基于BP神經(jīng)網(wǎng)絡(luò)的城鎮(zhèn)污水廠活性炭自動投加系統(tǒng)研究

方榮業(yè),史宇濱,蔣婷,李威,史惠祥*

(1. 浙江大學(xué) 環(huán)境與資源學(xué)院, 浙江 杭州310058； 2.華東勘測設(shè)計研究院有限公司, 浙江 杭州310014)

0 引 言

2016年《浙江省水污染防治行動計劃》明確： 2017年底前城鎮(zhèn)污水處理廠提標改造出水水質(zhì)全面執(zhí)行一級A標準，其中COD達到50 mg·L-1.近年來，粉末活性炭吸附技術(shù)因吸附效果好、成本低，常被中小型城鎮(zhèn)污水廠用于去除廢水中的COD，此方法正逐步發(fā)展為廢水深度處理的主流技術(shù)[1].目前，粉末活性炭投加仍處于人工控制階段，存在“活性炭投加量無法及時響應(yīng)進水水質(zhì)的變化”和“技術(shù)人員根據(jù)經(jīng)驗手動調(diào)節(jié)泵的流量”等問題，導(dǎo)致出水COD值波動大，活性炭藥耗大.

通過分析粉末活性炭吸附去除COD的處理過程發(fā)現(xiàn)，出水COD受外部環(huán)境動態(tài)影響的因素較多，有原水流量、COD、pH值和溫度等，這些因素對出水COD的影響是非線性的，難以建立精確的活性炭吸附反應(yīng)數(shù)學(xué)模型；環(huán)境對吸附反應(yīng)的作用存在較大時滯.為此，筆者擬采用前饋預(yù)測控制器解決反應(yīng)時滯問題.但傳統(tǒng)的數(shù)學(xué)模型因模型失配無法適應(yīng)水質(zhì)的變化.隨著智能控制理論的完善，BP神經(jīng)網(wǎng)絡(luò)[2]通過學(xué)習歷史記錄數(shù)據(jù)建立預(yù)測模型，提高了模型的精確性.該方法應(yīng)用于混凝劑自動投加已較成熟，但目前尚未見應(yīng)用于活性炭投加的報道.此外，通過建立反饋PID控制器以修正前饋預(yù)測的投藥量，出水COD可實現(xiàn)穩(wěn)定達標.

本文以浙江省嘉善縣某城鎮(zhèn)污水廠深度處理工藝中粉末活性炭投加系統(tǒng)為研究對象，設(shè)計了BP神經(jīng)網(wǎng)絡(luò)前饋預(yù)測-PID反饋控制的自動投加控制系統(tǒng)，并通過PLC控制系統(tǒng)和WinCC監(jiān)控組態(tài)實現(xiàn)了自動化控制.試運行1個月后，對人工控制和自動控制系統(tǒng)的應(yīng)用狀況進行了比較和評估.

1 材料與方法

1.1 實驗材料

主要實驗試劑見表1.

表1 主要實驗試劑

主要實驗儀器見表2.

表2 主要實驗儀器

1.2 燒杯實驗裝置

作為BP神經(jīng)網(wǎng)絡(luò)模型的學(xué)習樣本(進水COD值)，其對應(yīng)的出水COD值接近設(shè)定值.大多數(shù)歷史數(shù)據(jù)是在活性炭過量投加下產(chǎn)生的，其出水COD值一般低于設(shè)定值，因此不能達到BP神經(jīng)網(wǎng)絡(luò)模型學(xué)習的要求.而根據(jù)燒杯試驗法[3]所獲得的燒杯試驗數(shù)據(jù)具有很高的參考性，能較好地反映操作人員的經(jīng)驗，在一些水源水質(zhì)穩(wěn)定的小型水廠仍以此為依據(jù)決定投藥量.

通過燒杯實驗找到與水質(zhì)的COD和pH值相對應(yīng)的最佳活性炭投加量，實驗操作步驟如下：

(1) 取該城鎮(zhèn)污水處理廠的生化池出水，測定其COD和pH值.

(2) 將500 mL水樣分別裝入6個容積為1 L的燒杯中，并將燒杯置于六聯(lián)電動攪拌儀上，盡量使每個燒杯中的水樣攪拌均勻，否則易造成燒杯的操作條件不一致，進而導(dǎo)致活性炭吸附效果不一致.

(3) 按照一定梯度向6個燒杯加入不同量的粉末活性炭，開動攪拌器，以300 r·min-1的轉(zhuǎn)速攪拌30 min，然后加入0.20 mL的混凝劑，以相同轉(zhuǎn)速攪拌2 min.

(4) 取出攪拌槳后靜置30 min，檢測上清液的COD值.取COD小于50 mg·L-1時的投加量為最佳投藥量.

1.3 粉末活性炭投加飛升實驗裝置

為研究城鎮(zhèn)污水廠深度處理工藝的過程控制特性，搭建了與之相仿的小型實驗裝置，見圖1，其中保留了水廠原有的重要運行參數(shù)，包括活性炭反應(yīng)池水力停留時間、粉末活性炭炭漿濃度以及混凝劑濃度等.各實驗裝置尺寸及運行參數(shù)見表3.

圖1 粉末活性炭投加飛升實驗裝置圖Fig.1 PAC soaring experimental device

裝置尺寸運行參數(shù)進水塔20 L取自城鎮(zhèn)污水廠生化池出水泵1#—10 L·h-1活性炭反應(yīng)池10 L水力停留時間為30 min泵2#—10 L·h-1混凝反應(yīng)池10 L水力停留時間為30 min泵3#—10 L·h-1沉淀池10 L直接排放泵4#10 L·h-1活性炭溶藥池1 L活性炭炭漿濃度為2.5%泵5#—4 mL·h-1混凝劑溶藥池1 L混凝劑濃度為3.3%泵6#—4 mL·h-1

粉末活性炭投加飛升實驗是指在實驗過程中保持原水流量、原水COD和pH值不變，通過調(diào)節(jié)計量泵的開度改變粉末活性炭的投加量，以此獲得粉末活性炭投加量與沉淀池出水COD的關(guān)系，即粉末活性炭投加飛升曲線.

粉末活性炭投加飛升實驗的基本操作步驟如下：

(1) 取該城鎮(zhèn)污水處理廠的生化池出水和終沉池出水，配制COD值為60 mg·L-1左右的原水樣.

(2) 保持原水流量(10 L·h-1)、原水COD(60 mg·L-1)和原水pH值(7)不變，調(diào)整粉末活性炭溶藥池出口處的投加泵開度至適當位置(4 mL·h-1)，使裝置穩(wěn)定運行一段時間，并不斷補充進水塔的原水樣.

(3) 將粉末活性炭投藥量提高20%，即活性炭投加泵的流量調(diào)至4.8 mL·h-1.

(4) 每隔1 min對沉淀池出水進行采樣，測量并記錄其COD值，直至出水的COD穩(wěn)定.

(5) 上述實驗重復(fù)3次，最后取出水COD的平均值.

2 基于BP神經(jīng)網(wǎng)絡(luò)的前饋控制器設(shè)計

活性炭投加系統(tǒng)前饋控制器的作用是及時響應(yīng)進水水質(zhì)的變化，提高系統(tǒng)的抗擾動性能.通過燒杯試驗獲取進水水質(zhì)和活性炭投藥量的歷史數(shù)據(jù)，并以此構(gòu)建BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型.

2.1 實驗數(shù)據(jù)的獲取

用表1所列試劑進行燒杯試驗，選用燒杯試驗中的46個數(shù)據(jù)點為樣本數(shù)據(jù)，見圖2，其中，活性炭投加量為與燒杯實驗水質(zhì)COD和pH值相對應(yīng)的最佳投藥量.

圖2 燒杯試驗樣本數(shù)據(jù)Fig.2 Data stylebook of beaker experimentation

由圖2知，活性炭投加量與原水COD值的關(guān)聯(lián)性較強，且呈正相關(guān)，與pH值的關(guān)聯(lián)性不明顯.

2.2 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計

目前，BP神經(jīng)網(wǎng)絡(luò)模型已廣泛應(yīng)用于水質(zhì)預(yù)測和控制處理，具有強大的非線性函數(shù)逼近能力，可根據(jù)被控對象的輸入-輸出數(shù)據(jù)進行良好的模型辨識[4]. 本文采用批處理方法對33組燒杯試驗樣本數(shù)據(jù)進行學(xué)習[5].

選用3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)作為前饋預(yù)測模型，其輸入層有2個節(jié)點，選取依據(jù)為影響活性炭投藥量的水質(zhì)參數(shù)，主要有流量、COD、pH值和溫度.經(jīng)分析，最終選取原水COD、pH值作為輸入層，二者與活性炭投加量成正相關(guān).其輸出層有1個節(jié)點，即活性炭投加量.前饋BP神經(jīng)網(wǎng)絡(luò)模型見圖3.

隱含層節(jié)點數(shù)對神經(jīng)網(wǎng)絡(luò)的學(xué)習效果至關(guān)重要，若選擇的節(jié)點數(shù)合適，就能順利完成各種數(shù)學(xué)函數(shù)在網(wǎng)絡(luò)中的映射[6].最佳隱含層的節(jié)點數(shù)q可參考以下經(jīng)驗公式計算：

(1)

其中，M為輸入節(jié)點數(shù)，L為輸出節(jié)點數(shù)，C為1～10間的常數(shù).如果輸入節(jié)點數(shù)M=2，輸出節(jié)點數(shù)L=1，則q的取值范圍為3～12.

圖3 前饋BP神經(jīng)網(wǎng)絡(luò)模型Fig.3 Feedforward BP neural network model

2.3 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

BP學(xué)習算法的基本原理是梯度最速下降法，以期使網(wǎng)絡(luò)的實際輸出值與期望輸出值間的誤差均方差最小[7-8].在Matlab中輸入相關(guān)訓(xùn)練參數(shù)，見圖4.

圖4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)Fig.4 The training parameters of BP neural network

由圖4可知，期望誤差最小值Emin=0.001，最大訓(xùn)練步數(shù)N=1 000，學(xué)習速率η=0.05.

在有效取值范圍內(nèi)對隱含層q進行試湊，得到10組訓(xùn)練結(jié)果，見表4.

表4 BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果

由表4可知，當q=11時，BP神經(jīng)網(wǎng)絡(luò)模型的均方根誤差最小，所以確定隱含層神經(jīng)元個數(shù)為11.當q=11時，BP神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的結(jié)構(gòu)見圖5.

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.5 The structure of BP neural network

2.4 BP神經(jīng)網(wǎng)絡(luò)的仿真

為考察BP神經(jīng)網(wǎng)絡(luò)的泛化能力，對13個未經(jīng)學(xué)習的樣本數(shù)據(jù)進行仿真擬合.

圖6 BP神經(jīng)網(wǎng)絡(luò)預(yù)測加藥與實際加藥對比圖Fig.6 The comparison between BP neural network prediction and actual dosing

由圖6可知，離線訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)對未學(xué)習樣本進行投藥量預(yù)測，其結(jié)果與實際投藥量的擬合度R2=0.968，均方根誤差RMSE=0.009 1，說明不同條件下的預(yù)測效果都很好.可見BP神經(jīng)網(wǎng)絡(luò)模型具有良好的自學(xué)習能力，而且模型的泛化性能高.

2.5 與傳統(tǒng)建模的精度比較

傳統(tǒng)數(shù)學(xué)建模一般采用多元線性回歸法，以原水COD、pH值為變量建立多元線性回歸方程：

U=a1+a2X1+a3X2，

其中，U為活性炭投藥量，X1為COD值，X2為pH值，a1，a2，a3為待估參數(shù).仿真結(jié)果為

[a1，a2，a3]=[-0.207 8，0.017 0，0.002 0]；RMSE=0.014 5.

由表5、圖6和圖7可知，多元線性回歸模型的投藥預(yù)測均方根誤差RMSE大于BP神經(jīng)網(wǎng)絡(luò)模型，BP神經(jīng)網(wǎng)絡(luò)模型的擬合度R2高于多元線性回歸模型，說明BP神經(jīng)網(wǎng)絡(luò)模型投藥預(yù)測準確率高于多元線性回歸模型.

圖7 多元線性回歸模型仿真Fig.7 Multi-factor linear regression modle control results

3 PID反饋控制器設(shè)計

活性炭投加系統(tǒng)的反饋PID控制器主要用于修正前反饋控制器的預(yù)測投藥量，提高系統(tǒng)的抗偏差性能.先通過理論分析得到被控對象的傳遞函數(shù)表達式，再通過粉末活性炭投加飛升實驗確定傳遞函數(shù)，最后選用合適的方法確定反饋PID控制器參數(shù).

3.1 被控對象模型的建立

建模過程主要考慮：

(1) 活性炭吸附反應(yīng)的消耗模型G1(s)，即活性炭投藥量與出水COD之間的模型.出水COD變化過程又分兩部分： 活性炭吸附COD造成的衰減和流經(jīng)深度處理各工藝段造成的滯后.因活性炭吸附去除COD的反應(yīng)過程較為復(fù)雜，本文只考慮COD的整體衰減.

(2) 計量泵和管路的模型G2(s)，即閥的開度與流量之間的關(guān)系模型.

主回路模型G1(s)可表示為一階慣性加純滯后環(huán)節(jié)：

(2)

其中，K1為比例系數(shù)，T1為慣性時間常數(shù)，τ為滯后時間常數(shù)，包含活性炭反應(yīng)池的水力停留時間30 min.

在工業(yè)控制應(yīng)用中，可將計量泵閥的控制等效為一階慣性環(huán)節(jié)[9].

(3)

其中，K2為比例系數(shù)，T2為慣性時間常數(shù).

綜上所述，活性炭投加控制系統(tǒng)可近似為二階慣性加純滯后的環(huán)節(jié)，其傳遞函數(shù)為

(4)

其中，K為比例系數(shù)，T1和T2為慣性時間常數(shù)，τ為滯后時間常數(shù)，K=穩(wěn)態(tài)輸出值/輸入值的變化量.

3.2 傳遞函數(shù)參數(shù)的確定

利用表2所列儀器和圖1、表3的裝置開展粉末活性炭投加飛升實驗，根據(jù)粉末活性炭投加飛升實驗測得沉淀池出水COD數(shù)據(jù)，繪制粉末活性炭投加飛升曲線，見圖8.

由圖8可知，粉末活性炭投加量與沉淀池出水COD間的階躍響應(yīng)曲線呈“S型”，說明該系統(tǒng)的階躍響應(yīng)曲線具有純滯后性和自平衡能力.具體表現(xiàn)為： 系統(tǒng)突然加大粉末活性炭投加量，30 min后出水COD值才開始下降，說明系統(tǒng)存在滯后性，其中包括粉末活性炭吸附反應(yīng)時間；利用自身調(diào)節(jié)功能，60 min后出水COD達到新平衡，說明系統(tǒng)具有典型的欠阻尼二階特性，這與理論分析的傳遞函數(shù)式(4)一致.

經(jīng)計算，活性炭投藥量控制的階躍響應(yīng)曲線拐點為(50,49.78)(見圖8)，在拐點處作曲線的切線，得到斜率，最終確定被控對象的傳遞函數(shù)為

(5)

3.3 PID參數(shù)的整定

PID參數(shù)的整定[10]過程就是反饋控制器Kp、Ki、Kd的確定過程. 本文采用臨界比例度法整定PID參數(shù)，計算公式見表6.

表6 臨界比例度法

臨界比例度法整定PID參數(shù)的步驟如下[11]：

(1) 令積分時間常數(shù)Ti=∞，微分時間常數(shù)Td=0，比例系數(shù)Kp取較小的值，操作一段時間后保證系統(tǒng)穩(wěn)定運行.

(2) 從大到小逐漸改變比例增益Kp，直至系統(tǒng)出現(xiàn)等幅振蕩，記錄此時臨界振蕩增益Ku和臨界振蕩周期Tu.

(3) 根據(jù)表6中的經(jīng)驗公式確定相應(yīng)的PID參數(shù)，即Kp、Ti、Td的值.

根據(jù)被控對象傳遞函數(shù)

在Matlab的Simulink環(huán)境下構(gòu)造的粉末活性炭投藥系統(tǒng)的反饋PID控制模型框圖見圖9.

圖9 PID參數(shù)整定仿真圖Fig.9 PID parameter tuning simulation diagram

為獲取系統(tǒng)等幅振蕩曲線，需要不斷改變比例增益Kp.當Kp=0.6時，系統(tǒng)出現(xiàn)等幅振蕩，此時的臨界振蕩周期Tu約為120 min，比例增益Kp即為臨界增益Ku，故Ku=0.6.

利用表5中的公式可得：

Kp=0.6Ku=0.36,
Ti=0.5Tu=60,
Td=0.125Tu=15.

從而求得比例系數(shù)Kp=0.36；積分系數(shù)Ki=Kp/Ti=0.006；微分系數(shù)KD=KPTd=5.4.

輸入上述整定后的參數(shù)進行仿真，最后得到反饋控制下的系統(tǒng)出水COD超調(diào)量大于40%，約300 min后系統(tǒng)達到穩(wěn)定狀態(tài).

4 BP神經(jīng)網(wǎng)絡(luò)-PID復(fù)合控制系統(tǒng)的仿真與實現(xiàn)

4.1 復(fù)合控制系統(tǒng)的仿真

在Matlab中利用函數(shù)gensim()加入已完成訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)控制器模塊.設(shè)階躍響應(yīng)信號的幅值(沉淀池出水COD期望值)為50，在Simulink環(huán)境下搭建的粉末活性炭投加復(fù)合控制系統(tǒng)的模型框圖見圖10.

圖10 活性炭投加復(fù)合控制系統(tǒng)的模型框圖Fig.10 The block diagram of composite control system for PAC

在Matlab中，對復(fù)合控制策略進行仿真，最后得到復(fù)合控制下的粉末活性炭投加系統(tǒng)出水COD超調(diào)量小于20%，出水COD波動較小，而且振蕩周期短，調(diào)節(jié)時間在70 min左右.因此可以充分證明該復(fù)合控制模型能夠較好地反映實際情況，具有良好的動態(tài)響應(yīng)特性和自適應(yīng)能力.

4.2 復(fù)合控制系統(tǒng)的實現(xiàn)

PLC系統(tǒng)[12-13]因具有結(jié)構(gòu)靈活、編程簡單、具備硬件故障自我檢測能力等優(yōu)點，常被選作現(xiàn)場控制設(shè)備，用于現(xiàn)場數(shù)據(jù)采集、狀態(tài)判別和輸出控制等；WinCC組態(tài)軟件[14-15]因具有人機界面友好、畫面更新快、數(shù)據(jù)管理能力強等特點，常用于顯示設(shè)備的運行狀態(tài)、工業(yè)參數(shù)等信息.

該城鎮(zhèn)污水處理廠的自動化監(jiān)控系統(tǒng)主要由WinCC 7.0組態(tài)軟件和德國西門子S7-200/S7-300 PLC構(gòu)建而成，PLC與上位機之間采用 OPC(OLE for process control) 協(xié)議進行數(shù)據(jù)交換. OPC是為工業(yè)應(yīng)用程序之間提供高效的信息集成和交互功能的組件模型接口，安裝WinCC 的上位機后，既可以通過 WinCC 對 PLC控制系統(tǒng)進行獨立監(jiān)控，又可通過OPC協(xié)議進行數(shù)據(jù)交換.上位機既可作服務(wù)器,又可作客戶機[15]，實現(xiàn)污水處理過程中的實時現(xiàn)場監(jiān)控和遠程控制管理.不僅可減輕現(xiàn)場工作人員的負擔，還為水廠自動化生產(chǎn)奠定了基礎(chǔ)，其結(jié)構(gòu)見圖11.

圖11 粉末活性炭投加控制系統(tǒng)結(jié)構(gòu)圖Fig.11 The structure of PAC dosing control system

粉末活性炭投加系統(tǒng)遠程自動控制步驟： 首先通過PLC控制系統(tǒng)將實時檢測到的數(shù)據(jù)(進水COD、pH值和進水流量Q)上傳至上位機的WinCC監(jiān)控界面，再通過計算機中的Matlab軟件讀取數(shù)據(jù)，根據(jù)復(fù)合控制模型預(yù)測活性炭投加量x，利用公式計算螺桿計量泵流量q(見式6)，然后由Matlab通過OPC通信工具將數(shù)據(jù)傳送至PLC控制系統(tǒng)，以此來控制變頻器，實現(xiàn)對螺桿計量泵的控制，從而準確調(diào)節(jié)粉末活性炭投加量.

(6)

其中，q(m3·h-1)為螺桿計量泵流量；Q(m3·h-1)為進水瞬時流量；x(g·L-1)為活性炭預(yù)測投加量；c(g·L-1)為活性炭炭漿濃度.

4.3 運行結(jié)果

試運行一個月后，自動控制階段的出水達標率升至90.63%，相較于人工控制階段的達標率81.75%，提高了8.88%；活性炭日均消耗量,人工控制階段為5.54噸，自動控制階段為4.62噸，日均消耗量削減了16.61%.根據(jù)活性炭市價4 880元·噸-1計，每月可節(jié)約成本13.5萬元.

5 小 結(jié)

5.1通過分析城鎮(zhèn)污水處理廠粉末活性炭投加系統(tǒng)，發(fā)現(xiàn)現(xiàn)有系統(tǒng)存在受非線性因素影響以及反應(yīng)時滯等問題，難以建立準確的數(shù)學(xué)模型，為此，提出了BP神經(jīng)網(wǎng)絡(luò)前饋預(yù)測+反饋PID的復(fù)合控制系統(tǒng)方案.

5.2通過燒杯試驗獲取樣本數(shù)據(jù). 用3層結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)模型，利用離線訓(xùn)練后的模型對未學(xué)習的樣本進行仿真，結(jié)果與實際投加量的擬合度(R2)為0.968，均方根誤差(RMSE)為0.009 1.活性炭投加系統(tǒng)的前饋控制器采用BP神經(jīng)網(wǎng)絡(luò)模型，可以適應(yīng)原水水質(zhì)的變化，而且自學(xué)習能力強.