CN106706491A - 膜生物反应器‑mbr出水透水率的智能检测方法 - Google Patents

Abstract

膜生物反应器‑MBR出水透水率的智能检测方法属于污水处理水质参数在线检测领域。本发明基于MBR膜污水处理过程中的生化反应特征，使用特征分析方法，提出5个和出水透水率相关性强的过程变量，设计了出水透水率软测量技术，并将出水透水率软测量技术嵌入至智能检测***，开发出易于操作的人机交互软件；同时，基于功能需求设计了MBR膜污水处理过程智能检测***，将出水透水率智能检测***硬件平台、操作软件以及出水透水率软测量技术进行集成，形成完整的出水透水率智能检测***；该智能检测方法能够快速、准确地预测膜污水处理过程出水透水率的大小，弥补了国内外MBR膜污水处理过程出水透水率实时检测的空白。

Description

膜生物反应器-MBR出水透水率的智能检测方法

技术领域

本发明属于污水处理水质参数在线检测领域，首次搭建了针对膜生物反应器-MBR出水透水率的智能检测***。该方法包括搭建出水透水率智能检测***硬件平台和获取相关的过程变量以及出水透水率智能检测***设计和软硬件功能集成开发，并实现出水透水率的在线智能检测与检测结果的实时显示。

背景技术

根据《中国污水处理行业市场前瞻与投资战略规划分析报告》显示，截至2015年底，全国设市城市、县累计建成污水处理厂3717座，污水处理能力1.57亿立方米/日，较2014年新增约800万立方米/日。2015年，全国城镇污水处理厂累计处理污水480.6亿立方米，比2014年增长8.1％；运行负荷率达到84.1％，比2014年增长1.5个百分点。污水处理量的增长速度高于污水处理能力的增加速度，运行负荷率也快速增长，说明污水处理需求快速增加。并且国家发展规划中提出要研究推广低能耗、高效的污水处理技术，应用MBR膜处理污水作为一种新型污水处理技术应用前景十分广泛；因此，本发明具有重大的研究意义和应用价值。

传统的污水处理过程中污泥产出量大，处理不当会对环境造成严重污染。此外传统的活性污泥法处理污水具有占地面积大、处理水质不理想、管理操作复杂等缺点。膜生物反应器技术用膜工艺取代传统活性污泥法中的二沉池，融合了传统的生物处理技术中的生物降解功能和膜高效的分离功能，是一种新型的、高效的污水处理技术，具有出水水质高、污泥产量小、占地面积小、管理方便等优点，适合污水处理的实际应用。但在膜处理污水的长期过程中，膜污染问题不可避免，膜污染问题会造成膜的出水水质降低和使用寿命缩短，这阻碍了膜的进一步大规模应用，通常以出水透水率的大小来预测膜的污染程度。出水透水率不能直接测量，水厂一般采用计算的方法估计出水透水率的大小，这导致了预测结果具有严重的滞后性，不能实现对出水透水率的精确在线预测。因此，研究新技术解决难以获取变量的的实时预测问题，已成为污水控制领域研究的重要课题，并且具有重要的现实意义。

根据我们多年来的研究与调查发现，采用基于神经网络的软测量技术可以实现膜处理污水过程中出水透水率准确、实时的检测，同时能大幅节省污水处理厂成本，但国内外针对出水透水率的智能检测方法，尚未形成完整的理论体系，基于智能手段的出水透水率检测***在国内外尚属空白。因此，基于智能方法搭建包括软、硬件平台在内的出水透水率智能检测方法，在填补国内外技术空白与整合污水处理产业链等方面，具有很高的开发及应用价值。

发明内容

一种基于模糊神经网络的膜生物反应器-MBR出水透水率的智能检测方法，其特点在于，包括以下步骤：

(1)确定目标变量和特征变量；以膜生物反应器-MBR污水处理***为研究对象，对水质数据进行特征分析，提取产水流量、产水压力、单池膜擦洗气量、厌氧区ORP和好氧区硝酸盐作为特征变量，以出水透水率作为目标变量；

(2)建立出水透水率软测量模型；利用模糊神经网络设计MBR处理污水过程中预测出水透水率的软测量模型，出水透水率软测量模型的拓扑结构分为四层：输入层、RBF层、归一化层、输出层；拓扑结构为5-R-R-1的连接方式，输入层与RBF层之间的连接权值为1，归一化层与输出层之间的连接权值随机赋值，赋值区间[-1,1]，模糊神经网络的期望输出表示为y_d(t)，实际输出表示为y(t)；基于模糊神经网络的出水透水率的软测量方法计算依次为：

①输入层：该层由5个神经元组成，其输出为，

x(t)＝[x₁(t),x₂(t),…,x₅(t)]^T (1)

其中，x(t)表示t时刻输入层的输出，x₁(t)表示t时刻产水流量的值、x₂(t)表示t时刻产水压力的值、x₃(t)表示t时刻单池膜擦洗气量的值、x₄(t)表示t时刻厌氧区ORP的值、x₅(t)表示t时刻好氧区硝酸盐的值；

②RBF层：该层由R个神经元组成，每个神经元的输出为，

其中是t时刻RBF层第j个神经元的输出，c_j(t)为t时刻第j个RBF层神经元的中心 向量，c_j(t)＝[c_1j(t),c_2j(t),…,c_ij(t)]，i＝1,2，…5，c_ij(t)表示RBF层t时刻第j个神经元中心值的第i个元素，为t时刻第j个RBF层神经元的宽度向量， d_ij(t)表示RBF层t时刻第j个神经元宽度值的第i个元素；

③归一化层：该层的神经元个数和RBF层相同，为R个，每个神经元的输出为，

其中v_j(t)是t时刻归一化层第j个神经元的输出，是t时刻RBF层第j个神经元的输出，为RBF输出之和；

④输出层：输出层输出为透水率软测量模型的实际输出，

y(t)是t时刻输出神经元的输出，w_j(t)表示t时刻归一化层第j个神经元与输出神经元之间的权值，定义模糊神经网络软测量模型输出y(t)与期望输出y_d(t)的误差函数e(t)为：

e(t)＝y_d(t)-y(t) (5)

(3)MBR出水透水率软测量模型校正，过程如下：

①给定神经网络RBF层与规则层神经元个数R，R为自然数，R通过经验法确定，出水透水率的软测量模型的训练输入为x(1)，x(2)，…，x(t)，…，x(N)，对应的期望输出y_d(1)，y_d(2)，…，y_d(t)，…，y_d(N)，软测量模型的训练样本为N组，期望误差设为E_d，迭代步数设为s，计算代价函数值E(t)，定义停止标准，当E(t)<E_d，令t＝0；

定义网络的代价函数E(t)，

②设置学习步数s＝s+1；计算出膜出水透水率智能特征模型输出y(t)，误差e(t)，计算向量J(t)，其中，

拟海瑟矩阵Q(t)计算公式为，

Q(t)＝J^T(t)J(t) (8)

梯度向量g(t)计算公式为，

g(t)＝J^T(t)e(t) (9)

其中，误差关于各个参数的偏导数计算如下；

计算误差关于中心的偏导数

计算误差关于宽度的偏导数

计算误差关于权值的偏导数

③采用自适应二阶算法更新模糊神经网络的参数，

Δ(t+1)＝Δ(t)+(Q(t)+λ(t)I)^-1g(t) (13)

其中，Δ＝[w₁(t)，…w_R(t)，c₁₁(t)，…c₅₁(t)，…，c_1j(t)，…c_5j(t)，…c_1R(t)，…c_5R(t)，d₁₁(t)，…d₅₁(t)…，d_1j(t)，…d_5j(t)，…d_1R(t)，…d_5R(t)]，w_j(t)表示t时刻归一化层第j个神经元与输出神经元之间的权值，c_ij(t)是RBF层的中心，d_ij(t)是RBF层的宽度；

其中，自适应学习率λ(t)为，

λ(t)＝θ||e(t)||+(1-θ)||g(t)|| (14)

0<θ<1是实参数，e(t)是误差向量；

④计算代价函数E(t)，当满足精度E(t)<E_d，迭代停止，否则跳转到步骤②；

将测试样本数据作为训练后的模糊神经网络的输入，模糊神经网络的输出即为膜出水透水率的软测量值；

(4)搭建MBR出水透水率智能检测***硬件平台和获取相关的过程变量；出水透水率智能检测***预测结果的稳定性依赖于***的稳定性和相关变量数据的准确性，本发明提出的出水透水率智能检测的硬件***结构和出水透水率特征变量的实时获取技术，实现了 出水透水率特征变量数据的实时获取和出水透水率的精确预测；

硬件平台按照出水透水率智能检测***功能需要和污水处理流程设计要求，主体包括沉砂池、污水调节池、生化反应池和生物膜池等；此外，根据出水透水率相关性变量的需要，需要的采集仪表包括流量仪、ORP检测仪、硝酸盐检测仪、压力器；此外WTW3430的显示主机以及安装相应软件的电脑，作为数据的接收和处理平台以及显示平台；

MBR在处理污水过程中，采取运行7分钟停止1分钟的工作模式，本发明采集泵开始运行后的3到5分钟数据，避免了现场数据的不完整性和巨大波动对预测精度造成影响，然后将采集的数据通过现场总线传至上位机中，完成相关变量的有效获取；上位机上安装相应的基于OPC标准的组态软件，PLC以总线RS485的方式连接到服务器上，组态和PLC的变量关联；数据传输的具体过程为PLC把仪表采集的信号进行A/D转换后传给上位机后，采集的仪表信号通过OPC服务实时采集至OPC客户端；其次，软测量检测软件中的数据分发模块实时读取OPC客户端的数据并把其分发至：①出水透水率软测量模型，作为模糊神经网络的输入数据；②PC机硬盘的某路径下，形成数据文件，实现采集数据的实时存储，方便以后的查询工作；

(5)MBR出水透水率智能检测***设计和软硬件功能集成开发；本发明创新的关键是搭建和开发软硬件平台，并把软硬件平台和出水透水率软测量模型集成完整的出水透水率智能检测***；检测***中的数据采集模块、数据传输模块、数据存储模块和人机交互模块主要体现在数据的获取、传输、存储和显示中，该过程主要涉及了设备、总线、网络和计算机之间的接口设置，计算机界面和后台程序的链接设置，以及智能检测模块和实际检测仪表的数据转换设置；人机交互模块主要实现对出水透水率预测过程的实时检测和管理，从界面预测出水透水率的大小，将出水透水率的变化及时反馈客户端，人机交互设备指触摸屏和打印设备，触摸屏在其开发环境下，通过配置通信口完成和预测***以及打印机的通信，开发的出水透水率智能检测***可实现的主要功能包括①对出水透水率相关参数的查询、②出水透水率软测量模型基本参数的设定、③显示未来一段时间内出水透水率的预测曲线。

本发明采用软件行业中的构件技术把出水透水率软测量模型封装为功能模块，增强了模型的复用性，弥补国内外出水透水率智能检测技术向实际***操作中人机交互界面推广 的空白；本发明采用.NET平台进行软件开发，便于创建ActiveX控件，扩大了软件的可使用环境范围；采用现场总线(Profibus-DP)技术建立全流程***通讯网络，实现各模块间信息传递；同时本发明提出的出水透水率智能检测***实现了中控室和现场各个数据采集点的连接，构成了集中管理的预测***，***的拓展容易，各部分功能独立，可以根据实际预测需要增加软、硬件模块并与其它***进行融合，可实现***的稳定性和可靠性并保证了出水透水率的预测精度。

与污水处理软测量行业发展现状相比，本发明具有以下创新：

(1)开展相关变量数据实时获取的技术研究

将实时获得的相关过程变量数据进行时间同步，并通过协调通讯标准并将数据传输给上位机，从而确保数据的实时性和准确性。

(2)开发出水透水率的软测量模型

构建出水透水率软测量模型，实现对出水透水率的实时预测，并且本发明采用软件行业中的构件技术把软测量模型封装为功能模块，增强了模型的复用性，适合实际中的应用。

(3)开发出水透水率智能检测软件

设计人机交互界面和后台运行智能检测软件，实现数据采集模块、数据传输模块、数据存储模块、以及检测模块等的数据传输。

(4)集成出水透水率智能检测***

根据污水处理过程的要求实现数据采集模块、数据传输模块、数据存储模块、以及检测模块等的封装，将出水透水率智能检测技术与搭建及开发的软硬件平台集成，完成出水透水率智能检测***设计。

附图说明

图1为出水透水率智能检测***整体架构图；

图2为出水透水率软测量软件架构；

图3为模糊神经网络结构图；

图4为出水透水率软测量模型仿真误差曲线；

图5为出水透水率软测量模型预测结果图，其中红色实线为出水透水率实际计算值， 黑色为软测量模型的预测值；

图6为出水透水率智能检测***集成架构图；

具体实施方式

(1)出水透水率软测量技术研究的具体实施

①通过安置在工艺现场的在线检测仪表采集输入变量，需采集的变量的包括5种，参数信息及采集位置如表1所示。

表1采集的过程变量类型

②使用模糊神经网络建立出水透水率的软测量模型，采用实时采集的数据对模糊神经网络进行训练和测试。选择80组数据进行测试。采集的数据如表2所示。

③对建立的出水透水率软测量模型进行校正，得到的仿真误差曲线图和预测结果图分别为图4、图5所示。

(2)出水透水率智能检测***设计与软硬件功能集成的具体实施

实际污水处理厂中搭建的硬件平台环境中硬件部分的WTW 3430仪表通过USB接口与载有出水透水率智能检测***软件的PC机进行连接并将数据实时传输至智能检测平台中。MBR在处理污水过程中，采取运行7分钟停止1分钟的工作模式，因此本发明采集泵开始运行后的3到5分钟数据，避免了现场数据的不完整性和巨大波动对预测精度造成影响，然后将采集的数据通过现场总线传至上位机中，完成相关变量的有效获取。上位机上安装相应的基于OPC标准的组态软件，PLC以总线RS485的方式连接到服务器上，组态和PLC的变量关联。数据传输的具体过程为PLC把仪表采集的信号进行A/D转换后传给上位机后，采集的仪表信号通过OPC服务实时采集至OPC客户端；其次，软测量检测软件中的数据分发模块实时读取OPC客户端的数据并把其分发至：①出水透水率软测量模 型，作为模糊神经网络的输入数据；②PC机硬盘的某路径下，形成数据文件，实现采集数据的实时存储，方便以后的查询工作。

本发明使用软件行业中的构件技术把出水透水率软测量模型封装为功能模块，通过软测量模型的设计和仪表硬件及通讯设计，将出水透水率软测量模型嵌入至智能检测***中，经过信息传输将预测结果至前台人机交互界面，实现出水透水率智能检测***设计，从而实现出水透水率的实时在线检测。

表2软测量模型测试数据

Claims (2)

1.膜生物反应器-MBR出水透水率的智能检测方法，其特点在于，包括以下步骤：

(1)确定目标变量和特征变量；以膜生物反应器-MBR污水处理***为研究对象，对水质数据进行特征分析，提取产水流量、产水压力、单池膜擦洗气量、厌氧区ORP和好氧区硝酸盐作为特征变量，以出水透水率作为目标变量；

(2)建立出水透水率软测量模型；利用模糊神经网络设计MBR处理污水过程中预测出水透水率的软测量模型，出水透水率软测量模型的拓扑结构分为四层：输入层、RBF层、归一化层、输出层；拓扑结构为5-R-R-1的连接方式，输入层与RBF层之间的连接权值为1，归一化层与输出层之间的连接权值随机赋值，赋值区间[-1,1]，模糊神经网络的期望输出表示为y_d(t)，实际输出表示为y(t)；基于模糊神经网络的出水透水率的软测量方法计算依次为：

①输入层：该层由5个神经元组成，其输出为，

x(t)＝[x₁(t),x₂(t),…,x₅(t)]^T (1)

其中，x(t)表示t时刻输入层的输出，x₁(t)表示t时刻产水流量的值、x₂(t)表示t时刻产水压力的值、x₃(t)表示t时刻单池膜擦洗气量的值、x₄(t)表示t时刻厌氧区ORP的值、x₅(t)表示t时刻好氧区硝酸盐的值；

②RBF层：该层由R个神经元组成，每个神经元的输出为，

其中是t时刻RBF层第j个神经元的输出，c_j(t)为t时刻第j个RBF层神经元的中心向量，c_j(t)＝[c_1j(t),c_2j(t),…,c_ij(t)]，i＝1,2，…5，c_ij(t)表示RBF层t时刻第j个神经元中心值的第i个元素，为t时刻第j个RBF层神经元的宽度向量，d_ij(t)表示RBF层t时刻第j个神经元宽度值的第i个元素；

③归一化层：该层的神经元个数和RBF层相同，为R个，每个神经元的输出为，

其中v_j(t)是t时刻归一化层第j个神经元的输出，是t时刻RBF层第j个神经元的输出，为RBF输出之和；

④输出层：输出层输出为出水透水率软测量模型的实际输出，

$y\left(t\right)={\mathrm{\&Sigma;}}_{j=1}^R{w}_j\left(t\right)v_j\left(t\right)---\left(4\right)$

y(t)是t时刻输出神经元的输出，w_j(t)表示t时刻归一化层第j个神经元与输出神经元之间的权值，定义模糊神经网络软测量模型输出y(t)与期望输出y_d(t)的误差函数e(t)为：

e(t)＝y_d(t)-y(t) (5)

(3)MBR出水透水率软测量模型校正，过程如下：

①给定神经网络RBF层与规则层神经元个数R，R为自然数，R通过经验法确定，出水透水率的软测量模型的训练输入为x(1)，x(2)，…，x(t)，…，x(N)，对应的期望输出y_d(1)，y_d(2)，…，y_d(t)，…，y_d(N)，软测量模型的训练样本为N组，期望误差设为E_d，迭代步数设为s，计算代价函数值E(t)，定义停止标准，当E(t)<E_d，令t＝0；

定义网络的代价函数E(t)，

$E\left(t\right)=\underset{t=1}{\overset{N}{\mathrm{\&Sigma;}}}{e}^T\left(t\right)\&times;e\left(t\right)---\left(6\right)$

②设置学习步数s＝s+1；计算出水透水率智能特征模型输出y(t)，误差e(t)，计算向量J(t)，其中，

$J\left(t\right)=\&lsqb;\frac{\&part;e\left(t\right)}{\&part;w_1\left(t\right)}...\frac{\&part;e\left(t\right)}{\&part;w_j\left(t\right)},\frac{\&part;e\left(t\right)}{\&part;c_{11}\left(t\right)}...\frac{\&part;e\left(t\right)}{\&part;c_{ij}\left(t\right)},\frac{\&part;e\left(t\right)}{\&part;d_{11}\left(t\right)}...\frac{\&part;e\left(t\right)}{\&part;d_{ij}\left(t\right)}\&rsqb;---\left(7\right)$

拟海瑟矩阵Q(t)计算公式为，

Q(t)＝J^T(t)J(t) (8)

梯度向量g(t)计算公式为，

g(t)＝J^T(t)e(t) (9)

其中，误差关于各个参数的偏导数计算如下；

计算误差关于中心的偏导数

$\frac{\&part;e\left(t\right)}{\&part;c_{ij}\left(t\right)}=-\frac{2w_j\left(t\right)\&times;v_i\left(t\right)\&times;\&lsqb;x_i\left(t\right)-c_{ij}\left(t\right)\&rsqb;}{d_{ij}\left(t\right)}---\left(10\right)$

计算误差关于宽度的偏导数

$\frac{\&part;e\left(t\right)}{\&part;d_{ij}\left(t\right)}=-\frac{w_j\left(t\right)\&times;v_i\left(t\right)\&times;\left|\right|x_i\left(t\right)-c_{ij}\left(t\right)|{|}^2}{d_{ij}^2\left(t\right)}---\left(11\right)$

计算误差关于权值的偏导数

$\frac{\&part;e\left(t\right)}{\&part;w_j\left(t\right)}=-v_j\left(t\right),---\left(12\right)$

③采用自适应二阶算法更新模糊神经网络的参数，

Δ(t+1)＝Δ(t)+(Q(t)+λ(t)I)^-1g(t) (13)

其中，Δ＝[w₁(t)，…w_R(t)，c₁₁(t)，…c₅₁(t)，…，c_1j(t)，…c_5j(t)，…c_1R(t)，…c_5R(t)，d₁₁(t)，…d₅₁(t)…，d_1j(t)，…d_5j(t)，…d_1R(t)，…d_5R(t)]，w_j(t)表示t时刻归一化层第j个神经元与输出神经元之间的权值，c_ij(t)是RBF层的中心，d_ij(t)是RBF层的宽度；

其中，自适应学习率λ(t)为，

λ(t)＝θ||e(t)||+(1-θ)||g(t)|| (14)

0<θ<1是实参数，e(t)是误差向量；

④计算代价函数E(t)，当满足精度E(t)<E_d，迭代停止，否则跳转到步骤②；

将测试样本数据作为训练后的模糊神经网络的输入，模糊神经网络的输出即为膜出水透水率的软测量值。

2.一种基于模糊神经网络的膜生物反应器-MBR出水透水率的智能检测方法，其特征在于，

硬件平台包括沉砂池、污水调节池、生化反应池和生物膜池；采集仪表包括流量仪、ORP检测仪、硝酸盐检测仪、压力器；

在处理污水过程中，采取运行7分钟停止1分钟的工作模式，采集开始后的3到5分钟数据采集的数据通过现场总线传至上位机中；上位机上安装相应的基于OPC标准的组态软件，PLC以总线RS485的方式连接到服务器上，组态和PLC的变量关联；数据传输的具体过程为PLC把仪表采集的信号进行A/D转换后传给上位机后，采集的仪表信号通过OPC服务实时采集至OPC客户端。