型地不提供将出水参数恢复至最优水平或范围的解。虽然使用手动试错法(trial-and-error)或诸如蒙特卡罗的其它方法经由预报模块16确定最优解是可能的,但是该方法典型地是耗时的并且涉及猜测(guess-work)。本发明中提供的替代且有益的方案是激活优化模块18。如步骤220中描绘地激活优化模块18的目的是使出水参数(TOC)返回最优水平并给用户提供如下量:
1)对于每个对应的工艺参数的工艺目标(图12);以及
2)关于如何实现最优结果的校正指令(图13)。
还将意识到的是,甚至在出水参数在其正常范围内时,就能够激活优化模块18,而不必然必须在故障诊断或预报之后激活优化模块18。
参照图12和13,识别了总共七(7)个工艺参数,它们的当前值列出于“之前值”区域之下。“之后值”区域提供对于每个工艺参数/变量的以优化出水参数的值,而“推荐”区域提供达到最优场景所需的校正指令。还将意识到的是,识别的工艺参数可以不必是能够控制的,因为优化模块能够向用户提供校正指令以间接地调整诸如pH、流入水碱度、反应器性能等的其它参数。在各种实施例中,以识别在优化工艺以减少EGSB的TOC时能够用作指示器的工艺参数的原则来选择工艺参数。已经基于操作者和工艺知识选择了这些参数。例如,减少EGSB出水挥发性脂肪酸(VFA)帮助最小化EGSB出水流的最后TOC。
在各种实施例中,还将意识到的是,可以通过优化不同的目标函数来执行优化。还将意识到的是,优化步骤典型地包含最大化或最小化一个或更多目标函数,取决于问题的性质。考虑不同的目标(处理结果和操作成本)和其中设备必须操作的不同环境(废水质量、流量和温度波动)显著地增大问题的复杂性。例如,废水处理设备的最优操作涉及例如选择合适的污泥循环流量和化学品用量速率,使得它们在给定的条件下根据一些预定义的标准优化设备的行为。根据发展的PLS模型,
y=x1b1+x2b2+…+xnbn (2)
获得了系数。每个工艺参数具有特定的操作范围。然后发展了如以下描述的优化目标函数以通过为得到优化的工艺参数和优化的出水TOC的线性优化来优化处理效率,其中lb和ub分别是下和上边界。
最小化(y)=最小化(x1b1+x2b2+…+xnbn) (3)
服从:lb1≤x1≤ub1,…,lbn≤xn≤ubn
在各种实施例中,可以针对与总的操作或运行成本相关的目标函数来执行优化过程。用于操作EGSB的直接的材料成本在实施校正指令之后增大了。然而,由于作为实施校正动作的就结果的来自EGSB的较低的出水TOC,可以减小下游操作成本。同样,优化的总的操作成本(包含EGSB和进一步的下游工艺)是用于实施校正动作的直接材料成本的增大与由于较低TOC的下游操作成本的减少之间的微妙折衷。
在各种实施例中,通过考虑化学品增加(盐酸-HCl,氢氧化钠(荷性碱)-NaOH-调整pH,H3PO4,作为养分的氨水)的成本并且也考虑用于运行电气设备的电力成本,计算了直接材料成本。通常,经由模块的以下两个手段减少操作成本:
1)避免能够由于严重的工艺扰乱而引起的高的成本——“避免工艺成本”——故障诊断模块
2)最大化EGSB工艺的TOC去除,并且因此减少至其中污泥生成和空气需要显著的下游需氧工艺的TOC负荷。
在一些实施例中,系统10或诸如预测模块12、故障诊断模块14以及优化模块18的系统10的部分可以应用于包括厌氧子系统1420和需氧子系统1440的废水处理系统1400。厌氧子系统1420和需氧子系统1440布置成使得厌氧子系统1420相对于下游需氧子系统1440在上游。如图14中示例的,系统1400包括布置成接收流入物(废水)的导流池1480和馈给均衡池1460。可以以能够调整的或能够控制的导流流动速率将来自导流池1480的流入物馈给馈给均衡池1460(除其它功能之外)。
厌氧子系统1420可以包括布置成接收来自馈给均衡池1460的调整的流入物的至少一个EGSB厌氧反应器。该EGSB厌氧反应器可以类似于EGSB厌氧反应器102。在厌氧处理工艺之后,将处理的废水向下游发送至需氧子系统1440。如示例的,需氧子系统1440包括膜生物反应器(MBR)1442、移动床生物膜反应器(MBBR)1444、以及激活污泥(AS)反应器1446。来自MBR或AS的处理的废水输出出水可以被发送至后继的工艺系统或子系统。
可以如较早实施例中描述的那样仅考虑上游厌氧子系统,来优化该至少一个EGSB反应器(诸如EGSB反应器102)的工艺参数或变量以最小化出水TOC(来自EGSB反应器的出水)。
在优化系统1400中,考虑总的OPEX的总的或全局的优化。这也可以通过最小化上游EGSB厌氧子系统1420中的出水TOC浓度,和/或最大化下游需氧子系统1440中的出水TOC浓度来实现。在一些实施例中,可以将来自上游厌氧子系统1420的任何优化的结果用作建议方法以向操作者建议任何可能的调整,该任何可能的调整容许来自EGSB反应器的排出出水TOC满足需氧下游1440中的任何调整需要(单个/多个)。在下游需氧出水TOC的最大化中,将建议操作者处理出水废水,使得出水废水将正好满足调整需要。例如,如果调整需要使处理的下游废水具有小于33mg/L的出水TOC,并且如果操作者当前正处理下游废水达25mg/L,则存在稍微提高排出出水的TOC(例如,30mg/L)的空间。没有必要在下游需氧工艺中“过处理”废水。由于较少的污泥生成、较低的需氧功耗,下游需氧工艺处的较低的处理需要将导致OPEX减少。
在图14的实施例中,可以执行优化而无需故障诊断模块14和预报模块16。与较早描述的实施例相比较,优化模块18考虑了下游需氧子系统1440的优化,而不仅仅是厌氧子系统1420的优化。
在另一实施例中,优化模块18可以与故障诊断模块14结合工作来识别(单个/多个)根本原因以将废水处理系统或子系统恢复至正常,并在恢复工艺期间针对预定的目标函数共同/同时提供最优解。优化模块18被配置为创建与每个识别的根本原因相关联的校正动作的排列和组合。可以从一个或更多校正动作导出每个排列或组合。
可以将优化模块18应用于EGSB反应器102或任何其它废水处理或子系统。作为范例,图15示例了基于从预测模块12获得的输出来优化预定的目标函数OPEX的方法1500。
在步骤1510,将诸如总的有机碳(TOC)的预测的出水与用户定义的可以为能够容许的TOC的最大值的单个/多个标准进行比较。如果预测的TOC大于用户定义的标准,由此意味着至少一个异常,则使用故障诊断模块14识别可能的根本原因和对应的能够控制的(单个/多个)工艺变量的列表(步骤1520)。(经由故障诊断模块14)生成对应的校正动作。
为了示例,对应的校正动作表述为RC1、RC2以及RC3。这些可以对应于以下量的调整:温度、流入物浓度、或再循环流量。优化模块16然后算出校正动作的所有可能的排列(包含2个或更多可能的校正动作的组合),即:RC1;RC2;RC3;RC1+RC2;RC1+RC3;RC2+RC3;以及RC1+RC2+RC3。(步骤1530)。基于三个范例,根据以下数学表达式算出七个可能的组合:
其中,n表示识别的校正动作的总数。
然后计算或算出基于七个校正动作中的每个的对应预计的TOC(步骤1540)。然后将七个对应TOC中的每个与用户定义的单个/多个标准进行比较,并且识别将TOC减少到小于该标准的所有排列(步骤1550)。如果没有将TOC减少到小于或等于用户定义的标准的可用解,则将计算或确定默认动作,诸如减少流入物流量以将预测的TOC减少至达到标准(步骤1560)。这实际上是“次最优”解。
如果存在将TOC减少至小于标准的至少一个可用解,则算出每个可用解的OPEX(步骤1570)。选择具有最低OPEX的解作为最优解(1580)。
图16示出了根据本发明的一些实施例优化校正动作的方法的范例应用。特别是,要在厌氧子系统1420优化的参数可以包括TOC、pH、和/或总的悬浮固体(TSS)。可以对需氧子系统优化的参数包括以下量的最小化:MBBR、AS、和MBR。这些可以包含与出水TOC、出水磷酸盐PO4和出水氨NH3相关联的校正动作。
对于要优化的每个控制参数,图16中示例了校正动作的范例。例如,当对EGSB子系统优化控制参数出水pH时,校正动作可以包含对流入物pH、酸/碱(base)增加、和/或流入物碱度的调整。
总之,识别一个或更多根本原因的目的是将系统100、1400恢复至用户定义的标准定义的状态。
集成优化工艺选择满足此标准的校正动作的最低成本的组合。如果没有识别的根本原因的组合能够导致系统100、1400满足用户标准,则“次最优”解将用于用户减少对处理系统的负荷,使得排出(出水)参数能够满足此定义的标准。
在一些实施例中,可以将废水处理系统1400的优化建模为对上游厌氧子系统1420的参数的最小化和对下游需氧子系统1440的相同参数的最大化,以实现总的OPEX减少。在其它实施例中,可以将废水处理系统1400建模为对上游厌氧子系统1420的参数的最大化和对下游需氧子系统1440的相同参数的最小化,以实现总的OPEX减少。
本领域技术人员还将意识到,可以组合以上描述的非可选或替代的特征的变形和组合以形成落入本发明意图的范围内的进一步的实施例。特别是,
●虽然在描述的实施例中,在EGSB反应器和通用厌氧和需氧系统的情景中讨论了本发明,但是应意识到,本发明可以应用于WWTP的其它布置或配置。特别是,应当意识到,如描述的工艺变量和工艺参数可以应用于其它需氧和/或厌氧废水处理工艺和系统,以及以与特定于WWTP的类型的(单个/多个)历史数据库30和(单个/多个)推荐数据库40的形式收集的这些工艺变量和工艺参数相关联的数据。
●虽然如图2和图3中示例的,预报模块16和优化模块18实施于故障诊断模块14之后,但是应意识到,该两个模块也可以独立于故障诊断模块14运行。
●在各种实施例中,可以将优化模块18直接与故障诊断模块14集成,而不是如图2中示范的两步工艺实施。
●虽然推荐数据库40是基于规则的或基于逻辑的,但是应意识到,也可以应用能够进行决策的其它形式的认知模型。
●虽然推荐数据库40是基于经典布尔逻辑的,由此输出是二进制的(真或假),但是应当意识到,诸如模糊逻辑的其它形式的逻辑模型也可以用于本发明中。在一些实施例中,可以采用两个或更多逻辑模型之间的混合。
Claims (35)
1.一种用于废水处理工艺控制的系统,所述系统包括:
多个测量构件,被布置成获得数据集,所述数据集包括与所述废水处理工艺的参数相关的多个工艺变量;
预测模块,被布置成接收所述数据集并利用数学模型来预测废水处理工艺的所述参数,所述数学模型被布置成获得所述数据集作为输入并提供预测的参数作为输出;
故障诊断模块,被布置成将所预测的参数与预定的标准进行比较;
其中,如果所预测的参数不满足所述预定的标准,则所述故障诊断模块能够操作以从所述多个工艺变量中识别导致所预测的参数不满足所述预定的标准的至少一个工艺变量,并确定从所述多个工艺变量中所识别的至少一个工艺变量是否是能够控制的。
2.根据权利要求1所述的系统,其中,所述废水处理工艺的所述参数是所述废水处理工艺的出水参数。
3.根据权利要求1或2所述的系统,其中,所述数学模型包括移动窗口偏最小二乘回归算法。
4.根据前述权利要求中的任一项所述的系统,其中,对导致所预测的参数不满足所述预定的标准的所述至少一个工艺变量的识别基于霍特林T2或Q/SPE统计。
5.根据前述权利要求中的任一项所述的系统,其中,所述预定的标准是如下形式:能够容许的最大值、能够接受的或能够容许的值的范围、或能够容许的最小值。
6.根据权利要求1所述的系统,其中,如果所述至少一个工艺变量是能够控制的,则所述故障诊断模块获得能够控制的所述至少一个工艺变量的中值并确定能够控制的所述至少一个工艺变量是否是根本原因。
7.根据权利要求6所述的系统,其中,确定能够控制的所述至少一个工艺变量是否是根本原因包含将能够控制的所述至少一个工艺变量的所述中值与能够控制的所述至少一个工艺变量在正常条件下操作的值的范围进行比较。
8.根据权利要求7所述的系统,其中,如果能够控制的所述工艺变量落在所述值的范围以外,则将能够控制的所述工艺变量分类为根本原因。
9.根据权利要求8所述的系统,其中,所述根本原因被进一步分类为定性的根本原因或定量的根本原因。
10.根据权利要求9所述的系统,其中,如果所述根本原因是定量的根本原因,则提供进一步的计算以计算对所述至少一个工艺变量的调整。
11.根据权利要求9所述的系统,其中,所述故障诊断模块能够操作以访问数据库,以检索至少一个校正指令来基于一组预定义的规则调整能够控制的所述工艺变量。
12.根据前述权利要求中的任一项所述的系统,进一步包括预报模块,所述预报模块能够操作以模拟能够控制的所述至少一个工艺变量的调整对所述废水处理工艺的所述参数的影响。
13.根据权利要求1至11中的任一项所述的系统,进一步包括预报模块,所述预报模块能够操作以模拟至少一个工艺变量的调整对所述废水处理工艺的所述参数的影响。
14.根据前述权利要求中的任一项所述的系统,进一步包括优化模块,所述优化模块针对至少一个目标函数来优化废水处理工艺的所述参数和所述多个工艺变量。
15.一种用于废水处理工艺控制的方法,所述方法包括以下步骤:
从多个测量构件获得数据集,所述数据集包括与所述废水处理工艺的参数相关的多个工艺变量;
在预测模块处接收所述数据集并基于数学模型来预测废水处理工艺的所述参数;
将所预测的参数与预定的标准进行比较;
其中,如果所预测的参数不满足所述预定的标准,则故障诊断模块能够操作以从所述多个工艺变量中识别导致所预测的参数不满足所述预定的标准的至少一个工艺变量,并确定从所述多个工艺变量中所识别的至少一个工艺变量是否是能够控制的。
16.一种用于废水处理工艺控制中的故障诊断模块,包括与多个测量构件数据通信的至少一个处理器,以接收数据集,所述数据集包括与所述废水处理工艺的参数相关的多个工艺变量,并接收所述废水处理工艺的所述参数的值;以及然后将所述参数的所述值与预定的标准进行比较;
其中,如果所述参数不满足所述预定的标准,则所述故障诊断模块能够操作以从所述多个工艺变量中识别导致所预测的参数不满足所述预定的标准的至少一个工艺变量,并确定从所述多个工艺变量中所识别的至少一个工艺变量是否是能够控制的。
17.根据权利要求16所述的故障诊断模块,其中,对导致所预测的参数不满足所述预定的标准的所述至少一个工艺变量的识别基于霍特林T2或Q/SPE统计。
18.根据权利要求16或17所述的故障诊断模块,其中,所述预定的标准是如下形式:能够容许的最大值、能够接受的或能够容许的值的范围、或能够容许的最小值。
19.根据权利要求16所述的故障诊断模块,其中,如果所述至少一个工艺变量是能够控制的,则获得能够控制的所述至少一个工艺变量的中值并且所述故障诊断模块能够操作以确定能够控制的所述至少一个工艺变量是否是根本原因。
20.根据权利要求19所述的故障诊断模块,其中,确定能够控制的所述至少一个工艺变量是否是根本原因包含将能够控制的所述至少一个工艺变量的所述中值与正常范围进行比较。
21.根据权利要求20所述的故障诊断模块,其中,如果能够控制的所述工艺变量落在所述正常范围以外,则将能够控制的所述工艺变量分类为根本原因。
22.根据权利要求21所述的故障诊断模块,其中,所述根本原因被进一步分类为定性的根本原因或定量的根本原因。
23.根据权利要求22所述的故障诊断模块,其中,如果所述根本原因是定量的根本原因,则计算对所述工艺变量的调整。
24.根据权利要求23所述的故障诊断模块,其中,所述故障诊断模块能够操作以访问数据库,以检索至少一个校正指令来基于预定义的规则调整能够控制的所述工艺变量。
25.根据权利要求16至24中的任一项所述的故障诊断模块,进一步包括预报模块,所述预报模块能够操作以模拟能够控制的所述工艺变量的调整对所述参数的影响。
26.根据权利要求16所述的故障诊断模块,进一步包括预报模块,所述预报模块能够操作以模拟至少一个工艺变量的调整对所述参数的影响。
27.根据权利要求23所述的故障诊断模块,进一步包括多个定量的和/或定性的根本原因和对应的校正动作的列表,其中,每个对应的调整是校正动作。
28.根据权利要求27所述的故障诊断模块,进一步包括优化模块,所述优化模块被布置成根据以下公式以各种组合对所述校正动作进行排列,
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,n表示识别的校正动作的总数。
29.根据权利要求28所述的故障诊断模块,其中,确定对应于每个校正动作的模拟参数并将每个模拟参数与所述预定的标准进行比较。
30.根据权利要求29所述的故障诊断模块,其中,如果所述模拟参数满足所述预定的标准,则计算目标函数值,并且其中在包括多个目标函数值时,选择最小或最大的目标函数值作为最优解。
31.根据权利要求29或30所述的故障诊断模块,其中,如果发现没有模拟参数满足所述预定的标准,则选择基于调整预定的工艺变量的次最优选项作为最优解。
32.一种用于废水处理系统中的优化模块,所述废水处理系统包括至少一个厌氧子系统和至少一个需氧子系统,所述优化模块包括至少一个处理器,所述处理器被布置成与多个测量构件数据通信以接收数据集,所述数据集包括与所述废水处理工艺的参数相关的多个工艺变量;
其中,所述至少一个处理器能够操作以针对目标函数来优化所述参数和所述多个工艺变量,并且其中,所述目标函数包括所述废水处理系统的总的操作费用的最小化。
33.如权利要求32所述的优化模块,其中,所述总的操作费用的最小化包括最小化所述厌氧子系统中的参数。
34.如权利要求32或33所述的优化模块,其中,所述总的操作费用的最小化包括最大化所述需氧子系统中的参数。
35.如权利要求33或34所述的优化模块,其中,所述参数是所述厌氧子系统或所述需氧子系统的出水TOC浓度。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SGPCT/SG2016/050180 | 2016-04-18 | ||
PCT/SG2016/050180 WO2017184073A1 (en) | 2016-04-18 | 2016-04-18 | System and method for wastewater treatment process control |
PCT/SG2017/050213 WO2017184077A1 (en) | 2016-04-18 | 2017-04-18 | System and method for wastewater treatment process control |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107949814A true CN107949814A (zh) | 2018-04-20 |
Family
ID=60116229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780002941.0A Pending CN107949814A (zh) | 2016-04-18 | 2017-04-18 | 用于废水处理工艺控制的系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20180327292A1 (zh) |
EP (1) | EP3353613A4 (zh) |
CN (1) | CN107949814A (zh) |
AU (1) | AU2017254356A1 (zh) |
WO (2) | WO2017184073A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110412975A (zh) * | 2019-08-26 | 2019-11-05 | 淮阴工学院 | 一种化工液位过程控制系统的鲁棒故障诊断方法 |
CN110968578A (zh) * | 2018-09-28 | 2020-04-07 | 中建水务环保有限公司 | 污水处理工艺推荐方法及装置 |
CN111625918A (zh) * | 2019-02-27 | 2020-09-04 | 阿里巴巴集团控股有限公司 | 一种工艺参数推荐方法、装置及电子设备 |
CN111661884A (zh) * | 2020-06-15 | 2020-09-15 | 上海水成环保科技股份有限公司 | 一种基于水处理的控制方法、装置、终端及可读存储介质 |
CN112079449A (zh) * | 2020-09-17 | 2020-12-15 | 浙江大学 | 一种自适应的电磁信号阻垢器及方法 |
CN112282679A (zh) * | 2020-11-16 | 2021-01-29 | 陕西延长石油(集团)有限责任公司 | 一种用于生成水基钻井废渣固化处理配方的方法及装置 |
CN115684276A (zh) * | 2022-12-28 | 2023-02-03 | 北京华科仪科技股份有限公司 | 一种基于集成融合模型的脱硫系统ph值预测方法及系统 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197380B (zh) * | 2017-12-29 | 2021-11-30 | 南京林业大学 | 基于偏最小二乘的高斯过程回归废水出水指标预测方法 |
US11651117B2 (en) * | 2018-09-05 | 2023-05-16 | WEnTech Solutions Inc. | System and method for anaerobic digestion process assessment, optimization and/or control |
WO2020122811A1 (en) * | 2018-12-13 | 2020-06-18 | Sembcorp Industries Ltd | System and method for predicting a parameter associated with a wastewater treatment process |
CN110032755B (zh) * | 2019-02-27 | 2022-11-01 | 石家庄铁道大学 | 多工况下城市污水处理过程多目标优化方法 |
CN110426957B (zh) * | 2019-07-31 | 2020-03-13 | 深圳信息职业技术学院 | 一种基于时延观测器的水厂投药系统自适应滑模控制方法 |
EP3851181A1 (de) * | 2020-01-17 | 2021-07-21 | Linde GmbH | Verfahren zum überwachen einer membrantechnischen vorrichtung |
WO2021211053A1 (en) * | 2020-04-15 | 2021-10-21 | Sembcorp Watertech Pte Ltd. | Predictive control system and method |
CN112479360B (zh) * | 2020-11-06 | 2022-07-12 | 深圳市深能环保东部有限公司 | 一种生活垃圾渗滤液的厌氧处理工艺异常识别及调整方法 |
JP7395055B2 (ja) * | 2021-03-24 | 2023-12-08 | 三菱電機株式会社 | 診断装置及び診断方法 |
KR20230172510A (ko) * | 2021-04-16 | 2023-12-22 | 케미라 오와이제이 | 프로세스 성능을 개선하기 위하여 교란을 추정하고 추천을 제공하기 위한 방법 |
FI130339B (en) * | 2022-06-23 | 2023-06-28 | Kemira Oyj | Method, device and computer program for controlling a process in the production of cellulose, paper or board |
CN115793471B (zh) * | 2023-02-10 | 2023-05-12 | 森海环保集团有限公司 | 一种基于污水处理监测的可调式控制方法及系统 |
CN116661354B (zh) * | 2023-06-12 | 2023-12-01 | 广州宝能能源管理股份有限公司 | 无菌热水系统的远程监控管理方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004267865A (ja) * | 2003-03-06 | 2004-09-30 | Hitachi Ltd | 水処理プロセスの支援システム |
US20100243564A1 (en) * | 2009-03-30 | 2010-09-30 | General Electric Company | System and method for monitoring an integrated system |
US20100332149A1 (en) * | 1998-12-17 | 2010-12-30 | Hach Company | Method and system for remote monitoring of fluid quality and treatment |
CN102681498A (zh) * | 2011-03-15 | 2012-09-19 | 中国科学院沈阳自动化研究所 | 污水处理过程优化运行方法 |
WO2013116036A1 (en) * | 2012-01-30 | 2013-08-08 | Hydronovation, Inc. | Remote monitoring, control, and automatic analysis of water systems using internet-based software and databases |
CN103534658A (zh) * | 2010-12-28 | 2014-01-22 | 株式会社东芝 | 工序监视诊断装置 |
WO2014142152A1 (ja) * | 2013-03-14 | 2014-09-18 | 株式会社 東芝 | プロセス監視診断装置 |
EP2853972A2 (en) * | 2013-09-30 | 2015-04-01 | YPF Tecnologia S.A. | Device and method for detection and/or diagnosis of faults in a process, equipment and sensors |
CN105404151A (zh) * | 2015-12-12 | 2016-03-16 | 北京工业大学 | 污水处理过程动态多目标优化控制方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3679942B2 (ja) * | 1999-02-26 | 2005-08-03 | 株式会社東芝 | 処理水質制御装置 |
US6845336B2 (en) * | 2002-06-25 | 2005-01-18 | Prasad S. Kodukula | Water treatment monitoring system |
CN102122134A (zh) * | 2011-02-14 | 2011-07-13 | 华南理工大学 | 基于模糊神经网络的溶解氧控制的废水处理方法及系统 |
JP5284433B2 (ja) * | 2011-09-14 | 2013-09-11 | 株式会社東芝 | プロセス監視・診断・支援装置 |
CN104163540B (zh) * | 2013-05-17 | 2016-04-06 | 埃科莱布美国股份有限公司 | 用于臭氧-生物组合工艺的臭氧投加自动控制系统 |
-
2016
- 2016-04-18 WO PCT/SG2016/050180 patent/WO2017184073A1/en active Application Filing
-
2017
- 2017-04-18 EP EP17786256.2A patent/EP3353613A4/en active Pending
- 2017-04-18 CN CN201780002941.0A patent/CN107949814A/zh active Pending
- 2017-04-18 US US15/740,348 patent/US20180327292A1/en not_active Abandoned
- 2017-04-18 AU AU2017254356A patent/AU2017254356A1/en not_active Abandoned
- 2017-04-18 WO PCT/SG2017/050213 patent/WO2017184077A1/en active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100332149A1 (en) * | 1998-12-17 | 2010-12-30 | Hach Company | Method and system for remote monitoring of fluid quality and treatment |
JP2004267865A (ja) * | 2003-03-06 | 2004-09-30 | Hitachi Ltd | 水処理プロセスの支援システム |
US20100243564A1 (en) * | 2009-03-30 | 2010-09-30 | General Electric Company | System and method for monitoring an integrated system |
CN103534658A (zh) * | 2010-12-28 | 2014-01-22 | 株式会社东芝 | 工序监视诊断装置 |
CN102681498A (zh) * | 2011-03-15 | 2012-09-19 | 中国科学院沈阳自动化研究所 | 污水处理过程优化运行方法 |
WO2013116036A1 (en) * | 2012-01-30 | 2013-08-08 | Hydronovation, Inc. | Remote monitoring, control, and automatic analysis of water systems using internet-based software and databases |
WO2014142152A1 (ja) * | 2013-03-14 | 2014-09-18 | 株式会社 東芝 | プロセス監視診断装置 |
EP2853972A2 (en) * | 2013-09-30 | 2015-04-01 | YPF Tecnologia S.A. | Device and method for detection and/or diagnosis of faults in a process, equipment and sensors |
CN105404151A (zh) * | 2015-12-12 | 2016-03-16 | 北京工业大学 | 污水处理过程动态多目标优化控制方法 |
Non-Patent Citations (2)
Title |
---|
杨作清等: "《钢铁工业水处理使用技术与应用》", 31 December 2015, 冶金工业出版社 * |
谢小青: "《污水处理工》", 31 December 2011, 厦门大学出版社 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968578A (zh) * | 2018-09-28 | 2020-04-07 | 中建水务环保有限公司 | 污水处理工艺推荐方法及装置 |
CN110968578B (zh) * | 2018-09-28 | 2023-04-25 | 中建生态环境集团有限公司 | 污水处理工艺推荐方法及装置 |
CN111625918A (zh) * | 2019-02-27 | 2020-09-04 | 阿里巴巴集团控股有限公司 | 一种工艺参数推荐方法、装置及电子设备 |
CN111625918B (zh) * | 2019-02-27 | 2023-05-09 | 阿里巴巴集团控股有限公司 | 一种工艺参数推荐方法、装置及电子设备 |
CN110412975A (zh) * | 2019-08-26 | 2019-11-05 | 淮阴工学院 | 一种化工液位过程控制系统的鲁棒故障诊断方法 |
CN111661884A (zh) * | 2020-06-15 | 2020-09-15 | 上海水成环保科技股份有限公司 | 一种基于水处理的控制方法、装置、终端及可读存储介质 |
CN112079449A (zh) * | 2020-09-17 | 2020-12-15 | 浙江大学 | 一种自适应的电磁信号阻垢器及方法 |
CN112282679A (zh) * | 2020-11-16 | 2021-01-29 | 陕西延长石油(集团)有限责任公司 | 一种用于生成水基钻井废渣固化处理配方的方法及装置 |
CN115684276A (zh) * | 2022-12-28 | 2023-02-03 | 北京华科仪科技股份有限公司 | 一种基于集成融合模型的脱硫系统ph值预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
EP3353613A4 (en) | 2019-08-21 |
EP3353613A1 (en) | 2018-08-01 |
AU2017254356A1 (en) | 2018-01-25 |
WO2017184073A1 (en) | 2017-10-26 |
US20180327292A1 (en) | 2018-11-15 |
WO2017184077A1 (en) | 2017-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107949814A (zh) | 用于废水处理工艺控制的系统和方法 | |
US11365140B2 (en) | Decision support system and method for water treatment | |
KR20130095405A (ko) | 하수처리장 공정상태 진단에 따른 규칙기반 제어장치 및 방법 | |
KR102440372B1 (ko) | 빅데이터 및 인공지능 기반의 하수처리시설의 유입수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 | |
Vlad et al. | Indirect control of substrate concentration for a wastewater treatment process by dissolved oxygen tracking | |
Yu et al. | Activated sludge process faults diagnosis based on an improved particle filter algorithm | |
KR102440371B1 (ko) | 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 | |
Do et al. | A design of higher-level control based genetic algorithms for wastewater treatment plants | |
Valverde-Pérez et al. | Systematic design of an optimal control system for the SHARON-Anammox process | |
KR100920522B1 (ko) | 하수처리공정 진단 및 제어장치 및 방법 | |
Nawaz et al. | Intelligent Human–Machine Interface: An Agile Operation and Decision Support for an ANAMMOX SBR System at a Pilot-Scale Wastewater Treatment Plant | |
JP4188200B2 (ja) | プラントワイド最適プロセス制御装置 | |
Gaska et al. | Optimization of biological wastewater treatment process by hierarchical adaptive control | |
Sen et al. | An Artificial Intelligence Platform for Asset Management Contributes to Better Decision‐making Tools for Operations, Maintenance, and Utility Management: Sen et al. | |
Zhu et al. | Assessment of a soft sensor approach for determining influent conditions at the MWRDGC Calumet WRP | |
JP4700145B2 (ja) | 水処理装置のモデル参照型自動制御装置 | |
KR101108031B1 (ko) | 사전 예측 제어 기반 하·폐수 처리 시스템 및 하·폐수 처리 방법 | |
Kim et al. | Evaluation of rule-based control strategies according to process state diagnosis in A2/O process | |
Corominas et al. | Modified calibration protocol evaluated in a model-based testing of SBR flexibility | |
Newhart et al. | Data science tools to enable decarbonized water and wastewater treatment systems | |
TWI746059B (zh) | 用於優化污水處理設施效能之人工智慧輔助操作系統以及使用它之污水水質人工智慧優化方法 | |
Nawaz et al. | Development of Smart AnAmmOx System and Its Agile Operation and Decision Support for Pilot-Scale WWTP | |
Sheik et al. | Control of anaerobic-anoxic-aerobic (A2/O) processes in wastewater treatment: a detailed review | |
Ataei et al. | A review on environmental process engineering | |
Reusser et al. | Complexity versus Simplicity: A Time and a Place for All Models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210615 Address after: Shinka ha Applicant after: Shengke Water Treatment Technology Co.,Ltd. Address before: Shinka ha Applicant before: SEMBCORP INDUSTRIES Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |
|
RJ01 | Rejection of invention patent application after publication |