CN1597548A - 絮凝投药复合控制方法 - Google Patents

絮凝投药复合控制方法 Download PDF

Info

Publication number
CN1597548A
CN1597548A CN 200410043892 CN200410043892A CN1597548A CN 1597548 A CN1597548 A CN 1597548A CN 200410043892 CN200410043892 CN 200410043892 CN 200410043892 A CN200410043892 A CN 200410043892A CN 1597548 A CN1597548 A CN 1597548A
Authority
CN
China
Prior art keywords
neurone
value
detected value
settling tank
turbidity
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.)
Granted
Application number
CN 200410043892
Other languages
English (en)
Other versions
CN1257110C (zh
Inventor
南军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN 200410043892 priority Critical patent/CN1257110C/zh
Publication of CN1597548A publication Critical patent/CN1597548A/zh
Application granted granted Critical
Publication of CN1257110C publication Critical patent/CN1257110C/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Separation Of Suspended Particles By Flocculating Agents (AREA)

Abstract

絮凝投药复合控制方法。它涉及一种水处理投药控制技术。将沉淀池出水浊度检测值减去沉淀池出水浊度设定值(5)；得到沉淀池出水浊度偏差值x3 (6)；对x3进行积分运算(7)；取沉淀池出水浊度偏差值x3 (6)、取原水流量检测值x1 (3)和原水浊度检测值x2 (4)作为神经元运算(8)的输入值；取原水流量检测值x1 (3)和原水浊度检测值x2 (4)作为前馈比例运算(9)的参数；将积分运算结果与神经元运算结果相加(10)；得到中间参数设定值(11)，取中间参数检测值(12)；将中间参数检测值减去中间参数设定值(13)；得出中间参数偏差值x(14)；对x进行比例积分运算(15)；将比例积分运算结果与前馈比例运算结果相乘(16)；结果即为该时刻絮凝剂的投加量(17)。该方法能对不确定性和强非线性的絮凝投药工艺进行控制，用于水厂的水处理中。

Description

絮凝投药复合控制方法
技术领域：
本发明涉及一种水处理投药控制技术，具体涉及一种絮凝投药复合控制方法。
背景技术：
絮凝投药是水质净化的重要环节，而如何控制絮凝剂的投加则是目前水工业中亟待解决的问题。传统应用流动电流检测器的投药控制技术属于仅检测中间参数的后反馈控制系统，具有滞后特性，如容量滞后和纯滞后，从干扰作用的产生到被控参数达到新的稳定状态要经历相当长的时间。其控制效果的好坏取决于中间参数与处理工艺的相关性，实际应用中这种相关性是随着原水水质、水量及工艺过程的变化而变化的，必须及时修正才能保证出水水质。水处理过程从絮凝剂的投加，经过混合、反应、沉淀至少需要经过几十分钟以上，系统的大滞后、非线性造成无法应用传统技术依据出水指标来修正系统设定值，许多水厂原水浊度和原水流量变化较大，对系统冲击剧烈，仅依靠后反馈控制已不能满足要求，因而迫切需要发展先进实用的新型絮凝投药控制方法。
发明内容：
本发明的目的是提供一种水处理絮凝投药复合控制方法，它能够实现对具有不确定性和强非线性的水处理絮凝投药中间工艺进行实时控制。本发明复合控制方法的步骤是：取沉淀池出水浊度检测值1、取沉淀池出水浊度设定值2；将沉淀池出水浊度检测值减去沉淀池出水浊度设定值5；得到沉淀池出水浊度偏差值x36；对x3进行积分运算7，运算公式为：f(x3)＝k3·∫x3·dt3，式中k3为常数，t3为时间，f(x3)为积分运算结果；取沉淀池出水浊度偏差值x36、取原水流量检测值x13、取原水浊度检测值x24，都作为神经元运算8的输入值；取原水流量检测值x13、取原水浊度检测值x24，都作为前馈比例运算9的参数，运算公式为：f(x1，x2)＝k1·x1.x2 n，式中k1由试验结果得出，n为经验系数，由试验得出，f(x1，x2)为前馈比例运算的结果；将积分运算结果f(x3)与神经元运算结果进行相加10；上述运算结果作为中间参数设定值11，取中间参数检测值12；将中间参数检测值减去中间参数设定值13；得出中间参数偏差值x14；对x进行比例积分运算15，运算公式为：f(x)＝k·x+k·∫x·dt，式中k为常数，t为时间，f(x)为比例积分运算结果；将比例积分运算结果f(x)与前馈比例运算结果f(x1，x2)相乘16；其结果即为该时刻絮凝剂的投加量17。
本发明有以下有益效果：1、本发明是以水处理工艺沉淀池出水浊度检测值作为最终控制目标，通过调整絮凝剂投加量使沉淀池出水浊度合格。利用该复合控制方法可解决现有水处理投药控制系统不能迅速反映水质和水量变化、滞后时间长、与工艺相似性差、系统不易稳定等缺点，能够实现对具有不确定性和强非线性的水处理絮凝投药工艺进行实时控制，并具有较强的对抗干扰抑制能力。2、神经元采用内模控制方式，即用两个神经元网络，一个是神经元正模型；一个是神经元逆模型，在絮凝投药系统稳定的情况下，利用神经元网络的自学习性、自适应性和可以任意逼近非线性函数的特点建立中间参数设定值偏差预测模型，神经元运算结果和积分运算结果相加自动修正中间参数设定值。3、应用该复合控制方法处理的水，其水质合格率达到99％以上，并可节省絮凝药剂用量20～40％，因而该复合控制方法大大地优于传统控制方法，它具有很好的环境效益和社会效益。
附图说明：
图1是本发明的总体控制方法的流程图，图2是神经元运算方法的流程图，图3是神经元正模型的结构示意图，图4是神经元逆模型的结构示意图。
具体实施方式：
结合图1、图2、图3、图4说明本发明实施方式的步骤：取沉淀池出水浊度检测值1、取沉淀池出水浊度设定值2(由人工设定)；将沉淀池出水浊度检测值减去沉淀池出水浊度设定值5；得到沉淀池出水浊度偏差值x36；对x3进行积分运算7，运算公式为：f(x3)＝k3·∫x3·dt3，式中k3为常数，t3为时间，f(x3)为积分运算结果；取沉淀池出水浊度偏差值x36、取原水流量检测值x13、取原水浊度检测值x24，都作为神经元运算8的输入值；取原水流量检测值x13、取原水浊度检测值x24，都作为前馈比例运算9的参数，运算公式为：f(x1，x2)＝k1·x1.x2 n，式中k1由试验结果得出，n为经验系数，由试验得出，f(x1，x2)为前馈比例运算的结果；将积分运算结果f(x3)与神经元运算结果进行相加10；上述运算结果作为中间参数设定值11，取中间参数检测值12；将中间参数检测值减去中间参数设定值13；得出中间参数偏差值x14；对x进行比例积分运算15，运算公式为：f(x)＝k·x+k·∫x·dt，其中k为常数，t为时间，f(x)为比例积分运算结果；将比例积分运算结果f(x)与前馈比例运算结果f(x1，x2)相乘16；其结果即为该时刻絮凝剂的投加量17。所述的神经元运算8包括神经元正模型运算8-1和神经元逆模型运算8-4，神经元运算8由以下步骤完成：取原水流量检测值x13、取原水浊度检测值x24、取神经元运算结果8-5，都作为神经元正模型运算8-1的输入参数；取沉淀池出水浊度偏差值x36；作沉淀池出水浊度偏差值x3与神经元正模型运算结果的相减运算8-2；运算结果为参考输入值8-3；取原水浊度检测值x24、取原水流量检测值x13、取沉淀池出水浊度偏差值x36和参考输入值8-3，都作为神经元逆模型运算8-4的输入参数；得到神经元运算结果8-5，同时神经元运算结果8-5作为神经元正模型运算8-1的输入参数值，构成闭环控制系统。
神经元正模型由输入层18-1、中间层18-2、输出层18-3组成：由原水浊度检测值x24、原水流量检测值x13、中间参数设定值11作为神经元正模型网络18的输入层18-1的参数，以三层前馈BP神经元网络作为神经元正模型网络18的基本结构，经过中间层18-2运算，最终以沉淀池出水浊度偏差值x36作为输出层18-3的参数。神经元正模型网络18的训练方法是：选取具有代表性的水厂运行数据对神经元正模型网络18进行训练或学习，在满足沉淀池出水浊度要求的误差精度的前提下，确定神经元正模型网络18各层之间的连接权重系数。
神经元逆模型由输入层19-1、中间层19-2、输出层19-3组成：由原水浊度检测值x24、原水流量检测值x13、沉淀池出水浊度偏差值x36和参考输入值8-3作为神经元逆模型网络19的输入层19-1的参数，以三层前馈BP神经元网络作为神经元逆模型网络19的基本结构，经过中间层19-2运算，最终以中间参数设定值11作为输出层19-3的参数。神经元逆模型网络19训练方法是：以沉淀池出水浊度偏差值6作为神经元逆模型网络19的输入值，沉淀池出水浊度偏差值x3与神经元正模型运算结果的相减运算8-2得出的参考输入值8-3用来进行训练，间接地学习中间参数对象的逆动态特性，使神经元逆模型网络19通过学习建立系统的逆模型。仍按照网络训练的一般方法，选取有代表性的水厂运行数据对神经元逆模型网络19进行多次训练，获得各层之间的连接权重系数。

Claims (2)

1.一种絮凝投药复合控制方法，其特征在于复合控制方法的步骤是：取沉淀池出水浊度检测值(1)、取沉淀池出水浊度设定值(2)；将沉淀池出水浊度检测值减去沉淀池出水浊度设定值(5)；得到沉淀池出水浊度偏差值x3(6)；对x3进行积分运算(7)，运算公式为：f(x3)＝k3·∫x3·dt3，式中k3为常数，t3为时间，f(x3)为积分运算结果；取沉淀池出水浊度偏差值x3(6)、取原水流量检测值x1(3)、取原水浊度检测值x2(4)，都作为神经元运算(8)的输入值；取原水流量检测值x1(3)、取原水浊度检测值x2(4)，都作为前馈比例运算(9)的参数，运算公式为f(x1，x2)＝k1·x1·x2 n，式中k1由试验结果得出，n为经验系数，由试验得出，f(x1，x2)为前馈比例运算的结果；将积分运算结果f(x3)与神经元运算结果进行相加(10)；上述运算结果作为中间参数设定值(11)，取中间参数检测值(12)；将中间参数检测值减去中间参数设定值(13)；得出中间参数偏差值x(14)；对x进行比例积分运算(15)，运算公式为：f(x)＝k·x+k·∫x·dt，式中k为常数，t为时间，f(x)为比例积分运算结果；将比例积分运算结果f(x)与前馈比例运算结果f(x1，x2)相乘(16)；其结果即为该时刻絮凝剂的投加量(17)。
2.根据权利要求1所述的絮凝投药复合控制方法，其特征在于神经元控制方法的步骤是：取原水流量检测值x1(3)、取原水浊度检测值x2(4)、取神经元运算结果(8-5)，都作为神经元正模型运算(8-1)的输入参数；取沉淀池出水浊度偏差值x3(6)；作沉淀池出水浊度偏差值x3与神经元正模型运算结果的相减运算(8-2)；运算结果为参考输入值(8-3)；取原水浊度检测值x2(4)、取原水流量检测值x1(3)、取沉淀池出水浊度偏差值x3(6)和参考输入值(8-3)，都作为神经元逆模型运算(8-4)的输入参数；得到神经元运算结果(8-5)，同时神经元运算结果(8-5)作为神经元正模型运算(8-1)的输入参数值，构成闭环控制系统。
CN 200410043892 2004-09-24 2004-09-24 絮凝投药复合控制方法 Expired - Fee Related CN1257110C (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 200410043892 CN1257110C (zh) 2004-09-24 2004-09-24 絮凝投药复合控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 200410043892 CN1257110C (zh) 2004-09-24 2004-09-24 絮凝投药复合控制方法

Publications (2)

Publication Number Publication Date
CN1597548A true CN1597548A (zh) 2005-03-23
CN1257110C CN1257110C (zh) 2006-05-24

Family

ID=34665505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 200410043892 Expired - Fee Related CN1257110C (zh) 2004-09-24 2004-09-24 絮凝投药复合控制方法

Country Status (1)

Country Link
CN (1) CN1257110C (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100427175C (zh) * 2005-07-27 2008-10-22 株式会社日立制作所 凝聚剂注入控制装置及方法
CN101825870A (zh) * 2010-05-18 2010-09-08 浙江浙大中控信息技术有限公司 一种控制水处理絮凝剂投放量的方法及系统
CN105923724A (zh) * 2016-05-16 2016-09-07 河南理工大学 煤矿井下水力冲孔煤泥水净化处理方法
CN107055732A (zh) * 2017-05-17 2017-08-18 北京易沃特科技有限公司 一种废水重金属去除方法及装置
CN110426957A (zh) * 2019-07-31 2019-11-08 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

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100427175C (zh) * 2005-07-27 2008-10-22 株式会社日立制作所 凝聚剂注入控制装置及方法
CN101825870A (zh) * 2010-05-18 2010-09-08 浙江浙大中控信息技术有限公司 一种控制水处理絮凝剂投放量的方法及系统
CN101825870B (zh) * 2010-05-18 2013-01-02 浙江浙大中控信息技术有限公司 一种控制水处理絮凝剂投放量的方法及系统
CN105923724A (zh) * 2016-05-16 2016-09-07 河南理工大学 煤矿井下水力冲孔煤泥水净化处理方法
CN105923724B (zh) * 2016-05-16 2019-04-12 河南理工大学 煤矿井下水力冲孔煤泥水净化处理方法
CN107055732A (zh) * 2017-05-17 2017-08-18 北京易沃特科技有限公司 一种废水重金属去除方法及装置
CN110426957A (zh) * 2019-07-31 2019-11-08 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
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

Also Published As

Publication number Publication date
CN1257110C (zh) 2006-05-24

Similar Documents

Publication Publication Date Title
CN106873379B (zh) 一种基于迭代adp算法的污水处理最优控制方法
CN101561661B (zh) 模糊控制方法和模糊控制器
CN103197539B (zh) 污水处理智能优化控制曝气量的方法
CN103197544B (zh) 基于非线性模型预测的污水处理过程多目标控制方法
CN110054274B (zh) 一种净水絮凝沉淀投药控制方法
WO2012109900A1 (zh) 基于模糊神经网络的溶解氧控制的废水处理方法及系统
CN101825870B (zh) 一种控制水处理絮凝剂投放量的方法及系统
US20190359510A1 (en) Cooperative optimal control method and system for wastewater treatment process
CN111367181B (zh) 一种用于污水处理系统的混合驱动智能评判控制方法
Qiao et al. Neural network on‐line modeling and controlling method for multi‐variable control of wastewater treatment processes
CN101763036A (zh) 基于模糊神经网络的赖氨酸发酵过程补料预测控制系统及方法
CN104238527A (zh) 污水处理厂曝气总量的精确控制方法
CN106802563A (zh) 一种基于果蝇优化和lssvm的污水过程优化控制方法
CN105807615A (zh) 模糊前馈反馈控制器
CN111580381B (zh) 一种动态事件驱动控制策略的溶解氧控制方法
CN105301960A (zh) 一种自来水凝絮剂投加量的控制方法
CN103810309A (zh) 基于约束理论的a2o城市污水处理工艺的软测量建模方法
Do et al. A design of higher-level control based genetic algorithms for wastewater treatment plants
CN108536106A (zh) 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法
CN1257110C (zh) 絮凝投药复合控制方法
CN101993151A (zh) 污水生化处理过程回路控制方法
CN107720946B (zh) Sbr污水处理工艺中的串级控制方法
CN101963785B (zh) 精对苯二甲酸生产中氧化母液过滤过程的在线控制方法
Yong et al. Dynamic evaluation of integrated control strategies for enhanced nitrogen removal in activated sludge processes
CN203350635U (zh) 一种动态模糊控制系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20060524

Termination date: 20180924

CF01 Termination of patent right due to non-payment of annual fee