污泥网络控制器

第10期2010年10月机械设计与制造MachineryDesign&Manufacture15文章编号:1001—3997(2010)10—0015—03基于污泥龄的模糊神经网络控制器的设计术包枫赵鹤呜('苏州市职业大学机电系,苏州215000)(苏州大学电子信息学院,苏州215000)DesignandsimulationoffuzzyneuralnetworkcontrollersbasedonsludgeageBAOFeng,ZHAOHe—ming(Dept.
ofMechanicandElectronicEngineering,SuzhouVocationalUniversity,Suzhou215104,China)(Dept.
ofElectronicInformation,SoochowUniversity,Suzhou215104,China),"…'….
…'÷【摘要】对完全混合式活性污泥法进行了污泥龄的模糊神经网络控制,设计了5层模糊神经网络控÷;制器.
用MATLAB编程进行数字仿真实验,结果表明该控制器可使污泥具有良好的去污能力和沉淀性能;;:良好的自适应性和鲁棒『生;可使出水符合国家一级A标准.
:关键词:污泥龄;完全混合式活性污泥法;模糊神经网络;智能控制÷【Abstract】Byapplyingfuzz>,neuralnetworktheoryintothecompletemixedsludgeactivating÷;method,a5-layerneuroJnetworkcontrollerwasdesigned.
AftersimulatingthemodefMATLAB,resuhs;:showedthatthecontrollermakethesludgehavebetterdecontaminationcapobility,edimentationproperties,:self-adaptivetyandgoodrobustness,whichenabletheoutputwatermeetthenationalAlevelstandard.
÷Keywords:Sludgeage;CMAS;Fuzzyneuralnetwork;Intelligentcontrol÷;…·…….
….
中图分类号:TH16,TP273+.
4文献标识码:A完全混合式活性污泥法是利用污泥中微生物的生命活动来清除污水中污染物质的一种有效方法.
污水处理过程具有多变量、非线性、强耦合、大滞后和不确定性等特点,为保证处理过程运行良好和提高出水质量,开发和研究新型的控制策略,已经成为污水控制工程领域的重要课题.
1控制量的确定污泥龄(sludgeage)又称生物固体停留时间(biologicalsolidretentiontime,BSRT)、细胞平均停留时间(meancellretentiontime,MCRT).
在实际运行中,控制污泥负荷比较困难,需要测定有机物量和污泥量,而采用泥龄作为运转控制参数,则只需调节每日的排泥量,控制更加方便llj.
污泥龄由下式计算:'1)式中:^-污泥龄;Q一入流污水量;一剩余污泥排放量;一曝气池混合液MLSS浓度;口_一排放污泥浓度;一二沉池出水悬浮物浓度;一曝气池有效容积.
因此,通过控制剩余污泥排放量来保持曝气池中活性污泥浓度,以获得足够长的污泥龄和总污泥量.
2被控对象的数学模型根据物料平衡原理,假定微生物为非自养型微生物(异养菌),且生长率大于死亡率并满足Monod方程,根据网络控制器的设计3.
1控制器结构设计本文的控制器设计在((SBR法污水处理系统中智能控制技术及PLC实现》日一文中4层模糊神经网络控制的基础上加入了一个规范化层.
其具体结构,如图1所示.
来稿日期:2009—12—19基金项目:苏州职业大学科研资助项目(JDX0908)图1五层模糊神经网络结构l6包枫等:基于污泥龄的模糊神经网络控制器的设计第l0期本文设计的模糊神经网络控制器结构是五层结构的前向网络,由五部分组成,分别是:输入层,模糊化层,规则层,规范化层和输出层.
确定模糊神经网络控制器各层情况如下:3.
1.
1输入层采用误差E以及误差变化率EC作为输入,该层的节点数为2.
由第一层到第二层节点的权均为1.
即有:输入xl=E2=Ec,输出Y}Ii=1,2(4)式中:和厂是控制器对应的第一层神经网络的输入,Y.
(t'1,2一第一层神经网络的输出,也是的二层神经网络的输入.
3.
1.
2模糊化层第二层的作用是求出各输入的隶属度,即模糊化层.
根据实际情况本文将误差及误差变化语言论域都选为{负大,负中,负小,零,正小,正中,正大},用符号表示为{NB,NM,NS,Z,PS,PM,PB}.
采用可微的高斯函数来求隶属度.
该层的节点数为2x7=14.
f,(1)、2.
:expf~剖,20=1,2/.
,7(5)\D式中:,,(i=1,2;j=l,2L,7)一第二层神经网络的输出,也是第三层神经网络的输入;和6一隶属函数的中心和宽度,是待定参数.
3.
1.
3规则层对应于模糊推理,可以通过计算得到每条规则的适应度.
在计算的时候采用乘积的方法.
该层对应的节点数为72=49.
:7.
1,2,L,7;:1,2,L49(6)式中:(=】,2,L,7;k=l,2,L49)一第三层神经网络的输出,及第四层神经网络的输入.
3.
1.
4规范化处理层本层的作用是用于规范化计算.
,—z:1,2,L,49(7)∑∥=J式中:,(z=1,2,L,49)—第四层神经网络的输出,及最后输出层神经网络的输入.
3.
1.
5输出层本层的作用是实现解模糊,采用中心法进行解模糊计算.
对应的计算公式如式(8)所示.
产∑∞.
yz=1,2,L,49(8)3_2优化算法设计设对象模型对应的时域表达形式为厂(t).
确定误差指标函数为E:k4(t)-'~JL:(9)式中:f)~污泥浓度期望输出;()一对象实际输出;u(￡)一控制器输出.
输出层权值调整:一OE一:e(1o)WI=--盟:一孚(￡)·"(11)O—wt—1Yl…1,2,…4式中:J_第n层第1个神经元的误差反向传播系统.
规则层参数调整:(￡).
IIf(12)6一'()·—(13)OYl∑∥/=1,2,…,49':∑()/=1,2…49;,2,…7(14)Aao~-一(15)bi=l,20=1,2…,7,i=l,2;j=l,2…,7Wt(Ⅳ+1)(N)-/3(N)0E+n[(1-r/)l(Ⅳ)一"qw(肛1)](17)a,ao-(N+1)=ao.
(N)-fl(N)+4(1-'q)ao-(N)一(肛1)】(18)6(Ⅳ+1)=6(N)--43(N)OE-+4(1-n)b(N)-v6(Ⅳ_1)】(19)i=l,2;j=l,2,…7;Z=l,2,…49式中:Ⅳ一迭代步数;fl(N)一变化的学习率;o一附加动量的学习速率;町一动量因子.
规范化处理层的目的是使神经元工作在较小的区域,以避免不利于权值调整的情况出现,但是层数的增多必然会使计算量大量增加,随之使调整时间大量增加,而4层模糊神经网络结构较为简单[21,但是适用范围较小(例如Sigmoid函数不适用),即要求模糊化层的隶属函数不能出现梯度趋近于零的情况,否则每次权值的调整量也近似为零,优化过程不收敛.
因此模糊神经网络控制器规则化层要根据实际情况来确定加入与否.
4仿真实验研究4.
1离线学习本文采用的控制方案是对活性污泥系统模型进行直接反馈控制,其闭环控制结构,如图2所示.
为了提高收敛速度与达到期望的控制效果,我们首先对模糊神经网络进行离线训练,离线训练所参考的模糊控制规则口,如表l所示.
如图3、图4所示,是离线训练前后隶属函数的对比图,从图七可以看出:输入量初始设定的隶属函数(均匀规则的分布)已经被调整,经过经典的模糊控制规则训练,其问包含了控制规则的信息,而不仅仅是人为设定的隶属函数.
图2污水处理过程控制系统结构图No.
100ct.
2010机械设计与制造17表1污泥浓度模糊控制的控制规则表图3训练前后误差e的隶属函数误差变化率∽的论域图4训练前后误差变化率ec的隶属函数4_2在线学习根据污水排人城市下水道水质标准(CJ3082--1999)~,本文将污水流量设定为标准值为1.
875~106Uh的可检测的干扰(正弦信号);进水底物浓度则设定为标准值是250mgBODJL、最大值为300mgBOD~/L的不可知干扰(有界随机信号),并且在(20~30h)时进入高浓度污水,如图5所示.
它们的表达式如下:删1媛*制0时间(ht)图5进水水量及底物浓度变化图Q=Q一[1+0.
25sin(~rt/12)】,S一+100(rand-O.
5)(20)其中,p一=1.
875x106L/h;S一=250mgBODs/L;rand表不0—1之间的随机数.
并且在20~30h时,进水底物浓度为:S一+100xrand(21)由公式(1)可知,若维持曝气池中活性污泥浓度x稳定,则只需调整排出污泥量Q即可控制泥龄(一般控制泥龄为3-5天).
本文选择将污泥浓度保持在2400mgMLSS/L,用所设计的模糊神经网络控制器对污水处理过程进行控制,仿真结果如图6所示.
图6自适应模糊神经网络控制法与传统控制效果对比图图6是污水处理过程污泥浓度的模糊神经网络控制效果图,并与传统定时排泥方式进行对比分析;而图6则是污水最终处理结果图.
从仿真图上可以看出:在第20h时,虽然进水底物浓度有了大幅度的增长,但模糊神经网络的控制效果仍然比较平稳;而传统的排泥方式由于不能根据进水底物浓度的改变进行自学习,因此曝气池内的污泥浓度随之升高,控制效果变差.
因此所十的模糊神经网络控制器对污泥浓度实现了快速、准确的控制,从而使污泥浓度保持在适当水平范围之内,而传统的定时排泥控制,则无法对具有强干扰(可测干扰与不可测干扰)的污水系统进行有效控制.
当污泥容积指数SVI处在(50-150)mUg时,污泥不仅易于吸附和氧化分解有机物,而且沉淀也较好,易于与出水水流分离日.
由于污泥的一般沉降比(sv)可达(15%~30%),由公式污泥容积指数计算公式:SV1=s*1000LsS(22)可得本文设计的控制器将SVI控制在62.
8~125.
5范围之内,因此污泥具有良好的去污能力和沉降眭能.
5结束语模糊神经网络控制器应用于污水处理过程具有以下性能:l能够对参数实现自调节,具有良好的自适应性和鲁棒性;2能够实现污水处理过程的连续进水,使污水达到排放标准;3控制污泥泥龄,并保持曝气池中污泥浓度在一定水平,使污泥具有良好的去污能力和沉淀性能,可避免能耗过高和污泥膨胀现象.
参考文献1周帆活性污泥生物学与反应动力学[M]-IL京:中国环境科学出版社,19892包枫,基于PLC智能控制的SBR法污水处理系统[D].
苏州大学学报,20H083中华人民共和国建设部cJ3O82—199污水排^城市下水道水质标准,19994刘超彬,乔俊飞.
污水处理过程中对泥龄的模糊神经网络控制[J]信息与控制,2006,35(1):l6~2O5中华人民共和国国家环境保护总局.
GB18918~2002.
城镇污水处理厂污染物排放标准,2002裁旧噬槲盆.
柱制蜃糕陋哩耩譬.
剁孽靼辙圈噬耩器.
柱刹霹培搽因哩耩窖剿霹