基于模糊神经网络的溶解氧控制的废水处理方法及系统技术方案

本发明专利技术涉及一种基于模糊神经网络的溶解氧控制的废水处理方法，包括下述步骤：(1)测定进水流量、厌氧池ORP值、好氧池DO值、进水COD值，以及实际出水COD值；(2)收集上述已测定的样本数据，通过计算机输送至COD模糊神经网络预测模型，建立出水COD预测值；(3)将上述出水COD预测值与出水COD设定值进行比较，得到误差跟误差的变化率，并将其作为两个输入变量以调节合适的溶解氧浓度。从而实现溶解氧废水处理的在线预测和实时控制。本发明专利技术对溶解氧浓度的精确控制可以实现在保证污水处理系统稳定运行的基础上，节约能耗，且出水水质达到了国家排放标准。

Waste water treatment method and system based on fuzzy neural network for dissolved oxygen control

The invention relates to a processing method based on fuzzy neural network control of dissolved oxygen in wastewater, which comprises the following steps: (1) determination of the influent flow rate, ORP value in anaerobic and aerobic tank water DO value, COD value, and the actual water COD value; (2) samples have been measured according to the above, through the computer transfer to COD fuzzy neural network prediction model, establish the effluent COD predictive value; (3) the predictive value of effluent COD and effluent COD set value, get the error and the error change rate, and as two input variables and dissolved oxygen concentration to adjust the suitable. In order to realize on-line prediction and real-time control of dissolved oxygen wastewater treatment. The invention can accurately control the concentration of dissolved oxygen, and can realize the energy consumption on the basis of ensuring the stable operation of the sewage treatment system, and the water quality of the effluent reaches the national emission standard.

【技术实现步骤摘要】

本专利技术涉及一种废水处理的控制方法及控制系统，尤其是对基于进水的性质和反 应器内的状态以及目标处理水质的状况，对溶解氧的可变因素进行自动控制的人工智能控 制方法及系统。
技术介绍
目前，大部分工业废水及生活污水的处理均采用生物接触氧化处理工艺，而该方 法重要的人工措施之一就是向曝气池中的混合液输入适当的溶解氧(DO)，利用污泥中的好 氧菌氧化分解水中的可溶解性有机物，使之转化为无机物，从而使污水得以净化。溶解氧的 含量的高低直接影响到废水处理系统的稳定，进而关系到出水的水质。溶解氧的水平过低， 使污泥活性降低，会抑制生物对有机物的降解，产生污泥膨胀；溶解氧过高会加速消耗污水 中的有机物，使微生物因缺乏营养而引起活性污泥的老化，长期过高的溶解氧会降低活性 污泥的絮凝性能和吸附能力，增加能耗，导致悬浮固体沉降性变差。然而，在曝气池中发生的去污过程是一个复杂的、动态的生物反应过程，各个因素 之间存在强耦合关系。传统的控制方式对溶解氧质量浓度的控制精度不高、实时性也不够 好。目前我国大部分城市污水厂没有采用合理的曝气控制，即使采用也只是传统的PID控 制，效果很不理想，造成能量的浪费。传统模糊控制虽取得了比传统PID控制方法好的控制 效果，但是，由于缺乏自学习能力，不能在线调整控制规则，自适应能力差，使系统鲁棒性受 到限制。神经网络具有强大的自学习能力，但是，其知识表达与处理又不易被人理解。
技术实现思路
为了消除上述传统技术的问题，本专利技术将模糊控制与神经网络相结合成的模糊神 经网络系统，通过神经网络来实现模糊逻辑，同时利用神经网络的自学习能力，可动态调整 隶属函数、在线优化控制规则。这样利用两者的优点弥补了对方的不足。设计出一个以流 入水特性及反应器状态特性为输入量，具有五层结构的DO模糊神经网络控制模型，用于溶 解氧的控制可以取得更佳的控制效果。本专利技术的目的通过以下技术方案实现一种基于模糊神经网络的溶解氧控制的废水处理方法，包括下述步骤(1)测定进入A/0废水处理系统的进水流量、曝气量对应下的厌氧池ORP值、不同 曝气量对应下的好氧池DO值和进水COD值，以及从该A/0废水处理系统流出的实际出水 COD 值；(2)收集上述已测定的样本数据，通过计算机输送至COD模糊神经网络预测模型， 以物理量数据对其进行运算处理，建立出水COD预测值；(3)将上述出水COD预测值与出水COD设定值进行比较，得到误差跟误差的变化 率，并将其作为两个输入变量输入DO模糊神经网络控制模型，计算得到曝气修正量，再去 修正当前的曝气量，通过修正后的曝气量对A/0废水处理系统的鼓风机进行控制，进而完成曝气量的自动调整；所述曝气量作为一个输入参数同时输出到COD模糊神经网络预测模 型，由该预测模型计算在这一曝气量的作用下，系统下一周期的出水COD预测值；(4)再重复步骤(3)的步骤，依此循环进行，从而实现溶解氧废水处理的在线预测 和实时控制。所述COD模糊神经网络预测模型包括输入层、隐藏层和输出层，其中隐藏层又分 为三层模糊化输入层、模糊规则层和模糊化输出层，通过上述5层神经网络实现模糊化、 模糊推理和解模糊化。其中，隶属函数的初始中心值采用模糊C聚类方法获得，隶属函数的 其他初始参数则采用误差反传方法由实验室数据的离线学习获得。模糊规则层有网络数 据的双向流动及中间层的竞争学习确定，专家对规则的经验由中间的连接和信号的流向实 施。并基于WindowsCE. NET嵌入式操作系统，结合现有组态软件相关理论与组件化编程技 术，在MCGS高级开发包生成的VB程序中编写模糊神经网络算法，然后按照MCGS的接口函 数规范将模糊网络算法嵌入到MCGS中，实现对废水处理系统溶解氧的智能控制。所述COD模糊神经网络预测模型的5层神经网络结构具体如下所述输入层为第一层以进水流量、进水COD值、曝气量、厌氧池ORP值、好氧池DO 值5个输入变量为网络的输入神经元；所述模糊化输入层为第二层计算每个输入变量对应的隶属度，节点数5X 11 ；所述模糊规则层为第三层实现每条规则的前件计算，该层节点为11 ；所述模糊化输出层为第四层计算每条规则的适用度，节点数与第三层个数同为 11 ；所述输出层为第五层出水COD预测值为输出神经元，只有一个输出节点。所述DO模糊神经网络控制模型包括输入层、隐藏层和输出层，其中隐藏层又分为 三层模糊化输入层、模糊规则层和模糊化输出层，通过上述5层神经网络结构实现模糊 化、模糊推理和解模糊化。所述DO模糊神经网络控制模型的5层神经网络结构具体如下所述输入层为第一层2个节点，为COD值的变化量及变化率；所述模糊化输入层为第二层14个节点，代表14个隶属度函数，完成隶属度函数 值的求取；所述模糊规则层为第三层49个节点，代表49条模糊规则，完成模糊规则的前件 计算；所述模糊化输出层为第四层49个节点，代表49个隶属度的适用度；所述输出层为第五层1个节点，代表曝气量修正量。所述进水COD值为600 2000mg/l，厌氧池ORP值为-200 Omv，好氧池DO值为 0. 2 4. 5mg/l。所述DO模糊神经网络控制模型按照下述方式进行控制在进水负荷增加时，空气供给量增加；在进水负荷减少时，使空气供给量减少。本专利技术的方法还包括下述步骤借助传送控制协议/互联网协议(TCP/IP)和串行 数据接口标准(R232/485)，通过计算机和双向通信，对上述数据进行实时控制；通过计算 机，在经过上述控制过程后，对废水处理厂的效率进行比较分析，将其记录于文件中。本专利技术上述方法所用的废水处理系统包括A/0废水处理系统、COD模糊神经网络预测模型和DO模糊神经网络控制模型；由传感器检测A/0废水处理系统的进水流量、 进水COD值、厌氧池ORP值、好氧池DO值和实际出水COD值，将上述5个样品数据依次经 ADAM4017+转换模块、ADAM4520隔离转换器转换为数字信号并传送至COD模糊神经网络预 测模型，以建立出水COD预测值；上述数字信号还经由ADAM4024+模块转换成模拟信号，通 过水泵控制电路控制进水水泵的转速以控制进水流量；所述ADAM4024+模块还通过变频器 来控制鼓风机。本专利技术相对于现有技术具有如下优点和有益效果(1)本专利技术将模糊控制与神经网络相结合成的模糊神经网络系统，通过神经网络 来实现模糊逻辑，同时利用神经网络的自学习能力，可动态调整隶属函数、在线优化控制规 则。(2)对溶解氧浓度的精确控制可以实现在保证污水处理系统稳定运行的基础上， 节约能耗。(3)经过本专利技术废水处理系统处理后的污水出水浓度能够控制在国家的排放标准 以内，出水水质达到了国家排放标准。附图说明图1表示本专利技术模糊神经网络预测控制废水处理方法的框图。图2表示本专利技术废水处理系统的结构框图。图3表示COD模糊神经网络预测模型。图4表示DO模糊神经网络控制模型。图5表示DO浓度变化曲线图。图6表示变频器输出曲线图。图7表示好氧控制同理论需氧量的比较。具体实施例方式下面结合具体实施例对本专利技术作进一步具体详细描述，但本专利技术的实施方式不限 于此。实施例1如图1所示，一种基于模糊神经网络的溶解氧控制的废水处理方法，包括下述步 骤(1)测定进入A/0废水处理系统的进水流量、本文档来自技高网...

【技术保护点】
１．一种基于模糊神经网络的溶解氧控制的废水处理方法，其特征在于，包括下述步骤：（１）测定进入Ａ／Ｏ废水处理系统的进水流量、曝气量对应下的厌氧池ＯＲＰ值、不同曝气量对应下的好氧池ＤＯ值和进水ＣＯＤ值，以及从该Ａ／Ｏ废水处理系统流出的实际出水ＣＯＤ值；（２）收集上述已测定的样本数据，通过计算机输送至ＣＯＤ模糊神经网络预测模型，以物理量数据对其进行运算处理，建立出水ＣＯＤ预测值；（３）将上述出水ＣＯＤ预测值与出水ＣＯＤ设定值进行比较，得到误差跟误差的变化率，并将其作为两个输入变量输入ＤＯ模糊神经网络控制模型，计算得到曝气修正量，再去修正当前的曝气量，通过修正后的曝气量对Ａ／Ｏ废水处理系统的鼓风机进行控制，进而完成曝气量的自动调整；所述曝气量作为一个输入参数同时输出到ＣＯＤ模糊神经网络预测模型，由该预测模型计算在这一曝气量的作用下，系统下一周期的出水ＣＯＤ预测值；（４）再重复步骤（３）的步骤，依此循环进行，从而实现溶解氧废水处理的在线预测和实时控制。

【技术特征摘要】

【专利技术属性】
技术研发人员：黄明智，万金泉，马邕文，王艳，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：81