CN111204867B - 膜生物反应器-mbr膜污染智能决策方法 - Google Patents
膜生物反应器-mbr膜污染智能决策方法 Download PDFInfo
- Publication number
- CN111204867B CN111204867B CN202010154288.3A CN202010154288A CN111204867B CN 111204867 B CN111204867 B CN 111204867B CN 202010154288 A CN202010154288 A CN 202010154288A CN 111204867 B CN111204867 B CN 111204867B
- Authority
- CN
- China
- Prior art keywords
- data
- membrane
- hidden layer
- value
- water
- 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.)
- Active
Links
- 239000012528 membrane Substances 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 63
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 91
- 230000008569 process Effects 0.000 claims abstract description 41
- 230000035699 permeability Effects 0.000 claims abstract description 33
- 239000010865 sewage Substances 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 34
- 238000004519 manufacturing process Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000005273 aeration Methods 0.000 claims description 14
- 239000010802 sludge Substances 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 11
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 10
- 239000001301 oxygen Substances 0.000 claims description 10
- 229910052760 oxygen Inorganic materials 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 5
- 230000001965 increasing effect Effects 0.000 claims description 5
- 238000009285 membrane fouling Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000033116 oxidation-reduction process Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 229910002651 NO3 Inorganic materials 0.000 claims description 2
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000002087 whitening effect Effects 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004065 wastewater treatment Methods 0.000 description 2
- 241000170793 Phalaris canariensis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000008234 soft water Substances 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/30—Aerobic and anaerobic processes
- C02F3/301—Aerobic and anaerobic treatment in the same reactor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2203/00—Apparatus and plants for the biological treatment of water, waste water or sewage
- C02F2203/006—Apparatus and plants for the biological treatment of water, waste water or sewage details of construction, e.g. specially adapted seals, modules, connections
-
- 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
- C02F2209/03—Pressure
-
- 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
- C02F2209/04—Oxidation reduction potential [ORP]
-
- 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
- C02F2209/08—Chemical Oxygen Demand [COD]; Biological Oxygen Demand [BOD]
-
- 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
- C02F2209/11—Turbidity
-
- 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
- C02F2209/15—N03-N
-
- 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
- C02F2209/22—O2
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Water Supply & Treatment (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Biodiversity & Conservation Biology (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Microbiology (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Separation Using Semi-Permeable Membranes (AREA)
- Activated Sludge Processes (AREA)
Abstract
膜生物反应器‑MBR膜污染智能决策方法属于污水处理水质参数在线预警领域。首先，深入分析膜污染机理，构建了基于深度信念网络的膜污染预测模型，实现膜透水率的精准预测；其次，利用透水率预测值和相关参数变量的融合，基于膜污染的综合评价，实现对膜污染的智能预警；其次，基于膜污染的主要因素，建立基于数据和知识的智能决策模型，为操作人员提供决策支持，减轻膜污染造成的危害，降低了膜污染的发生率，保障MBR污水处理过程安全，促进MBR污水处理厂高效稳定运行。
Description
技术领域
本发明属于污水处理水质参数在线预警领域，首次搭建了针对膜生物反 应器-MBR膜污染的智能预警***。在MBR膜污水处理过程真实运行数据的 基础上，通过特征分析方法提取MBR膜透水率的特征变量，利用深度心信念 网络建立其软测量模型，来预测MBR膜污水处理过程中难以直接测量的膜透 水率；利用透水率预测值，结合水厂其它可采集的过程变量，建立膜污染综 合评价模型，确定膜污染的主要因素，实现了膜污染智能预警；基于数据和 知识驱动，建立智能决策模型，实现膜污染准确识别，降低膜污染的发生率， 提高了膜的污水处理性能。
背景技术
MBR是由膜分离技术与生物处理技术相结合的新型污水处理工艺，具有 固液分离效果好、污泥负荷低，占地面积小等显著优势，十分具有发展潜力。 然而，膜污染成为MBR污水处理工艺的一个瓶颈问题，会导致出水水质下降 和运行成本的上升，甚至会造成污水处理过程的崩溃。目前，解决膜污染问 题的主要方式是对膜进行定时的清洗和替换。在实际的污水处理过程中，膜 的清洗和更换并不存在一个严格、客观、量化的标准，主要根据人为经验进 行。然而，频繁的清洗会导致膜丝的断裂和腐蚀，造成膜寿命减少，增加生 产能耗和运行成本，大大制约了MBR的推广应用。因此，准确识别膜污染， 降低膜污染的发生率，成为确保MBR平稳运行，推广MBR技术的关键所在。 但是，MBR污水处理过程复杂，难以直接建模，其污染状况的监测是当前控 制领域的难题。当前已建成并投入运行的膜污水处理厂尚无有效的预警决策 ***，来实现膜污水处理过程智能预警决策。因此，研究新的决策技术解决 污水处理过程中膜污染问题，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。
本发明涉及了一种膜生物反应器-MBR膜污染智能决策方法，该***利用 特征分析方法提取特征变量并基于深度信念网络建立了膜透水率的软测量模 型，实现膜处理污水过程中透水率准确的预测，利用透水率预测值，结合水 厂其它可采集的过程变量，建立膜污染综合评价模型，但国内外针对膜污染 的智能决策***，尚未形成完整的理论体系，基于智能方法搭建包括软、硬 件平台在内的MBR膜污染智能决策方法，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
膜生物反应器-MBR膜污染智能决策方法，包括运行过程数据采集、运行 过程数据预处理、膜污染智能预测、以及膜污染智能决策，具体包括以下步 骤：
(1)运行过程数据采集：以MBR膜处理***为研究对象，通过安装在工 艺现场的采集仪表采集运行过程数据，包括：进水化学需氧量、进水酸碱度、 进水生物需氧量、出水化学需氧量、出水酸碱度、出水生物需氧量、厌氧区 氧化还原电位、缺氧区氧化还原电位、好氧区硝酸盐、好氧区溶解氧、产水 压力、产水浊度、产水流量、污泥浓度、曝气量，实现数据的采集；仪表采 集的数据通过通讯协议传输到可编程逻辑控制器，可编程逻辑控制器通过通 信协议将运行过程数据传输到上位机，上位机中的数据通过局域网传输到数 据处理服务器；
(2)运行过程数据预处理：以膜池运行数据为研究对象，利用偏最小二乘 法建立特征分析模型，获得5个主成分变量，分别为：产水压力、产水浊度、 产水流量、污泥浓度、曝气量，5个主成分变量作为膜污染智能预测模型块的 输入变量；透水率作为膜污染智能预测模块的输出变量；
(3)膜污染智能预测：膜污染智能预测实现透水率预测，其中：透水率由 深度信念网络-DBN预测获得，DBN由1个输入层，2个隐含层，1个输出层 构成，输入层神经元为5个，每层隐含层神经元为M个，M为大于2且小于 30的正整数，输出层神经元为1个，即连接方式为5-M-M-1；n组数据作为 软测量模型的训练样本；第t时刻DBN输入为x(t)＝[x1(t),…,x5(t)]，x1(t)表示t时刻产水压力的值、x2(t)表示t时刻产水浊度的值、x3(t)表示t时刻产水流量 的值、x4(t)表示t时刻污泥浓度的值、x5(t)表示t时刻曝气量的值，基于DBN 预测透水率的软测量模型计算方式依次为：
①输入层：h0(t)＝x(t)
(1)
②第一隐含层：
③第二隐含层：
④输出层：
其中，h0(t)表示t时刻输入层的输出向量，h1(t)表示t时刻第一隐含层的输 出向量，h2(t)表示t时刻第二隐含层的输出向量，w0,1(t)表示t时刻输入层与第一 隐含层之间的权值向量，w1,2(t)表示t时刻第一隐含层与第二隐含层之间的权值 向量，w2,3(t)表示t时刻第二隐含层与输出层之间的权值向量，b1(t)表示t时刻 第一隐含层的偏置向量，b2(t)表示t时刻第二隐含层的偏置向量，y(t)表示t时 刻DBN的实际输出；
DBN训练分为两个过程：无监督预训练和有监督权值微调；设置每层预 训练的迭代次数为100，反向传播算法的迭代次数为1000次，期望误差为0.01， 初始权值和偏置设置为0.01；具体训练步骤如下：
①无监督预训练：通过对比散度算法得到参数的更新规则为：
其中，w0,1(t+1)是t+1时刻输入层与第一隐含层之间的权值向量，w1,2(t+1)是t+1时刻第一隐含层与第二隐含层之间的权值向量，b1(t+1)是t+1时刻第一隐含 层的偏置向量，b2(t+1)是t+1时刻第二隐含层的偏置向量，Edata是训练数据的 期望，Emodel是模型定义的期望，μw1∈(0,0.02)是输入层与第一隐含层连接权值 的学习率，μw2∈(0,0.02)是第一隐含层与第二隐含层连接权值的学习率，μb1∈(0,0.01)是第一隐含层的学习率，μb2∈(0,0.01)是第二隐含层的学习率；
②反向传播算法调整权值：逐层训练获得了DBN的参数初始值，之后通 过反向传播算法微调权值获得更好的模型效果，采用误差反向传播方法调整 权值为：
其中，w2,3(t+1)是t+1时刻第二隐含层与输出层之间的权值向量，yd(t)是t 时刻DBN的期望输出，ηout∈(0,3)是第二隐含层与输出层之间的权值学习率， η2∈(0,3)是第一隐含层和第二隐含层之间的权值学习率，η1∈(0,3)是输入层 与第一隐含层之间的权值学习率；
(4)膜污染智能决策：膜污染智能决策是利用透水率预测值，结合其它膜 污染相关变量，建立膜污染综合评价模型，针对膜污染提供决策，过程如下：
1)确定膜污染评价指标，u＝{u1,u2,u3,u4,u5,u6}，u1是产水流量的值、u2是产水压力的值、u3是产水浊度的值、u4是污泥浓度的值、u5是曝气量的值 和u6是透水率的预测值；
2)建立监控统计量，过程变量为u∈R6×n，其中6为变量维数，n为样本 个数；对膜污染评价矩阵u进行独立成分和主成分分解：
u＝As+PtT+fT (7)
其中，A∈R6×r为混合矩阵，s∈Rr×n为独立矩阵，t∈Rn×k为主元得分矩 阵，负载矩阵P∈R6×k，f∈Rn×6为最终残差矩阵，r表示独立元个数，k为选 取的主元个数；为了估计A和s，需要求取解混矩阵W获得重构信号
是源信号的估计值，对u进行白化处理求取得分向量：
Z＝Λ-1/2HTu＝Bs (8)
其中，Λ是包含所有特征值的对角阵，H是相应的特征向量矩阵且单位 正交，B是单位正交矩阵；解混矩阵为：
W＝BTΛ-1/2HT (9)
原始数据经过独立成分和主成分分解后，得到独立成分矩阵和主元得分 矩阵，建立I2和T2统计量，对残差信息建立SPE统计量；独立成分向量为sl＝[s1l, s2l,…,srl]T∈Rr×1和主元得分向量tl＝[tl1,tl2,…,tlk]T∈Rk×1，残差向量fl＝[fl1, fl2,…,fl6]T∈R6×1，l＝1,2,…,n(n为样本个数)；建立I2、T2和SPE统计量如下：
其中
为SPE统计量的控制限，
λj(j＝1,2,..,k)为各个主元分量协方差矩阵对 应的特征值，k为主元个数，Fk.(n-k),α是置信度为α，自由度为k和(n-k)的F分 布的上限值；cα对应于正态分布在置信度α下的下限值，采用核密度估计方 法确定I2统计量的控制限，基于F分布确定T2统计量的控制限；
3)智能决策：在线获得t时刻的膜污染评价指标u(t)，当监测t时刻的统 计量I2、T2和SPE是超过控制限，确定膜污染发生；为了确定膜污染的主要 因素，针对确定因素采取措施，建立基于核函数的多分类器进行膜污染因素 的区分，主要包括：①产水流量达到峰值460m3/h，②产水压力低于20kp，③ 曝气量低于2400m3/h，④污泥浓度大于13000mg/l，⑤产水压力低于20kp且 透水率低于30LMH/bar，⑥产水压力低于20kp和透水率低于60LMH/bar，产 水浊度大于5NUT；将6个二值分类器组合成一个多分类器，对于第一个二值 分类器，将不属于第一类的数据标签为-1，属于第一类的数据标签为+1，对于 第二个二值分类器，将不属于第二类的数据标签为-1，属于第二类的数据标签 为+1，对于第三个二值分类器，将不属于第三类的数据标签为-1，属于第三类 的数据标签为+1，对于第四个二值分类器，将不属于第四类的数据标签为-1， 属于第四类的数据标签为+1，对于第五个二值分类器，将不属于第五类的数 据标签为-1，属于第五类的数据标签为+1，对于第六个二值分类器，将不属于 第六类的数据标签为-1，属于第六类的数据标签为+1，第q个分类器(q＝1,2,…,6)优化目标函数为：
其中,C∈(0,5)为惩罚系数，wq为第q个分类器的连接权值，T为转置符 号，ξp q为第q个分类器的第p个数据样本的松弛变量，bq为第q个分类器的 偏置，
为高斯核函数，σ∈(0,1)为核函数的宽度，up q分别 为第q个分类器的第p个数据样本,uv q为第q个分类器的第v个数据样本 (v＝1,2,…,n)，yp为第p个样本的类别；引入拉格朗日乘子，优化问题转化为：
参数更新：
其中，yv为第v个样本的类别，αp为第p个数据样本的格朗日乘子，αv为第v个数据样本的拉格朗日乘子，对于评价指标u，决策函数为:
f(u)＝sgn(αpypK(u,up q)+bq) (15)
其中，sgn表示符号函数，输入为正时，输出为1，输入为负时，输出 为-1；通过将待测样本输入到这个决策函数可得到输出值，取得最大值的 函数对应的类别即为待测样本所属类别；6类对应操作建议包括：①该状 态下运行不宜超过4h，降低产水量至260m3/h以下，②降低膜池产水量至 260m3/h，控制跨膜压差小于40kPa，③增大曝气至3000m3/h，④控制膜池 污泥浓度8000-12000mg/L，⑤调整运行参数，降低产水量至260m3/h，或 增大曝气量至5000m3/h以上，⑥在24h内开展在线物理清洗和在线化学清 洗；将训练好的决策模型用于污水处理过程，对于故障数据，模型进行特 征匹配，输出故障类别，对应故障类别进行操作建议，为生产过程提供决 策支持。
附图说明
图1为深度信念网络结构图；
图2为出水透水率软测量模型10步预测结果图，其中黑线带圈为透水率 实际值，黑线带点为深度信念网络软测量模型的预测值；
图3为MBR膜污染预警结果图，图(a)为非高斯统计量I2变化结果，其中 黑线带点为统计量变化曲线，黑线为控制限，图(b)为高斯统计量T2变化结果， 其中黑线带点为统计量变化曲线，黑线为控制限，图(c)为非高斯统计量SPE 变化结果，其中黑线带点为统计量变化曲线，黑线为控制限；
图4为MBR膜污染决策结果图，其中黑色圆圈为决策模型输出，黑色星 号为实际决策建议类别；
图5为MBR膜污染智能预警***数据流向指示图；
具体实施方式
(1)膜污染智能决策***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如图2所示。通过安装在工艺现 场的采集仪表采集运行过程数据；仪表采集的数据通过Modbus通讯协议传输 到PLC，PLC通过RS232通信协议将运行过程数据传输到上位机，上位机中 的数据通过局域网传输到数据处理服务器中；以Browser/Server模式通过Web 服务器向水厂工作管理人员发布运行过程数据，以Client/Server模式显示透水 率的预测及膜污染的预警结果；开发的MBR膜污染智能预警***可实现的主 要功能包括①对膜池运行参数的查询，②在线预测透水率，③对膜污染进行 预警，④针对膜污染进行智能决策。
本发明采用软件行业中的构件技术把膜污染数据预处理模块、膜污染智 能预测模块、膜污染智能预警模块、膜污染智能决策模块封装为功能模块， 增强了模型的复用性，弥补国内外MBR膜污染智能决策技术向实际***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MBR膜污染智能 决策***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警***，***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膜 污染的预警精度。
(2)膜污染智能决策方法研究的具体实施
本发明获得了一种MBR膜污染智能决策方法；其特点在于通过特征分析 获取MBR膜透水率的特征变量，利用深度信念网络建立MBR膜透水率的软 测量模型，实现对MBR膜透水率的智能检测，通过膜透水率的预测值结合水 厂其它可采集的过程变量，建立膜污染综合评价模型，实现了膜污染的识别 和主要因素的辨识，提高了污水处理厂智能化水平，保障污水处理过程正常 运行。
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使用深度信念网络建立软测量模型，基于多步预测策略实现膜透水率的510步预测。 采用实时采集的数据对深度信念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利用透水率的预测值和其他相关采集变量(产水流量、产水压力、曝气量、污泥浓 度)的当前值进行膜污染综合评价，从而判断是否发生膜污染。
④根据膜污染的相关变量，进行膜污染操作决策。
表2软测量模型测试数据
Claims (1)
1.膜生物反应器-MBR膜污染智能决策方法，其特征在于，包括以下步骤：
(1)运行过程数据采集：以MBR膜处理***为研究对象，通过安装在工艺现场的采集仪表采集运行过程数据，包括：进水化学需氧量、进水酸碱度、进水生物需氧量、出水化学需氧量、出水酸碱度、出水生物需氧量、厌氧区氧化还原电位、缺氧区氧化还原电位、好氧区硝酸盐、好氧区溶解氧、产水压力、产水浊度、产水流量、污泥浓度、曝气量，实现数据的采集；仪表采集的数据通过通讯协议传输到可编程逻辑控制器，可编程逻辑控制器通过通信协议将运行过程数据传输到上位机，上位机中的数据通过局域网传输到数据处理服务器；
(2)运行过程数据预处理：以膜池运行数据为研究对象，利用偏最小二乘法建立特征分析模型，获得5个主成分变量，分别为：产水压力、产水浊度、产水流量、污泥浓度、曝气量，5个主成分变量作为膜污染智能预测模型块的输入变量；透水率作为膜污染智能预测模块的输出变量；
(3)膜污染智能预测：膜污染智能预测实现透水率预测，其中：透水率由深度信念网络-DBN预测获得，DBN由1个输入层，2个隐含层，1个输出层构成，输入层神经元为5个，每层隐含层神经元为M个，M为大于2且小于30的正整数，输出层神经元为1个，即连接方式为5-M-M-1；n组数据作为软测量模型的训练样本；第t时刻DBN输入为x(t)＝[x1(t),…,x5(t)]，x1(t)表示t时刻产水压力的值、x2(t)表示t时刻产水浊度的值、x3(t)表示t时刻产水流量的值、x4(t)表示t时刻污泥浓度的值、x5(t)表示t时刻曝气量的值，基于DBN预测透水率的软测量模型计算方式依次为：
①输入层：h0(t)＝x(t) (1)
②第一隐含层：
③第二隐含层：
④输出层：
其中，h0(t)表示t时刻输入层的输出向量，h1(t)表示t时刻第一隐含层的输出向量，h2(t)表示t时刻第二隐含层的输出向量，w0,1(t)表示t时刻输入层与第一隐含层之间的权值向量，w1,2(t)表示t时刻第一隐含层与第二隐含层之间的权值向量，w2,3(t)表示t时刻第二隐含层与输出层之间的权值向量，b1(t)表示t时刻第一隐含层的偏置向量，b2(t)表示t时刻第二隐含层的偏置向量，y(t)表示t时刻DBN的实际输出；
DBN训练分为两个过程：无监督预训练和有监督权值微调；设置每层预训练的迭代次数为100，反向传播算法的迭代次数为1000次，期望误差为0.01，初始权值和偏置设置为0.01；具体训练步骤如下：
①无监督预训练：通过对比散度算法得到参数的更新规则为：
其中，w0,1(t+1)是t+1时刻输入层与第一隐含层之间的权值向量，w1,2(t+1)是t+1时刻第一隐含层与第二隐含层之间的权值向量，b1(t+1)是t+1时刻第一隐含层的偏置向量，b2(t+1)是t+1时刻第二隐含层的偏置向量，Edata是训练数据的期望，Emodel是模型定义的期望，μw1∈(0,0.02)是输入层与第一隐含层连接权值的学习率，μw2∈(0,0.02)是第一隐含层与第二隐含层连接权值的学习率，μb1∈(0,0.01)是第一隐含层的学习率，μb2∈(0,0.01)是第二隐含层的学习率；
②反向传播算法调整权值：逐层训练获得了DBN的参数初始值，之后通过反向传播算法微调权值获得更好的模型效果，采用误差反向传播方法调整权值为：
其中，w2,3(t+1)是t+1时刻第二隐含层与输出层之间的权值向量，yd(t)是t时刻DBN的期望输出，ηout∈(0,3)是第二隐含层与输出层之间的权值学习率，η2∈(0,3)是第一隐含层和第二隐含层之间的权值学习率，η1∈(0,3)是输入层与第一隐含层之间的权值学习率；
(4)膜污染智能决策：膜污染智能决策是利用透水率预测值，结合其它膜污染相关变量，建立膜污染综合评价模型，针对膜污染提供决策，过程如下：
1)确定膜污染评价指标，u＝{u1,u2,u3,u4,u5,u6}，u1是产水流量的值、u2是产水压力的值、u3是产水浊度的值、u4是污泥浓度的值、u5是曝气量的值和u6是透水率的预测值；
2)建立监控统计量，过程变量为u∈R6×n，其中6为变量维数，n为样本个数；对膜污染评价矩阵u进行独立成分和主成分分解：
u＝As+PtT+fT (7)
其中，A∈R6×r为混合矩阵，s∈Rr×n为独立矩阵，t∈Rn×k为主元得分矩阵，负载矩阵P∈R6 ×k，f∈Rn×6为最终残差矩阵，r表示独立元个数，k为选取的主元个数；为了估计A和s，需要求取解混矩阵W获得重构信号
是源信号的估计值，对u进行白化处理求取得分向量：
Z＝Λ-1/2HTu＝Bs (8)
其中，Λ是包含所有特征值的对角阵，H是相应的特征向量矩阵且单位正交，B是单位正交矩阵；解混矩阵为：
W＝BTΛ-1/2HT (9)
原始数据经过独立成分和主成分分解后，得到独立成分矩阵和主元得分矩阵，建立I2和T2统计量，对残差信息建立SPE统计量；独立成分向量为sl＝[s1l,s2l,…,srl]T∈Rr×1和主元得分向量tl＝[tl1,tl2,…,tlk]T∈Rk×1，残差向量fl＝[fl1,fl2,…,fl6]T∈R6×1，l＝1,2,…,n(n为样本个数)；建立I2、T2和SPE统计量如下：
其中
为SPE统计量的控制限，
λj为各个主元分量协方差矩阵对应的特征值，其中j＝1,2,..,k；k为主元个数，Fk.(n-k),α是置信度为α，自由度为k和(n-k)的F分布的上限值；cα对应于正态分布在置信度α下的下限值，采用核密度估计方法确定I2统计量的控制限，基于F分布确定T2统计量的控制限；
3)智能决策：在线获得t时刻的膜污染评价指标u(t)，当监测t时刻的统计量I2、T2和SPE是超过控制限，确定膜污染发生；为了确定膜污染的主要因素，针对确定因素采取措施，建立基于核函数的多分类器进行膜污染因素的区分，主要包括：①产水流量达到峰值460m3/h，②产水压力低于20kPa ，③曝气量低于2400m3/h，④污泥浓度大于13000mg/l，⑤产水压力低于20kPa 且透水率低于30LMH/bar，⑥产水压力低于20kPa 和透水率低于60LMH/bar，产水浊度大于5NUT；将6个二值分类器组合成一个多分类器，对于第一个二值分类器，将不属于第一类的数据标签为-1，属于第一类的数据标签为+1，对于第二个二值分类器，将不属于第二类的数据标签为-1，属于第二类的数据标签为+1，对于第三个二值分类器，将不属于第三类的数据标签为-1，属于第三类的数据标签为+1，对于第四个二值分类器，将不属于第四类的数据标签为-1，属于第四类的数据标签为+1，对于第五个二值分类器，将不属于第五类的数据标签为-1，属于第五类的数据标签为+1，对于第六个二值分类器，将不属于第六类的数据标签为-1，属于第六类的数据标签为+1，第q个分类器(q＝1,2,…,6)优化目标函数为：
其中,C∈(0,5)为惩罚系数，wq为第q个分类器的连接权值，T为转置符号，ξp q为第q个分类器的第p个数据样本的松弛变量，bq为第q个分类器的偏置，
为高斯核函数，σ∈(0,1)为核函数的宽度，up q分别为第q个分类器的第p个数据样本,uv q为第q个分类器的第v个数据样本(v＝1,2,…,n)，yp为第p个样本的类别；引入拉格朗日乘子，优化问题转化为：
参数更新：
其中，yv为第v个样本的类别，αp为第p个数据样本的格朗日乘子，αv为第v个数据样本的拉格朗日乘子，对于评价指标u，决策函数为:
f(u)＝sgn(αpypK(u,up q)+bq) (15)
其中，sgn表示符号函数，输入为正时，输出为1，输入为负时，输出为-1；通过将待测样本输入到这个决策函数可得到输出值，取得最大值的函数对应的类别即为待测样本所属类别；6类对应操作建议包括：①该状态下运行不宜超过4h，降低产水量至260m3/h以下，②降低膜池产水量至260m3/h，控制跨膜压差小于40kPa，③增大曝气至3000m3/h，④控制膜池污泥浓度8000-12000mg/L，⑤调整运行参数，降低产水量至260m3/h，或增大曝气量至5000m3/h以上，⑥在24h内开展在线物理清洗和在线化学清洗；将训练好的决策模型用于污水处理过程，对于故障数据，模型进行特征匹配，输出故障类别，对应故障类别进行操作建议，为生产过程提供决策支持。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2019105495499 | 2019-06-24 | ||
| CN201910549549 | 2019-06-24 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111204867A CN111204867A (zh) | 2020-05-29 |
| CN111204867B true CN111204867B (zh) | 2021-12-10 |
Family
ID=70781469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010154288.3A Active CN111204867B (zh) | 2019-06-24 | 2020-03-07 | 膜生物反应器-mbr膜污染智能决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111204867B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113283481A (zh) * | 2021-05-14 | 2021-08-20 | 群智未来人工智能科技研究院(无锡)有限公司 | 一种基于知识二型模糊的膜污染智能决策方法 |
| CN116738296B (zh) * | 2023-08-14 | 2024-04-02 | 大有期货有限公司 | 机房状况综合智能监控*** |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2753571A1 (en) * | 2009-02-27 | 2010-09-02 | Ortho-Clinical Diagnostics, Inc. | Method for detecting the impending analytical failure of networked diagnostic clinical analyzers |
| CN101944275B (zh) * | 2010-08-26 | 2012-07-04 | 天津市环境保护科学研究院 | 中空纤维设备的膜污染诊断与预警决策方法 |
| US9177550B2 (en) * | 2013-03-06 | 2015-11-03 | Microsoft Technology Licensing, Llc | Conservatively adapting a deep neural network in a recognition system |
| CN104478172B (zh) * | 2014-12-17 | 2017-02-22 | 中国科学院生态环境研究中心 | 有机废水的两相厌氧管式膜生物反应器处理方法与装置 |
| US9984201B2 (en) * | 2015-01-18 | 2018-05-29 | Youhealth Biotech, Limited | Method and system for determining cancer status |
| CN105373110B (zh) * | 2015-12-16 | 2018-06-05 | 浙江中烟工业有限责任公司 | 卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法 |
| CN107909084B (zh) * | 2017-11-15 | 2021-07-13 | 电子科技大学 | 一种基于卷积-线性回归网络的雾霾浓度预测方法 |
| CN109133351A (zh) * | 2018-08-29 | 2019-01-04 | 北京工业大学 | 膜生物反应器-mbr膜污染智能预警方法 |
| CN109325683A (zh) * | 2018-09-19 | 2019-02-12 | 北京城市排水集团有限责任公司 | 一种基于层次分析法的膜性能综合评价方法 |
| CN109062196B (zh) * | 2018-10-31 | 2020-12-15 | 东北大学 | 一种集成pca-ica的高炉过程监测及故障诊断方法 |
| CN109473182B (zh) * | 2018-11-12 | 2021-10-19 | 北京北排科技有限公司 | 一种基于深度信念网络的mbr膜透水率智能检测方法 |
| US11551136B2 (en) * | 2018-11-14 | 2023-01-10 | Tencent America LLC | N-best softmax smoothing for minimum bayes risk training of attention based sequence-to-sequence models |
| CN112101402B (zh) * | 2020-07-22 | 2024-04-09 | 北京工业大学 | 一种基于知识模糊学习的膜污染预警方法 |
-
2020
- 2020-03-07 CN CN202010154288.3A patent/CN111204867B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111204867A (zh) | 2020-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898215B (zh) | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 | |
| CN109146144B (zh) | 基于改进贝叶斯网络的滑坡灾害预测方法 | |
| CN102854296A (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
| CN109133351A (zh) | 膜生物反应器-mbr膜污染智能预警方法 | |
| CN105510546A (zh) | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 | |
| CN107025338A (zh) | 一种基于递归rbf神经网络的污泥膨胀故障辨识方法 | |
| CN112101402B (zh) | 一种基于知识模糊学习的膜污染预警方法 | |
| CN110320335B (zh) | 一种关于污水处理出水水质指标的多元鲁棒软测量方法 | |
| CN102262147A (zh) | 一种废水处理***出水cod的软测量方法和*** | |
| CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
| CN202075272U (zh) | 一种应用于污水处理的软测量*** | |
| CN103632032A (zh) | 一种城市污水处理过程出水指标在线软测量预测方法 | |
| CN106096730A (zh) | 一种基于递归rbf神经网络的mbr膜透水率的智能检测方法 | |
| CN112417765B (zh) | 一种基于改进师生网络模型的污水处理过程故障检测方法 | |
| Han et al. | Data-driven decision-making for wastewater treatment process | |
| CN109473182A (zh) | 一种基于深度信念网络的mbr膜透水率智能检测方法 | |
| CN111260117A (zh) | 一种基于气象因子的ca-narx水质预测方法 | |
| CN106706491B (zh) | 膜生物反应器-mbr出水透水率的智能检测方法 | |
| Wu et al. | Data-driven intelligent warning method for membrane fouling | |
| US20220267169A1 (en) | Intelligent Detection System of Effluent Total Nitrogen based on Fuzzy Transfer Learning Algorithm | |
| CN117170221A (zh) | 一种污水处理的人工智能控制*** | |
| Baig et al. | Ensemble hybrid machine learning to simulate dye/divalent salt fractionation using a loose nanofiltration membrane | |
| CN106769748B (zh) | 膜生物反应器-mbr出水透水率的智能检测*** | |
| Zhang et al. | Effluent Quality Prediction of Wastewater Treatment System Based on Small-world ANN. | |
| CN114861543A (zh) | 一种数据驱动的石化污水可生化性智能评价方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |