SBR污水处理过程的监视与软测量

张燕 李敏杰

摘要：本文以脱氮除磷SBR污水处理系统为研究对象，借助于MATLAB仿真平台，分别对SBR污水处理系统进行软测量与监视策略研究。实验结果表明，利用人工神经网络的非线性逼近能力和学习能力以及PCA的有效去除数据相关性的特点，能够很好地实现出水指标的实时估计，为实现闭环控制奠定了基础具有重要的理论意义和工程实用价值。

关键词：序批式反应器  软测量  主元分析  人工神经网络

1 概述

随着现代化工业的迅猛发展和人口的增长，人类赖以生存的水资源遭到了极大的破坏，水污染已成为制约人类发展的主要因素之一[1]。

在中国，城市污水资源化正受到高度重视，环境保护也作为我国基本国策之一。污水处理过程的生产条件恶劣，随机干扰严重，具有强非线性、时变、大滞后等特点，难以建立精确的数学模型，且关键水质参数无法在线监测，是一类典型的复杂过程。由于缺少可行的在线检测手段，目前很多污水处理厂的生产都是利用生产人员的经验来控制的，自动化水平很低，无法保证出水水质，且易造成能源的巨大浪费。没有合适的仪器仪表对废水的这些重要指标作实时的监测，虽然也有一些商品化生物传感器出售，但因为各种原因未得到实际应用。因而某些重要污染物指标的监测几乎成为污水水质监测的空白点，在控制和优化算法已取得丰富成果的同时，水质实时监测技术成为污水处理问题的瓶颈。

面对这种情况，污水水质监测技术已成为污水处理行业的一个亟待解决的问题。

2 SBR污水处理系统及其控制

2.1 SBR

SBR，中文全称为间歇式活性污泥法又称序批式活性污泥处理法[2]，是一种污水处理方法，一个典型的SBR运行周期按次序分为五个阶段：进水、反应、沉淀、排水和闲置阶段，其流程示意图如图2.1。污水一批一批地顺序经过进水、曝气，沉淀、排水，然后又周而复始。

■

图2.1  SBR污水处理工艺流程图

2.2 SBR污水处理系统的自动控制

污水处理过程有很大的时变性，需要较多地考虑其动态行为和运行特性。采用自控技术，可以根据监测的结果，随时调整设备及工艺过程参数，可使设备状态优化，经济运行，节约能耗保证安全操作，减少事故，改善劳动条件，提高管理水平，合理使用和配置设备。国内外的经验都表明，好的自动化管理不仅能节省人力，更能使系统稳定可靠节省运行费用。

本文设计的控制系统包括现场控制层和过程监控层两部分[3]。

①现场控制层

现场控制层又叫现场PLC控制站，主要有现场PLC与在线检测及分析仪表、电控设备、调节设备等组成，它是自动控制系统的基础。

②过程监控层

过程监控层又叫中心控制室，主要有工业控制计算机、网络服务器、输入输出设备等组成。过程监控层主要为操作管理人员提供人机界面，对污水处理过程进行在线监视，同时对现场工艺设备进行控制和管理。它是整个自动控制系统中人机信息交换的中心，工业控制计算机在线运行，定时检测现场PLC控制站采集的数据，对各个工艺参数、设备的工作状态实时显示、记录、打印、事故报警等。系统操作人员通过输入设备可开/关或调整设备的工作状态。

3 SBR污水处理系统的软测量

3.1 软测量技术

软测量的目的是利用现有可以获得的变量信息得出主导变量的估计值，即得到从辅助变量到主导变量的某种函数关系（数学模型）。软测量技术的核心是建立对象的数学模型，对象数学模型的好坏，将直接关系到软测量器的计算结果。

3.2 BP神经网络

BP神经网络是采用反向传播算法（Back-Propagation Algorithm）进行学习的多层前向网络，BP学习算法是一种监督学习算法，从样本中选取输入模式作为网络的输入，并测试其输出，即测试实际输出与期望输出的一致性，以指导网络权值和阈值的修改，通过学习，网络的实际输出与样本期望输出间的均方误差会达到极小，学习的目标是使网络表达输入、输出关系的映射。

3.3 主元分析（PCA）

PCA，中文名称叫主元分析法。它的原理是将一个复杂的多参数问题可以通过逐级分级转化为仅有少数参数的问题的综合方法。在数学上，通过将高维向量投影到低维空间中，而在低维空间的少数变量中，问题的关键信

息被保留并反映出来。这样极大地降低了问题的处理难度。

3.4 仿真结果

本文分别建立了基于BP和PCA-BP神经网络模型，以matlab作为仿真实验工具。实验样本经数据预处理后剩下162组数据，将这162组数据样本分两部分：其中108作为训练样本，其余54组数据作为校验样本。图3.1和图3.2分别为两组方案的出水COD软测量仿真图（X轴：采样数，Y轴：出水COD（mg/l））。两个模型性能指标比较见表3-1。

表3-1 两个模型性能指标比较

■

■

图3.1  出水COD的BP软测量仿真图

■

图3.2  出水COD的PCA-BP软测量仿真图

通过分析结果可以得到以下结论：

①将BP人工神经网络模型用于预测出水COD的浓度基本上能反应系统的变化趋势。但是利用PCA-BP建立的软测量模型对出水COD预测精度更高一些。

②采用将PCA方法与神经网络相结合的方法，建立的软测量模型。利用了PCA方法对高维变量降维的优点，有效的去除了数据的相关性，减少了样本的噪声影响，能够降低神经网络训练的难度。

4 SBR污水处理系统的在线监测

污水处理过程的在线监视是污水处理过程的一个重要组成部分，设置SBR污水处理系统的一个运行周期为8h，选择溶解氧、氨氮、固体悬浮物、电导作为在线实时测量的状态变量来构成监视系统。采集10个批次的正常运行数据作为原始历史数据。

如图4.1中，取采样数为180个。为检验所选择的批次运行是否正常，分别采用MPCA和MKPCA算法对过程进行离线分析。

仿真结果如下：

■

采用MPCA和MKPCA算法在线监视正常运行批次的结果

图4.1

其中，虚线为99%控制限，实线为各时刻的T2和SPE统计量值。在图4.1（a）中SPE统计量在采样数为30左右出现了误报现象;而在图4.1（b）中T2和SPE统计量均未超出控制限。因此，MKPCA算法用于在线监视较MPCA算法可靠。

5 结束语

以SBR污水处理系统为研究对象，借助Matlab仿真平台，应用神经网络和PCA方法实现了对污水处理过程的软测量监视，本文所构建的SBR污水处理统，为城市

污水处理过程的软测量以及实时监测研究提供了有效平台。

参考文献：

[1]刘会娟，姜兆春，赵丽辉.我国城镇可持续发展的水资源问题与对策[J].环境污染治理技术与设备，2000，1（3）：10-13.

[2]Chang H.N.，Moon R.K.，Simulation of sequential batch reactor（SBR） operation for simultaneous removal of nitrogen and phosphorus[J].Bio.Eng.2000，（23）：513-521.

[3]Cote M.，Grandjean B.P.A.，Lessard P.，Thibault.Dynamic modeling of the activated sludge process：improving

prediction using neural networks[J].Water Res.2005，29（4）：995-1004.

基金项目：

包头轻工职业技术学院校级科研项目（QY2014-1-8）。