污水生物处理MSBR工艺的模糊神经网络模拟控制

污水生物处理MSBR工艺的模糊神经网络模拟控制摘要：MSBR工艺是当前的优选污水处理工艺。MSBR工艺配有先进自动控制系统是其成功的关键。模糊神经网络模拟控制将是MSBR工艺控制的一个新发展。用ANFIS模拟污水生物处理MSBR工艺，当训练样本数据在100组以上时，模拟效果较好。应用模糊神经网络对MSBR工艺可以实现对曝气量、运行周期的优化控制。关键词：污水生物处理；MSBR；模糊神经网络；模拟；控制SimulationandControlofSewageBio-treatmentSystemWithMSBRProcessUsingFuzzy-NeuralNetworkAbstract:MSBRprocessisthepreferencesewagebio-treatmentprocesscurrently.ThekeyofMSBRprocess`successisthatithasadvancedautocontrolsystem.UsingfuzzyneuralsimulationcontrolsystemisanewprogressofMSBRprocesscontrol.Whenthetrainingsampledataaremorethan100groups,thesimulationresultisgood.Theaerationamount,runningperiodofMSBRprocesscanbeoptimizedusingfuzzyneuralnetwork.Keywords：wastewaterbio-treatment,MSBR,fuzzyneuralnetwork,ANFIS,simulation,controlMSBR(ModifiedSequencingBatchReactor)——改良式序列间歇反应器，是C.Q.Yang等人根据SBR技术特点[1-4]，结合传统活性污泥法技术，研究开发的一种更为理想的污水处理系统。国内同济大学顾国维教授课题组经过多年的研究，综合了Bardenpho，A2/O，氧化沟及CAST等除磷脱氮工艺的特点，开发出了MSBR工艺，并在多个污水处理厂成功应用，系统在实际运行中显示出了良好的处理能力和运行稳定性[5]。MSBR既不需要初沉池和二沉池，又能在反应器全充满并在恒定液位下连续进水运行，采用单池多格方式，结合了传统活性污泥法和SBR技术的优点。MSBR工艺在目前被认为是最新、集约化程度最高、同时具有生物脱氮除磷功能的优选污水处理工艺。从系统的可靠性、土建工程量、总装机容量、节能、降低运行成本和节约用地等方面看，均具优势[6]。国内外均有污水处理厂成功应用MSBR工艺，如加拿大Saskatchewan的Estevan污水处理厂、韩国汉城污水处理厂、中国深圳的盐田污水处理厂、江苏无锡开发区污水处理厂、上海松江污水处理厂等。研究及生产性应用证明MSBR法是一种经济有效、运行可靠的污水处理工艺。MSBR工艺配有的先进自动控制系统是其成功的关键因素。由于MSBR工艺是专利技术，国外未见有关的详细报道。国内这方面在许多实际控制工程中难以达到理想的目标，影响了系统的运行，由此应进一步着力于污水处理系统的过程控制技术研究。1MSBR工艺的模糊神经网络模拟控制我国污水处理专家对MSBR工艺的基本原理、工艺流程都比较熟悉，污水处理工程设计方面也有坚实的基础和丰富的经验，但在运行管理与自动控制方面却存在着很多不足。与国外发达国家相比，我国城市污水处理厂的单位耗电量很大，运行管理人员数目很多，使得污水处理成本很高，不能充分发挥MSBR工艺的优势。MSBR工艺系统各格互联、交替操作，且可以通过选择、组合与取舍操作步骤、调整各操作步骤时间来控制其比较复杂的运行过程。此外，如果进水水质变化，MSBR工艺的运行过程更具有非线性、时变性与模糊性的特点，难于用数学模型根据传统控制理论进行有效控制，一些传统控制理论显出局限性[7-10]。对MSBR这样复杂的工艺系统进行智能控制，将能得到其它控制方式难以实现的令人满意的控制效果。因此，为了实现系统的各操作过程具有适应性和最优控制，应进行MSBR运行过程智能化控制的研究。将处理知识模糊性的模糊逻辑控制和具备自学习的人工神经网络结合起来的模糊神经网络模拟控制将是MSBR工艺系统实时控制的一个新发展[11]。模糊神经网络的研究与应用在许多领域都取得了可喜的成果，而在污水中的研究还处于初级阶段，应用还很少。现在，对于污水处理系统的模糊神经网络控制的研究在国内外非常活跃，已成为该领域的一个研究热点和前沿课题[12-23]，显示出广阔的前景，但还未见有关模糊神经网络控制应用于MSBR工艺系统的研究。2污水生物处理MSBR工艺的模糊神经网络模拟模糊推理系统广泛用于模糊控制，神经网络具有自适应自学习的功能，自适应神经模糊推理系统(AdaptiveNeuralNetworkBasedFuzzyInferentialSystem，ANFIS)是将模糊推理系统与神经网络相结合的模糊神经网络，ANFIS充分利用两者的优良特性。下面通过构建ANFIS模型对污水生物处理的MSBR工艺进行模拟。2.1污水厂概况某污水处理厂采用MSBR工艺，设计规模为12.0×104m3/d，共三组，单组设计规模4.0×104m3/d，此处取一组的运行数据进行模拟。一组MSBR池各单元水力停留时间、容积如表1示。表1MSBR各单元水力停留时间、容积Table1HRTandvolumeofMSBRunits单元容积（m3）水力停留时间（hhr）序批池Ⅰ50333.02泥水分离池10150.61厌氧池B10940.65厌氧池A16470.99缺氧池13670.82主曝气池86705.20序批池Ⅱ50333.02合计2385914.312.2ANFIS模型的构建输入参数n：选择进水中的主要水质参数CODcr、NH3-N、TN、TP共4个,n=4。输出参数：ANFIS模型中只能有一个输出参数，分别选择出水中反映处理效果的最主要水质指标CODcr、NH3-N构建两个模型。模糊推理系统－FIS类型：模糊推理系统－FIS类型为Sugeno型。ANFIS输入参数的隶属函数数目：每个输入参数用三个隶属函数表述，隶属函数采用钟型函数－gbellmf；ANFIS输出参数采用线型函数－linear。ANFIS结构示意如图1示。图1ANFIS结构示意Fig.1StructureoftheANFIS2.3ANFIS模型的模拟预测结果ANFIS模型对出水CODcr的模拟预测结果如图2示。ANFIS模型对出水CODcr预测的平均误差：0.024034×50＝1.2mg/l；最大误差：0.09×50＝4.5mg/l。图2ANFIS的模拟结果（CODcr）Fig.2SimulationresultoftheANFIS（CODcr）ANFIS模型对出水NH3-N的模拟预测结果如图3示。图3对ANFIS的模拟结果(NH3-N)Fig.3SimulationresultoftheANFIS(NH3-N)对出水NH3-N预测的平均误差：0.021314×24＝0.5mg/l；最大误差：0.05×24＝1.2mg/l。模拟结果表明，构建ANFIS模型模拟污水生物处理MSBR工艺，当训练样本数据在100组以上时，模拟效果较好。3污水生物处理MSBR工艺的模糊神经网络控制根据对MSBR工艺的分析及初步的研究，应用模糊神经网络对MSBR工艺可以实现曝气量和运行周期的优化控制。3.1对曝气池中溶解氧的实时预测和对曝气量的优化控制溶解氧是污水生物去除有机物和脱氮过程微生物所必须的重要条件，一般认为硝化过程中的溶解氧应该大于2.0mg/l。随着曝气量的增加，反应器内的溶解氧浓度会相应提高，硝化速率也会不断增大。但当曝气量过大时，硝化过程中的DO浓度过高，这不仅浪费能量，而且会使得在硝化结束时，溶解氧上升速度的加快或跃升的现象越来越不明显，且过量曝气会影响缺氧池的缺氧状态。曝气量过低，则不能为碳氧化、硝化过程提供足够的溶解氧，不能达到处理目的。因此，合理有效地控制反应过程的曝气量具有非常重要的现实意义。建立预测溶解氧浓度的ANFIS模型，用实验中得到的多组进水水量、水质（COD、NH3-N、TN、TP）与自动检测的不同单元内DO数据作为该模型的训练样本训练ANFIS模型，得到可实时预测MSBR工艺过程曝气池中溶解氧浓度的ANFIS模型。建立前馈控制系统，根据ANFIS模型对单元内的溶解氧浓度的预测值与实际检测值的差调整曝气装置，实现对曝气量的优化控制。经ANFIS预测模型优化控制的曝气池曝气量曲线如图4所示。图4经优化的曝气量Fig.4Optimizedaeration经优化的曝气量平均为718.44mg/l/d。实际工程中采用定量控制，要保证曝气池内的需氧量，曝气量最低应为1400mg/l/d，则采用优化控制的曝气量比采用定量控制的曝气量少近50％。当然，节省曝气量的多少和污水处理工艺、设计参数、污水厂运行情况、当地的出水标准、曝气系统都有关系。3.2对MSBR工艺运行周期的优化控制MSBR工艺的运行可根据进水水质和对出水水质的要求分为脱氮运行和脱氮除磷运行。建立预测出水水质的ANFIS模型，用实验中得到的多组自动检测的不同单元内DO、ORP、pH值与出水水质（COD、NH3-N、TN）数据作为该模型的训练样本训练ANFIS模型，得到可实时预测MSBR工艺过程出水水质的ANFIS模型。建立反馈控制系统，根据ANFIS模型对出水水质的预测值与实际检测值的差以及DO、ORP、pH的变化规律，调整运行周期，实现对MSBR工艺脱氮过程运行周期的优化控制。建立预测出水水质的ANFIS模型，用实验中得到的多组自动检测的不同单元内DO、ORP、pH值与出水水质（COD、NH3-N、TN、TP）数据作为该模型的训练样本训练ANFIS模型，得到可实时预测MSBR工艺过程出水水质的ANFIS模型。建立反馈控制系统，根据ANFIS模型对出水水质的预测值与实际检测值的差以及DO、ORP、pH的变化规律，调整运行周期，实现对MSBR工艺脱氮除磷过程运行周期的优化控制。对MSBR工艺运行周期的优化控制有待于进一步试验研究。4结语MSBR工艺系统的成功应用有赖于系统采用稳定可靠的自动控制系统。研究开发出可用于实际污水厂的MSBR工艺模糊神经网络控制系统可以稳定出水水质，节省能耗，提高自控和管理水平，具有重要的理论意义和实用价值。在我国，随着更多数量的污水处理厂采用MSBR工艺，自动控制方面的不足突显出来，MSBR工艺处理城市污水的模糊神经网络模拟控制具有广阔的应用前景。参考文献：ChesterQ.Yang.Amodifiedsequencingbatchreactoractivatedsludgewastewatertreatmentsystem.[D].USA.MS.UniversityofKansas.1989.1-349KetchumL.H.etal.Firstcostanalysisofsequencingbatchbiologicalreactor.JWPCF,1979,51(2)AroraM.L.Etal:Technologyevaluationofsequencingbatchreactor,JWPCF,1985,57(8)NgWun-JernSequencingbatchreactor(SBR)treatmentofwastewater.Environmentalsanitationreviews,1989,28(9)任洁、顾国维，MSBR系统的特点及其除磷脱氮的机理分析，给水排水，2002，28(1)，22-24岳强、邹小玲、缪应祺，SBR技术的发展及应用，污染防治技术，2003，16(4)，35-38刘建勇、周雪飞、薛罡、顾国维，智能控制在污水处理中的应用现状及展望，中国给水排水，2002，18(11)，22-25刘建勇、顾国维，用ANFIS模型实时预测曝气池溶解氧浓度，上海环境科学，2003，22(增刊2)，44-47刘建勇、顾国维，利用神经网络动态模拟污水生物脱氮除磷过程，中国给水排水，2003，19(11)，4-7刘建勇、薛罡、顾国维，神经网络在污水处理自动控制中所起的作用，给水排水，2003，29(7)，85-88刘建勇、薛罡、刘中平、周雪飞、顾国维，污水处理过程的模糊神经网络控制，工业水处理，2003，23(5)，9-11L.Luccatinietal.，Softsensorsforcontrolofnitrogenandphosphorusremovalfromwastewatersbyneuralnetworks,Wat.Sic.Tech.,2002,45(4-5),101-107Yi-MingKuo,Chen-WuingLiu,Kao-HungLin,EvaluationoftheabilityofanartificialneuralnetworkmodeltoassessthevariationofgroundwaterqualityinanareaofBlackfootdiseaseinTaiwan，WaterResearch，2004,38(1),148-158G.M.Zeng,X.S.Qin,L.He,G.H.Huang,H.L.Liu,Y.P.Lin,Aneuralnetworkpredictivecontrolsystemforpapermillwastewatertreatment,EngineeringApplicationsofArtificialIntelligence,2003,16(2),121–129W.C.Chen,Ni-BinChang,Jeng-ChungChen,Roughset-basedhybridfuzzy-neuralcontrollerdesignforindustrialwastewatertreatment,WaterResearch,2003,37(1),95–107BunchingivBazartseren,GeraldHildebrandt,K.P.Holz,Short-termwaterlevelpredictionusingneuralnetworksandneural-fuzzyapproach,Neurocomputing,2003,55(3-4),439–450Yoon-SeokTimothyHonga,MichaelR.Rosen,RaoBhamidimarri,Analysisofamunicipalwastewatertreatmentplantusinganeuralnetwork-basedpatternanalysis,WaterResearch,2003,37(7),1608–1618高大文、彭永臻、王淑莹、高景峰，污水处理智能控制的研究、应用与