DE60214988T2

DE60214988T2 - Ein auf künstlicher Intelligenz basierendes Regelungssystem und Verfahren zur Abwasseraufbereitung mittels neuronalem Netz und einem Back-Propagation Algorithmus

Info

Publication number: DE60214988T2
Application number: DE2002614988
Authority: DE
Inventors: Ik-Bae Aanyang-City Yang
Original assignee: H2L Co Ltd
Current assignee: H2L Co Ltd
Priority date: 2002-06-21
Filing date: 2002-11-29
Publication date: 2007-01-11
Anticipated expiration: 2022-11-30
Also published as: EP1376276B1; JP4401638B2; DE60214988D1; KR20030097425A; JP2004025160A; EP1376276A1; CN1465534A; US20030234218A1; US6808630B2; CN1325393C; KR100456413B1; DK1376276T3; ATE341021T1

Description

Hintergrund der Erfindung
Gebiet der Erfindung
Diese Erfindung bezieht sich auf ein KI (Künstliche Intelligenz)-Steuerungssystem zum automatischen Steuern variabler Faktoren, z.B. DO (gelöster Sauerstoff), SRT (Feststoffverweilzeit) und dergleichen in Abhängigkeit von Eigenschaften des Zuflusswassers, des internen Zustands des Reaktionstanks und der Zielqualität des gereinigten Wassers, insbesondere auf das KI-Steuerungssystem, bei welchem eine Verweilzeit unter Berücksichtigung von jeweils des Volumens des Reaktionstanks und des Sedimentationstanks eingesetzt wird, welche ein fester Faktor ist, der im anfänglichen Entwurf eingesetzt wird, und dabei wird jeder SP (Sollwert), von z.B. jeweils DO und SRT der 1. Etage und der 2. Etage des Ausströmungstanks aus den gesammelten Daten durch automatisches Messen von BOD (biologischer Sauerstoffbedarf), eines eingehenden Strömungsflusses und einer Wassertemperatur erhalten, welche fluide Entwurfsfaktoren sind und in die Schmutzwasserreinigungsanlage durch den kombinierten Abwasserkanal fließen, den das Abwassersystem in Korea aufweist, und auch die geeignetste Wissensbasis wird durch Sammeln des existierenden Expertenwissens (d.h. BOD, eine Temperatur und ein Strömungsfluss als Zuflussattribute, DO und MLSS (Schlammkonzentration im belebten Schlamm) als Attribute des Reaktionstanks (SRT) als ein Entwurfsfaktor, und eine Konzentration von T-N (Gesamtstickstoff) und BOD als Attribute des gereinigten Wassers) in der Weise aufgebaut, um automatisch ein Steuerungsventil (C/V) zum Steuern der Vorratsluft und eine Schlammabzugspumpe durch jeden PV (vorliegenden Wert) zu steuern, und dann wird ein Lernverfahren und ein Algorithmus zum Steuern des Überschussschlamms und dergleichen verwendet, indem man die KI (entsprechend dem Neuronalnetzcontroller) durch die Verwendung der Wissensbasis lernen lässt, indem in Reaktion auf eine Temperatur- und Konzentrationsänderung eine Konzentration von DO festgesetzt und ein geeigneter SRT berechnet wird, und dieses KI-Steuerungslernverfahren ist auf die meisten Abwasserreinigungsanlagen mittels Wiederlernens und Abgleichens anwendbar, bei dem einige Modifikationen und neue Daten verwendet werden, ungeachtet eines Unterschieds in deren Konstruktionsverfahren und einer Kapazitäts- und Flussveränderung der Abwasserreinigungsanlage und Anpassen mittels neuer Daten, wie sie angehäuft sind, steht für deren neue und bessere Güte zur Verfügung.
Beschreibung des Standes der Technik
Im herkömmlichen automatischen Steuerungssystem für die Ab-/Schmutzwasserreinigungsanlage wird jeder Sollwert abhängig von der Erfahrung des Operators unter Berücksichtigung eines jahreszeitlichen Unterschieds in der Temperatur, BOD und eines Strömungsflusses des eingehenden Wassers und dergleichen gesetzt, und das PID- (Proportional Integral Differential) und ON/OFF-Steuerungssystem wird vorwiegend dementsprechend verwendet. Wobei der Operator jeden SP von DO und SRT alle paar Tage zum Steuern der Anlage durch umfassende Beurteilung täglich anfallender Daten verändert.
Zum Beispiel werden im automatischen Steuerungssystem, das die meisten kommerziellen PLC (programmierbarer Logikcontroller) verwenden, Daten, die aus Messinstrumenten erhalten wurden, wie BOD, ein eingehender Strömungsfluss und eine Wassertemperatur als Attribute des Zuflusswassers und jeder DO der 1. Etage und der 2. Etage des Strömungstanks, MLSS des Belüftungstanks, eine Schlammkonzentration, ein abgezogener Strömungsfluss und BOD des Ablaufwassers zum Steuern jedes SP zum PLC übertragen;
Und dann werden die aus den Eingabe/Ausgabekarten des PLC (A/D-Karte bzw. D/A-Karte) erhaltenen Daten operativ verarbeitet und PID- und ON/OFF-gesteuert durch eine CPU, die eine Ausführungsgeschwindigkeit für eine kleine Kapazität hat, die in den PLC eingebaut ist, und weiter werden Daten, die in den PLC eingegeben oder aus dem PLC ausgegeben wurden zum Computer durch das Interface in den RS-232C Kommunikationssignalen übertragen.
Dann führt der Computer einfach nur die Funktion aus, um in den PLC eingegebene Daten, oder aus dem PLC ausgegebene Daten, in Daten einer physischen Quantität zu konvertieren, die visuell identifiziert werden kann, um sie anzuzeigen, zu speichern und zu steuern.
Das das Verfahren übernehmende automatische Steuerungssystem ist einfach, aber es hat Schwierigkeit beim Steuern von DO und SRT mittels aufeinanderfolgender SPs in Abhängigkeit von Fluideigenschaften des Zuflusswassers, und außerdem ist es schwierig, jeden SP durch Anwenden beliebiger Veränderungen zu steuern, die von Zeit zu Zeit stattfinden, jeden Tag und jede Jahreszeit, wobei man sich auf die Intuition des Operators verlässt. Außerdem ist es mit diesem System unmöglich, jeden SP hintereinander zu steuern als ein Verfahren, um die Güte der Schmutzwasserreinigung zu steigern, und außerdem ist es sehr schwierig, wenn der Operator wegen seiner Geschäftsreise abwesend ist oder vertreten wird, die bestehende Reinigungsgüte aufrechtzuerhalten oder die Reinigungsgüte zu steigern.
COTE M. ET AL: "Dynamic modelling of the activated sludge process: improving the prediction using neural networks", WATER RESEARCH, ELSEVIER SCIENCE PUBLISHERS, AMSTERDAM, NL, BD. 29, NR. 4, SEITEN 995–1004 offenbart ein Verfahren zum Verbessern der Genauigkeit eines bestehenden mechanistischen Modells des aktivierten Schlammprozesses. Als ein erster Schritt wurde ein Optimieren der zahlreichen Modellparameter unter Verwendung des Downhill-Simplex-Verfahrens erforscht, um die Summe der Quadrate der Fehler zwischen vorhergesagten und experimentellen Werten approximierter Variablen zu minimieren. Die Optimierung verschiedener Parametermengen hat gezeigt, dass die Genauigkeit des mechanistischen Modells, insbesondere in Bezug auf die Vorhersage des gelösten Sauerstoffs in der gemischten Flüssigkeit durch Anpassen nur der Variablen des Gesamtsauerstofftransferkoeffizienten Xla leicht verbessert werden kann. In einem zweiten Schritt wurden Neuronalnetzmodelle erfolgreich verwendet, um die verbleibenden Fehler der optimierten mechanistischen Modelle vorherzusagen. Die Verbindung des mechanistischen Modells mit Neuronalnetzmodellen führt zu einem Hybridmodell, das genaue Simulationen von 5 Schlüsselvariablen des aktiven Schlammprozesses erzeugt.

BHAT N. ET AL.: "USE OF NEURAL NETS FOR DYNAMIC MODELLING AND CONTROL OF CHEMICAL PROCESS SYSTEMS", PROCEEDINGS OF THE AMERICAN CONTROL CONFERENCE PITTSBURGH, 21.–23. JUNI, 1989, New York, IEEE, US, BD. 2, KONFERENZ 8, SEITEN 1342–1347 offenbart die Verwendung von Backpropagation-Neuronalnetzen zur dynamischen Modellierung und Steuerung chemischer Prozesssysteme. Der Backpropagationalgorithmus und seine Erklärung werden besprochen, und der Algorithmus wird erfolgreich eingesetzt, um die dynamische Antwort von PhNaCstr zu modellieren.
PIRSING A.: "FUZZY LOGIC AND NEURAL NETWORKS IN WASTE WATER PURIFICATION", ENGINEERING AND AUTOMATION, SIEMENS AKTIENGESELLSCHAFT, BERLIN, DE, BD. 19, NR. 3, S. 25–27 offenbart Fuzzylogik-Anwendungen und Neuronalnetze und ihre möglichen Anwendungen im Bereich von Wasserwerken.
MINDERMAN P.A. ET. AL.: "NEURAL NET MODELLING AND CONTROL OF A MUNICIPAL WASTE WATER PROCESS", PROCEEDINGS OF THE AMERICAN CONTROL CONFERENCE SAN FRANCISCO, 2.–4. Juni, 1993, NEW YORK, IEEE, US, BD. 2, SEITEN 1480–1484 offenbart die Anfangsschritte des Verwendens einer Modellschutzsteuerung als ein Mittel zum Verbessern von Produktqualität und zum Reduzieren von Energiekosten. Im ersten Schritt wurden die Grundsteuerungs- und Datenerfassungsysteme aufgerüstet. In einem zweiten Schritt wurden experimentelle Daten gesammelt, um ein Prozessmodell aufzubauen.
PATENT ABSTRACTS OF JAPAN Vol. 1995, Nr. 3, 28. April 1995 und JP 06335694A (MEIDENSHA CORP.) 6. Dezember 1994 offenbart einen Controller eines Geräts zum biologischen Reinigen von Schmutzwasser.

Zusammenfassung der Erfindung
Zum Lösen der technischen Probleme mit dem Stand der Technik dient diese Erfindung, um eine beliebige Korrelation herzuleiten und Betriebsfaktoren in Abhängigkeit von jahreszeitlichen Veränderungen unter Verwendung der bestehenden Daten herzuleiten, die nicht auf heuristischem Wissen beruhen, und um dadurch DO und SRT zu steuern, um das Steuerungsverfahren zu verkörpern, um die Reinigungsgüte und die jahreszeitliche Betriebssteuerung zu steigern. Diese Erfindung dient auch dazu, die Faktoren zu entfernen, die die Betriebskosten verursachen einschließlich der Lohnkosten, der Stromkosten etc., die wegen einer geringen Güte des Steuerungsbetriebs erhöht werden.
Diese Erfindung zum Erfüllen der Ziele ist gekennzeichnet durch das Verfahren zur Ab-/Schmutzwasserreinigungssteuerung, indem es einen Schritt umfasst, bei welchem Attribute des Zuflusswassers, das in die Ab-/Schmutzwasserreinigungsanlage einfließt, Attribute des internen Zustands des Reaktionstanks und fluide PVs von Güteattributen des Ablaufwassers komplex gemessen werden; einen Schritt, bei welchem Daten der gemessenen oben genannten fluiden PVs gesammelt werden und operativ verarbeitet werden, um sie in Daten einer physischen Quantität im Computer zu konvertieren; einen Schritt, bei welchem jeder optimale SP von jeweils DO und SRT der 1. Etage und der 2. Etage des Ausströmungstanks erhalten wird durch Vergleichen von PVs der oben genannten gemessenen Attribute mittels des Anwendungsprogramms im Computer; einen Schritt, bei welchem jedes erhaltene optimale SP operativ verarbeitet wird, um es in jeweils analoge und digitale Steuerungsausgabewerte zu konvertieren, indem man jeweils erhaltene optimale SP mit jeweils PV von jeweils DO und SRT der 1. Etage und 2. Etage des Ausströmungstanks vergleicht; und einen Schritt, bei welchem jedes Luftsteuerungsventil der 1. Etage und 2. Etage des Ausströmungstanks und die Schlammabzugspumpe von jedem oben genannten Steuerungsausgabewert gesteuert werden, und durch die Tatsache, dass das Anwendungsprogramm jeden optimalen SP mittels des Neuronalnetz-Steuerungsprogramms unter Verwendung des Backpropagationalgorithmus erhält.
Diese Erfindung ist auch durch das System zur Ab/Schmutzwasserreinigungsteuerung gekennzeichnet, indem es einen Schritt umfasst, bei welchem Attribute des Zuflusswassers, das in die Ab-/Schmutzwasserreinigungsanlage einfließt, Attribute des internen Zustands des Reaktionstanks und fluide PVs von Güteattributen des Ablaufwassers komplex gemessen werden; einen Schritt, bei welchem Daten der gemessenen oben genannten fluiden PVs gesammelt werden und operativ verarbeitet werden, um sie in Daten einer physischen Quantität im Computer zu konvertieren; einen Schritt, bei welchem jeder optimale SP von jeweils DO und SRT der 1. Etage und der 2. Etage des Ausströmungstanks durch Vergleichen von PVs der oben genannten gemessenen Attribute mittels des Anwendungsprogramms im Computer erhalten wird. Jeder erhaltene optimale SP wird operativ verarbeitet, um ihn in den analogen und digitalen Ausgabesteuerungswert zu konvertieren, indem man jeden erhaltenen optimalen SP mit jedem PV von jeweils DO und SRT der 1. Etage und der 2. Etage des Ausströmungstanks vergleicht; und einen Schritt, bei welchem jedes Luftsteuerungsventil der 1. Etage und der 2. Etage des Ausströmungstanks und die Schlammabzugspumpe gesteuert werden, indem man jeden erhaltenen oben genannten Steuerungsausgabewert verwendet, und durch die Tatsache, dass das Anwendungsprogramm jeden optimalen SP mittels des Neuronalnetz-Steuerungsprogramms unter Verwendung des Backpropagationalgorithmus erhält.
Kurze Beschreibung der Zeichnungen
1 ist ein Blockdiagramm, welches den Aufbau des KI-Steuerungssystems unter Verwendung des programmierbaren Logikcontrollers gemäß dieser Erfindung veranschaulicht.
2 ist ein Ablaufdiagramm des erfindungsgemäßen KI-Steuerungssystem, das den programmierbaren Logikcontroller verwendet.
3 ist ein Ablaufdiagramm, welches eine Ausführung von Hauptfunktionen des in dieser Erfindung verwendeten Programms zeigt.
4 ist ein Ablaufdiagramm, welches eine Ausführung der Lernfunktion des in dieser Erfindung verwendeten Neuronalnetzes zeigt.
5 ist eine Zeichnung, welche das System des in dieser Erfindung verwendeten Backpropagationalgorithmus veranschaulicht.
6 ist ein Blockdiagramm, das die Ausführung der Steuerungsfunktion des in dieser Erfindung verwendeten Gegenstandssystems zeigt.
7 ist das vom Gegenstandssystem eingesetzte KI-Lernprogramm.
8 sind die im Gegenstandssystem eingesetzten heuristischen Daten.
9 ist ein Graph von in das Gegenstandssystem eingegebenen Zuflusstemperatursignalen.
10 ist ein Graph von Signalen eines eingehenden Strömungsflusses, die in das Gegenstandssystem eingegeben werden.
11 ist ein Graph von in das Gegenstandssystem eingegebenen Zufluss-POD-Signalen.
12 ist ein Graph von in das Gegenstandssystem eingegebenen Volumenbeladungssignalen.
13 ist ein Graph von aus dem Gegenstandssystem ausgegebenen DO 1 Ausgabesignalen.
14 ist ein Graph von aus dem Gegenstandssystem ausgegebenen DO 2 Ausgabesignalen.
15 ist ein Graph von aus dem Gegenstandssystem ausgegebenen SRT Ausgabesignalen.
16 ist ein Graph von Gesamtausgabesignale, die in das Gegenstandssystem eingegeben oder aus dem Gegenstandssystem ausgegeben werden.
Detaillierte Beschreibung der bevorzugten Ausführungsform
Der Aufbau dieser Erfindung wird nachstehend detailliert unter Bezugnahme auf die beigefügten Zeichnungen beschrieben.
1 zeigt den Gesamtaufbau des erfindungsgemäßen KI-Steuerungssystems. Wie in einem solchen Aufbau gezeigt, werden die von jedem Messinstrument (10, 11, 12) erhaltenen Daten, wie BOD, ein eingehender Strömungsfluss und eine Wassertemperatur als Attribute des Zuflusswassers und jeder DO der 1. Etage und der 2. Etage des Ausströmungstanks, MLSS des Belüftungstanks, eine Schlammkonzentration, ein abgezogener Strömungsfluss und BOD des Abflusswassers zum Steuern jedes SP zu einer A/D-Karte (101) von PLC (14) in analogen Signalen übertragen.
Solche Daten stellen die Systemschritte gemäß dem Ablaufdiagramm wie in 2 gezeigt dar. Zunächst startet das Programm und wird initialisiert (201); dann werden die bestehenden Daten gesammelt (202); die Daten werden gefiltert (203); Attribute des Zuflusswassers, des internen Zustands des Reaktionstanks und des Ablaufwasser werden wie gemessen in einen PLC (205) eingegeben; und der aktuelle Zustand wird identifiziert (204). Dann wird jeder identifizierte PV und jeder SP Eingabewert (206) operativ verarbeitet (207, 210, 211) zur Steuerungsausgabe und dann in analogen bzw. digitalen Signalen zur Steuerung ausgegeben (209, 212), und gleichzeitig (218) im Speicher von PLC (14) gespeichert. Dann werden, für den Fall, dass die Daten als konform mit den Gütekriterien (214) bewertet werden, die Daten operativ verarbeitet, um sie durch den gleitenden Durchschnittsprozess (217) in Daten einer physischen Quantität zu konvertieren, und dann werden die Daten durch Datumsangaben (221) gespeichert, und jeder Anfangswert wird gespeichert (219). Ferner werden die Daten bidirektional mittels TCP/IP (Transmission Control Protocol/Internet Protocol) durch RS232C Kommunikationsmittel (106), wie in 1 gezeigt, kommuniziert, so dass sie auf dem Monitorbildschirm der Computeranlage (220) angezeigt werden.
3 ist ein Ablaufdiagramm, das die Ausführung von Hauptfunktionen des in dieser Erfindung verwendeten Programms zeigt. Das Programm startet und wird initialisiert (301), und dann werden die gesammelten Daten (303) und die Daten einer physischen Quantität, wie sie konvertiert sind, in Abhängigkeit von Attributen (304) des Zuflusswassers komplex und vergleichend operativ verarbeitet (305). Durch einen solchen komplexen und vergleichenden Operationsprozess wird jeder SP (306, 307) von jeweils DO und SRT der 1. Etage und der 2. Etage des Ausströmungstanks erhalten, was die Denitrifikation und Entphosphorung des Zuflusswassers, die bei einer gegebenen Konzentration oder mehr gemacht wird, ungeachtet von Attributen des Zuflusswassers, einschließlich einer Temperatur, eines Strömungsflusses, etc.; das stabilisierte Wasserreinigungssystem einer hohen Güte wird aufgebaut, indem man den Wasserreinigungsprozess durchführt, der mit dem KI-System und dem Automatisierungssystem ausgestattet ist; die Konsistenz und die Sicherheit jedes Messinstruments und die Stabilität des automatischen Steuerungssystems, die für die Automatisierung benötigt werden, werden sichergestellt, indem man die Datenbank und Steuerungs-KI (entsprechend dem Neuronalnetz) aufbaut; damit die Reinigungsgüte ungeachtet jahreszeitlicher Temperatur oder irgendeiner Konzentration des Zuflusswassers vergrößert wird.
Wobei jeder erhaltene optimale SP von jeweils DO und SRT der 1. Etage und der 2. Etage des Ausströmungstanks komplex und vergleichend operativ verarbeitet wird (308, 309) und er für analoge Ausgabe (311) bzw. digitale Ausgabe (312) operativ verarbeitet wird, um jede analoge Steuerungsausgabe (310) und digitale Steuerungsausgabe (313) durchzuführen. Dann wird jede Steuerungsausgabe im Speicher (314) gespeichert und wird zur Übertragung auf dem Internet (315), zum Speichern jedes Anfangswerts (316), zur Anzeige auf dem Monitorbildschirm (317), zum Speichern eines Textes durch Datumsangaben (318) oder Registrierung in einer Datenbank (319) verwendet.
Der gesamte Lern- und Anwendungsprozess, wie er hierin verwendet wird, wird in 4 veranschaulicht. Der KI- Steuerungsprozess sammelt und erwirbt Expertenwissendaten, wie BOD des Zuflusswassers, DO und MLSS des Reaktionstanks und Konzentration von T-N und BOD des gereinigten Wassers (401) und erstellt ferner Datenregeln durch Analysieren solcher Daten (402).
Solche Datenregeln werden mittels des Neuronalnetzes (403) gelernt, welches den Backpropagationalgorithmus und den lernenden Optimierungsalgorithmus verwendet, bei welchem das Levenberg-Marquardt-Verfahren, das Newton-Verfahren und das Verfahren des steilsten Abstiegs verfügbar ist, wie in der mathematischen Formel 1 gezeigt. Ferner berechnet das Neuronalnetz die Betriebsgüte nach dem eigentlichen Betrieb der Anlage, und dann wird eine kurzfristige Anpassung (407) durchgeführt, bis die gewünschte Güte erreicht ist auf der Basis neuer Daten einer höheren Güte, wie sie erworben wurde (405). Durch diesen Wiederlernprozess wird eine neue Datenbank aufgebaut (406).
[Mathematische Formel 1]

wi+1 = wi – (H + λI)–1∇F(wi) (I bedeutet "Identitätsmatrix", λ = 0: Newton-Verfahren, λ → ∞: Verfahren des steilsten Abstiegs, λ wird dynamisch angepasst.)

Beim Backpropagationalgorithmus werden Eigenschaften des Zuflusswassers (ein Strömungsfluss, eine Temperatur, BOD), interner Zustand des Reaktionstanks (Volumenbeladung, SRT, DO, MLSS, eine Ammoniumstickstoffkonzentration (NH₄-N), Nitratstickstoffkonzentration (NO₃-N), eine Konzentration von phosphorisiertem Phosphor (PO₄-P) und die Qualität gereinigten Wassers (BOD, T-N) als Daten für ein Eingabelernen verwendet, und die Zieldaten, die eins-zu-eins zu diesen Eingabedaten gehören, sind jeweils DO und SRT der 1. Etage und der 2. Etage des Ausströmungstanks.
8 veranschaulicht solche Daten für das Eingabelernen. Wie in 8 veranschaulicht, können Daten für das Eingabelernen im folgenden Bereich eingegeben werden; Temperatur: 5 Grad über 0 ^~ 3B Grad über 0, BOD: 0 ^~ 180 mg/l, NH₄: 0 ^~ 150 mg/l und Volumenbeladung: der gesamte Bereich. Und die dazu gehörenden Ausgabedaten werden im folgenden Bereich ausgegeben; DO der 1. Etage des Ausströmungstanks: 2.35 ^~ 4.3 mg/l, DO der 2. Etage des Ausströmungstanks: 1.4 ^~ 3.3 mg/l und SRT: 7.55 ^~ 21.0 Tage.
Die Lerndaten repräsentieren die folgenden Steuerungen:
Wenn die Konzentration des NH₄-Zuflusses erhöht wird, dient das Steuerungssystem dazu, MLSS zu erhöhen, um das Verhältnis Nahrung zu Mikroben (F/M) zu verringern. Oder, wenn die Konzentration des NH₄-Zuflusses verringert wird, dient das Steuerungssystem dazu, MLSS zu verringern, um F/M zu erhöhen. Auch wenn die Konzentration des Zuflusswassers (BOD) erhöht wird und MLSS auch erhöht wird, dient das Steuerungssystem dazu, MLSS zu verringern, um F/M aufrecht zu erhalten. Wenn jedoch MLSS verringert wird, dient das Steuerungssystem dazu, eine Abzugsmenge von Überschussschlamm zu verringern, während F/M aufrechterhalten wird. Und, wenn die Konzentration des Zuflusswassers (BOD) erhöht wird, dient das Steuerungssystem dazu, die Luftzufuhr zu erhöhen. Wenn jedoch die Konzentration des Zuflusswassers (BOD) verringert wird, dient das Steuerungssystem dazu, die Luftzufuhr zu verringern und gleichzeitig die Abzugsmenge von Überschussschlamm zu erhöhen, um MLSS zu verringern.
5 veranschaulicht ein System des in dieser Erfindung verwendeten Backpropagationalgorithmus.
In dieser Erfindung wird ein MLP (Multilayer Perception) Modell der Backpropagation verwendet. Schichten eines MLP-Modell umfassen eine Eingabeschicht (503), die eine beliebige Eingabe aus der Umgebung empfängt, eine Ausgabeschicht (505), die irgendeine Ausgabe an die Umwelt überträgt und eine versteckte Schicht (504), die zwischen der Eingabeschicht und der Ausgabeschicht liegt und nicht direkt mit der Umgebung interagiert. Das Lernen beginnt von der Eingabeschicht aus und schreitet über die versteckte Schicht zur Ausgabeschicht fort. Für den Fall, dass das Neuron die Werte der empfangenen Eingaben summiert und der summierte Wert hoch ist, gibt es die Eingaben an den nächsten Knoten in der versteckten Schicht weiter.
Wenn die Eingaben weitergegeben werden, wird ein Gewicht zugewiesen, oder ein Gewicht wird verstärkt oder abgeschwächt. Dieser Prozess fährt fort, bis das Modell die letzte äußere Schicht (Ausgabeschicht) erreicht, um irgendein Ergebnis vorherzusagen. Wobei die Aktivatorhandlung, relative Wichtigkeit zu einem Muster eines hohen Wertes zu addieren und ein Muster von einem geringen Wert zu ignorieren, stattfindet.
Bei dieser Erfindung wird nur die lineare Summe als eine aktive Funktion verwendet, da verschiedene SPs in der Ausgabeschicht (505) vorhergesagt werden müssen und aus ihr ausgeben werden müssen.
In der Zwischenzeit wird eine nicht-lineare aktive Funktion in der versteckten Schicht (504) verwendet, und die KI-Steuerung (Neuronalnetz) akkumuliert die im Lernprozess erworbene Funktion im Gewicht. Dieses Gewicht wird verwendet, um jeden optimalen Wert von SRT und DO zu erwerben.
Die Anzahl versteckter Schichten (504) in dieser Erfindung, wie in 5 gezeigt, wurde nach dem Expertenwissen bestimmt. In dieser Erfindung ist die Anzahl versteckter Schichten (504) im Bereich von 15 ^~ 40 festsetzbar. Die Dateneingabe von der Eingabeschicht (503) zur versteckten Schicht (504), die Datenausgabe von der versteckten Schicht (504) zur Ausgabeschicht (505) und das Gewicht werden mittels mathematischer Formeln 2–4 bestimmt. [Mathematische Formel 2]
(Dies ist eine Formel, um F zu berechnen, welches den Gesamtfehler durch eine Änderungsrate in Abhängigkeit vom Gewicht summiert. Gradient "i" ist das "i"-te Gewicht.) [Mathematische Formel 3]
(Fehler "e" bedeutet ein Unterschied zwischen SP und der Ausgabe aus dem Neuronalnetz. "k" ist die "k"-te Probe.)
[Mathematische Formel 4]

H = ∇2F(w) (Hesse-Matrix bedeutet, dass die zweite Ableitung in Abhängigkeit des Gewichts von F erhalten wird).

Dann wird jeder optimale im vorhergehenden Schritt erhaltene SP mit PV von DO der 1. Etage des Ausströmungstanks und PV von DO der 2. Etage des Ausströmungstanks verglichen, und dabei wird er für die analoge Steuerungsausgabe (im folgenden als MV bezeichnet) operativ verarbeitet, um einen Steuerungsfaktor zu erhalten. Auch PV des Strömungsflusses von abgezogenem Schlamm wird mit dem Massenströmungsfluss verglichen, und dadurch wird der digitale MV operativ verarbeitet, um einen digitalen Steuerungsfaktor zu erhalten. 7 veranschaulicht ein Beispiel der in der Programmiersprache verkörperten Software, um solche Steuerungsfaktoren zu erhalten.
Auch speichert diese Erfindung eine Menge von Daten, die im vorhergehenden Schritt in einer Datei erhalten wurden und fragt sie von dort ab, wobei sie eine Erleichterung der Datensteuerung ermöglicht.
Nach dem vorhergehenden Schritt wird MV nach und nach mittels jedes Steuerungsfaktors berechnet, und es wird in analogen Signalen und digitalen Signalen durch eine D/A-Karte (104) übertragen.
Die PC-basierte direkte Steuerung wird geleitet auf den übertragenen Signalen durch jedes C/V und dem Inverter (15), der Schlammabzugspumpe.
Auch nach dem vorhergehenden Schritt wird jeder SP und PV des internen Zustands des Reaktionstanks gegenseitig miteinander verglichen, und dabei wird die Güte der Ab- /Schmutzwasserreinigungsanlage, die diesen Steuerungsprozess durchführt, vergleichend analysiert, und das Analyseergebnis kann in einer Datei gespeichert werden.
Ferner kann eine beliebige nachfolgende Steuerung durch einen bestimmten Abstimmprozess von Steuerungsfaktoren als ein Verfahren zum Steigern der Reinigungsgüte durchgeführt werden, und eine Reihe von Prozessen zum Aufbau eines entfernten KI-Steuerungssystems, um die Felddaten in Echtzeit zu überwachen und zu steuern, kann ebenfalls durchgeführt werden.
6 ist ein Blockdiagramm, das eine Ausführung der Steuerungsfunktion des in dieser Erfindung verwendeten Systems zeigt.
Wie in 6 veranschaulicht, werden Daten (601) wie ein Strömungsfluss, ein Zufluss-POD, ein NH₃-Zufluß und eine Temperatur, die im Sensor abgetastet oder gemessen werden, werden in der Datensammlungsbaugruppe (602) gesammelt, und solche gesammelten Daten werden an einen Computer (604), wie einen PC übertragen, der einen KI-Neuronalnetzcontroller hat, der damit ausgestattet ist. Dieser Computer ermöglicht, dass eine entfernte Steuerung und eine Überwachungsarbeit bidirektional und in Echtzeit mittels TCP/IP (603) durchgeführt werden. DO und SRT, wie sie durch die KI-Neuronalnetzsteuerung ausgegeben werden, werden durch die analoge Ausgabesignalbaugruppe (605) ausgegeben. Dieses Analogsignal kann durch den Konverter und den Inverter (606) konvertiert werden und steuert dann DO und MLSS (607).
Ein Beispiel der Verkörperung des vorhergehenden Aufbaus dieser Erfindung wird nachfolgend durch Eingabe-/Ausgabedaten dargestellt.
Dieses Beispiel stellt ein Beispiel dar des Betreibens der experimentellen Einrichtungen für das gereinigte Wasser des 1. Sedimentationsbeckens des Amts für Umweltschutz, dessen tägliche Reinigungskapazität 50 Tonnen ist und das mit dem KI-Steuerungssystem zur Ab-/Schmutzwasserreinigung mittels des Neuronalnetzes und des Backpropagationalgorithmus gemäß dieser Erfindung ausgestattet ist.
9 bis 12 zeigen Eingaben, die den Zustand des Zuflusswassers und den internen Zustand des Reaktionstanks in diesem Beispiel angeben.
9 ist ein Graph von Zuflusstemperatursignalen, die in das erfindungsgemäße System eingegeben werden, wobei die X-Achse eine Zeitachse ist, und die Zuflusstemperatur im Bereich von 21.0°C bis 21.5°C fluid eingegeben wird.
10 ist ein Graph von eingehenden Strömungsflusssignalen, die in das erfindungsgemäße System eingegeben werden. Wobei der eingehende Strömungsfluss fluid im Bereich von ungefähr 49.0 bis 50.0 m³/Tag über die Zeit eingegeben wird. 11 ist ein Graph der BOD-Zuflusssignale, die in das erfindungsgemäße System eingegeben werden. Wobei der Zufluss-BOD fluid im Bereich von ungefähr 90.0 bis 92.2 mg/l über die Zeit eingegeben wird. 12 stellt Volumenbeladungssignale dar, die in das erfindungsgemäße System eingegeben werden. Wobei die Volumenbeladung (kg BOD/m³·Tag) im Reaktionstank fluid über die Zeit eingegeben wird.
13 ist ein Graph von DO 1 Ausgabesignalen, die aus dem erfindungsgemäßen System ausgegeben werden. 14 ist ein Graph von DO 2 Ausgabesignalen, die vom erfindungsgemäßen System ausgegeben werden. 15 ist ein Graph von SRT Ausgabesignalen, die aus dem erfindungsgemäßen System ausgegeben werden. 16 ist ein Graph von Gesamtausgabesignalen, die in das erfindungsgemäße System ein- oder aus dem erfindungsgemäßen System ausgegeben werden.
Es kann in den Ausgabegraphen dieses Beispiels beobachtet werden, dass jeder DO der 1. Etage (13) und der 2. Etage (14) des Ausströmungstanks und SRT ( 15) davon im Reaktionstank gesteuert werden, so dass er nicht an einem bestimmten Wert sein darf, sondern durch die KI in einem geeigneten Zustand für jede Situation in Reaktion auf jeden entsprechenden Zuflusszustand ist.
Auf diese Weise ermöglicht das in dieser Erfindung verwendete Steuerungssystem, dass ein falscher Betrieb minimiert wird, und dass weiter konsistente und verlässliche Daten sichergestellt werden und eine präzise Steuerung gemacht wird.
Durch den wie oben beschriebenen Aufbau ermöglicht diese Erfindung anders als der Stand der Technik eine stabile Reinigungsgüte, die sichergestellt wird, ohne von der Erfahrung des Operators abzuhängen, indem die KI-Steuerung durch den standardisierten Prozess unter Verwendung der standardisierteren Daten durchgeführt wird, dass ferner verlässliche Daten gemäß einem Bedarf im hochentwickelten industrialisierten und informationsintensiven Zeitalter sichergestellt werden und die Lohnkosten und die Wartungskosten im Betriebsbudget minimiert werden.
Da auch die Betriebsgeschwindigkeit und die flexible PC-Technologie in dieser Erfindung durch die PC-basierte Steuerung wiedergespiegelt werden, ist es möglich, eine kontinuierliche Steigerung der Reinigungsgüte zu unterstützen.
LEGENDE ZU DEN FIGUREN
1
Kasten 10

Efficiency of outflow water – Güte des Ablaufwassers
Outflow BOD – Ablauf BOD
Outflow Flow Meter – Ablaufmessgerät

Kasten 11

Internal Condition of Reaction Tank – Interner Zustand des Reaktionstanks
Sludge Flow Meter – Schlammflussmessgerät
Sludge Densitometer – Schlammdichtemessgerät
MLSS Densitometer – MLSS Dichtemessgerät
DO Meter, 2. story of exhalation tank – DO Messgerät, 2. Etage des Ausströmungstanks
DO Meter, 1. story of exhalation tank – DO Messgerät, 1. Etage des Ausströmungstanks

Kasten 12

Attributes of inflow water – Attribute von Zuflusswasser
Inflow BOD – Zufluss BOD
Thermometer – Thermometer
Incoming stream flow – Eingehender Strömungsfluss

Kasten 13

Central computer – Zentralrechner 110 Central processing unit (conversion into a physical quantity) – Zentraleinheit (Konversion in eine physische Quantität) 107 Interface – Interface 108 Display unit – Anzeigeeinheit 109 Recording unit – Aufnahmeeinheit 106 R6-232C Communication – R6-232C Kommunikation

Kasten 14

Programmable logic controller (PLC) – Programmierbarer Logikcontroller
105 Interface – Interface
103 Digital card – Digitalkarte
104 D/A Card – D/A Karte
102 Central processing unit (simple operation) – Zentrale Verarbeitungseinheit (einfache Operation)
101 A/D Card – A/D Karte

Kasten 15

Digital signals – Digitalsignale
Invertor for controlling sludge pump – Inverter zum Steuern der Schlammpumpe
17 Sludge pump – Schlammpumpe

Kasten 16

Analog signal – Analogsignale
Air control valve – Luftsteuerungsventil
Second story of exhalation tank – 2. Etage des Ausströmungstanks
Air control valve – Luftsteuerungsventil
First story of exhalation tank – 1. Etage des Ausströmungstanks

2

Keyboard input – Tastatureingabe
Program start – Programmstart
Initilisation – Initialisierung
202 data collection – Datensammlung
203 data filtering – Datenfilterung
204 identification of present condition – Identifizierung eines vorliegenden Zustands
205 attributes of – Attribute von Zuflusswasser
Condition of reaction tank – Reaktionstankzustand
Attributes of outflow water – Attribute von Ablaufwassers
206 SP input (keyboard input) – SP Eingabe (Tastatureingabe)
207 Operation of control output – Betrieb von Steuerungsausgabe
208 Digital control output – Digitale Steuerungsausgabe
209 Analog control output – Analoge Steuerungsausgabe
210 Operation of analog output – Betrieb von analoger Ausgabe
211 Operation of digital output – Betrieb von digitaler Ausgabe
212 Digital control output – Digitale Steuerungsausgabe
213 (PLC) Memory storage – (PLC) Speicher
Efficiency judgement – Gütebewertung
Unconformity – Nichtkonformität
215 Alarm transmission – Alarmübertragung
214 Conformity – Konformität
216 RS-232C Communication – RS-232C Kommunikation
217 Conversion into a physical quantity – Konversion in eine physische Quantität
218 Computer – Computer
Memory storage – Speicher
219 Saving initial value – Speichern von Anfangswerten
220 Display on screen – Anzeige auf Bildschirm
221 Saving dates and text – Sichern von Datumsangaben und Text
222 Keyboard input – Tastatureingabe
223 Program end – Programmende

3

Keyboard Input – Tastatureingabe
Programm start – Programmstart
301 Initilisation – Initialisierung
302 reading initial value – Einlesen von Anfangswerten
303 data collection – Datensammlung
304 attributes of inflow water – Attribute von Zuflusswasser
305 complex comparative operation – komplexe vergleichende Operation
305 optimum DO SP – optimaler DO SP Wert
307 optimum SRT – optimaler SRT Wert
308 complex comparative operation – komplexe vergleichende Operation
309 complex comparative operation – komplexe vergleichende Operation
310 analog control output – analoge Ausgabesteuerung
311 operation of analog output – Betrieb von analoger Ausgabe
312 operation of digital output – Betrieb von digitalen Ausgabe
313 digital control output – digitale Ausgabesteuerung
314 memory storage – Speicher
315 Internet transmission – Internetübertragung
316 Saving initial values – Speichern anfänglicher Werte
317 Display on screen – Anzeige auf Bildschirm
318 Saving dates and text Text – Speichern von Datumsangaben und
319 Data base – Datenbank
320 Keyboard input – Tastatureingabe
321 Program end – Programmende

4

KI control – KI Steuerung
401 acquisition of existing data – Erwerben von existierenden Daten
Collection of existing expertise (inflow water: BOD, temperature reaction tank: DO, MLSS, design factor: SRT/treated water: T-N BOD) – Sammlung bestehenden Expertenwissens (zufließendes Wasser: BOD, Temperatur, Reaktionstank: DO, MLSS, Entwurfsfaktor: SRT/ gereinigtes Wasser: T-N, BOD)
402 making data rules by analysis – Erstellen von Datenregeln durch Analyse
1 input factor – Eingabefaktor
2 output factor – Ausgabefaktor
403 learning by neuronal network – Lernen durch Neuronalnetz
404 real time operation by remote automatic control system – Echtzeitbetrieb durch ein entferntes automatisches Steuerungssystem
405 Collection of new data by operation efficiency – Sammlung neuer Daten durch Operationsgüte
407 operation efficiency as wanted – Operationsgüte wie gewünscht
Building up of new data base by long term learning – Aufbau einer neuen Datenbank durch Langzeitlernen
409 Relearning – Wiederlernen
408 Relearning – Wiederlernen

5

501 Learning data – Lerndaten
502 target data – Zieldaten
503 Input layer – Eingabeschicht
hidden layers 504 (15–40 layers) – versteckte Schichten (15–40 Schichten)
output layers 505 – Ausgabeschichten
NH3 concentration – NH₃ Konzentration
temperature – Temperatur
BOD – BOD
Volume load – Volumenbeladung
SRT – SRT
DO1 – DO1
DO2 – DO2

6

601 Sensor and measured data – Sensor und gemessene Daten
Stream flow – Strömungsfluss
inflow BOD – BOD Zufluss
inflow NH3 – NH₃ Zufluss
temperature – Temperatur
602 data collection board – Datensammlungsbaugruppe
603 remote control and monitoring TCT/IP – Entfernte Steuerung und Überwachen durch TCP/IP
604 PC Network controller – KI Neuronalnetzcontroller
waste sludge amount (MLSS) – Schmutzschlammmenge (MLSS)
605 Analog signals output board – Analogsignale-Ausgabebaugruppe
606 Converter and inverter – Konverter und Inverter
607 DO, MLSS – DO, MLSS

7
8

temperature – Temperatur
volume load – Volumenbeladung
the above data amend values of heuristic data – Die oben genannten Daten sind gemeinte Werte heuristischer Daten.

9

amplitude – Amplitude
time – Zeit

10

amplitude – Amplitude
time – Zeit

11

amplitude – Amplitude
time – Zeit

12

amplitude – Amplitude
time – Zeit

13

amplitude – Amplitude
time – Zeit

14

amplitude – Amplitude
time – Zeit

15

amplitude – Amplitude
time – Zeit

16

amplitude – Amplitude
time – Zeit
stream flow of inflow water – Strömungsfluss von Zuflusswasser
temperature of inflow water – Temperatur von Zuflusswasser
volume load – Volumenbeladung

Claims

Verfahren zur Ab-/Schmutzwasserreinigungssteuerung in einer Ab-/Schmutzwasserreinigungsanlage, die einen Ausströmungstank umfasst, in dem ein Neuronalnetz(403)-Steuerungsprogramm unter Verwendung eines Backpropagationalgorithmus in einem Computer eingesetzt wird, um einen optimalen Sollwert (SP) herzuleiten, wobei Luft im Ausströmungstank und eine Schlammabzugspumpe gesteuert werden, wobei das Verfahren umfasst: einen Schritt, bei dem vorliegende Werte von Attributen von in die Ab-/Schmutzwasserreinigungsanlage fließendem Zuflusswasser (304), Attributen eines internen Zustandes eines Reaktionstanks und vorliegende Fluidwerte von Attributen der Güte des Ablaufwassers gemessen werden; einen Schritt, bei dem die gemessenen vorliegenden Werte gesammelt und in physische Daten umgewandelt werden, die im Computer verarbeitet werden; einen Schritt, bei dem jeder optimale Sollwert von jeweils gelöstem Sauerstoff und Schlammverweilzeit einer 1.Etage und 2. Etage des Ausströmungstanks durch Vergleichen der oben genannten vorliegenden Werte der gemessenen Attribute mittels eines Anwendungsprogramms im Computer erhalten wird, wobei das Anwendungsprogramm jeden optimalen Sollwert (306, 307) mittels des Neuronalnetz(403)-Steuerungsprogramms unter Verwendung des Backpropagationalgorithmus erhält; einen Schritt, bei dem jeder erhaltene optimale Sollwert operativ verarbeitet wird, um einen analogen (310) und digitalen (313) Steuerungsausgabewert durch Vergleichen jedes erhaltenen optimalen Sollwerts (306, 307) mit jedem vorliegenden Wert von jeweils gelöstem Sauerstoff und Schlammverweilzeit der 1. Etage und 2. Etage des Ausströmungstanks zu erzeugen; und einen Schritt, bei dem jedes Luftsteuerungsventil der 1. Etage und 2. Etage des Ausströmungstanks und die Schlammsaugpumpe jeweils mittels des oben genannten erhaltenen Steuerungsausgabewertes (310, 313) gesteuert werden.
Verfahren gemäß Anspruch 1, wobei die Attribute des Zuflusswassers einen eingehenden Strömungsfluss, eine Temperatur und einen biologischen Sauerstoffbedarf (BOD) des Zuflusswassers umfassen; die Attribute des internen Zustands des Reaktionstanks eine Volumenbeladung, Schlammverweilzeit, gelösten Sauerstoff der 1. Etage des Ausströmungstanks, gelösten Sauerstoff der 2. Etage des Ausströmungstanks, MLSS, NH₄-N, NO₃-N und PO₄-P umfassen; und die Attribute der Ablaufwasserqualität den BOD des Ablaufwassers (401), ein Volumen und dessen Gesamtstickstoff (T-N) umfassen.
Verfahren gemäß Anspruch 1 oder Anspruch 2, wobei das Neuronalnetz (403) den lernenden Optimierungsalgorithmus verwendet.
Verfahren gemäß einem der Ansprüche 1 bis 3, wobei die im Neuronalnetz(403)-Steuerungsprogramm verwendeten Eingabelerndaten Attribute des Zuflusswassers, Attribute des internen Zustands des Reaktionstanks und Attribute der Güte der Ablaufwasserqualität sind, und wobei gelöster Sauerstoff der 1. Etage des Ausströmungstanks, gelöster Sauerstoff der 2. Etage des Ausströmungstanks und die Schlammverweilzeit, welche Solldaten sind, mittels des im Lernprozess erworbenen Gewichts erhalten werden.
Verfahren gemäß Anspruch 4, wobei das System des auf einem Neuronalnetz(403)-Steuerungsprogramms eine Eingabeschicht (503), eine versteckte Schicht (504) und eine Ausgabeschicht (505) umfasst, und wobei die Anzahl versteckter Schichten (504) im Bereich von 15 bis 40 festgelegt wird, und wobei die Dateneingabe von der Eingabeschicht (503) zur versteckten Schicht (504), die Datenausgabe von der versteckten Schicht (504) zur Ausgabeschicht (505) und das Gewicht in der versteckten Schicht (504) bestimmt werden.
Verfahren gemäß Anspruch 5, wobei die im Lernprozess erworbene Information akkumuliert und im Gewicht gespeichert wird unter Verwendung der linearen Summe als einer aktiven Funktion in der Ausgabeschicht (505) und ferner einer nichtlinearen Funktion als einer aktiven Funktion in der versteckten Schicht (504), und dabei das Gewicht verwendet wird, um jeden optimalen Sollwert (306, 307) von Schlammverweilzeit und gelöstem Sauerstoff zu erhalten.
Verfahren gemäß einem der Ansprüche 4 bis 6, wobei Daten für das Eingabelernen des Neuronalnetz(403)-Steuerungsprogramms im folgenden Bereich eingegeben werden kann; Temperatur: 5 Grad über Null – 38 Grad über Null, BOD: 0–180 mg/l, NH₄: 40–150 mg/l und Volumen: beliebiger Wert im Bereich 0–∞, und dass die dazu gehörenden Ausgabedaten im folgenden Bereich ausgegeben werden; gelöster Sauerstoff der 1. Etage des Ausströmungstanks: 2.35–4.3 mg/l, gelöster Sauerstoff der 2. Etage des Ausströmungstanks: 1.4–3.3 mg/l, und Schlammverweilzeit: 7.55–21.0 Tage.
Verfahren gemäß einem der Ansprüche 4 bis 7, wobei das Steuerungssystem dazu dient, MLSS zu erhöhen, um F/M zu verringern, wenn die Konzentration des NH₄-Zuflusses erhöht wird, und um MLSS zu verringern, um F/M zu erhöhen, wenn die Konzentration des NH₄-Zuflusses verringert wird; MLSS zu verringern, um F/M aufrechtzuerhalten, wenn der BOD des Zuflusswassers erhöht wird und MLSS auch erhöht wird, und um eine Abzugsmenge von Überschussschlamm zu verringern, wobei F/M aufrechterhalten wird, wenn MLSS verringert wird; und die Luftzufuhr zu erhöhen, wenn der BOD des Zuflusswassers erhöht wird, und um die Luftzufuhr zu verringern und um gleichzeitig eine Abzugsmenge von Überschussschlamm zu erhöhen, um MLSS zu verringern, wenn die Konzentration des Zuflusswassers (BOD) verringert wird.
Verfahren gemäß einem der vorherigen Ansprüche, wobei das Verfahren weiter einen Schritt umfasst, bei dem eine beim Messschritt und operativ-verarbeitenden Schritt erhaltene Datenmenge in einer Datei gespeichert und gesteuert wird.
Verfahren gemäß Anspruch 9, wobei das Verfahren einen weiteren Schritt umfasst, bei dem die Daten bidirektional mit einem Computer (604) über TCP/IP (603) kommuniziert werden, um sie in Echtzeit zu steuern, wobei die Güte der Ab-/Schmutzwasserreinigungsanlage, die den Steuerungsprozess ausführt, unter Verwendung der Multiprozessorfunktion vergleichend analysiert wird und das Analyseergebnis in einer Datei gespeichert wird.
System zur Ab-/Schmutzwasserreinigungsteuerung in einer Ab-/Schmutzwasserreinigungsanlage, die einen Ausströmungstank umfasst, in dem ein auf einem Neuronalnetz(403)-Steuerungsprogramm unter Verwendung eines Backpropagationalgorithmus in einem Computer eingesetzt wird, um einen optimalen Sollwert herzuleiten, und Luft im Ausströmungstank und eine Schlammabzugspumpe gesteuert werden, wobei das System umfasst: ein Messmittel (10, 11, 12) zum Messen vorliegender Attributwerte von in die Ab-/Schmutzwasserreinigungsanlage fließendem Zuflusswasser (304), von Attributen eines internen Zustandes eines Reaktionstanks, und vorliegender Fluidwerte von Attributen der Güte von Ablaufwasser; ein Berechnungsmittel zum Sammeln und Umwandeln der gemessenen vorliegenden Werte in physische Daten, die im Computer verarbeitet werden und Erhalten jedes optimalen Sollwerts von jeweils gelöstem Sauerstoff und Schlammverweilzeit einer 1. Etage und 2. Etage des Ausströmungstanks durch Vergleichen der oben genannten vorliegenden Werte der gemessenen Attribute mittels eines Anwendungsprogramms, und operativen verarbeiten jedes erhaltenen optimalen Sollwerts, um analoge (310) und digitale (313) Steuerausgabewerte zu erzeugen durch Vergleichen jedes optimalen Sollwerts (306, 307) mit jedem vorliegenden Wert von jeweils gelöstem Sauerstoff und Schlammverweilzeit der 1. Etage und 2. Etage des Ausströmungstankes, wobei das Anwendungsprogramm jeden optimalen Sollwert (306, 307) mittels des Neuronalnetz(403)-Steuerungsprogramms unter Verwendung des Backpropagationsalgorithmus erhält; und ein Mittel zum Steuern jedes Luftsteuerungsventils der 1. Etage und 2. Etage des Ausströmungstanks und der Schlammabzugspumpe mittels jedes oben genannten erhaltenen Steuerausgabewertes (310, 313).
System zur Ab-/Schmutzwasserreinigungsteuerung gemäß Anspruch 11, wobei die Attribute des Zuflusswassers einen eingehenden Abfluss, eine Temperatur und den BOD des Zuflusswassers umfassen; die Attribute des internen Zustands des Reaktionstanks eine Volumenbeladung, Schlammverweilzeit, gelösten Sauerstoff der 1. Etage des Ausströmungstanks, gelösten Sauerstoff der 2. Etage des Ausströmungstanks, MLSS, NH₄-N, NO₃-N und PO₄-P umfassen; und die Attribute der Ablaufwasserqualität den BOD des Ablaufwassers (401), ein Volumen und dessen T-N umfassen.
System zur Ab-/Schmutzwasserreinigungsteuerung gemäß Anspruch 11 oder Anspruch 12, wobei das Neuronalnetz(403) den lernenden Optimierungsalgorithmus verwendet.
System zur Ab-/Schmutzwasserreinigungsteuerung gemäß einem der Ansprüche 11 bis 13, wobei die im Neuronalnetz(403)-Steuerungsprogramm verwendeten Eingabelerndaten Attribute des Zuflusswassers, Attribute des internen Zustands des Reaktionstanks und Attribute der Güte der Ablaufwasserqualität sind, und wobei gelöster Sauerstoff der 1. Etage des Ausströmungstanks, gelöster Sauerstoff der 2. Etage des Ausströmungstanks und Schlammverweilzeit, die Solldaten sind, mittels des im Lernprozess erworbenen Gewichts erhalten werden.
System zur Ab-/Schmutzwasserreinigungssteuerung gemäß Anspruch 14, wobei das System des auf einem Neuronalnetz(403)-Steuerungsprogramms eine Eingabeschicht (503), eine versteckte Schicht (504) und eine Ausgabeschicht (505) umfasst, und wobei die Anzahl versteckter Schichten (504) im Bereich von 15 bis 40 festgelegt wird, und wobei die Dateneingabe von der Eingabeschicht (503) zur versteckten Schicht (504), die Datenausgabe von der versteckten Schicht (504) zur Ausgabeschicht (505) und das Gewicht in der versteckten Schicht (504) bestimmt werden.
System zur Ab-/Schmutzwasserreinigungssteuerung gemäß Anspruch 15, wobei die im Lernprozess erworbene Information akkumuliert wird und im Gewicht gespeichert wird unter Verwendung der linearen Summe als einer aktiven Funktion in der Ausgabeschicht (505) und ferner einer nichtlinearen Funktion als einer aktiven Funktion in der versteckten Schicht (504) und dabei das Gewicht verwendet wird, um jeden optimalen Sollwert (306, 307) von Schlammverweilzeit und gelöstem Sauerstoff zu erhalten.
System zur Ab-/Schmutzwasserreinigungssteuerung gemäß Anspruch 14 bis 16, wobei das Eingabelernen des Neuronalnetz(403)-Steuerungsprogramm im folgenden Bereich eingegeben werden kann; Temperatur: 5 Grad über Null–38 Grad über Null, BOD: 0–180 mg/l, NH₄: 0–150 mg/l1 und Volumenbeladung: beliebiger Wert im Bereich 0–∞, und dass die dazu gehörenden Ausgabedaten im folgenden Bereich ausgegeben werden; gelöster Sauerstoff der 1. Etage des Ausströmungstanks: 2.35–4.3 mg/l, gelöster Sauerstoff der 2. Etage des Ausströmungstanks: 1.4–3.3 mg/l, und Schlammverweilzeit: 7.55–21.0 Tage.
System zur Ab-/Schmutzwasserreinigungssteuerung gemäß Anspruch 14 bis 18, wobei das Steuerungssystem dazu dient, MLSS zu erhöhen, um F/M zu verringern, wenn die Konzentration des NH₄-Zuflusses erhöht wird und um MLSS zu verringern, um F/M zu erhöhen, wenn die Konzentration des NH₄ -Zuflusses verringert wird; MLSS zu verringern, um F/M aufrechtzuerhalten, wenn der BOD des Zuflusswassers erhöht wird und MLSS auch erhöht wird, und um den Abzug von Überschussschlamm zu verringern, wobei F/M aufrechterhalten wird, wenn MLSS verringert wird; und die Luftzufuhr zu erhöhen, wenn der BOD des Zuflusswassers erhöht wird, und um die Luftzufuhr zu verringern und gleichzeitig das Saugen von Überschussschlamm zu erhöhen, um MLSS zu verringern, wenn die Konzentration des Zuflusswassers (BOD) verringert wird.
System zur Ab-/Schmutzwasserreinigungssteuerung gemäß einem der vorherigen Ansprüche, wobei das Verfahren durch Speichern und Steuern einer beim Messschritt und operativ-verarbeitenden Schritt erhaltenen Datenmenge gekennzeichnet ist.
System zur Ab-/Schmutzwasserreinigungssteuerung gemäß Anspruch 19, wobei das Verfahren gekennzeichnet ist durch bidirektionales Kommunizieren der Daten mit einem Computer (604) über TCP/IP (603), um sie in Echtzeit zu steuern, vergleichendes Analysieren der Güte der Ab-/Schmutzwasserreinigungsanlage, wobei der Steuerungsprozess durch Verwenden der Multiprozessorfunktion und Speichern des Analyseergebnisses in einer Datei vervollständigt wird.