混凝投药

混凝投药（精选7篇）

混凝投药 篇1

1 引言

混凝剂的投加量与影响因素之间的关系是十分复杂的非线性动态关系, 很难建立一个足够精确的模型来描述这样一个系统。因此, 为了实现混凝投药系统投药量的控制目标, 可利用人工神经网络技术实现混凝投药系统的智能控制[1]。

建立混凝投药预测模型时多采用BP网络[2,3], 但BP网络本质上并不是一个非线性的动态力学系统[4]。因而, 提高神经网络的泛化能力需要寻找合适的网络结构和网络连接权。遗传算法具有很强的宏观搜索能力, 且能以较大的概率找到全局最优解。国内外众多学者将遗传算法和神经网络结合, 利用遗传算法优化神经网络的初始权值或者网络结构来建立预测模型[5,6]。

在给水系统建模研究中, 很少见到同时优化网络结构和初始权值的预测模型, 故利用遗传算法, 建立同时优化网络连接权系数和网络结构的GA-BP网络混凝投药预测模型, 并将建立好的模型对山东某县级市的自来水厂的实际运行进行计算监测应用。

2 神经网络建模

沉淀池出水浊度是控制水处理运行工况及水处理费用的一个关键的过程参数[7], 若能将沉淀池的出水浊度控制在3NTU左右, 即可保证出水水质达到国家饮用水标准。基于这样的原理, 对该水厂2004～2006年的实际运行数据进行采集, 将出厂水浊度低于0.8NTU的数据作为样本, 分析各因素对混凝投药量的影响程度, 最终确定采用进水流量Q (L·s-1) 、原水浊度Z0 (NTU) 、温度T (℃) 、pH值、滤前出水浊度Z1 (NUT) 以及耗氧量T1 (mg·L-1) 作为网络的输入参数, 混凝剂的投加量C (mg·L-1) 作为网络输出值, 分别建立BP网络预测模型和GA-BP网络预测模型。

2.1 BP网络模型

2.1.1 样本数据的采集与划分

为提高预测模型的预测精度, 将经过筛选后的数据按照季节分为四类, 每个季节收录52组数据, 共232组数据作为总样本集N。将样本分为两部分, 训练样本N1为160 (40×4) 组, 非训练样本N2为48 (12×4) 组。

2.1.2 模型建立

首先用训练样本N1经过训练建立映射关系, 然后再用非训练样本N2检验网络能否给出正确的输入-输出关系。如果可以, 我们说网络具有很好的泛化能力, 即该网络可在实际中应用, 否则该网络没有任何实用价值。为此, 建立了含有6个输入层节点1个输出层节点的三层BP网络预测模型。其中输入层到隐层的激活函数采用Sinmgod型, 隐层到输出层的激活函数采用线性函数。而隐含层的结点数p则由式 (1) 来确定。

式中:m———输入层结点数;n———输出层结点数;α———1～10之间的常数。

p可根据式 (1) 得出一个初始值后利用逐步增长或逐步修剪法确定合适的值。

由三层BP网络的映射关系, 第k个神经元接收了中间层第j个神经元的输出信号, 经过加权后, 可以得出混凝投药量的影响因素与混凝剂投加量的关系, 如式 (2) :

式中:C (k) ′———网络的实际输出;wij———输入层与隐含层之间的连接权值;vjk———隐含层与输出层之间的连接权值;θj———中间层阈值项;rk———输出层阈值项。

设定BP网络总的误差小于0.01, 设定非训练样本平均均方误差小于0.02。

2.2 GA-BP模型

2.2.1 GA-BP建模思想

由于三层神经网络结构严格分层, 网络的输入层和输出层节点数已知。故而在优化BP网络时, 主要是优化它的隐节点的个数。GA-BP网络利用遗传算法求解, 将得到满意的网络结构和连接权, 若非训练样本N2平均均方误差小于设定的误差, 则可以利用该模型进行实际预测应用。

2.2.2 建模步骤

将训练样本N1分为两部分, 训练样本n1共120组、训练样本n2共40组, 非训练样本仍为N2。先通过训练样本n1利用遗传算法进化得出一组网络初始权值和网络结构, 再进一步用训练样本n2从中进行筛选, 最后检验GA-BP网络的泛化能力。

具体步骤如下:

(1) 利用建立好的BP网络模型来初步确定基本解空间 (网络连接权的取值范围) 。

(2) 为了将遗传算法与神经网络结合起来, 这里取遗传算法的适应度函数为:

式中:C (k) ———实测值。

当遗传进化后的子代适应度F最大时, 则网络输出的误差函数值最小。

(3) 对基本解空间进行编码, 其中编码生成的码串由控制码和权重系数码两部分组成。

(4) 初始群体由Pop个个体构成, 设定合适的种群数量, 取种群的大小为100。

(5) 计算群体中每个个体的适应度。输入训练样本n1, 按照所设计的适应度函数计算每个个体的适应度。保留群体中适应度最高的个体, 它不参与交叉和变异运算, 而直接将其复制到下一代。对群体中的其它个体, 采用轮盘赌选择法进行选择。

(6) 交叉。以交叉概率pc对选择后的个体进行交叉。

(7) 变异。以变异概率pm对交叉后的个体进行变异, 生成新一代群体。

(8) 若找到满意的个体, 终止搜索, 否则重复进行步骤 (5) ～ (8) , 每进行一次, 群体就进化一代, 连续进化到K代。

(9) 进化到K代后, 结束训练, 再把最后一代的群体个体全部解码, 得到相应神经网络的初始权值和网络结构, 输入训练样本n2, 进行新的计算。

(10) 计算后得到一组网络的权值和隐节点, 再把检验样本N2代入, 检验GA-BP网络模型的泛化能力。

3 结果与讨论

3.1 算法比较

BP网络模型的隐层节点数为12, 训练函数采用traindx进行, 其训练误差曲线如图1所示。

从图1中可以看出, BP算法训练4 213步可以收敛到误差目标值0.01, 程序运算时间为112s。

进行GA-BP模型训练, BP算法权系数的最大值为3.978, 最小值为-3.569 6, 故确定GA-BP模型的基本解空间为[-4 4], GA-BP模型的误差曲线与适应度曲线和训练目标曲线见图2、图3。

图2中, 实线为种群平均数, 虚线为种群最优个体。这里, GA的初始种群Pop=100, BP算法的ε1=0.01, 交叉概率pc=0.85, 变异概率pm=0.02。经过约50代的进化后适应度趋于稳定, 种群平均误差平方和由20.11降到5.33, 相应平均适应度由0.015提高到0.047, 种群最优个体的误差平方和由大于1000降到5.26, 适应度由0.005提高到0.046, 之后BP网络 (图3) 经过1272步训练之后达到训练所要求的训练目标值ε1, 程序运算时间为50s。经遗传算法的全局搜索后, 隐层节点数为10。

通过以上的比较, 可得出:采用GA-BP算法后运算速度和训练效率都要比BP算法提高许多, 而且避免了陷入局部极小值。这些都证明了GA-BP算法的切实可行性。

3.2 仿真结果与分析

以该自来水公司实际运行参数为基础, 分别利用建好的BP模型、GA-BP模型进行仿真, 并将模拟结果与相应的实测值进行对比, 结果如图4所示, 其模型误差见表1。

从图4中可知, BP网络的预测值与实测值偏差大, 而GA-BP网络的输出结果与实测值更加吻合。

从表1的结果可以看出, BP网络模型对混凝投药量的非训练样本的预测平均绝对误差和平均相对误差分别为:1.342 6mg/L和28.58%;而GA-BP网络模型对非训练样本的预测平均绝对误差和平均相对误差分别为:0.459 1mg/L和9.94%。

以上结果表明, GA-BP神经网络经过有效训练后具有良好的泛化能力, 而且预测精度明显优于BP网络模型, 可有效应用于混凝投药量预测控制的研究。

3.3 实际应用

利用训练好的GA-BP模型对山东某市的自来水厂进行监测应用试验, 此时, 模型输出并没有直接连接到投药系统的输出端。其操作方式是, 将检测到的输入因素的值, 用已经确定的模型进行运算, 输出执行结果, 操作工对投药泵进行人工控制。

在2007年1月至3月期间, 进行监测应用, 按照GA-BP模型预测结果投加药剂, 将沉淀池出水浊度与2006年相同月份沉淀池出水浊度进行对比, 结果如图5所示。

从图5可知, 在原水水质相当的情况下, GA-BP模型的监测应用, 逐渐使沉淀池出水水质能维持在3NTU左右, 波动较小, 保证出厂水水质。

4 结论

(1) 利用GA同时优化BP网络的初始权值和网络结构的方法, 可有效处理神经网络建模的网络振荡, 能提高神经网络的泛化能力, 可推广到对其他水处理系统的建模问题上。

(2) BP模型的预测平均误差为28.58%, 而GA-BP模型优化后的隐层节点为10, 其模型预测平均误差仅为9.94%, 预测精度高。

(3) 与其它建模方法相比, 该GA-BP模型具有精度高、通用性强的优点, 并成功辅助山东省某市的混凝系统优化调度, 控制的沉淀池出水浊度在3NTU左右, 证明该模型可以有效、可靠地运用到给水处理系统生产指导中。

摘要：针对BP网络建模易陷入局部极小、收敛速度慢等缺点, 建立GA-BP网络预测模型, 为混凝投药系统生产指导提供决策依据。利用遗传学习算法具有全局寻优的特点, 同时优化BP网络的初始权值和网络结构, 建立GA-BPNN混凝投药的预测控制模型。通过算法比较和模型仿真结果分析, GA-BP混合模型较BP模型收敛速度快, 其平均预测相对误差仅为9.94%, 预测精度远高于BP模型。表明GA-BP模型可以有效、可靠地用于混凝剂投加量预测控制系统的生产指导中。

关键词：混凝投药,预测控制,GA-BP模型,GA-BPNN模型

参考文献

[1]EVANS J, ENOCHC, JOHNSONM, et al.Intelligent Based Au-to-coagulation Control Applied to a Water Treatment Work[C]//UKACC International Conference on Control 98.SWAN-SEA, UK, 1998:141-145.

[2]赵英, 南军, 崔福义, 等.神经网络技术在水处理工艺建模中的应用[J].给水排水, 2007, 33 (10) :110-114.

[3]BAXTER C W, STANLEY S J, ZHANG Q.Developing ArtificialNeural Network Models of Water Treatment Processes[J].Jour-nal of Environmental science, 2002, 1 (33) :201-211.

[4]申东日, 冯少辉, 陈义俊.BP网络改进方法概述[J].化工自动化及仪表, 2000, 27 (1) :30-32.

[5]杨晓红, 刘乐善.用遗传算法优化神经网络结构[J].计算机应用与软件, 1997, 14 (3) :59-65.

[6]王智平, 刘在德, 高成秀, 等.遗传算法在BP网络权值学习中的应用[J].甘肃大学学报, 2001, 27 (2) :.20-22.

[7]白桦, 李圭白.混凝投药的神经网络控制方法[J].给水排水, 2001, 27 (11) :83-87.

混凝投药 篇2

采用优势菌投入水解-生物接触氧化-化学投药法应用于肉类加工厂废水处理,通过工程实例,运行结果表明,处理出水水质能稳定达标,而且还具有投资费用少,运行费用低,管理方便等优点.

作 者：古利坚 林世光 罗国维  作者单位：古利坚(惠东县环境科学研究所,惠东,516300)

林世光(中山大学,广州,510089)

混凝投药 篇3

目前,我国的十大水系和62个主要湖泊中,将近40%的淡水达不到饮用水的要求,原水必须经过净水厂处理后才能供人们使用。而混凝投药作为净水工艺中的重要环节,受到了人们的高度关注。如何将出水浊度控制在人们可以使用的范围内,并且有效地减少投药量,是混凝投药过程中最关键的问题。针对该问题,文献[1]通过BP神经网络对含砷的原水进行建模,用以计算不同水质下的投药量,并将该模型应用于自动投药控制系统。文献[2]设计了短程反馈的控制模型,对不同季节的原水进行了控制。文献[3]将预测算法与PID控制器相结合,设计了预测函数PID控制器,对混凝投药过程进行了控制。预测算法在使用时需要依据精确的数学模型,而实际工程中由于参数多变,精确的数学模型往往很难建立,故该方法具有一定的局限性。另外,文献[4,5]通过净水工艺的改造实现了对出水浊度的有效控制。

CMAC神经网络是Albus根据小脑模型提出的一种神经网络,由于其结构简单且易于软件编程实现,所以目前CMAC神经网络被广泛应用于工业控制中的多个领域[6,7,8]。并且相对传统的BP神经网络、专家系统控制等智能控制算法,CMAC神经网络算法在复杂函数逼近、收敛速度、泛化能力方面均表现出独特的优势。文献[9]综合分析了网络结构参数、学习方法等因素对CMAC神经网络泛化性能的影响。同时,文献[10,11]通过将模糊算法与CMAC网络相结合,对常规CMAC神经网络的结构做出了改进,进一步提高了CMAC神经网络的泛化能力和学习精度,取得了较好的效果。

基于以上文献对混凝投药控制及CMAC神经网络的研究现状,为了将出水浊度有效地控制在设定范围内,并实现投药量的在线优化,本文在分析混凝投药过程的控制特性及原水浊度、原水温度及原水PH值对净水混凝效果的影响的基础上,设计了一种基于模糊算法的多CMAC神经网络前馈控制器,并使用取自现场的实际生产数据对控制器进行离线建模。为了不断提高控制器的准确性,适应环境的变化,实现投药量的在线优化,设计了控制器在线学习的方法。最后使用MATLAB对该控制器的实际应用效果进行了仿真和验证。

1 CMAC神经网络原理及特性分析

CMAC神经网络结构简单,不需要选择网络的层数及神经元个数,且相对传统神经网络来说,不需要大量数据进行离线建模,只需在每个量化等级内取一组数据进行训练即可。另外,CMAC神经网络在映射过程中只有一定的单元被激活,相近的输入所激活的单元有所重叠,故相近输入可获得相近输出。因此CMAC神经网络具有一定的泛化能力,学习精度高且学习速度较快。CMAC神经网络本质上是一种查表的方法,易于软件上的编程实现,非常适合工业中的应用,所以选择CMAC神经网络来构建混凝投药系统的控制器。

CAMC神经网络从输入量x到输出量y的运算过程可看作是由以下三个非线性映射顺序组成的:

其中,x为CMAC神经网络的输入量,S为量化等级存储空间,A为感知器存储空间,yCMAC为神经网络的输出量。CMAC神经网络的结构如图1所示。

1)x→S映射:根据量化等级的精度N,将输入量x映射到量化等级存储空间S(S由N个量化等级顺序排列组成,即S1~SN)。映射过程计算公式如下:

2)S→A映射:将量化等级Si按照指针的方式顺序激活感知器存储空间A(A由N+C-1个感知器组成,即a1~aN+C-1)中C个感知器ai~ai+C-1,其中C为CMAC神经网络的泛化常数;

3)A→y映射:感知器存储空间A中各感知器都对应一个权值,将S→A映射过程中所激活的感知器对应的权值相加得到CAMC神经网络的输出yCMAC。

用向量的方式表示上述过程,计算公式如下:

向量a中各元素表示各感知器的被激活情况。若在S→A映射过程中某感知器被激活,则向量a中相应元素置“1”,其余未被激活的感知器其相应的元素置“0”。

由S→A映射可以看出,相邻的量化等级在该过程所激活的感知器有一定的重叠。距离越相近,重叠的感知器的数量越多,CMAC神经网络的输出也越相近;反之,距离较远的量化等级之间,重叠的感知器数量较少或没有重叠的感知器。因此CMAC神经网络具有一定的泛化能力,即相近输入能获得相近输出,不相近的输入所获得的输出则存在一定的差异。另外在S→A映射过程中,只有部分感知器被激活,所以CMAC神经网络较其他神经网络学习速度较快。

2 混凝投药前馈控制器的设计

2.1 混凝投药过程的特性分析

混凝投药的工艺流程如图2所示。一定浊度的原水进入混合器后进行投药(混凝剂)处理,原水在混凝剂的作用下,通过一系列的物理化学反应后,失去稳定性,再经絮凝池和沉淀池作用后形成浊度较低的出水,进入下一阶段进行其他处理。在原水进入混合器前会对原水浊度等变量进行检测,在处理后的出水进入下一阶段前会对出水浊度进行检测。

混凝投药的控制过程是以批量处理的方式进行的,即一定流量体积的原水进入混合器内进行净水处理,该批原水处理完进入下一阶段之后,再继续处理下一批原水。由于在原水混合器中的反应时间较长,通常需要40分钟,无法通过原水浊度的检测值实时调节投药量,所以对于一批原水只进行一次投药。

混凝投药过程出水的浊度主要受原水浊度、原水温度及原水PH值的影响。其中原水浊度是影响出水浊度的最主要因素,对于一定流量体积的原水,在投药量相等的情况下,出水浊度与原水浊度呈非线性的正比关系。当原水浊度值较大时,若想将出水浊度控制在设定的范围内,则需要投加较多的混凝剂。

原水温度与原水PH值对混凝投药过程的影响相似。当原水温度高于常温时,即T>17℃时,混凝剂的净水效果较好。当原水温度T<17℃时,混凝剂的净水效果随原水温度的降低逐渐变差。同样,当原水的酸碱性呈中性或碱性时,即PH>6.5时,混凝剂的效果最佳;当原水呈酸性时,混凝剂的净水效果则较差。若想将出水浊度控制在设定的范围内,则需要投加较多的混凝剂。

2.2 前馈控制器的设计

根据2.1节中对混凝投药过程的分析,由于一批原水的反应周期较长,无法通过浊度检测值调节投药量,所以PID控制器无法实现对混凝投药过程的控制。同时,由于混凝投药过程受多个变量的影响,根据人工经验进行操作,可能出现投药量过多,即造成混凝剂的浪费的情况。所以需要采用具有自学习功能的前馈控制器对混凝投药过程进行控制。

根据2.1节中对原水浊度、原水温度及原水PH值的分析,由于原水PH值受地域的影响较大,固定地域内原水PH值基本稳定或以微小的趋势进行变化。而原水PH值这种微小的变化对前馈控制器精度造成的影响,可以通过控制器的在线学习加以消除,所以选择原水浊度和原水温度作为前馈控制器的输入。设计了基于模糊算法的多CMAC神经网络前馈控制器,其结构如图3所示。

在原水浊度和原水温度两个变量中,由于原水温度受季节影响,在固定季节内变化不大,在全年时间内变化缓慢,结合2.1节中原水温度对混凝投药的影响的分析,为了降低CMAC神经网络的维度,避免CMAC神经网络出现“维数灾”对存储空间造成过大负担,所以对原水温度进行模糊化处理。建立不同的模糊子集,在不同的模糊子集下分别建立一维的CMAC神经网络,根据原水温度属于不同模糊子集的隶属度值对各CMAC神经网络的输出进行去模糊化运算得到前馈控制器的输出。其中一维CMAC神经网络的输入为原水浊度,输出为投药量。

基于模糊算法的多CMAC神经网络前馈控制器的算法具体描述如下:

Step1原水温度的论域为[0,30]。根据工程实际情况,选择5个模糊子集{低,较低,中,较高,高},在原水温度论域内建立各模糊子集的隶属度函数,如图4所示。

根据图4计算原水温度属于各模糊子集的隶属度值,即v1、v2、v3、v4和v5。

Step2根据第2节中的描述计算各模糊子集下各CMAC神经网络的输出,即yCMAC1、yCMAC2、yCMAC3、yCMAC4和yCMAC5;

Step3根据模糊规则对各CMAC神经网络的输出进行去模糊化运算,模糊规则如下:

式中,T表示原水温度。各CMAC神经网络的输出进行去模糊化的计算公式如下:

3 前馈控制器的离线建模及在线学习

3.1 CMAC神经网络权值修正方法的设计

CMAC神经网络通常采用有导师制进行权值修正[12],修正过程如下:

式中,n、n-1、n-2分别表示学习次数,ei表示权值修正的指标,yi表示网络的期望输出值,Δw表示权值修正量,η表示学习率,α表示惯性常数。根据文献[13]的研究,CMAC神经网络收敛的充分条件为η∈[0,2],α∈[0,1]。

为了保证CMAC神经网络在学习过程中同时保证收敛速度与收敛过程的平滑性,即在学习过程中加快收敛速度的同时又不至于产生较大的震荡,本文对式(16)权值的修正量进行了改进,通过权值修正的指标ei动态调整学习率,计算公式如下:

式中,β表示平滑因子,本文中β=10。通过式(18)可以看出,当ei较大时,学习率较大,可以使得网络加快收敛速度;随着学习次数的增加使得ei逐渐减小时,学习率也随着ei的减小而逐渐减小,以保证收敛的平滑性,不至于产生较大的震荡。

3.2 CMAC神经网络离线建模的方法

本文是以北方某净水厂实际生产数据为例进行的,下文提到的经验数据、过程参数及浊度设定值等也是取自该厂的实际生产数据。

采用增量式的学习方法,对CMAC1~CMAC5分别进行训练,原水浊度的变化范围为6~24 NTU,量化等级的精度N取60,泛化常数C取5。按照2.2节中前馈控制器的构建方法以及CMAC神经网络的特性,分别在原水温度各模糊子集范围内,原水浊度的每个量化等级内取一组样本,并将各组样本按照原水浊度的大小顺序排列,构成训练样本集。共5个训练样本集,每个样本集中包含60组样本,以此作为CMAC1~CMAC5的训练样本集。需要注意的是,在样本选取过程中,需要剔除异样的数据,以保证数据的有效性。

增量式学习算法具体描述如下:

Step1初始化:令w=0,j=1,m=1,其中j用于标记样本集中的样本数,m用于标记训练的总次数;

Step2将样本集中第j组数据输入CMAC神经网络,并通过第1节中介绍的映射方法,计算输出yCMAC;

Step3根据Step2中计算得到的yCMAC,通过3.1节中权值修正方法的设计对权值向量w进行修正;

Step4判断j=60?若等于则进行下一步,若不等于则令j=j+1后返回Step2;

Step5判断m=100?若等于则该CMAC神经网络离线建模结束,若不等于则令m=m+1、j=1后返回Step2。

在本文中将训练总次数作为结束离线建模的标准。对于CMAC的离线建模也可选择平均误差小于某设定值作为结束离线建模的标准。

3.3 前馈控制器在线学习的方法

前馈控制器的在线学习过程将权值修正的指标ei修改为出水浊度值与设定值的偏差,通过修正的指标ei对各CMAC神经网络进行权值的修正,这里设定值指的是出水浊度设定范围的中点值。通常混凝投药出水浊度低于1 NTU即可达到人们正常用水的标准,但考虑到混凝剂的成本因素,及原水温度、原水PH值发生波动时对出水浊度造成的影响,故将出水浊度的设定范围定为0.7~0.9 NTU。前馈控制器的在线学习的算法具体描述如下:

Step1计算ei,公式如下:

Step2判断ei>0.1 NTU,若大于则进行下一步,对前馈控制器各CMAC神经网络进行在线学习;

Step3偏差ei乘以比例因子λ映射至投药量的控制区间,这里λ取0.14;

Step4将式(19)及式(17)修改为下式,对前馈控制器各CMAC神经网络的权值进行修正:

式中,i为CMAC神经网络的标记,i=1,2,…,5。

在线运行过程中,若设定范围大于出水浊度时,说明投药量过多造成出水浊度值较低;若设定范围小于出水浊度时,说明投药量过少造成出水浊度值较高,所以式(22)选择负的权值修正量对权值向量进行反向调整。

4 仿真验证

使用MATLAB进行编程仿真。通过对文献[14]中提出的浊度模型进行参数回归拟合,得到如下模型:

式中,Z1表示出水浊度,T表示原水温度(单位:℃),m表示投药量,Z0表示原水浊度,以模型近似代替浊度模型进行仿真。

根据原水浊度及原水温度的变化特性设定仿真条件如下:原水浊度按正弦规律变化,原水温度在第1、21、41和61个采样时刻分别给定30、20、10和5℃。

在该仿真条件下对该净水厂原有的专家比例控制策略、基于BP神经网络的控制策略及本文设计的基于模糊算法的多CMAC神经网络前馈控制器进行了仿真,仿真结果如图5-图7所示。其中BP神经网络的输入输出与本文设计的控制器相同,隐含层节点数为25,并使用相同的经验数据进行离线建模,训练次数也为100。

如图5和图6所示,当原水浊度较大时,在专家比例控制策略下,虽然出水浊度被控制在1.0 NTU以下,但却超出了设定的0.7~0.9 NTU的范围;在BP神经网络控制下效果略好,而Fuzzy Multiple CMAC前馈控制器则将出水浊度有效地控制在了设定的范围内。通过图7可以看出,当原水浊度较大时,在Fuzzy Multiple CMAC前馈控制器控制下投药量较少。由于专家比例控制是通过专家经验对温度进行分档处理,在相同范围内使用相同比例进行投药,故存在一定偏差,而这种情况在第21个采样时刻开始原水温度降低后更加明显。

如图7所示,Fuzzy Multiple CMAC前馈控制器控制下使用的投药量都较少。在整个控制周期内,Fuzzy Multiple CMAC前馈控制器控制下平均每吨水使用25.7 g混凝剂,BP神经网络控制器作用下平均每吨水使用32.1 g混凝剂,专家比例控制作用下每吨水使用35.7 g混凝剂。该结果表明,Fuzzy Multiple CMAC控制策略能够实现投药量优化的目的。

5 结语

基于PLC的水厂投药系统设计 篇4

1 水厂投药系统组成

投药控制系统采用PLC组建的系统主要包括混凝配药控制、投药控制和反馈调节控制。其系统框图如图1所示。

1.1 混凝配药工艺流程

在水厂各生产工艺过程中, 投药混凝是最重要的环节。混凝剂配置过程是将高浓度聚合硫酸铁溶液加水, 调配成较低浓度溶液的过程, 配置系统为保证净水过程的连续性, 设置了两个溶液池交替使用。由于聚铁溶液长时间放置会发生水解反应, 影响混凝剂的使用效果, 因此一池的配制应该在另一池将要用完时进行, 并保证另一池在用完前完成整个配制过程。即必须合理调度两个溶液池的使用及配置。启用某一溶液池时, 只需将溶液池底部的出药球阀打开即可。

溶液配置前先关闭混合溶液阀门, 根据目标溶液的浓度计算所需加注聚铁原液量。配置时, 按下启动按钮, 打开原液进药电磁阀, 聚铁原液流进溶液池, 当原液加注量达到预先计算值后, 关闭进药电磁阀, 开始加水。加水至溶液池满后, 关闭进水磁阀, 搅拌电动机开始搅拌。搅拌电动机工作10s后, 停止搅动, 混合溶液阀门打开, 液体流至加药泵。当溶液池放空后, 延时5s关闭混合溶液阀门, 完成一池混凝剂的配置过程。为保证净水过程的连续性, 设置两溶液池交替使用。

1.2 混凝配药系统设计

1.2.1 系统资源分配

1) 停止按钮、启动按钮地址分别为I0.0和I0.1;2) 液位测量输入通道地址为PIW288;3) 定时器1、定时器2地址分别T1和T2;4) 1#溶液池原液达到预定值标志、上限标志、下限标志地址分别为M1.0、M1.1、M1.2;5) 2#溶液池原液达到预定值标志、上限标志、下限标志地址分别为M1.4、M1.5、M1.6;6) 搅拌电动机1、搅拌电动机2地址分别为Q4.0、Q4.1;7) 电磁阀Y1、2、3、4地址为Q4.2~Q4.5;8) 混合溶液阀门Y5、6地址为Q4.6、Q4.7;9) 控制步序标志1~9地址为M2.0~M2.7、M3.0。

1.2.2 PLC的外部接线图

1.2.3 PLC控制程序设计

投药系统中PLC的控制过程如下:

1) 按下起动按钮, Y1打开, 1#聚铁原液流入1#溶液池;2) 当溶液池原液达到预定值标志时, 进入工序2, 关闭Y1阀门, 打开Y2阀门;3) 当1#溶液池液位达上限时, 进入工序3, 关闭进水阀门, 搅拌电动机1开始工作, 同时开始延时10s;4) 延时10s后, 进入工序4, 关闭搅拌电动机, 打开混合溶液阀门Y5;5) 当1#溶液池液位下降液位下限标志时, 进入工序5, 打开Y3阀门;6) 当2#溶液池中的聚铁原液达到预定值标志时, 关闭阀门Y3, 打开阀门Y4;7) 当2#溶液池液位达上限时, 进入工序7, 关闭进水阀Y4, 搅拌电动机2开始工作, 同时开始延时100s;8) 延时100s后, 进入工序8, 关闭搅拌电动机, 打开混合溶液阀门Y6;9) 当2#溶液池液位下降液位下限标志时, 进入工序9, 打开Y1阀门。

最后, 可以任何时候按下停止按钮, 系统进入复位状态。

2 结论

本混凝投药系统在水厂不停水情况下, 进行了实际应用。图3分别为采用PLC投药系统前、后的沉淀池出水浊度曲线。由两组曲线比较可知, 采用PLC投药系统的沉淀后出水浊度变化曲线较为平缓, 说明了PLC投药系统对原水浊度的变化也具有较强的适应性。

参考文献

[1]陶权, 韦瑞录.PLC控制系统设计, 安装与调试.北京理工大学出版社, 2011.

[2]王志凯等.用PLC实现模糊控制的两种程序设计方法.工业控制计算机, 2002.

[3]邹振裕, 李展峰.基于PLC的水厂投药控制系统实现.广东自动化与信息工程, 2005.

浅谈给水净化工艺二次投药 篇5

我们以黑龙江省七台河市桃山水库水源为研究对象, 以七煤集团水暖电讯公司净水厂净化水工艺为工艺性试验场所。对低温、低浊水净化处理的投药环节进行改进研究。桃山水库位于七台河市区西北, 水库库容98.0M立方米。水库水质呈典型低温、低浊状态, 常年浊度在8~10NTU;暴雨季节可达60~80NTU;色度在25mg/l左右;PH值在7.2左右。七煤集团水暖电讯公司净水厂二期净水工艺设计日产水能力6.0万立方米, 工艺流程为:提水泵房-稳压池-投药-管道静态混合器-分配水井- (竖井+回转式廊道) 反应池-斜管沉淀池-重力无阀滤池-液氯消毒-清水池-二级提升泵房-高山水池-管网-用户。通常条件下, 七煤集团水暖电讯公司净水厂采用的混凝剂是山东淄博生产的净洁牌固体聚合碱式氯化铝, 将其溶解搅拌稀释成浓度为25%的液体工艺性投加。只进行常规的一次性工艺投加, 运行净水工艺, 当斜管沉淀池出水浊度达10NTU时, 产水量只能为设计能力的65%且出厂水质不能稳定, 斜管沉淀池出水很难稳定控制, 经常出现“反药”现象。在8小时左右沉淀池和反应池就须彻底排污一次。后序工艺无阀滤池的负荷明显增大, 自动反冲洗周期缩短为3~4小时, 次数频多。出厂水量、水质不能满足生产、生活的需求。我们经过大量实验研究表明:桃山水库低温、低浊水中含有的溶解性天然有机物和水合胶体是导致低温、低浊水难处理的主要因素。在电子显微镜下观察分析, 当投入混凝剂后, 混凝剂首先与电性较大的溶解性天然有机物作用, 而水合胶体的稳定性较强, 形成的絮凝体重度低、不密实、不易沉降。此时投加适量的改性活化硅酸和少量的液体碱式氯化铝可以中和溶解性天然有机物的电性, 打破水合胶体的水外壳层, 使之与混凝剂形成矾花, 形成的矾花及时与一次投药形成的矾花结合, 通过改性活化硅酸的架桥吸附、卷扫网捕, 迅速形成絮凝体与水体较好分离且形成的絮凝体密实、重度大、易沉降, 能够达到理想的净化水目的。

综上所述, 不难看出, 寻找二次投药点是本加药改进工程的关键。实验室混凝实验表明:在一次加入适量混凝剂后水体矾花刚形成时, 二次加入定量改性活化硅酸和少量混凝剂最为合适。通过观察分析, 我们认为此时, 矾花处于壮大期, 絮凝体处于形成初期, 加入的改性活化硅酸和液体混凝剂能使之向着我们需求的方向迅速发展, 达到理想的净水效果。我们以七煤集团水暖电讯公司净水厂净水工艺利用此技术加以说明。该净水厂净水工艺加药系统采用的是北京单因子公司推出的微机自动投药装置, 加药泵采用的是珠海生产的DG2型计量隔膜泵。首先, 将管道静态混合器前的一次投药量降低为原投药量的70%, 再在竖井出水口处二次同时投加改性活化硅酸其量为净化水量的万分之一点一 (关于改性活化硅酸净化低温、低浊水现场配制论文, 本人已在《中国给水排水》2002年第十一期上发表) 和液体碱式氯化铝其量为原投药量的12%。工艺运行表明:在斜管沉淀池出水浊度达3~5NTU时, 水质稳定, 沉淀池和反应池可持续24小时彻底排污一次, 无阀滤池自动反冲洗周期为14~16小时。净水工艺可提高产水量30%, 降低混凝剂投量25%, 出厂水质浊度稳定控制在1.0NTU内, 尤其冬季封库后效果更加明显。

此给水净化工艺投药改进工程在七煤集团水暖电讯公司净水厂净水工艺已投入生产运行四年有余。生产运行实践表明:采用此项投药技术, 七煤集团水暖电讯公司净水厂每年可节省聚合碱式氯化铝投加量360T, 提高净化水量370万T, 出厂水质在0.6NTU, 增收节支金额410.5万元。为发展七台河市的供水事业做出了积极的贡献。

摘要：净水工艺二次投药是针对我国北方地区低温、低浊水难净化这一现状而研究开发的。是以提高水厂工艺产水量, 保证出厂水质, 降低制水成本为目的的投药改进工程。该投药改进工程的技术特点是:在净水工艺首次投加液体碱式氯化铝混合反应生成矾花后, 再二次同时投加适量改性活化硅酸和少量液体碱式氯化铝。解决了低温、低浊水形成矾花速度慢, 结合成的絮凝体不密实、重度轻、易破碎、难于沉降的问题。对水厂产水量、水质提高, 节能降耗都具有积极的意义。

混凝投药 篇6

关键词：活性污泥,理化性质,絮凝,调理

面对日益严峻的污染问题, 防污治污已经成为全球普遍关注的问题。在我国, 各种规模的污水处理厂发展建设起来, 有力地推动了我国在污水处理方面的进步。然而, 在看到污水处理方面取得可喜成绩的同时, 剩余活性污泥的处理问题又成为了新的难题。面对污泥产量逐年大幅度增长的局面, 如何对活性污泥进行科学有效的处理, 成为治污行业现今重点关注的问题。通过查阅大量的研究资料和文献可知, 污泥脱水的过程实际上就是采取物理手段和化学手段对其进行脱水的过程, 通过物理和化学调理作用, 能够实现良好的污泥脱水, 使污泥含水率得到大幅度的降低, 进而缩小污泥体积。从现今污泥调理方法的使用情况来看, 絮凝调理是污泥调理的主要手段, 应用十分广泛, 很多专家和学者也致力于对絮凝调理的影响因素及调理过程开展深入的研究。对于污泥的性质确定之后, 在选定了输送系统和采用哪种絮凝剂后, 絮凝剂的投药量就是絮凝效果的决定性因素。文章采用聚丙烯酰胺 (PAM) 作为调理活性污泥的主要药剂, 探讨药剂投入后活动污泥的脱水性能, 分析污泥絮体的形态变化, 以此为基础分析絮凝剂投药量对污泥调理的效果, 为广大同行提供参考。

1 试验步骤与方法

文章选取某城市的一个污水处理厂的配泥井外圈的污泥, 试验室将采样获得的活性污泥样本对其絮体状态进行拍摄, 并进行絮凝调理试验, 测试污泥絮体的性质。经检验, 活性污泥样品本身的含水量达到99.5%, p H值为7.29±0.32, MLVSS/MLSS在62%至70%, 试验室环境温度为21℃, 湿度为32%。

(1) 分别取0.1 g、0.155 g、0.2 g、0.25 g、0.3 g PAM分别溶解于100 m L水中, 将其放在搅拌器上搅拌40 min, 配制成浓度分别为0.1%、0.15%、0.2%、0.25%、0.3%的溶液。取300 m L配泥井溶液, 分别吸取11 m L PAM溶液 (进泥浓度∶进药浓度为30∶11) , 混合10次, 静沉10 min, 观察污泥絮凝现象, 实验如图1所示, 絮团效果如表1所示。

(2) 称取4组0.1 g PAM分别溶于100 m L水中, 并对其进行搅拌熟化, 时间分别为30 min、40 min、50 min、60 min, 配成4份浓度为0.1%溶液。再取4份300 m L配泥井溶液, 分别吸取11 m L PAM溶液, 混合, 静沉10 min, 观察污泥絮凝现象, 絮团效果如表2所示。

2 活性污泥理化性质

对原始污泥样品以及经过絮凝调理的活性污泥絮体样品的离心、Zeta电位、黏度、胶体粒子表面电荷密度进行测量。再对污泥剪切前的粒径 (Di) 和剪切后的粒径 (Da) 进行测定, 以此为条件对污泥絮体的强度 (用FS表示) 利用公式进行计算:

3 活性污泥脱水性能与PAM投药量之间的关系

试验研究发现, 污泥CST与污泥SRF两个值随着PAM投药量的不断增加, 其变化趋势呈现出先降低再转高的走行势头。活性污泥是呈悬浊状态的污泥生物颗粒, 其中带有大量的负电荷, 污泥絮凝的过程实际上是一种电荷吸附和黏附的过程。随着投药量的增加, 絮凝作用也增强了, 污泥中含有的活性水成分从泥体中被释放出来, 药量不断加大, 这种效果也会越来越好, 最终达到药量的最佳点, 效果也随之达到峰值。投药量的持续增加在超过最佳点后, 污泥絮凝团的黏度也随之不断加强, 过量的絮凝剂不仅不会提高污泥絮凝调理的效果, 反而带来负面作用, 泥体中活性水的释放能力也会削弱, 造成污泥CST与污泥SRF两个值的增加。

同时, 从实验中也可以看到, 随着PAM投药量的不断增加, 污泥离心上清液的黏度一开始是呈现出降低的状态, 在超过投药量的最佳点后, 随着投药量的继续增加, 开始呈现出不断增加的趋势。在较低投药量的情况下, 絮凝剂的吸附作用发挥得比较充分, 相应的, 水中絮凝剂的余量逐渐降低, 相应的胶体粒子浓度也保持持续降低的状态, 从而离心上清液的黏度减小。但是当投药量超过最佳点后, 水中絮凝剂浓度不断提高, 胶体黏度随之提高。絮凝剂投药量过大, 远超过最佳点后, 絮凝效果会大打折扣, 离心上清液的黏度提高对于污泥调理是非常不利的。

4 结语

经过污泥采样调理实验分析, 配合查阅大量的文献和研究资料, 研究人员总结发现, 活性污泥的强度随着PAM投药量的不断增加而降低, 当投药量在较低的剂量投入范围内时, 污泥强度迅速降低, 随着剂量的不断增加, 降低速度逐渐放缓, 直至呈现出持续稳定的状态。PAM量的增加使得絮体粒径不断增加, 强度不断降低, 更易产生破碎, 絮体尺寸增加到一定范围的时候, 絮体强度保持稳定不再变化。在实验环境温度为21℃、湿度为32%的条件下, 配制浓度为0.1%浓度的PAM并熟化40 min的PAM, 絮凝调理污泥效果最好。

参考文献

[1]李敏, 宗栋良.混凝中Zeta电位的影响因素[J].环境科技, 2013, 23 (3) :9-11.

[2]郑怀礼, 李林涛, 吴幼权, 等.PAM处理浓缩污泥脱水的影响因素研究[J].水处理信息报导, 2014 (5) :10-13.

[3]沈劲锋, 殷绚, 谷和平, 等.超声与阳离子型聚丙烯酰胺联合作用对剩余活性污泥脱水的影响[J].化学工业与工程技术, 2013, 26 (6) :22-25.

混凝投药 篇7

关键词：模糊PID控制,MATLAB/Simulink仿真,水处理,自动投药系统

1矿井水处理系统结构

矿井水处理系统一般分为单回路控制和串级控制两种控制方式,在这两种控制系统中光脉动混凝投药控制技术是矿井水处理的主要技术。

1.1 单回路系统控制结构

单回路控制系统控制方案如图1所示,其中,R为光脉动检测值,可以根据水质、混凝剂聚合氯化铝(PAC)和助凝剂聚丙烯酞胺(PAM)投加量的变化而变化,并与投药自动控制装置的设定值进行比较,按差值的大小和符号调节其输出值,起到自动调节混凝剂投加量、保证沉淀池(澄清池)出水水质的目的。

1.2 串级系统控制结构

在单回路控制系统中,混凝剂的投加量只有在特定工艺条件下才能维持在最佳投药量上。另外,不同季节水质参数变化较大,且同一季节内水质参数的变化也比较大,需要工人根据实际情况对系统的设定值进行调整,频繁的调节既增加了工人的工作量和劳动强度,也降低了系统的自动化程度,由此可见单回路控制系统不适用于自动投药控制系统。

本文设计的自动投药系统将沉淀后水浊度值引入单回路控制系统中构成串级控制系统,通过沉淀后水浊度值的变化情况实现系统设定值的自动调节,保证了混凝剂的最佳投加量。图2为串级系统控制方案。

1.3 串级控制系统工作原理

在图2所示的矿井水处理串级控制系统中,光脉动检测值R与沉淀后出水浊度值r′有很好的相关性,且随着R值的增大r′减小。在该控制系统中,r′是控制系统的最终目标值,因此将r′作为主回路参数、R作为副回路参数共同构成串级控制系统。其中浊度计检测到的值为r′,与事先输入的浊度设定值r通过投药自动控制装置进行比较,根据符号和差值的大小自动调整副回路中光脉动设定值。该系统中副回路可以迅速响应各种干扰的影响,并对混凝剂投加量及时做出调节,主回路可以自动调节由多种因素造成的光脉动设定值同实际要求值的偏差,避免了直接以r′控制投药量时存在的大滞后问题,使沉淀池的出水浊度值始终保持在设定值r以上,以满足净水过程要求。综上所述,该系统通过对各种干扰迅速作出反应和对各种漂移、偏差进行自动修正,提高了系统控制精度,保证了系统的控制质量。

2串级系统控制设计

因为主回路是一个定值控制系统,所以可以按照单回路控制系统的设计原则进行设计。在主回路参数选择时应把握以下几点:①与生产、运行性能密切相关的工艺参数;②可直接测量的工艺参数;③其灵敏度符合工艺过程的工艺参数。

串级控制系统中检测到的浊度值为主参数,光脉动检测值R为副参数;模糊PID控制器为主调节器,PID控制器为副调节器;浊度计为主检测器,光脉动传感器为副检测器;变频器、计量泵为执行器。

该控制系统的输入量为浊度值r和反馈浊度值r′的偏差e和偏差变化率ec,输出量为PID参数的修正量Δkp、Δki、Δkd。该系统中模糊PID控制器的语言变量、基本论域、模糊子集、模糊论域及量化因子见表1。

3串级控制系统仿真分析

在MATLAB/Simulink仿真环境下,利用串级模糊自整定PID控制方法对矿井水处理自动投药系统进行了仿真。图3为串级模糊PID控制系统原理框图。图4为串级模糊PID的Simulink程序。图5为串级模糊PID控制的系统响应。 图6为系统误差变化曲线。

4仿真结果分析

本文利用串级模糊自整定PID控制方法对矿井水处理自动投药系统进行仿真研究。仿真研究表明:将串级模糊自整定PID用于矿井水处理这样一个非线性和大时滞的复杂控制过程,能满足调节迅速、超调量显著减小的要求,且系统稳态误差基本为零,具有优良的控制精度和稳定性,从而改善了整个系统的动态品质。

参考文献

[1]于水利,张金梅,高斌.PDA检测值法高浊度水自动加药技术应用研究[J].哈尔滨建筑大学学报,1995,28(4):46-51.

[2]孙连鹏.透光率脉动检测技术在矿井水处理中的应用[J].工业用水与废水,2001,32(16):13-15.

[3]冯桂宁,蒋翔俊.单片机模糊PID自整定控制算法的实现及仿真[J].电子元器件应用,2007,5(9):59-62.

[4]耿瑞.基于MATLAB的自适应模糊PID控制系统计算机仿真[J].信息技术,2007(1):43-46.

[5]柳彦虎.基于AT89C51的串级控制冷却系统设计[J].铁路计算机应用,2007(5):7-10