论文部分内容阅读
污水处理过程是一个典型的非线性过程,实时受到流量和负荷的强烈扰动,同时伴随着污水组分的变化,且污水处理厂必须保持连续运行,以满足越来越严格的排放标准,而先进的控制研究对于降低运行成本、提高质量、优化能源利用、减少环境污染等具有重要的理论意义和现实意义。然而在实际污水处理过程中,随着污水组分越来越复杂,传统的PID控制越来越难以满足工艺要求和排放标准,而且由于水质监测传感器昂贵或缺失等原因,无法对污水水质进行实时有效地监测。基于此,本文以实际工程项目长沙某污水处理中心控制系统开发为研究背景,在该污水处理中心采用的缺氧-厌氧-好氧工艺的基础上,首先,针对污水处理过程中出水COD在采用传统测量方法时由于测量手段有限,难以满足实时在线监测的问题,提出一种基于改进粒子群优化高斯过程回归的软测量建模方法,该模型将小样本机器学习——高斯过程回归引入到污水处理过程中出水COD预测上。由于GPR单一核函数难以满足出水COD的预测精度,本文提出了基于SE核函数和PER核函数的组合核函数GPR预测模型,实验结果表明:与单一核函数GPR预测模型相比,本文提出的组合核函数GPR预测模型对出水COD具有更高的预测精度,同时采用改进粒子群算法对组合核函数的超参数进行最优值求解,解决了传统的基于共轭梯度法求解GPR最优参数时依赖初值且泛化能力不高的问题,仿真结果表明:与传统的LSSVM和BP-ANN预测模型相比,本文提出的IPSO-GPR预测模型对污水处理过程中出水COD具有更高的预测精度。其次,针对污水生化处理过程的曝气池控制系统,由于溶解氧(DO)浓度控制存在着大滞后、非线性以及波动大、难以确定数学模型等问题,本文提出了利用BP神经网络PID控制策略调节DO浓度的方法。使用MATLAB对算法进行仿真验证,结果表明该控制器鲁棒性好,超调量小,响应速度快。最后,根据污水处理工艺以及控制要求,设计和实现了以数据采集与监视控制系统为上位机监控系统,施耐德M580系列PLC为下位机的污水生化处理自控系统。