CN117326751A - 一种高氟废水处理的智慧型加药系统及方法 - Google Patents
一种高氟废水处理的智慧型加药系统及方法 Download PDFInfo
- Publication number
- CN117326751A CN117326751A CN202311496244.9A CN202311496244A CN117326751A CN 117326751 A CN117326751 A CN 117326751A CN 202311496244 A CN202311496244 A CN 202311496244A CN 117326751 A CN117326751 A CN 117326751A
- Authority
- CN
- China
- Prior art keywords
- dosing
- water
- value
- module
- information
- 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 110
- 229910052731 fluorine Inorganic materials 0.000 title claims abstract description 40
- 239000011737 fluorine Substances 0.000 title claims abstract description 40
- 238000004065 wastewater treatment Methods 0.000 title claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 369
- KRHYYFGTRYWZRS-UHFFFAOYSA-M Fluoride anion Chemical compound [F-] KRHYYFGTRYWZRS-UHFFFAOYSA-M 0.000 claims abstract description 124
- 230000008569 process Effects 0.000 claims abstract description 82
- 239000003814 drug Substances 0.000 claims abstract description 49
- 229940037003 alum Drugs 0.000 claims abstract description 48
- 238000012937 correction Methods 0.000 claims abstract description 43
- 239000002351 wastewater Substances 0.000 claims abstract description 25
- 230000009471 action Effects 0.000 claims abstract description 7
- 230000002572 peristaltic effect Effects 0.000 claims description 47
- 238000001514 detection method Methods 0.000 claims description 45
- 230000001537 neural effect Effects 0.000 claims description 35
- 238000006243 chemical reaction Methods 0.000 claims description 28
- 238000006386 neutralization reaction Methods 0.000 claims description 28
- UXVMQQNJUSDDNG-UHFFFAOYSA-L Calcium chloride Chemical compound [Cl-].[Cl-].[Ca+2] UXVMQQNJUSDDNG-UHFFFAOYSA-L 0.000 claims description 26
- 239000001110 calcium chloride Substances 0.000 claims description 26
- 229910001628 calcium chloride Inorganic materials 0.000 claims description 26
- 238000005189 flocculation Methods 0.000 claims description 24
- 230000016615 flocculation Effects 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 23
- 239000000872 buffer Substances 0.000 claims description 18
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 claims description 17
- 238000004062 sedimentation Methods 0.000 claims description 17
- 238000003756 stirring Methods 0.000 claims description 17
- 239000007853 buffer solution Substances 0.000 claims description 16
- AXCZMVOFGPJBDE-UHFFFAOYSA-L calcium dihydroxide Chemical compound [OH-].[OH-].[Ca+2] AXCZMVOFGPJBDE-UHFFFAOYSA-L 0.000 claims description 15
- 239000000920 calcium hydroxide Substances 0.000 claims description 15
- 229910001861 calcium hydroxide Inorganic materials 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000008394 flocculating agent Substances 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000002156 mixing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010790 dilution Methods 0.000 claims description 4
- 239000012895 dilution Substances 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 229940079593 drug Drugs 0.000 claims description 3
- 239000011259 mixed solution Substances 0.000 claims description 3
- 238000007865 diluting Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 description 46
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 6
- KRKNYBCHXYNGOX-UHFFFAOYSA-N citric acid Chemical compound OC(=O)CC(O)(C(O)=O)CC(O)=O KRKNYBCHXYNGOX-UHFFFAOYSA-N 0.000 description 6
- 239000010842 industrial wastewater Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- VMHLLURERBWHNL-UHFFFAOYSA-M Sodium acetate Chemical compound [Na+].CC([O-])=O VMHLLURERBWHNL-UHFFFAOYSA-M 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 229940040526 anhydrous sodium acetate Drugs 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006115 defluorination reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012377 drug delivery Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010979 pH adjustment Methods 0.000 description 2
- 229920002401 polyacrylamide Polymers 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000011780 sodium chloride Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000006228 supernatant Substances 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 208000035719 Maculopathy Diseases 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- WUKWITHWXAAZEY-UHFFFAOYSA-L calcium difluoride Chemical compound [F-].[F-].[Ca+2] WUKWITHWXAAZEY-UHFFFAOYSA-L 0.000 description 1
- 229910001634 calcium fluoride Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000000701 coagulant Substances 0.000 description 1
- 230000001112 coagulating effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 208000004042 dental fluorosis Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 208000002780 macular degeneration Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000008085 renal dysfunction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000010865 sewage Substances 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
- C02F9/00—Multistage 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
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
- C02F1/5281—Installations for water purification using chemical agents
-
- 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
- C02F1/58—Treatment of water, waste water, or sewage by removing specified dissolved compounds
- C02F1/583—Treatment of water, waste water, or sewage by removing specified dissolved compounds by removing fluoride or fluorine compounds
-
- 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
- C02F1/66—Treatment of water, waste water, or sewage by neutralisation; pH adjustment
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2101/00—Nature of the contaminant
- C02F2101/10—Inorganic compounds
- C02F2101/12—Halogens or halogen-containing compounds
- C02F2101/14—Fluorine or fluorine-containing compounds
-
- 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
- C02F2209/06—Controlling or monitoring parameters in water treatment pH
-
- 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
- C02F2209/07—Alkalinity
-
- 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
- C02F2209/40—Liquid flow rate
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2303/00—Specific treatment goals
- C02F2303/14—Maintenance of water treatment installations
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Separation Of Suspended Particles By Flocculating Agents (AREA)
Abstract
本发明公开了一种高氟废水处理的智慧型加药系统及方法,设置进水信息收集模块,用于采集进水水质信息;设置加药预测模块,用于预测下一时刻不同药剂的加药量;设置过程水信息收集模块,用于分析过程水pH值、过程水矾花图像和出水氟化物浓度;设置加药执行模块,用于执行加药行为;设置中控模块,根据加药量预测值控制加药执行模块执行加药操作;设置偏差校正模块,用于根据过程水信息、出水标准和加药量预测值,计算各药剂的加药量修订值,并反馈至中控模块,中控模块根据加药量修订值对预测加药量进行修正。本发明使水处理的加药工艺更加简单化、精确化和智能化,节约了成本,保障出水水质稳定达到后续处理工艺的控制标准。
Description
技术领域
本发明涉及一种污水处理技术,具体涉及一种高氟废水处理的智慧型加药系统及方法。
背景技术
在全球工业化的进程中,以半导体、面板、光伏等为代表的电子行业产能增长迅速,产生了大量的含氟废水,是水体氟污染的重要来源。而长期饮用含氟超标水易诱导氟斑牙、黄斑病、肾功能障碍,重则会造成氟骨症等慢性疾病,严重威胁人体健康。因此,探寻经济高效的技术手段进行含氟工业废水处理的必要性也日益凸显。根据国家工业废水排放标准,氟化物的排放浓度应≤10mg/L,而部分地区的涉氟化物标准要求更为严格,有的地方标准规定了氟化物的排放限值为1.5mg/L。现有的高氟废水处理工艺种类繁多,但工业中应用最为广泛的技术仍以石灰中和沉淀法和混凝沉淀法为主,通过借助加药系统进而实现对含氟废水净化处理的目标。然而,目前大多数高氟废水处理厂的加药系统存在以下问题:(1)加药方式较为粗糙,多为人工加药,依赖熟练工的经验进行操作,药剂投加量的控制不够规范,自动化程度较低;(2)缺乏工艺过程中水质变化的实时监控系统,对于投放药剂过程中出现的故障问题无法及时的发现和处理;(3)氟化物浓度难以实现连续检测,且分析方法的准确度不足;(4)当进水氟化物浓度过高,超出氟化物检测仪器量程时,无法实时获得准确数据;(5)自动化控制不足,固定加药量导致加药成本高。
发明内容
发明目的:本发明的目的是提供一种基于自适应神经模糊推理系统和图像识别的高氟废水处理的智慧型加药系统,以提升现有高氟废水处理加药系统的自动化程度,节约生产能源和材料成本以及人力成本,保障出水水质稳定达到后续处理工艺的控制标准,使水处理的加药工艺更加简单化、精确化和智能化。
技术方案:本发明的一种高氟废水处理的智慧型加药系统,包括中和池、反应池、絮凝池和沉淀池,还包括:中控模块、进水信息收集模块、加药预测模块、过程水信息收集模块、偏差校正模块和加药执行模块;进水信息收集模块用于采集进水信息,并将进水信息实时输送至中控模块的数据库中;过程水信息收集模块用于采集中和池、絮凝池和沉淀池中过程水信息,并将过程水信息实时输送至中控模块的数据库中;加药预测模块根据中控模块输送的进水信息、过程水pH值设定值和出水氟化物浓度设定值,采用自适应神经模糊推理模型预测输出下一时刻不同药剂的加药量预测值,并将不同药剂的加药量预测值实时输送至中控模块的数据库中;偏差校正模块根据中控模块输送的过程水信息、加药量预测值、过程水pH值设定值和出水氟化物浓度设定值计算出各药剂的加药量修订值,并将不同药剂的加药量修订值实时输送至中控模块的数据库中;加药执行模块根据中控模块输送的加药信号分别对中和池、反应池、絮凝池执行加药操作;中控模块用于控制其他模块的运行操作,其中若上一时刻出水氟化物浓度与出水氟化物浓度设定值偏差率大于等于10%,则启动偏差校正模块,控制加药执行模块根据加药量修订值进行加药操作,若偏差率小于10%,则不启动偏差校正模块,控制加药执行模块根据加药量预测值进行加药操作;
其中,自适应神经模糊推理模型采用离线学习、在线控制和离线再优化三种方式进行学习优化,离线时,选取进水信息、过程水信息和有效加药量的试验历史数据作为学习样本集,然后将学习样本集输入到自适应神经模糊推理模型的训练程序中,得到自适应神经模糊推理模型的参数,最后将训练好的自适应神经模糊推理模型写入加药预测模块;在线时,根据进水信息收集模块采集的进水信息、过程水pH值设定值以及出水氟化物浓度设定值实时预测不同药剂的加药量,并传输至中控模块;离线后,将中控模块中储存的实际运行数据作为更新的样本集,再次训练,得到更完善的自适应神经模糊推理模型,并将优化后的自适应神经模糊推理模型重新写入加药预测模块。
可选的,进水信息收集模块包括流量计和水质检测装置,所述水质检测装置一端通过进水取样蠕动泵连通进水进水管,另一端通过纯水蠕动泵连通纯水管,同时水质检测装置中的氟化物分析单元连接缓冲液蠕动泵。
可选的,过程水信息收集模块包括pH在线检测仪、水中矾花图像采集系统、出水取样蠕动泵、搅拌反应装置、缓冲液蠕动泵和氟化物在线分析仪,pH在线检测仪设置在中和池中,水中矾花图像采集系统设置在絮凝池的输出端,出水取样蠕动泵设置在沉淀池中,出水取样蠕动泵采集的出水水样与缓冲液蠕动泵输出的缓冲液一起输入搅拌反应装置,进行混合搅拌,氟化物在线分析仪对混合搅拌后的水样实时采集分析出水氟化物浓度。
可选的,中控模块采用PLC控制系统,设置加药箱药量低值报警系统、硬件故障报警系统和水质超标报警系统,若出现故障,系统会发出报警信号,同时显示故障指示灯并自动切断水泵电源。
可选的,若进水水质指标超出水质检测装置的测量量程,则中控模块控制启动进水取样蠕动泵和纯水蠕动泵抽水至水质检测装置进行稀释水样,并测定稀释水样的各种水质指标,并将测定值乘以稀释倍数,获得精确的进水水质指标。
可选的,偏差校正模块根据中控模块输出的过程水信息、加药量预测值、过程水pH值设定值和出水氟化物浓度设定值,采用一维黄金分割法反馈控制氢氧化钙药剂和氯化钙药剂投加量,同时根据矾花参数数据采用Linear Regression算法构建机器学习模型反馈调节絮凝剂投加量,最终得到氢氧化钙加药量修订值、氯化钙加药量修订值和絮凝剂加药量修订值。
基于相同的发明构思,本发明的一种高氟废水处理的智慧型加药方法,包括以下步骤:
进水信息收集模块采集含氟废水进入中和池的水流量,并检测进水pH值、碱度和氟化物浓度,然后将采集的进水信息数据传输至中控模块;
中控模块接收到进水信息数据后,消除数据中的异常值,并将数据保存至实时数据库中;
加药预测模块根据中控模块传送来的进水信息、过程水pH值设定值和出水氟化物浓度设定值计算得出下一时刻各药剂的加药量预测值,并传输至中控模块;
过程水信息收集模块采集中和池中过程水pH值、絮凝池中水矾花图像信息以及沉淀池中出水氟化物浓度,并输出至中控模块;
中控模块计算得出预设时间内的出水氟化物浓度滑动平均值,并计算出水氟化物浓度滑动平均值和出水氟化物浓度设定值的偏差率;若偏差率大于等于10%,启动偏差校正模块,根据水中矾花图像信息和出水氟化物浓度,得到絮凝剂加药量修订值和氯化钙加药量修订值并反馈至中控模块,中控模块根据各药剂的加药量修订值控制加药执行模块分别对中和池、反应池和絮凝池进行投药;当偏差校正模块连续启动设定阈值时,则停水进行总体数据分析后再重新启动废水处理过程;若偏差率小于10%,中控模块根据各药剂的加药量预测值控制加药执行模块分别对中和池、反应池和絮凝池进行投药。
进一步的,在沉淀池设置出水取样蠕动泵,用于自动连续定频采集加药处理后的水样输送至搅拌反应器,同时缓冲液蠕动泵同频吸取等量缓冲液至搅拌反应器,并利用氟化物在线分析仪检测混合液的氟化物浓度。
进一步的,加药预测模块采用自适应神经模糊推理模型,利用进水信息、过程水pH值设定值和出水氟化物浓度设定值作为预测模型的输入变量,不同药剂加药量预测值作为自适应神经模糊推理模型输出量;
自适应神经模糊推理模型采用离线学习、在线控制和离线再优化三种方式进行学习优化,离线时,选取进水信息、出水信息和有效加药量的试验历史数据作为学习样本集,然后将这个样本集输入到自适应神经模糊推理模型的训练程序中,得到自适应神经模糊推理模型的前件参数和后件参数,最后将训练好的自适应神经模糊推理模型写入加药预测模块;在线时,根据进水信息收集模块采集的进水信息以及出水氟化物浓度设定值实时预测不同药剂的加药量,并传输至中控模块;离线后,将中控模块中储存的实际运行数据作为更新的样本集,再次训练,得到更完善的自适应神经模糊推理模型,并将优化后的自适应神经模糊推理模型重新写入加药预测模块。
进一步的,偏差校正具体为:
对于氯化钙加药量修订,采用k时刻加药预测控制系统在k-1时刻的加药量u(k-1)作用下的出水氟化物浓度滑动平均值yR(k)和受控对象的实际出水氟化物浓度测定值y(k)之间的相对预测偏差δ(k)=y(k)-yR(k),构成闭环来预测k+1时刻对象的输出值yP(k+1)=yR(k+1)+δ(k),选取二次目标优化函数J=[ep(k+1)-ed(k+1)]2+λ[ep(k+1)-δ(k)]2,ep(k+1)=s-yR(k+1),ed(k+1)=cep(k)-(1-c)δ(k),其中:s为氟化物浓度设定值,c为柔化系数,0<c<1,加权系数λ≥0,采用一维黄金分割法寻取使得J函数最小时的加药量u(k),即误差率最小时的药剂投加量,最后将氯化钙药剂投加量修订值反馈至中控模块;
对于氢氧化钙加药量修订,与氯化钙加药量修订采用相同的方法;
对于絮凝剂加药量修订,偏差校正模块根据所接收到的水中矾花图像信息,利用YOLOv5算法进行矾花目标的检测,确定位置信息和数量信息后利用阈值分割进行图像分割,得到矾花数量、面积占比、等效直径参数,并选取预设时间内矾花数据平均值作为水质特性,结合进水水质参数和进水流量信息采用KNN算法将检测到的矾花进行分类,综合评价图像中矾花各参数信息;同时,根据以往水质预测的机器学习经验,利用以往水质数据作为训练样本通过Linear Regression算法构建机器学习模型,反馈絮凝剂投加量和出水矾花各参数信息的关系,得到絮凝剂加药量修订值并反馈至中控模块。
有益效果:与现有技术相比,本发明的技术效果为:
(1)利用自适应神经模糊推理系统作为自动控制系统的加药预测控制系统,结合了模糊逻辑和神经网络的优点,弥补了神经网络在模糊数据处理方面的不足和纯模糊逻辑在学习方面的缺陷,具有更强的鲁棒性和非线性建模能力,可有效抑止外部干扰。且本发明系统的加药预测控制系统可进行离线学习、在线控制和离线再优化三种控制模式,实现了加药量的精准预算。
(2)本发明系统的偏差校正模块是基于预测偏差采用一维黄金分割法反馈控制氯化钙药剂投加量,根据矾花图像识别采用Linear Regression算法构建机器学习模型反馈调节絮凝剂投加量,弥补了前馈中各参数在传感器、药液性能及浓度等方面的误差,同比传统工艺节省了药耗,有效的控制了人工成本。
(3)本发明中包含了水质检测分析手段,可有效监控进水的水质情况,对于水质参数在仪器检测范围内的水源,中控系统可将进水信息和出水氟化物浓度设定值作为加药预测控制系统的输入量,对于水质参数超出仪器检测范围的水源,在系统正常操作下,中控系统则控制进水端的进水取样蠕动泵和纯水蠕动泵进行按比例抽取并稀释水样,测定稀释水样水质参数,以此在保证检测效率的同时实时获取水质信息。
(4)本发明中包含过程信息采集手段,在沉淀池设置搅拌反应装置、缓冲液泵和氟化物在线分析仪,可实现连续监测出水氟化物浓度变化,并根据上一时刻的出水氟化物浓度和出水氟化物浓度设定值的偏差率来反馈校正下一时刻的加药量,保证反应效率的同时可有效控制加药成本。
(5)用传统工业废水氟化物检测方法(将进水直接作为氟化物浓度检测样)所测含氟标样的氟化物浓度精确率为95%,而用本发明氟化物检测方法(按照体积比为1:1将进水与缓冲溶液混合制成检测样)所测含氟标样中的氟化物浓度精确率为99.5%,比传统工业废水氟化物检测方法的检测精确度显著提高4.74%。
附图说明
图1是本发明加药系统结构示意图;
图2是中控模块与其他模块之间的通信连接关系示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
为解决现有加药系统的不足,本发明的解决方案为:(1)利用缓冲液混合进水/出水进行氟化物浓度检出,强化溶液总离子强度、掩蔽干扰离子,提高氟化物浓度分析准确度;(2)优化检测装置,进水端氟化物浓度检测单元加入纯水蠕动泵,对于高浓度氟化物进水,可按比例稀释水样,通过搅拌装置和在线氟化物分析仪测定稀释水样水质参数,以此在保证检测效率的同时实时获取水质信息;(3)基于Takagi-Sugeno推理模型的自适应神经模糊推理系统建立加药量预测系统,该加药量预测系统可通过进水信息、过程水pH值浓度设定值和出水氟化物浓度设定值精准预判下一时刻氢氧化钙、氯化钙和混凝剂的投加量;(4)鉴于算法模型和图像识别可对药剂投加量进行修正反馈,排除装备内部干扰因素,实现精准投加。
本发明的一种基于自适应神经模糊推理模型和图像识别的高氟废水处理的智慧型加药系统,针对水处理的主要工艺流程,即进水信息采集、水质中和、生化反应、絮凝沉淀和出水信息采集,设计出主要的运行模块,包括中控模块、进水信息收集模块、加药预测模块、过程水信息收集模块、偏差校正模块和加药执行模块。加药预测模块根据进水信息、过程水pH值浓度设定值(7.0-9.0)和出水氟化物浓度设定值预测下一时刻不同药剂的投加量,并输送至中控模块,中控模块根据上一时刻出水氟化物浓度与出水氟化物浓度设定值的偏差,判定后续是否启动偏差校正模块进行加药量的自动调整,判定程序结束后,根据具体情况,中控模块控制加药执行模块按照加药量预测值或加药量修订值进行加药操作,连续重复相同的动作进入下一个水处理周期。
如图1所示,本发明的一种基于自适应神经模糊推理模型和图像识别的高氟废水处理的智慧型加药系统,包括中和池1、反应池2、絮凝池3和沉淀池4。进水端设置进水信息收集模块,包括流量计5和水质检测装置6,所述水质检测装置6一端通过连接进水取样蠕动泵7连通进水进水管,另一端通过连接纯水蠕动泵8连通纯水管,同时水质检测装置6中的氟化物分析单元连接第一缓冲液蠕动泵9。所述进水信息收集模块与中控系统(PLC系统22)之间通信连接,向其发送进水信息(进水流量、pH值、碱度和氟化物浓度)。对所述中和池1、絮凝池3和沉淀池4设置过程水信息收集模块,包括在中和池1端设置pH在线检测仪11分析并控制进水pH值,在絮凝池3端设置水中矾花图像采集系统12识别并计算矾花大小数量,在沉淀池4端设置出水取样蠕动泵13,可低频连续吸取上清液于搅拌反应装置14中,而所述搅拌反应装置14另一侧设有第二缓冲液蠕动泵15和氟化物在线分析仪16。所述过程水信息收集模块与中控模块之间通信连接,向其发送过程水信息(过程水pH值、过程水矾花图像信息和出水氟化物浓度),而中控系统将过程水信息输送至偏差校正模块(偏差校正模型17),偏差校正模型17根据信息反馈校正氢氧化钙、氯化钙和絮凝剂的加药量,并将加药量修订值输送给中控模块。由于本发明中氟化物检测方法采用平滑时间序列数据的滑动平均值,每20秒采集一次数据,通过计算5分钟内的数据均值来消除数据中的异常值,从而提高数据的可读性和可理解性,减少瞬时数据采集所带来的误差。因此,偏差校正模块至多5分钟启动一次,当偏差校正模块连续启动5次,说明此校正模型不足以消除过程异常,应停水进行总体数据分析后再重新启动水处理过程。对所述中和池1、反应池2和絮凝池3设置加药执行模块,包括对中和池1设置氢氧化钙加药电磁泵18及备用泵,对反应池2设置氯化钙加药电磁泵19及备用泵,在絮凝池3旁设置絮凝剂加药电磁泵20及备用泵。所述加药执行模块联通并受控于中控模块,通过中控模块所接收到的加药预测模块和偏差校正模块输出的加药量预测值和加药量修订值实时控制各加药电磁泵定量投加各药剂。
所述中控模块指PLC系统22,如图2所示,其与进水信息收集模块、过程水信息收集模块、加药预测模块、偏差校正模块和加药执行模块之间通信连接并将信息储存在内置硬件内,实现实时接收加药预测模块的加药量预测值和偏差校正模块的加药量修订值,并根据PLC系统22内置控制逻辑程序转换成对应的控制信号,发送至加药执行模块在各作用池内进行加药,从而控制反应过程中的氟化物浓度。
优选地,所述PLC系统的控制逻辑程序内设置加药箱药量低值报警系统、硬件故障报警系统和水质超标报警系统,若出现故障,系统会发出报警信号,同时显示故障指示灯并自动切断水泵电源。
所述进水信息收集模块用于采集进水流量、pH值、碱度和氟化物浓度。进水流量采用流量计5进行计量,而各种水质参数利用进水取样蠕动泵7抽取进水至水质检测装置6,实时在线检测进水pH值、碱度和氟化物浓度。
优选地,所述进水信息收集模块中的氟化物浓度检测单元设有缓冲液泵9和氟化物在线分析仪。根据预设的逻辑程序,中控模块通过控制进水取样蠕动泵7和缓冲液泵9的蠕动频率抽取适量进水与缓冲液至氟化物浓度检测单元内的待测水槽,使槽内进水与缓冲液的体积比为1:1,制成检测样。而水槽内插有氟化物在线分析仪探头,可实时测定检测样的氟化物浓度。此外,运用传统工业废水中氟化物检测方法(将进水直接作为氟化物浓度检测样)所测含氟标样的氟化物浓度精确率为95%,而运用本发明中氟化物检测方法所测含氟标样中的氟化物浓度偏差率为99.5%,比传统工业废水中氟化物检测方法的检测精确率显著提高4.74%。所述缓冲液包括氯化钠、无水乙酸钠、氢氧化钠和柠檬酸。所述缓冲液中氯化钠可维持被分析的体系中总离子强度稳定。所述缓冲液中无水乙酸钠和氢氧化钠可使被分析的体系中pH值维持在适宜范围,保证氟化物全部以可被检出的形态存在。所述缓冲液中柠檬酸起掩蔽剂作用,可掩蔽被分析的体系中含有的各种干扰物质。
优选地,本发明中氟化物检测方法采用平滑时间序列数据的滑动平均值,每20秒采集一次数据,通过计算5分钟内的数据均值来消除数据中的异常值,从而提高数据的可读性和可理解性,减少瞬时数据采集所带来的误差。
优选地,所述水质检测装置6设有多个传感器连接中控模块,将数据传送至中控模块的实时数据库中,以作为加药预测控制系统10的输入变量。但众多工厂排放的高浓度含氟废水往往超出水质检测装置6量程范围,例如传统氟化物分析仪的测量量程为0-1000mg/L,而部分工厂排放含氟废水浓度可高达3000-4000mg/L。因此本发明的水质检测装置6连接中控模块,中控模块中编有逻辑程序,若进水水质参数超出本发明水质检测装置6的测量量程,则所述中控模块同时启动进水取样蠕动泵7和纯水蠕动泵8抽水至水质检测装置6进行稀释水样,测定稀释水样的各种参数,并将测定值乘以稀释倍数,获得进水水质信息,以作为加药预测控制系统10的输入变量数据。
所述过程水信息收集模块基于主要除氟工艺的作用池(中和池1、絮凝池3和沉淀池4)设置不同的信息收集装置,并通过传感器将过程水信息传递给中控模块,而中控模块再将过程水信息及其他信息传至偏差校正模块进行反馈校正,从而提高控制精度。
优选地,所述过程水信息收集模块在中和池1安装pH在线检测仪11,实时监控进水pH调节情况并收集信息,且只有在pH值调至7.0-9.0,才可开启水阀使废水流至反应池2。
优选地,所述过程水信息收集模块在絮凝池3安装水中矾花图像采集系统12,可每5秒自动采集一次图像,并将图像信息传送至中控模块。
优选地,所述过程水信息收集模块在反应池4一侧连接出水取样蠕动泵13,可自动连续定频抽取加药处理后的上清液至搅拌反应装置14,并借助第二缓冲液蠕动泵15加入与检测水样等体积的缓冲溶液作为待检测水样,最后利用氟化物在线分析仪16检测待检测水样的氟化物浓度,随后通过传感器将出水氟化物浓度传递给中控模块。
所述加药预测模块,即加药预测控制系统10是采用基于Takagi-Sugeno推理模型的自适应神经模糊推理系统建立而成,利用进水流量、pH值、碱度和氟化物浓度以及过程水pH值设定值和出水氟化物浓度设定值作为预测模型的输入变量,氢氧化钙、氯化钙和絮凝剂的加药量预测值作为预测模型输出量,用于预测加药量。结合梯度下降法与最小二乘法的混合算法完成网络的结构辨识和参数辨识,确定加药预测控制系统10的具体参数。在加药预测模块程序中编写了自适应神经模糊推理系统算法,按照其接口函数规范将算法嵌入到程序中,实现了对废水处理系统氟化物浓度的智慧控制。且与单纯的BP网络的加药预测模型进行性能比较,Takagi-Sugeno预测模型的训练数据和测试数据的平均绝对误差率显著降低。
所述Takagi-Sugeno推理规则为:
Ri:IF x1 is Ai 1 and…and xf is Ai f;
THEN yi 1=gi 1(x1,x2,…,xf)and…and yi n=gi n(x1,x2,…,xf);
其中,
Ri(i=1,2,…,m)为第i条规则;
m为模糊推理模型的规则总数;
xI(I=1,2,…,f)为前提变量;
yi j(j=1,2,…,n)为第i条规则的结论;
Ai I(I=1,2,…,f)为模糊子集。
设输入为(x0 1,x0 2,…,x0 f),则输出为:uj=∑Wiyi j/∑Wi,(i=1,2,…,m,j=1,2,…,n);
Wi=ΛAi Iuj(A0 I),(i=1,2,…,m,I=1,2,…,f);
其中,Ai Iuj(A0 I)为连续分段多项式函数型的隶属函数,取为Gaussian型。
该加药预测控制系统是一个多层前馈网络,网络结构有五层,同一层的节点函数类型相同。第一层:模糊化层,计算输入信号的模糊隶属度值;第二层:规则激活强度,本层每个节点是固定不变的,输出是所有输入信号的积,表示每条规则的激活强度;第三层:激活强度归一化,本层每个节点也是固定的,第i个节点计算第i条规则的激励强度与所有规则激励强度之和的比值;第四层:运行规则,该层每个节点为自适应节点,表示规则函数;第五层:解模糊化,该层节点是固定不变的,对第四层所有输出求和,即得到每个规则的加权平均,并作为网络最终输出。
优选地,所述加药预测控制系统10可进行离线学习、在线控制和离线再优化三种方式进行学习优化。离线时,选取能反映除氟过程的实验室试验历史数据(进水参数、过程水pH值、出水氟化物浓度和药剂有效加药量)成为加药预测控制系统10的学习样本集,然后将这个样本集输入到加药预测控制系统10的训练程序中,得到模型参数,最后将训练好的加药预测控制系统10程序写入加药预测模块中;在线时,可根据进水信息收集模块采集的进水流量和水质数据以及过程水质数据实时预测不同药剂的加药量,并将利用传感器将信号传至PLC系统22。离线后,将PLC系统22中储存的丰富实际运行数据作为更新的样本集,再次训练,得到更完善的加药预测控制系统10,并将优化后的加药预测控制系统10重新写入加药预测模块中。
所述偏差校正模块是为排除系统内部干扰,进一步减少误差,进行反馈校正环节,利用加药预测控制系统10的响应与出水氟化物浓度设定值之间的预测偏差来构造闭环系统。
优选地,对于氯化钙加药量修订,采用k时刻加药预测控制系统10在k-1时刻的加药量u(k-1)作用下的出水氟化物浓度滑动平均值yR(k)和受控对象的实际氟化物浓度值输出y(k)之间的相对预测偏差δ(k)=y(k)-yR(k),构成闭环来预测k+1时刻对象的输出值yP(k+1)=yR(k+1)+δ(k),选取二次目标优化函数J=[ep(k+1)-ed(k+1)]2+λ[ep(k+1)-δ(k)]2,ep(k+1)=s-yR(k+1),ed(k+1)=cep(k)-(1-c)δ(k),式中:s为氟化物浓度设定值,c为柔化系数,0<c<1,加权系数λ≥0,λ的作用是用来限制控制增量的剧烈变化,以减小对系统过大的冲击。通过比较以往水质反馈计算经验,优选一维黄金分割法来寻取使得J函数最小时的加药量u(k),即误差率最小时的药剂投加量,最后将该药剂投加量修订值反馈至PLC系统22。
对于氢氧化钙加药量修订,与氯化钙加药量修订模型同理,采用一维黄金分割法探究误差率最小时的药剂投加量;
优选地,对于絮凝剂加药量修订,偏差校正模块根据所接收到的水中矾花图像信息,利用YOLOv5算法进行矾花目标的检测,确定位置信息和数量信息后利用阈值分割进行图像分割,得到矾花数量、面积占比、等效直径等参数,并选取5分钟内矾花数据平均值作为水质特性,接着结合进水水质参数和进水流量信息采用KNN算法将检测到的矾花进行分类,综合评价图像中矾花各参数信息。同时,根据以往水质预测的机器学习经验,利用以往水质数据作为训练样本通过Linear Regression算法构建机器学习模型,反馈絮凝剂投加量和过程水矾花各参数信息的关系,得到加药量修订值并反馈至PLC系统22。
所述加药执行模块包括氢氧化钙加药电磁泵18及备用泵、氯化钙加药电磁泵19及备用泵和絮凝剂(聚丙烯酰胺,PAM)加药电磁泵20及备用泵,药剂的投加以电磁泵的变频调速控制,电磁泵受控于PLC控制器。
中控模块生成监管指令,并发送至进水信息收集模块和过程水信息收集模块,进水信息收集模块和过程水信息收集模块在接收到监管指令时,对进水流量进行测定,并对进水和过程水的水质进行取样检测,判断进水的水质参数以及过程水的水质变化情况,以方便后续加药预测模块根据不同水质情况进行加药量的精准预测,有助于提高系统的精准管控性能,具体方法如下:
在含氟废水从进水端进入中和池1前,进水信息收集模块利用流量计5计算进入中和池的水流量,并采用进水取样蠕动泵7吸取适量进水利用水质检测装置6检测进水的pH值、碱度和氟化物浓度,其中检测氟离子浓度时启动第一缓冲液蠕动泵9按照进水与缓冲液体积比1:1吸取缓冲液与进水混合。而检测方法采用平滑时间序列数据的滑动平均值,每20秒采集一次数据,通过计算5分钟内的数据均值来消除数据中的异常值,从而提高数据的可读性和可理解性,减少瞬时数据采集所带来的误差。
中控模块接收到进水水质信息后,可将数据传送至PLC系统22的实时数据库中,以待后续分析。若进水水质参数超出水质检测装置6测量量程,则所述PLC系统22则反馈同时启动进水取样蠕动泵7和纯水蠕动泵8抽水至水质检测装置6进行稀释水样,并测定稀释水样的各种参数,并将测定值乘以稀释倍数,获得进水水质参数这可有效避免进水含氟浓度超出测量范围,保证预测系统接收到准确信息,进而保证出水氟化物浓度逼近设定值。
所述过程水信息收集模块在中和池1安装pH在线检测仪11,实时监控进水pH调节情况并收集信息,且只有在pH值调至7.0-9.0,才可开启水阀使废水流至反应池2。在絮凝池3安装水中矾花图像采集系统12,可每5秒自动采集一次图像。在反应池2设置出水取样蠕动泵13,可自动采集加药处理后的水样,并借助过滤装置14过滤氟化钙颗粒物得到检测水样,随后借助第二缓冲液蠕动泵15加入与检测水样等体积的缓冲溶液作为待检测水样,最后利用氟化物在线分析仪16检测待检测水样的氟化物浓度。
所述加药预测控制系统10根据输入变量进行输出加药量预测值的计算,并将利用传感器将信号传至PLC系统22。PLC系统22将信号进行转化并输送给加药执行模块,操纵氢氧化钙加药电磁泵18、氯化钙加药电磁泵19和絮凝剂加药电磁泵20在不同池内进行精准化加药。
偏差校正模块17在接收到中控模块的加药量预测值、过程水信息和出水标准设定值后,根据过程水pH值和出水氟化物浓度采用一维黄金分割法反馈控制氢氧化钙药剂和氯化钙药剂投加量,同时根据矾花参数数据采用Linear Regression算法构建机器学习模型反馈调节絮凝剂投加量,最终得到氯化钙加药量修订值和絮凝剂加药量修订值,弥补了预测中各参数在传感器、药液性能及浓度等方面的误差。
所述出水氟化物浓度检测方法具体如下:在沉淀池4设置出水取样蠕动泵13,可自动连续定频采集加药处理后的水样输送至搅拌反应装置14,同时第二缓冲液蠕动泵15同频吸取等量缓冲液至搅拌反应装置14,并利用氟化物在线分析仪16检测混合液的氟化物浓度。这种氟化物信息采集手段可连续监测出水氟化物浓度,有效地反馈出水氟化物浓度趋势变化。
所述矾花图像数据收集方法具体如下:在絮凝池3设置水中矾花图像采集系统12,可每5秒自动采集一次图像,并将图像信息传送至偏差校正模块。偏差校正模块根据所接收到的水中矾花图像信息,利用YOLOv5算法进行矾花目标的检测,确定位置信息和数量信息后利用阈值分割进行图像分割,得到矾花数量、面积占比、等效直径等参数,并选取5分钟内矾花数据平均值作为水质特性,接着结合进水水质参数和进水流量信息采用KNN算法将检测到的矾花进行分类,综合评价图像中矾花各参数信息。同时,根据以往水质预测的机器学习经验,利用以往水质数据作为训练样本通过Linear Regression算法构建机器学习模型,反馈絮凝剂投加量和过程水矾花各参数信息的关系,得到加药量修订值并反馈至PLC系统22。
所述加药量修订值被发送至PLC系统22,PLC系统22将其转换成对应的控制信号,并发送至加药执行模块,操纵氢氧化钙加药电磁泵18、氯化钙加药电磁泵19和絮凝剂加药电磁泵20在不同池内进行精准加药,从而控制反应过程中的氟化物浓度并节约材料成本和人工成本。
本发明的高氟废水处理的智慧型加药系统可将高浓度含氟废水中氟化物浓度降至1.5mg/L以下,实现达标排放。
Claims (10)
1.一种高氟废水处理的智慧型加药系统,包括中和池、反应池、絮凝池和沉淀池,其特征在于,还包括:中控模块、进水信息收集模块、加药预测模块、过程水信息收集模块、偏差校正模块和加药执行模块;进水信息收集模块用于采集进水信息,并将进水信息实时输送至中控模块的数据库中;过程水信息收集模块用于采集中和池、絮凝池和沉淀池中过程水信息,并将过程水信息实时输送至中控模块的数据库中;加药预测模块根据中控模块输送的进水信息、过程水pH值设定值和出水氟化物浓度设定值,采用自适应神经模糊推理模型预测输出下一时刻不同药剂的加药量预测值,并将不同药剂的加药量预测值实时输送至中控模块的数据库中;偏差校正模块根据中控模块输送的过程水信息、加药量预测值、过程水pH值设定值和出水氟化物浓度设定值计算出各药剂的加药量修订值,并将不同药剂的加药量修订值实时输送至中控模块的数据库中;加药执行模块根据中控模块输送的加药信号分别对中和池、反应池、絮凝池执行加药操作;中控模块用于控制其他模块的运行操作,其中若上一时刻出水氟化物浓度与出水氟化物浓度设定值偏差率大于等于10%,则启动偏差校正模块,控制加药执行模块根据加药量修订值进行加药操作,若偏差率小于10%,则不启动偏差校正模块,控制加药执行模块根据加药量预测值进行加药操作;
其中,自适应神经模糊推理模型采用离线学习、在线控制和离线再优化三种方式进行学习优化,离线时,选取进水信息、过程水信息和有效加药量的试验历史数据作为学习样本集,然后将学习样本集输入到自适应神经模糊推理模型的训练程序中,得到自适应神经模糊推理模型的参数,最后将训练好的自适应神经模糊推理模型写入加药预测模块;在线时,根据进水信息收集模块采集的进水信息、过程水pH值设定值以及出水氟化物浓度设定值实时预测不同药剂的加药量,并传输至中控模块;离线后,将中控模块中储存的实际运行数据作为更新的样本集,再次训练,得到更完善的自适应神经模糊推理模型,并将优化后的自适应神经模糊推理模型重新写入加药预测模块。
2.根据权利要求1所述的一种高氟废水处理的智慧型加药系统,其特征在于,进水信息收集模块包括流量计和水质检测装置,所述水质检测装置一端通过进水取样蠕动泵连通进水进水管,另一端通过纯水蠕动泵连通纯水管,同时水质检测装置中的氟化物分析单元连接缓冲液蠕动泵。
3.根据权利要求1所述的一种高氟废水处理的智慧型加药系统,其特征在于,过程水信息收集模块包括pH在线检测仪、水中矾花图像采集系统、出水取样蠕动泵、搅拌反应装置、缓冲液蠕动泵和氟化物在线分析仪,pH在线检测仪设置在中和池中,水中矾花图像采集系统设置在絮凝池的输出端,出水取样蠕动泵设置在沉淀池中,出水取样蠕动泵采集的出水水样与缓冲液蠕动泵输出的缓冲液一起输入搅拌反应装置,进行混合搅拌,氟化物在线分析仪对混合搅拌后的水样实时采集分析出水氟化物浓度。
4.根据权利要求1所述的一种高氟废水处理的智慧型加药系统,其特征在于,中控模块采用PLC控制系统,设置加药箱药量低值报警系统、硬件故障报警系统和水质超标报警系统,若出现故障,系统会发出报警信号,同时显示故障指示灯并自动切断水泵电源。
5.根据权利要求1所述的一种高氟废水处理的智慧型加药系统,其特征在于,若进水水质指标超出水质检测装置的测量量程,则中控模块控制启动进水取样蠕动泵和纯水蠕动泵抽水至水质检测装置进行稀释水样,并测定稀释水样的各种水质指标,并将测定值乘以稀释倍数,获得精确的进水水质指标。
6.根据权利要求1所述的一种高氟废水处理的智慧型加药系统,其特征在于,偏差校正模块根据中控模块输出的过程水信息、加药量预测值、过程水pH值设定值和出水氟化物浓度设定值,采用一维黄金分割法反馈控制氢氧化钙药剂和氯化钙药剂投加量,同时根据矾花参数数据采用Linear Regression算法构建机器学习模型反馈调节絮凝剂投加量,最终得到氢氧化钙加药量修订值、氯化钙加药量修订值和絮凝剂加药量修订值。
7.一种高氟废水处理的智慧型加药方法,其特征在于,包括以下步骤:
进水信息收集模块采集含氟废水进入中和池的水流量,并检测进水pH值、碱度和氟化物浓度,然后将采集的进水信息数据传输至中控模块;
中控模块接收到进水信息数据后,消除数据中的异常值,并将数据保存至实时数据库中;
加药预测模块根据中控模块传送来的进水信息、过程水pH值设定值和出水氟化物浓度设定值计算得出下一时刻各药剂的加药量预测值,并传输至中控模块;
过程水信息收集模块采集中和池中过程水pH值、絮凝池中水矾花图像信息以及沉淀池中出水氟化物浓度,并输出至中控模块;
中控模块计算得出预设时间内的出水氟化物浓度滑动平均值,并计算出水氟化物浓度滑动平均值和出水氟化物浓度设定值的偏差率;若偏差率大于等于10%,启动偏差校正模块,根据水中矾花图像信息和出水氟化物浓度,得到絮凝剂加药量修订值和氯化钙加药量修订值并反馈至中控模块,中控模块根据各药剂的加药量修订值控制加药执行模块分别对中和池、反应池和絮凝池进行投药;当偏差校正模块连续启动设定阈值时,则停水进行总体数据分析后再重新启动废水处理过程;若偏差率小于10%,中控模块根据各药剂的加药量预测值控制加药执行模块分别对中和池、反应池和絮凝池进行投药。
8.根据权利要求7所述的一种高氟废水处理的智慧型加药方法,其特征在于,在沉淀池设置出水取样蠕动泵,用于自动连续定频采集加药处理后的水样输送至搅拌反应器,同时缓冲液蠕动泵同频吸取等量缓冲液至搅拌反应器,并利用氟化物在线分析仪检测混合液的氟化物浓度。
9.根据权利要求7所述的一种高氟废水处理的智慧型加药方法,其特征在于,加药预测模块采用自适应神经模糊推理模型,利用进水信息、过程水pH值设定值和出水氟化物浓度设定值作为预测模型的输入变量,不同药剂加药量预测值作为自适应神经模糊推理模型输出量;
自适应神经模糊推理模型采用离线学习、在线控制和离线再优化三种方式进行学习优化,离线时,选取进水信息、出水信息和有效加药量的试验历史数据作为学习样本集,然后将这个样本集输入到自适应神经模糊推理模型的训练程序中,得到自适应神经模糊推理模型的前件参数和后件参数,最后将训练好的自适应神经模糊推理模型写入加药预测模块;在线时,根据进水信息收集模块采集的进水信息以及出水氟化物浓度设定值实时预测不同药剂的加药量,并传输至中控模块;离线后,将中控模块中储存的实际运行数据作为更新的样本集,再次训练,得到更完善的自适应神经模糊推理模型,并将优化后的自适应神经模糊推理模型重新写入加药预测模块。
10.根据权利要求7所述的一种高氟废水处理的智慧型加药方法,其特征在于,偏差校正具体为:
对于氯化钙加药量修订,采用k时刻加药预测控制系统在k-1时刻的加药量u(k-1)作用下的出水氟化物浓度滑动平均值yR(k)和受控对象的实际出水氟化物浓度测定值y(k)之间的相对预测偏差δ(k)=y(k)-yR(k),构成闭环来预测k+1时刻对象的输出值yP(k+1)=yR(k+1)+δ(k),选取二次目标优化函数J=[ep(k+1)-ed(k+1)]2+λ[ep(k+1)-δ(k)]2,ep(k+1)=s-yR(k+1),ed(k+1)=cep(k)-(1-c)δ(k),其中:s为氟化物浓度设定值,c为柔化系数,0<c<1,加权系数λ≥0,采用一维黄金分割法寻取使得J函数最小时的加药量u(k),即误差率最小时的药剂投加量,最后将氯化钙药剂投加量修订值反馈至中控模块;
对于氢氧化钙加药量修订,与氯化钙加药量修订采用相同的方法;
对于絮凝剂加药量修订,偏差校正模块根据所接收到的水中矾花图像信息,利用YOLOv5算法进行矾花目标的检测,确定位置信息和数量信息后利用阈值分割进行图像分割,得到矾花数量、面积占比、等效直径参数,并选取预设时间内矾花数据平均值作为水质特性,结合进水水质参数和进水流量信息采用KNN算法将检测到的矾花进行分类,综合评价图像中矾花各参数信息;同时,根据以往水质预测的机器学习经验,利用以往水质数据作为训练样本通过Linear Regression算法构建机器学习模型,反馈絮凝剂投加量和出水矾花各参数信息的关系,得到絮凝剂加药量修订值并反馈至中控模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311496244.9A CN117326751A (zh) | 2023-11-10 | 2023-11-10 | 一种高氟废水处理的智慧型加药系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311496244.9A CN117326751A (zh) | 2023-11-10 | 2023-11-10 | 一种高氟废水处理的智慧型加药系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117326751A true CN117326751A (zh) | 2024-01-02 |
Family
ID=89275751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311496244.9A Pending CN117326751A (zh) | 2023-11-10 | 2023-11-10 | 一种高氟废水处理的智慧型加药系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117326751A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118183906A (zh) * | 2024-05-15 | 2024-06-14 | 杭州山屿源环保科技有限公司 | 一种用于废水除氟的智能加药控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000218263A (ja) * | 1999-02-01 | 2000-08-08 | Meidensha Corp | 水質制御方法及びその装置 |
CN112216354A (zh) * | 2020-09-17 | 2021-01-12 | 江苏集萃工业过程模拟与优化研究所有限公司 | 一种基于cfd数值模拟和机器学习的智能加药系统和方法 |
CN115108617A (zh) * | 2022-07-06 | 2022-09-27 | 中冶南方城市建设工程技术有限公司 | 混凝加药方法及系统 |
-
2023
- 2023-11-10 CN CN202311496244.9A patent/CN117326751A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000218263A (ja) * | 1999-02-01 | 2000-08-08 | Meidensha Corp | 水質制御方法及びその装置 |
CN112216354A (zh) * | 2020-09-17 | 2021-01-12 | 江苏集萃工业过程模拟与优化研究所有限公司 | 一种基于cfd数值模拟和机器学习的智能加药系统和方法 |
CN115108617A (zh) * | 2022-07-06 | 2022-09-27 | 中冶南方城市建设工程技术有限公司 | 混凝加药方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118183906A (zh) * | 2024-05-15 | 2024-06-14 | 杭州山屿源环保科技有限公司 | 一种用于废水除氟的智能加药控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117326751A (zh) | 一种高氟废水处理的智慧型加药系统及方法 | |
KR101301072B1 (ko) | 정수처리장의 수질센서 및 원격 모니터링 시스템에 기반한 전문가 의사결정 시스템 | |
CN111320246B (zh) | 一种基于多变量控制的混凝剂智能精确投加控制系统 | |
CN114275876B (zh) | 一种碳源精确智能投加控制系统及方法 | |
CN109032061A (zh) | 一种用于水处理的加药智能控制系统 | |
CN101178589B (zh) | 一种对氧化电位水生成器进行智能化控制的方法 | |
CN214693460U (zh) | 一种预臭氧投加控制系统 | |
CN114713381A (zh) | 基于浮选尾煤矿浆检测的浮选智能加药系统及加药方法 | |
CN112691413A (zh) | 一种用于沉淀池的排泥控制方法及装置 | |
JP2023033927A (ja) | 水処理状況監視システム及び水処理状況監視方法 | |
CN201749385U (zh) | 前馈-反馈复合控制的水厂投药控制系统 | |
KR101334693B1 (ko) | 수질측정기와 회귀모델을 이용한 응집제 주입량 결정방법과 그를 이용한 정수처리시스템 | |
US5246590A (en) | Water treatment to reduce fog levels controlled with streaming current detector | |
CN202671285U (zh) | 火电厂工业废水自动加药装置 | |
CN1815160A (zh) | 废水在线监测同步采样—留样系统 | |
CN117003324A (zh) | 一种氨氮废水处理人工智能控制方法和系统 | |
CN103995547A (zh) | 油气井大型酸压返排过程中残酸在线处理系统及处理方法 | |
CN110655229A (zh) | 一种对净水厂产能进行模拟校正的系统 | |
CN207780588U (zh) | 一种烟草薄片加工废水处理药品添加控制系统 | |
CN115128991A (zh) | 基于opc ua的污水泵站监控方法 | |
TWI771592B (zh) | 智慧型廢水處理系統及方法 | |
CN212609739U (zh) | 一种应用于自来水厂的混凝剂自动投加系统 | |
CN208547629U (zh) | 一种传感器监测单元 | |
Ratnaweera et al. | Coagulant dosing control–a review | |
Deveughele et al. | Neural networks: an efficient approach to predict on-line the optimal coagulant dose |
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 |