CN115108617B - 混凝加药方法及系统 - Google Patents

Abstract

本发明公开了一种混凝加药方法及系统，该方法包括：获取原水流量、原水浊度、加药量、絮体分形维数和实际沉后水浊度；构建模糊神经网络控制系统，模糊神经网络控制系统包括神经网络预测模型和模糊控制器；神经网络预测模型以原水流量、原水浊度、加药量和絮体分形维数为输入向量，以实际沉后水浊度为输出向量，以此预测沉后水浊度；模糊控制器以预测沉后水浊度与沉后水浊度设定值的偏差以及偏差变化率作为输入量，以加药量偏差值为输出量，由此得到加药量，并作为模型下一循环输入的加药量。本发明通过对混凝形成的絮体进行原位检测，对絮体形态进行定量描述，同时将神经网络控制和模糊控制结合起来，改善了混凝加药的滞后性。

Description

混凝加药方法及系统

技术领域

本发明涉及水处理领域，尤其涉及一种混凝加药方法及系统。

背景技术

水处理中，混凝作为最为常见、最为关键的工艺，是一个大滞后过程，具有非线性和时变性强等特点。混凝受到众多因素影响，其反应机理现今仍存在争议、无一定论，故难以用一个简单的传递函数加以表述。

混凝加药人工控制的主观性强、劳动量大、控制精度不够、滞后性强，常造成药剂浪费，且目前常用的一些自动加药控制方法如：PID控制、前馈控制、复合环反馈控制等都或多或少存在控制精度不够、反应不灵敏、适应性不强、需要人工反复调节、缺乏自学习型和自适应性等缺点。故开发一种混凝智能加药系统就显得十分必要。

现在常见的将流动电流值和透光率脉动值作为系统输入量的加药控制方式受限因素较多，难以实现高效稳定的控制，且该方式以间接参数作为模型输入量，无法适应多种水质和混凝剂的要求。

发明内容

本发明的目的在于，提供一种混凝加药方法及系统，通过对混凝形成的絮体进行原位检测，对絮体形态进行定量描述并将其作为模型输入量，将神经网络控制和模糊控制结合起来实现智能混凝加药。

本发明采用的技术方案如下：

视界智能混凝加药系统包括传感器模块、控制模块和加药模块。传感器模块由原水在线电磁流量计、原水在线浊度仪、高速电荷耦合摄像机、出水在线浊度仪等检测仪器及附件组成；控制模块包括控制模型、计算机、PLC等硬件及软件设施。加药模块包括药剂储罐、变频器、机械式隔膜计量泵、管道及管道附件。

优选的，用分形维数对絮体形态进行定量描述，并作为系统神经网络预测模型的输入量。

优选的，利用高速电荷耦合摄像机以1～1000帧/s的速度对混凝中后段的已稳定絮体进行原位拍摄，高速电荷耦合摄像机将光信号转化为电信号，通过A/D采集卡转换为数字信号。拍摄的絮体图片以1000张(时间不超过1min)为一组，作为计算t时刻絮体分形维数的基础图像数据。

优选的，每组图片转化为灰度图片，对特定环境和光源下的图片分隔阈值

进行计算设定，灰度低于/>

值认定为絮体，以第N_i(i＝1～1000)张图片为例，每个絮体所占像素点数为n_ij，絮体面积A_ij为n_ij个像素点面积，絮体周长L_ij为n_ij个像素点对角线长度之和，对每个絮体的面积和周长取自然对数，得lnA_ij和lnL_ij，采用最小二乘法进行拟合得直线方程为lnA_i＝d_i*lnL_i+α_i，则t时刻絮体的分形维数/>

优选的，由神经网络预测模型和模糊控制器，组成模糊神经网络控制系统。

优选的，神经网络预测模型以原水流量、原水浊度、加药量、絮体分形维数、实际沉后水浊度为输入向量，以预测沉后水浊度为输出向量。

优选的，模糊控制器以沉后水浊度设定值与神经网络预测模型所得预测沉后水浊度的偏差e和它们的偏差变化率e_c作为输入量，以加药量偏差值△q为输出量。

优选的，由模糊控制器解模糊后所得输出为加药量偏差值△q，其与加药量q相加得即时的、调整后的加药量q+△q，作为神经网络预测模型的下一循环输入量。

优选的，神经网络预测模型为三层结构，第一层为输入层，节点数为4个，分别为原水流量、原水浊度、加药量、絮体分形维数；第二层为隐含层，节点数为8个；第三层为输出层，节点数为1个，即预测沉后水浊度。

优选的，模糊控制器，其模糊控制规则是根据专家经验和控制工程知识而得，具有2个输入节点，14个隶属度函数、49条模糊规则、49个隶属度适用度和1个输出节点，输入节点为沉后水浊度设定值与神经网络预测模型所得预测沉后水浊度的偏差e和它们的偏差变化率e_c，输出节点为加药量偏差值△q。

优选的，硬件包括系统计算机及PLC终端设备，通过上位机和下位机的信息传输实现混凝加药的自动控制、数据的实时采集储存以及控制系统的自主学习。系统计算机作为上位机进行模型的离线学习，选取具有代表性的数据构成模型学习样本集，输入到模型训练程序中，后将学习好的模型程序写入PLC中，在PLC上进行在线运行。同时上位机兼具数据采集和储存功能，建立相应数据库，每隔一定时间上位机从数据库中筛选更为完善、更具有代表性的数据完善样本集，对模型进行再优化，将优化号的控制规则表重新写入PLC中，完成系统控制的自适应、自主学习。

优选的，将调整后的加药量q+△q转化为电信号，通过改变加药泵频率达到控制加药量目的。

优选的，该系统设置了一个工程师站和一个操作员站，工程师站用于控制模型的开发和优化，对整个PLC系统进行组态；操作员站用于工作人员日常控制操作，数据观察、修改等交互工作。

与现有技术相比，本发明具有以下有益效果：

(1)本发明首次将分形维数作为絮体形态定量化描述值列入神经网络预测模型的输入向量。混凝的效果虽然受众多因素影响，但归根结底都是由混凝形成的絮体决定的，絮体易于沉淀或易于被后续处理单元去除，即为混凝效果较好，这跟絮体的形态有直接关系，因此其优于流动电流值和透光率脉动值这种通过间接方式表述混凝效果的参数，同时相比于以原水水质(流量、浊度、pH、盐度、碱度)为输入向量的情况可以减少模型的输入层节点数量，仅保留原水流量和原水浊度这两个输入量，减少训练时间，避免网络过拟合。

(2)与现有的水处理领域混凝加药系统相比，将神经网络控制和模糊控制结合起来，利用神经网络在学习能力上的突出优势和模糊控制善于利用专家语言信息的特点，实现了加药系统的自适应性和自主学习，改善了混凝加药的滞后性，大大提高了加药的控制精度和自动控制系统应对复杂情况的能力，节省了人力和药剂量，节约了制水成本，为水处理混凝投药智能控制提供了一种新的途径。

附图说明

图1是视界智能混凝加药系统框图；

图2是絮体分析软件界面及分析图；

图3是视界智能混凝加药系统的神经网络预测模型结构图；

图4是视界智能混凝加药系统的模糊子集隶属函数图；

图5是视界智能混凝加药系统学习过程的算法流程图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

为了适应多种水质和混凝剂的要求，就有必要对系统输入量进行优选。为此摒弃了传统以间接参数作为模型输入量的做法，开发了一种通过对混凝形成的絮体进行原位检测，将与混凝效果直接相关的絮体形态进行定量描述，实现了混凝过程的可视化和模型输入参数的直接化。同时将神经网络控制和模糊控制结合起来的智能混凝加药系统，实现了加药系统的自适应性和自主学习，改善了混凝加药的滞后性，大大提高了加药的控制精度和自动控制系统应对复杂情况的能力，节省了人力和药剂量，节约了制水成本，为水处理混凝投药智能控制提供了一种新的途径。

如图1所示，本发明提供了一种通过对混凝形成的絮体进行原位检测，对絮体形态进行定量描述，将其作为模型输入量，将神经网络控制和模糊控制结合起来的智能混凝加药系统。

视界智能混凝加药系统包括传感器模块、控制模块和加药模块。传感器模块由原水在线电磁流量计、原水在线浊度仪、高速电荷耦合摄像机、出水在线浊度仪等检测仪器及附件组成；控制模块包括控制模型、计算机、PLC等硬件及软件设施。加药模块包括药剂储罐、变频器、机械式隔膜计量泵、管道及管道附件。

用分形维数对絮体形态进行定量描述，并作为系统神经网络预测模型的输入量。利用高速电荷耦合摄像机以1～1000帧/s的速度对混凝中后段的已稳定絮体进行原位拍摄，高速电荷耦合摄像机将光信号转化为电信号，通过A/D采集卡转换为数字信号。拍摄的絮体图片以1000张(时间不超过1min)为一组，作为计算t时刻絮体分形维数的基础图像数据。每组图片转化为灰度图片，对特定环境和光源下的图片分隔阈值φ进行计算设定，灰度低于

值认定为絮体，以第N_i(i＝1～1000)张图片为例，每个絮体所占像素点数为n_ij，絮体面积A_ij为n_ij个像素点面积，絮体周长L_ij为n_ij个像素点对角线长度之和，对每个絮体的面积和周长取自然对数，得lnA_ij和lnL_ij，采用最小二乘法进行拟合得直线方程为lnA_i＝d_i*lnL_i+α_i，则t时刻絮体的分形维数/>

絮体分析软件界面及分析示意图如图2所示。

由神经网络预测模型和模糊控制器，组成模糊神经网络控制系统。

神经网络预测模型以原水流量、原水浊度、加药量、絮体分形维数、实际沉后水浊度为输入向量，以预测沉后水浊度为输出向量。神经网络预测模型为三层结构，第一层为输入层，节点数为4个，分别为原水流量、原水浊度、加药量、絮体分形维数；第二层为隐含层，节点数为8个；第三层为输出层，节点数为1个，即预测沉后水浊度，神经网络预测模型结构如图3所示。神经网络预测模型隐含层传输函数采用S型传输函数logsig；训练函数采用动量批梯度下降函数traingdm函数；训练算法采用Quasi—Newtonmethod；最大训练次数设置为10⁴次；训练目标为10^-5；学习率设为0.01。

模糊控制器以沉后水浊度设定值与神经网络预测模型所得预测沉后水浊度的偏差e和它们的偏差变化率e_c作为输入量，以加药量偏差值△q为输出量。其模糊控制规则是根据专家经验和控制工程知识而得，具有2个输入节点，14个隶属度函数、49条模糊规则、49个隶属度适用度和1个输出节点，输入节点为出水浊度设定值与神经网络预测模型所得预测出水浊度的偏差e和它们的偏差变化率e_c，输出节点为加药量偏差值△q。

模糊控制器的设计主要分为以下步骤：

第一，确定输入和输出量，以沉后水浊度设定值与神经网络预测模型所得预测沉后水浊度的偏差e和它们的偏差变化率e_c作为输入量，以加药量偏差值△q为输出量。

第二，定义输入输出变量模糊集，本系统根据模糊控制规则，并考虑控制稳定性的要求，输入量e、e_c，输出量△q选用以下五个词：{NB(负大)，NS(负小)，ZE(零)，PS(正小)，PB(正大)}。输入量e、e_c，输出量△q基本论域设定[-50，+50]、[-10，+10]、[-40，+40]，对应的模糊论域分别是[-4，+4]、[-4，+4]、[-4，+4]；各比例因子为K_e＝4/50＝0.08，K_ec＝4/10＝0.4，K_q＝40/4＝10；模糊子集隶属函数如图4所示，模糊赋值表(隶属度)见表1；

表1视界智能混凝加药系统的模糊赋值表(隶属度)

第三，根据专家经验和控制工程知识构建模糊控制规则表，见表2；

表2视界智能混凝加药系统的模糊控制规则表

第四，求解模糊蕴含关系，采用Mamdani法推到模糊控制响应表；

第五，总结模糊查询表；

第六，使用最大隶属度法解模糊得到输出值△q。

由模糊控制器解模糊后所得输出为加药量偏差值△q，其与加药量q相加得即时的、调整后的加药量q+△q。将调整后的加药量q+△q转化为电信号，通过改变加药泵频率达到控制加药量目的，并将其作为神经网络预测模型的下一循环输入量。

视界智能混凝加药系统硬件包括系统计算机及PLC终端设备，通过上位机和下位机的信息传输实现混凝加药的自动控制、数据的实时采集储存以及控制系统的自主学习。系统计算机作为上位机进行模型的离线学习，选取具有代表性的数据构成模型学习样本集，输入到模型训练程序中，后将学习好的模型程序写入PLC中，在PLC上进行在线运行。同时上位机兼具数据采集和储存功能，建立相应数据库，每隔一定时间上位机从数据库中筛选更为完善、更具有代表性的数据完善样本集，对模型进行再优化，将优化号的控制规则表重新写入PLC中，完成系统控制的自适应、自主学习，如图5所示。该系统设置了一个工程师站和一个操作员站，工程师站用于控制模型的开发和优化，对整个PLC系统进行组态；操作员站用于工作人员日常控制操作，数据观察、修改等交互工作。

综上所述，本发明公开了一种视界智能混凝加药方法及系统，该系统包括传感器模块、控制模块和加药模块。传感器模块由原水在线电磁流量计、原水在线浊度仪、高速电荷耦合摄像机、出水在线浊度仪等检测仪器组成；控制模块包括控制模型、计算机、PLC等硬件及软件设施；加药模块包括药剂储罐、变频器、机械式隔膜计量泵、管道及管道附件。该系统通过对混凝形成的絮体进行原位检测，实现了混凝过程的可视化，对絮体形态进行定量描述，同时以先进的智能控制理念为基础，将神经网络控制和模糊控制结合起来，利用神经网络在学习能力上的突出优势和模糊控制善于利用专家语言信息的特点，最终实现了加药系统的自适应性和自主学习，改善了混凝加药的滞后性，大大提高了加药的控制精度和自动控制系统应对复杂情况的能力，节省了人力和药剂量，节约了制水成本，为水处理混凝投药智能控制提供了一种新的途径。

需要指出，根据实施的需要，可将本申请中描述的各个步骤拆分为更多步骤，也可将两个或多个步骤或者步骤的部分操作组合成新的步骤，以实现本发明的目的。

本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种混凝加药方法，其特征在于，包括以下步骤：

获取原水流量、原水浊度、加药量、絮体分形维数和实际沉后水浊度；其中絮体分形维数获取包括：获取混凝中后段的已稳定絮体图片，若干张絮体图片作为一组；将絮体图片转化为灰度图片，灰度低于预设阈值

则认定为絮体，进而获取絮体面积A_ij和絮体周长L_ij；对每个絮体的絮体面积A_ij和絮体周长L_ij取自然对数得lnA_ij和lnL_ij，并采用最小二乘法进行拟合得直线方程为lnA_i＝d_i*lnL_i+α_i，则絮体的分形维数/>

其中，m表示一组絮体图片的絮体总数，i表示絮体编号；

构建模糊神经网络控制系统，模糊神经网络控制系统包括神经网络预测模型和模糊控制器；神经网络预测模型以原水流量、原水浊度、加药量和絮体分形维数为输入向量，以实际沉后水浊度为输出向量，以此预测沉后水浊度；模糊控制器以预测沉后水浊度与沉后水浊度设定值的偏差e以及偏差变化率e_c作为输入量，以加药量偏差值△q为输出量，由此得到加药量偏差值△q，其与加药量q相加得到最终加药量q+△q，并作为神经网络预测模型下一循环输入的加药量。

2.根据权利要求1所述的混凝加药方法，其特征在于，每个絮体所占像素点数为n_ij，则絮体面积A_ij为n_ij个像素点面积，絮体周长L_ij为n_ij个像素点对角线长度之和。

3.根据权利要求1所述的混凝加药方法，其特征在于，神经网络预测模型为三层结构，第一层为输入层，节点数为4个，分别为原水流量、原水浊度、加药量和絮体分形维数；第二层为隐含层，节点数为8个；第三层为输出层，节点数为1个，即预测沉后水浊度。

4.根据权利要求3所述的混凝加药方法，其特征在于，神经网络预测模型隐含层传输函数采用S型传输函数logsig；训练函数采用动量批梯度下降函数traingdm函数；训练算法采用Quasi—Newtonmethod；最大训练次数设置为10⁴次；训练目标为10^-5；学习率设为0.01。

5.根据权利要求1所述的混凝加药方法，其特征在于，模糊控制器的输入量e、e_c，输出量△q的模糊集包括NB负大、NS负小、ZE零、PS正小和PB正大；输入量e、e_c，输出量△q基本论域分别设定为[-50，+50]、[-10，+10]和[-40，+40]，对应的模糊论域分别为[-4，+4]、[-4，+4]和[-4，+4]。

6.根据权利要求1所述的混凝加药方法，其特征在于，该方法还包括：建立数据库，数据库中存储有加药控制过程中获取的传感数据，神经网络预测模型从中选取具有代表性的数据并不断进行自主学习。

7.根据权利要求1所述的混凝加药方法，其特征在于，获取的一组絮体图片的时间不超过1min。

8.一种用于实现权利要求1至7中任意一项所述的混凝加药方法的混凝加药系统，其特征在于，包括：传感器模块、控制模块和加药模块；

传感器模块包括原水在线电磁流量计、原水在线浊度仪、高速电荷耦合摄像机和出水在线浊度仪，分别用于获取原水流量、原水浊度、絮体图片和实际沉后水浊度；

控制模块包括系统计算机和PLC终端设备；系统计算机用于神经网络预测模型的离线学习，PLC终端设备用于基于学习好的神经网络预测模型和模糊控制器计算出加药量偏差值△q，并控制加药模块完成加药；

加药模块包括药剂储罐、变频器和机械式隔膜计量泵；药剂储罐用于存储药剂，PLC终端设备通过变频器控制机械式隔膜计量泵进行加药。

9.根据权利要求8所述的混凝加药系统，其特征在于，高速电荷耦合摄像机以1～1000帧/s的速度对混凝中后段的已稳定絮体进行原位拍摄，以获取混凝中后段的已稳定絮体图片。

10.根据权利要求8所述的混凝加药系统，其特征在于，系统计算机还用于建立数据库，数据库中存储有加药控制过程中获取的传感数据，神经网络预测模型从中选取具有代表性的数据并不断进行自主学习。

Images