污水处理智能控制与优化控制方法及应用

论述目前污水处理中的智能控制与优化控制方法的研究与应用现状,对模糊控制技术、神经网络软测量与控制、优化控制等方法进行了分析,指出在污水生物处理中引入智能控制是一种提高处理效率、降低运行成本的有效方法.污水处理最优控制能使系统运行稳定可靠,出水水质达到预定标准,而且使出水水质满足要求不增加处理成本.     

基于机理模型与数据模型融合的污水处理智能控制系统构建思路

污水处理智能控制是水污染控制领域的前沿方向。人工智能技术的快速发展,为污水处理智能化控制系统研发注入了新的活力。当前亟须探索污水处理机理模型与数据驱动方法交叉融通的科学路径,重构污水处理智能控制系统的逻辑模式,以提升污水处理智能控制技术研发水平。为此,从污水处理过程的确定性-随机性特征出发,提出了融合机理模型与数据模型的双回路控制系统设想,未来通过充分的实践探索,有望为污水处理智能控制提供新的技术路线。首先,分析了污水处理智能控制系统的基本要素,分别探讨了基于确定性的机理模型及基于随机性的数据驱动模型对污水处理系统的控制作用,进而提出了机理模型与数据模型融合驱动的双回路控制系统基本逻辑架构及控制原理,并分析了该系统在污水处理复杂过程中应用的拓扑结构。最后,围绕未来污水处理智能控制技术发展作了展望。     

BP神经网络在水处理工艺中的应用研究

在污水处理系统中进行了基于BP神经网络的活性污泥系统、臭氧活性炭系统建模方面的研究，这些模型的建立使得污水处理系统在线智能控制成为可能。在膜分离系统中进行的基于BP神经网络的膜通量、膜透压的预测模型研究，为膜过滤单元和水厂的优化设计提供了一种简便的方法。     

机器学习方法在污水处理系统中的应用

由于污水处理系统一般较为复杂且受外界因素影响较多,对其进行精准调控一直是环境领域的难题之一。传统方法无法满足日益复杂的工程项目需求。近年来发展起来的机器学习方法为此类问题提供了一系列有效的解决方案。介绍了人工神经网络、支持向量机、随机森林等机器学习方法的特点,并从水质预测预警、污水处理系统故障诊断和智能控制3个方面阐述了机器学习方法在污水处理领域的应用,分析了机器学习方法相较于传统方法的优势及其应用于污水处理系统中存在的问题,展望了机器学习方法未来在污水处理领域应用的前景和趋势。     

人工智能技术对长江流域水污染治理的思考

随着经济的快速发展和城市化进程的不断加速,促使水污染严重的长江流域需从污染物去除过程的建模与优化、污水处理过程的优化控制、水污染监测系统的构建开展水污染治理研究.传统的水污染处理技术存在污染物去除效率预测精度较低、污水优化控制成本较高、水污染监测滞后效应严重的问题.人工智能技术能够有效克服上述问题,因此通过梳理国内外学者利用人工智能技术在污水污染物去除过程的建模与优化、污水处理过程的优化控制及水污染监测系统的构建等方面的研究成果,为全面加强长江流域水污染治理能力提供科学可靠的技术指导.结果表明:①利用人工神经网络技术（径向基神经网络、多层前馈网络-人工神经网络、多层感知器神经网络）对污水污染物去除过程进行建模与优化,为精确预测长江流域重金属（Cr、Cu）、营养盐（TN、TP）、持久性有机污染物〔PBDEs（多溴二苯醚）、HCH（六氯环己烷）〕的去除率提供重要参考价值.②采用污水处理的自动控制技术与人工智能技术（递归神经网络、支持向量机、模糊神经网络等）构建污水智能控制系统,为长江流域实现高效节能的污水优化控制提供重要的技术指导.③利用在线监测仪器和人工智能技术（小波神经网络、多元线性回归-人工神经网络、叠层去噪自动编码器等）建立水污染智能监测系统,为解决长江流域水污染监测响应滞后问题提供有力的技术支持.因此,人工智能技术对长江流域提高污水污染物去除率,降低污水优化控制成本,提升水污染监测时效性具有重要的推广价值.      

基于实时控制的智能控制在废水处理中的应用

针对废水处理系统具有时变性、非线性、复杂性和不确定性等特点,提出采用智能控制对其进行实时有效控制从而提高处理效率、降低能耗,对智能控制的主要分支模糊控制、神经网络控制和专家系统进行讨论,介绍总结了国内外专家学者应用智能控制技术实现水处理中实时控制的最新动态。结果表明,废水处理系统采用智能控制可以有效地实现实时控制,提高处理效率、降低能耗和成本。     

人工神经网络在水质规划和管理中的应用

对人工神经网络在水质规划与评价、给水处理与污水处理等几方面的应用研究现状、发展趋势进行了综述，并通过一些实例分析得出：人工神经网络用于水质规划和管理不但可行，而且适应性强、结果客观、合理、具有深入开发的研究价值和良好的应用前景。     

基于Matlab的曝气量模糊控制器设计

好氧活性污泥法中曝气量的控制是整个工艺控制的一个重要方面,利用Matlab提供的Simulink与Fuzzy Logic Toolbox,对用于控制活性污泥法曝气量的模糊控制器进行了设计和仿真,结果表明,该控制器控制品质良好。Matlab的应用,简化了设计工作,并为污水处理工艺智能控制的研究提供了条件。     

RBF神经网络氧化沟系统出水氮磷预报模型

为定量模拟污水处理系统进水及出水水质参数数学关系,为污水处理系统的智能反馈控制奠定理论基础,文章以河南漯河市污水净化中心氧化沟系统为考察对象,采用径向基函数(RBF)神经网络对其模拟分析,建立了氧化沟系统出水TN、TP预报的RBF网络模型。建模过程采用的主成分分析与聚类分析有效挖掘了样本信息,采用的数据预处理方法缩减了模型误差。模型性能及灵敏度检验表明,建成的模型对出水TN、TP预报准确率分别达到90%、70%,相关性检验系数分别达到0.95和0.89,可用于该系统出水TN、TP预报,为系统在线控制提供指导。研究同时表明,RBF神经网络由于克服了误差反向传播(BP)网络收敛慢、局部极值等缺点,在水处理系统模拟及其反馈控制中,具有巨大的应用潜力。     

CASS工艺自控系统的现状、问题和对策研究

分析了CASS工艺中污染物的去除机理,介绍了当前CASS工艺自控系统对DO、污泥回流和滗水过程的控制现状.指出污染物浓度控制、反应时间控制和流量控制等3种控制方案的优缺点,强调应以第1种控制为主,并充分利用传感器技术、通信技术、自动控制技术的新成果,实现对污水处理过程的自动控制.最后展望了智能控制在水处理过程中的应用前景.     

用BP神经网络模型定量估算石化企业炼油废水处理中的VOCs

将BP神经网络理论引入石化企业炼油厂废水处理中的VOCs挥发量估算。在分析影响VOCs挥发因素的基础上,利用基于MATLAB神经网络工具箱的图形用户界面GUI,建立了石化企业炼油废水处理中VOCs挥发量估算的BP神经网络模型。用该模型对样本集进行了学习训练和仿真测试,并将训练好的神经网络应用于相关实例的估算。结果表明,应用BP神经网络方法进行石化企业炼油废水处理中VOCs挥发量估算结果与美国环保局推荐软件WATER9的计算结果误差在1.49%~17.46%之间,为石化企业炼油废水处理中VOCs挥发量估算提供了一种较为可靠的方法。     

基于ANN的造纸废水处理智能控制系统研究

研究了人工神经网络技术在废纸造纸废水处理过程动态建模中应用的可行性,采用误差反向传播网络(BP网)建立了表征原水COD、加药量、进水流量、历史出水COD与预计出水COD之间复杂关系的动态模型和控制器模型,其计算输出值与过程的实际输出值具有较好的一致性。利用MCGS组态软件和所建模型搭建了一个造纸废水处理智能控制系统,对造纸厂现场排放废水进行实验,结果表明该系统对废水在线控制具有可行性。     

基于人工神经网络的造纸废水处理动态仿真

研究了人工神经网络对废纸造纸废水处理过程动态仿真的可行性,采用误差反向传播网络(BP网)建立了表征原水COD、加药量、进水流量、历史出水COD与预计出水COD之间复杂关系的动态模型,并对不同训练方法进行了比较,发现带有动态调整的方法具有较好的效果,其模型的计算输出值与过程的实际输出值具有较好的一致性.对造纸厂现场排放的废水的实验表明,该模型可用于废纸造纸废水处理的动态描述.     

城市生活污水排放量的影响因子分析及关联性研究

生活污水排放系统复杂、影响因素多种多样,从其内涵出发,分析主要影响因子,共选择3大类14个影响因子,它们之间存在着严重相关性问题,为了解决多重相关性问题,引入偏最小二乘回归方法,该方法可以有效克服多重相关性,并能够实现多种数据分析方法的综合应用;而人工神经网络具有学习和记忆能力,将二者相关联,可以较好地解决非线性问题。为检验影响因子选择的合理性和方法的适用性,以郑州市为例,对生活污水排放量和影响因子进行定量分析。结果表明,主要影响因子的选择合理,拟合和预测精度均较好。     

基于BP神经网络与马尔可夫链的污水处理厂脱氮效果模拟预测

在实际污水处理厂运行过程中,其最终出水水质会受多种因素影响制约,而基于生物反应机理的活性污泥数学模型(ASM)并未将这些生物反应以外的因素考虑在内,由此带来一些不足.对此,本文提出可通过基于数据挖掘技术的黑箱模型对污水厂处理效果进行模拟预测.结合具体实际分析,提出可将BP神经网络与马尔可夫链组合应用于污水处理脱氮效果预测中.首先,通过BP神经网络模型对北京某大型污水处理厂实际进出水数据和工艺参数进行粗略拟合;其次,利用马尔可夫链对拟合结果及误差进行状态划分以进一步提高预测精确度;最后,运用基于BP神经网络与马尔可夫链的组合模型预测分析了该厂的实际出水水质.试验结果表明,BP神经网络适用于污水处理脱氮过程的拟合计算,而通过与马尔可夫链组合,可以提高模拟预测的精度和可靠性.     

基于污染物受纳量的城镇生活污水处理率指标研究

我国通过污水处理率来评价生活污水处理水平,但污水处理率仅考虑了污水处理设施进水处理的水量,忽略了雨污合流、地下水混入、抽取河水处理等原因导致的污染物收集水平不足.以成都市岷江外江流域为研究区域,开展了城镇生活污水收集和评价指标优化研究,提出了基于污染物受纳量的城镇生活污水污染物处理率概念和核算方法体系,在划分控制单元基础上,核算生活污水污染物的产生量和处理量.研究发现,该流域污水处理厂进水浓度普遍偏低,进水水质存在季节性波动,说明可能存在丰水期雨水、河水或地下水混入稀释的情况,枯水期的进水数据更能反映区域生活污水排放情况;传统污水处理率计算显示该流域污水处理率高于100%,但全流域的COD_Cr、氨氮和总磷污染物处理率分别为37.50%、36.25%和30.14%,与该流域的水环境质量特征和污水管网建设水平相符;在污水管网未完善的地区,采用污染物处理率更能有效评价和反映区域污水收集和处理程度.