论文部分内容阅读
随着水污染日益严重,治理污水的任务变得愈加紧迫与繁重。为达到可持续发展战略要求,必须大力发展我国的污水处理事业,在污水处理工艺中,活性污泥法是一种比较先进的工艺,其中A/O工艺是效果较好的脱氮工艺,但是活性污泥法处理废水受进水水质、水量、设备等诸多因素影响,致使废水处理具有多变量、非线性、大滞后、不确定性和复杂性的特点,单纯人工的操作难以实现稳定和良好的出水效果。传统污水处理过程控制自动化水平相对落后,控制效果不够理想,鉴于此,本论文致力于研究用模糊神经网络算法实现对A/O废水生化处理系统回流比的智能控制,得到以下成果:在实验室现有条件下通过实验得出进水时TOC与CODCr的相关关系式:y=1.8646x-19.385,R=0.9956;出水时TOC与CODCr的相关关系式为:y=1.7338x+1.0675,R=0.9952,二者相关性良好。以A/O废水处理系统为平台,完成了MCGS组态软件的组态和PLC程序的设计,在此基础上建立了废水处理的自动控制系统,并在此自动控制系统下进行试验,获取大量的样本数据。深入分析现有的建模方法,根据对废水处理特征和模糊神经网络的分析,利用获取的样本数据,采用Anfis网络建立A/O缺氧池硝酸氮预测模型,借助MATLAB软件对建立的预测模型进行仿真分析,仿真结果表明,预测模型具有很好的学习能力和泛化能力,训练数据的相对误差绝对值范围为00.003%,测试数据的相对误差绝对值范围为00.06%,说明网络的泛化能力是可以接受的。通过建立的Takagi-Sugeno预测模型与单纯的BP网络的预测模型进行性能比较,前者的训练数据和测试数据的平均绝对误差率MAPE分别为1.186×10-3%、0.263%,而后者的训练数据和测试数据的平均绝对误差率MAPE分别为1.847%、1.855%。通过两者的性能对比可知,Takagi-Sugeno预测模型的平均绝对误差率MAPE远远小于单纯的BP网络的预测模型,说明了前者更适合用于预测A/O生化池的硝酸氮值。采用基于Mamdani规则的模糊神经网络建立回流比控制模型,利用缺氧池末端的硝态氮浓度的变化量和硝态氮浓度的变化率作为控制模型的输入变量,回流比的修正量作为控制模型输出,用于调节回流量。控制模型的结构为2-14-49-49-1,采用试验部分样本数据对网络进行了训练,得到控制模型的前后件参数,结合混合算法完成网络的结构辨识和参数辨识,完成控制模型建立。在MCGS高级开发包生成的VB程序中编写了模糊神经算法,按照MCGS的接口函数规范将算法嵌入到MCGS中,实现了对废水处理系统的智能控制。通过实验所得缺氧池末端硝态氮浓度最优值为2.45 mg/L,将缺氧池末端硝态氮浓度的期望浓度设定在2.45 mg/L,结果表明在不同进水负荷下,缺氧池末端的硝态氮浓度在2.45 mg·L-1附近波动,波动范围为2.14 mg·L-1~2.68 mg·L-1,表明基于模糊神经网络算法的智能控制系统,能够有效的实现A/O废水处理系统回流比的智能控制。本课题的研究成果为实现废水生化处理系统的自动控制提供了一种有效的解决方案,同时为污水处理过程实现优化控制提供了新的途径,具有一定的参考价值。