膜生物反应器-MBR膜污染智能预警方法技术

针对MBR污水处理过程中膜污染事件频发、危害巨大等问题，本发明专利技术提出了一种膜生物反应器‑MBR膜污染智能预警方法，实现对膜污染的在线精确预警；该预警方法通过构建递归模糊神经网络软测量模型，实现对透水率的稳定预测；利用透水率预测值和相关参数变量的融合，基于膜污染等级的综合评价，实现对膜污染的智能预警；解决了MBR污水处理过程中膜污染难以预警的问题，提高了对膜污染的预处理能力，减轻膜污染造成的危害，保障MBR污水处理过程安全运行，促进MBR污水处理厂高效稳定运行。

Membrane Bioreactor-MBR Membrane Pollution Intelligent Early Warning Method

In view of the frequent occurrence and great harm of membrane fouling in MBR sewage treatment process, the present invention proposes an intelligent early warning method of membrane bioreactor and MBR membrane fouling, which realizes on-line accurate early warning of membrane fouling; the early warning method realizes stable prediction of permeability by constructing a soft sensing model of recursive fuzzy neural network; and utilizes permeability prediction value and related parameter variables. Intelligent early warning of membrane fouling is realized based on the comprehensive evaluation of membrane fouling grade, which solves the problem of difficult early warning of membrane fouling in MBR sewage treatment process, improves the pretreatment ability of membrane fouling, alleviates the harm caused by membrane fouling, ensures the safe operation of MBR sewage treatment process, and promotes the efficient and stable operation of MBR sewage treatment plant.

【技术实现步骤摘要】
膜生物反应器-MBR膜污染智能预警方法
本专利技术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膜污染的智能预警方法。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，利用递归模糊神经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，建立膜污染等级综合评价模型，获得膜的污染状况，实现了膜污染智能预警，提高了膜的出水水质和使用寿命。
技术介绍
2017年环境保护部发布的《中国环境状况公报》指出：2016年，全国城镇生活污水排放量为510.3亿吨；严重影响人民的健康、生产和生活。因此，污水处理再利用，全力保护水环境，对现有淡水资源实现循环和再利用，是我国政府水资源综合利用的方针。通过对膜处理污水方法进行全面推广，从2011年到现在，我国已有上百个万吨级MBR污水处理厂在全国建造并使用。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，本专利技术具有重大的研究意义和应用价值。MBR污水处理工艺解决了传统活性污泥法处理技术的应用缺陷，把污水再生处理技术提高到了一个新的水平。但是在MBR处理污水过程中，膜污染不可避免。膜污染不仅使曝气量提高，导致产水阻力加大而且造成运行能耗居高不下并使操作变得大大复杂。因此根据MBR膜的污染状态，在膜的污染状态达到一定程度之前，实现对膜组件实时的、客观的清洗或替换很有必要。但是应用MBR处理污水具有多流程、时变、不确定等特点，是一个运行非平稳的系统、难以直接建模，其污染状况的监测是当前自控领域的难题。当前已建成并投入运行的膜污水处理厂尚无有效的监测预警系统，来实现膜污水处理过程智能预警。因此，研究新的预警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。本专利技术涉及了一种膜生物反应器-MBR膜污染智能预警方法，该系统利用特征分析方法提取特征变量并基于递归模糊神经网络建立了膜透水率的软测量模型，可以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，建立膜污染等级综合评价模型，但国内外针对膜污染的智能预警系统，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膜污染智能预警方法，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。
技术实现思路
1.膜生物反应器MBR膜污染智能预警方法，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、以及膜污染智能预警，具体包括以下步骤：(1)运行过程数据采集：通过安装在工艺现场的采集仪表采集运行过程数据，包括：产水流量、产水压力、化学需氧量、pH、生物需氧量、总磷、厌氧区氧化还原电位ORP、缺氧区ORP、好氧区溶解氧、好氧区硝酸盐、单池膜擦洗气量，实现数据的采集；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；(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，提取出5个主成分变量，分别为：产水流量、产水压力、单池膜擦洗气量、厌氧区ORP和好氧区硝酸盐浓度，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：建立透水率软测量模型实现透水率预测，其中：透水率由递归模糊神经网络的多步预测获得，递归模糊神经网络的结构分为四层：输入层、隶属函数层、规则层、输出层；结构为5-M-M-1的连接方式，其中M是正整数，且2<M<30，输入层与隶属函数层之间的连接权值为1，递归模糊神经网络的实际输出表示为y(t)；基于递归模糊神经网络的MBR透水率的预测方法计算为：其中x(t)＝[x1(t)，x2(t)，x3(t)，x4(t)，x5(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，f表示x(t)和y(t)间对应的函数关系，wj(t)表示t时刻规则层第j个神经元与输出神经元之间的权值，βij(t)表示t时刻输入层第i个神经元与隶属函数层第j个神经元之间的权值，βij(t)＝1，mij(t)表示隶属函数层t时刻第j个神经元中心值的第i个元素，σij(t)表示隶属函数层t时刻第j个神经元宽度值的第i个元素，递归模糊神经网络在隶属函数层加入了自反馈连接，θij(t)是隶属函数层的自反馈连接的反馈权重；是隶属函数层的自反馈连接的反馈值，其中：其中，βij(t-1)表示t-1时刻输入层第i个神经元与隶属函数层第j个神经元之间的权值，βij(t-1)＝1，mij(t-1)表示隶属函数层t-1时刻第j个神经元中心值的第i个元素，σij(t-1)表示隶属函数层t-1时刻第j个神经元宽度值的第i个元素，θij(t-1)是隶属函数层的自反馈连接的反馈权重，是隶属函数层的自反馈连接的反馈值；定义递归模糊神经网络的误差为：其中，m是样本数，yd(t)是t时刻递归模糊神经网络的期望输出，y(t)是t时刻递归模糊神经网络的实际输出；模型校正过程具体如下：①给定递归模糊神经网络的初始隐含层神经元个数为M，M为大于2的正整数，递归模糊神经网络的输入为x(1)，x(2)，…，x(t)，…，x(m)，对应的期望输出为yd(1)，yd(2)，…，yd(t)，…，yd(m)，m组数据作为递归模糊神经网络模型的训练样本，期望误差值设为Ed，Ed∈(0,0.01)，初始中心值mj(1)中每个变量的赋值区间为[-2,2]，mj(1)＝(m1j(1)，m2j(1)，…，mij(1))，mij(1)表示初始时刻隶属函数层第j个神经元中心向量的第i个元素；初始中心宽度σj(1)的赋值区间为[0,1]，σj(1)＝(σ1j(1)，σ2j(1)，…，σij(1))，σij(1)表示初始时刻隶属函数层第j个神经元宽度值向量的第i个元素；初始反馈连接权值θij(t)的赋值区间为[0,1]，j＝1，2，…，M；初始权值w(1)中每个变量的赋值区间为[-1，1]，w(1)＝(w1(1)，w2(1)，…，wj(1))，wj(1)表示初始时刻规则层第j个神经元与输出层之间的连接权值；②设置学习步数s＝1；③t＝s，根据公式(1)计算递归模糊神经网络的输出y(t)，运用梯度下降算法调整递归模糊神经网络的参数为：θij(t+1)＝θij(t)-ηθ(yd(t)-y(t))wj(t)Oij(t)y(t-1)(6)wj(t+1)＝wj(t)-ηw(yd(t)-y(t))Oij(t)(7)其中，ηm为中心向量mij的学习率，ηm∈(0，0.01]；ησ为宽度σj的学习率，η本文档来自技高网...

【技术保护点】
1.膜生物反应器MBR膜污染智能预警方法，其特征在于，包括以下步骤：(1)运行过程数据采集：通过安装在工艺现场的采集仪表采集运行过程数据，包括：产水流量、产水压力、化学需氧量、pH、生物需氧量、总磷、厌氧区氧化还原电位ORP、缺氧区ORP、好氧区溶解氧、好氧区硝酸盐、单池膜擦洗气量，实现数据的采集；(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，提取出5个主成分变量，分别为：产水流量、产水压力、单池膜擦洗气量、厌氧区ORP和好氧区硝酸盐浓度，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：建立透水率软测量模型实现透水率预测，其中：透水率由递归模糊神经网络的多步预测获得，递归模糊神经网络的结构分为四层：输入层、隶属函数层、规则层、输出层；结构为5‑M‑M‑1的连接方式，其中M是正整数，且2

【技术特征摘要】
1.膜生物反应器MBR膜污染智能预警方法，其特征在于，包括以下步骤：(1)运行过程数据采集：通过安装在工艺现场的采集仪表采集运行过程数据，包括：产水流量、产水压力、化学需氧量、pH、生物需氧量、总磷、厌氧区氧化还原电位ORP、缺氧区ORP、好氧区溶解氧、好氧区硝酸盐、单池膜擦洗气量，实现数据的采集；(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，提取出5个主成分变量，分别为：产水流量、产水压力、单池膜擦洗气量、厌氧区ORP和好氧区硝酸盐浓度，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：建立透水率软测量模型实现透水率预测，其中：透水率由递归模糊神经网络的多步预测获得，递归模糊神经网络的结构分为四层：输入层、隶属函数层、规则层、输出层；结构为5-M-M-1的连接方式，其中M是正整数，且2<M<30，输入层与隶属函数层之间的连接权值为1，递归模糊神经网络的实际输出表示为y(t)；基于递归模糊神经网络的MBR透水率的预测方法计算为：其中x(t)＝[x1(t)，x2(t)，x3(t)，x4(t)，x5(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，f表示x(t)和y(t)间对应的函数关系，wj(t)表示t时刻规则层第j个神经元与输出神经元之间的权值，βij(t)表示t时刻输入层第i个神经元与隶属函数层第j个神经元之间的权值，βij(t)＝1，mij(t)表示隶属函数层t时刻第j个神经元中心值的第i个元素，σij(t)表示隶属函数层t时刻第j个神经元宽度值的第i个元素，递归模糊神经网络在隶属函数层加入了自反馈连接，θij(t)是隶属函数层的自反馈连接的反馈权重；是隶属函数层的自反馈连接的反馈值，其中：其中，βij(t-1)表示t-1时刻输入层第i个神经元与隶属函数层第j个神经元之间的权值，βij(t-1)＝1，mij(t-1)表示隶属函数层t-1时刻第j个神经元中心值的第i个元素，σij(t-1)表示隶属函数层t-1时刻第j个神经元宽度值的第i个元素，θij(t-1)是隶属函数层的自反馈连接的反馈权重，是隶属函数层的自反馈连接的反馈值；定义递归模糊神经网络的误差为：其中，m是样本数，yd(t)是t时刻递归模糊神经网络的期望输出，y(t)是t时刻递归模糊神经网络的实际输出；模型校正过程具体如下：①给定递归模糊神经网络的初始隐含层神经元个数为M，M为大于2的正整数，递归模糊神经网络的输入为x(1)，x(2)，…，x(t)，…，x(m)，对应的期望输出为yd(1)，yd(2)，…，yd(t)，…，yd(m)，m组数据作为递归模糊神经网络模型的训练样本，期望误差值设为Ed，Ed∈(0,0.01)，初始中心值mj(1)中每个变量的赋值区间为[-2,2]，mj(1)＝(m1j(1)，m2j(1)，…，mij(1))，mij(1)表示初始时刻隶属函数层第j个神经元中心向量的第i个元素；初始中心宽度σj(1)的赋值区间为[0,1]，σj(1)＝(σ1j(1)，σ2j(1)，…，σij(1))，σij(1)表示初始时刻隶属函数层第j个神经元宽度值向量的第i个元素；初始反馈连接权值θij(t)的赋值区间为[0,1]，j＝1，2，…，M；初始权值w(1)中每个变量的赋值区间为[-1，1]，w(1)＝(w1(1)，w2(1)，…，wj(1))，wj(1)表示初始时刻规则层第j个神经元与输...

【专利技术属性】
技术研发人员：韩红桂，王盈旭，武淑君，郭民，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11