活性污泥方法中曝气过程控制的仿人智能策略

肖前军 黄 戎

(重庆工业职业技术学院自动化学院，重庆 401120)

活性污泥方法中曝气过程控制的仿人智能策略

肖前军 黄 戎

(重庆工业职业技术学院自动化学院，重庆 401120)

曝气是污水生化处理的最重要环节，针对污水组份不确定性导致的控制难题，探讨了曝气过程控制的仿人智能策略。剖析了被控过程的控制难点，论述了曝气过程的控制论特性，对控制策略作了对比研究，构造了基于仿人智能的工程控制算法。以具有滞后的惯性过程模型为例，仿真相应的对比研究验证了仿人智能策略在上升时间、调整时间、是否超调与稳态控制精度等方面的良好控制品质。仿真研究结果表明，提出的仿人智能控制策略是可行与有效的。

活性污泥法 曝气过程控制 仿人智能策略 生物降解 水质净化 生化反应

0 引言

曝气是污水生化处理阶段中最重要的环节。首先，曝气是发生化学反应的过程，产生空气氧化水，将曝气池中的亚铁、锰等进行分离并沉淀。其次，在曝气过程中，在曝气池维持一定污泥浓度条件下，由于嗜氧菌在水中生存需要氧气，曝气可为大量的嗜氧微生物生长提供良好的生存环境，使池中嗜氧菌将污水中有机污染物进行降解。在污水净化处理过程中，曝气的目的就是连续不断地曝气充氧，提高水中溶解氧的含量，从而提高嗜氧菌的活性，使有机污染物质在生物化学作用下逐步降解，因此曝气就是为有机污染物降解创造条件。实质上污水处理就是将进入曝气池体中的污水在有氧的环境中，与池中微生物形成微生物的生物圈，利用微生物对池体污水进行生物降解净化，实现对水体的净化和水质的改善提高。

1 污水处理过程控制难点

污水处理的技术关键之一在于对生化反应复杂过程的控制，即对曝气过程充氧的优化控制。曝气充氧量与生化反应过程直接相关，衡量污水污染程度的三个重要技术指标分别是溶解氧(dissolved oxygen,DO)、生化需氧量(biochemical oxygen demand,BOD)和化学需氧量(chemical oxygen demand,COD)。DO是指溶解在水里的氧的数量，以每升水中包含氧气的毫克数表示。该指标是研究水体自净能力的依据。在生化反应过程中，当污水中有机物质氧化分解为气体或无机物质时，促进生物降解过程的嗜氧菌需要消耗溶解氧。当水中DO值降到5 mg/L以下时，如不及时补充溶解氧，鱼类呼吸就会发生困难，水体中厌氧菌将会很快繁殖，导致有机物腐烂，引起水体变黑发臭。在有机物分解过程中，BOD是指所消耗的溶解氧总数量，该指标用于衡量水体的污染程度，低BOD值表示水体污染程度低；相反，如果BOD值愈大，那么它表明水体的污染程度已经很高。COD反映水体受还原性物质污染的程度，其单位为mg/L。水体中存在的还原性物质少,则水质污染程度轻；相反,其值越高说明其污染越严重。国家标准规定：工业废水排放COD最高容许浓度应小于100 mg/L，如造纸等特殊行业，其COD浓度应小于500 mg/L；对BOD的规定是水体最高容许浓度为60 mg/L，地面水不得超过4 mg/L。实际工程中，由于对BOD和COD值进行精确测量比较困难，鉴于活性污泥法是嗜氧过程，可借助DO参数间接地反映COD指标。DO与COD相关性研究已经证实了它的可用性，因此控制中一般选择DO作为控制参数。

曝气是促进生物化学反应的复杂过程，不确定性与复杂性是该过程的显著特征[1-6]，从控制论角度剖析曝气过程，其控制难题源于曝气过程的控制论特性。由于受不确定性与复杂性的影响，曝气过程是难以进行数学建模与采用严格数学方法进行定量描述的，它具有以下控制论特性。

① 曝气生化反应过程的“过程参数”只是特定环境条件下的一个估计值，条件不同，“过程参数”就不同，实质上意味着“过程参数”具有未知性。“过程参数”表现出的分散性、随机性与时变性就是由过程的复杂性与不确定性导致的。

② 曝气量多少与污水曝气池容积以及污水在曝气池的温度与运动速度等诸多因素相关。曝气过程是一个具有惯性的时滞过程，其过程时间时滞是时变与未知的，它导致整个曝气过程的污水参数具有时变性与未知性。

③ 一般化学反应过程存在严格的定量关系，各个要素之间的关系是确定的，相互独立的。曝气生化降解的生化反应过程具有不确定性，各个要素之间呈现出强关联性，其关系是非线性的，而且相互之间存在制约关系。

④ 生物化学反应过程受环境因素影响大，环境气氛直接影响化学反应的降解，比如不同季节的温度就具有随机性、未知性与多样性，这种环境干扰影响是难以预测的。

上述特性表明，曝气过程的优化控制并非易事，由于不确定性导致难以进行数学建模，不可能采用范式控制策略对其实施精确的定量控制。以下从控制论角度对曝气过程的控制策略作些讨论。

2 曝气过程的控制策略

针对曝气过程的控制论特性，如不确定性、高度非线性、非结构化特性与复杂性以及过程参数的时变性和时滞特性等，可供选择的控制策略并不多。如基于传统控制理论(PID)与近代控制理论的控制策略，其控制器分析与设计的基础是曝气过程的精确数学模型，曝气过程难以进行数学建模，因此采用该控制策略实施控制的效果是不可能令人满意的。神经网络控制要求对神经网络模型的权值进行训练与学习，但因不确定性所致，其试验样本很难从事先试验和已知经验中获得。因方法的局限性，该控制策略对曝气过程并非是有效的控制策略。基于知识的专家控制系统尽管可处理精确、模糊与定性、定量的信息，但在完备知识库建立与特征信息采集以及特征信息表达等方面，因曝气过程的不确定性，使其变得更加难以实现，所以，专家系统控制未必是好的选择。模糊控制技术可借助模糊语言描述操作者的控制经验，基于模糊集合理论对曝气过程进行描述与刻画，总结归纳出控制规则，实现对被控过程的控制。但是曝气过程的不确定性与复杂性致使其隶属函数难于确定，从而导致模糊规则无章可循。因此，采用模糊控制策略是难以对曝气过程实施优化控制的。正是上述原因导致至今曝气过程仍然采用以人工控制为主的控制方式。

随着人工智能和自动控制理论的发展，智能控制策略给曝气过程控制提供了新的控制思路。智能控制策略是一种无须人工干预的自动控制策略，在实施控制过程中，在过程动态特性变化范围内，其智能控制器可自主地驱动控制过程，达到被控过程期望的控制目标[7-8]。基于人类智能的仿人智能控制器(human simulated intelligent controller,HSIC)就是模拟人类控制行为的控制器。曝气过程控制中，DO控制参数可通过物理检测手段获取，因此误差及误差变化率等是可检测的。据此可对曝气过程中反映DO控制参数变化的动态特性进行在线特征记忆和特征辨识，按照前一个控制周期的误差特征模式确定下一个控制周期的控制模式。控制模式确定了，控制算法就确定了。值得注意的是：由于该控制策略采用产生式规则描述推理与控制行为，可方便地基于知识的广义控制模型设计控制器，因此可以方便地将操作者的控制经验、智慧与技巧以及控制专家的知识融入控制算法中，以提高控制器的控制品质，特别是增强控制器的鲁棒性能。因此，文中对曝气过程的控制选取基于仿人智能的控制策略。

3 控制算法及其试验仿真分析

3.1 控制算法

图1所示为基于仿人智能的广义知识控制模型。

图1 控制模型

(1)

该原型控制算法实质上实施的是双模态控制。在实施控制的过程中，下个控制周期的控制模式与控制算法由当前控制周期的误差特征模式和控制算法决定。原型控制算法可方便地借助条件语句实现，除采用基本控制模式外，其优势在于可再融入其他的控制策略。比如在曝气过程控制中，可将实际控制经验与控制智慧以及专家知识等嵌入到原型基本算法中，以取得更优秀的控制品质。这是其他控制策略所不及的。针对曝气过程控制，仿人智能的控制器设计可采用表1的改进算法。

广东省抽取的2批蒸五味子和内蒙古自治区抽取的1批制五味子样品，其药品名称虽然收载于抽样地所在省中药饮片炮制规范，但无检验项目。

表1 控制算法规则

表1中，PO(n-1)、PO(n)分别表示第(n-1)个控制周期控制器输出量P需要保持的值和控制器输出量P第n次需要保持的值。em,n、K1分别为曝气过程误差的第n个极值与比例系数，K1>1。M1、M2为误差阈值，并且满足M1>M2。K2是一个抑制系数，并且满足0

3.2 试验仿真及其分析

针对曝气过程的不确定性与复杂性，考察控制策略的控制性能，实质上就是考察该控制策略的鲁棒性能。鲁棒性强的控制器有很强的自适应性，如过程跟踪控制，强鲁棒控制器的跟踪性能很少受内部控制参数变化和外部干扰的影响。对恒值控制系统而言，内部控制参数变化和外部干扰也几乎同样不影响其控制品质。以下从鲁棒性角度，用试验仿真验证基于仿人智能的控制策略的强鲁棒性能。由于曝气过程是惯性时滞过程，可借助一阶惯性环节加时滞环节对曝气过程进行描述。在过程结构阶次、控制参数大范围变化以及施加外部干扰时，考察曝气过程对不同控制策略的过程响应特性。其中,调节时间短、响应时间快、不存在超调或者超调小、稳态控制精确度高的控制策略因其强鲁棒性就是可取的。为了直观比较控制效果，仿真试验中，以PID控制策略为参照，将HSIC仿人智能控制的过程响应与PID控制的响应过程进行比较。选取过程模型为：

W(s)=Ke-τs/(Ts+1)

(2)

式中:K为比例系数；τ为纯滞后时间，单位s；T为曝气过程时间常数，单位s。

取K=1，T=1.2s，τ=2s，因此，过程模型为W(s)=e-2s/(1.2 s+1)。

基于Matlab环境，借助Simulink搭建仿真模型，在单位阶跃输入信号作用下，分别采用PID和HSIC控制同一过程，其过程响应如图2所示。图3是在t=4.5s时对过程施加一个幅度为0.5、宽度为2s的脉冲干扰的响应曲线。

图2和图3中，曲线1和曲线2分别为PID和HSIC控制时的过程响应曲线。分析图2可知，尽管PID与HSIC控制都不存在超调，但PID响应上升时间和调整时间不及HSIC控制时间快，HSIC控制明显优于PID的控制品质。比较图3响应曲线1和曲线2可知，HSIC控制具有较好的抗干扰性。

图2 过程响应曲线

图3 脉冲干扰的过程响应曲线

原过程控制参数分别为：K=1，T=1.2 s，τ=2 s，现在分以下情况对控制参数进行改变。

① 如果K由1变到2，其他控制参数均不变，在同样输入条件下，其过程响应曲线如图4所示。对比分析响应曲线可以看出，当比例系数改变后，HSIC控制仍保持无超调状态，而PID控制出现大幅度超调，而且过程产生振荡。

图4 改变K的过程响应曲线

② 如果T由1.2 s变到2 s，其他控制参数均不变，在同样输入条件下，过程响应曲线如图5所示。分析PID和HSIC控制的过程响应曲线不难发现，采用HSIC控制时，其过程响应很少变化，但是采用PID控制时，过程响应的超调略有增大。

图5 改变T的过程响应曲线

③ 如果控制参数τ由2 s变到4 s，其他控制参数均不变，在同样输入条件下，过程响应曲线如图6所示。

图6 改变τ的过程响应曲线

比较分析过程响应曲线可以看出，HSIC控制响应曲线几乎没有发生变化，尽管也出现小幅度的波动，但对控制品质并没有多大影响，仅仅是在响应时间上推迟了2 s而已。但PID控制出现大幅度超调，而且产生大幅度振荡。

④ 在被控过程控制参数不变的情况下，给其增加一个惯性环节1/(2s+1)，即将原被控过程模型由一阶变为二阶过程W(s)=e-2s/[(1.2s+1)(2s+1)]，其控制的过程响应曲线如图7所示。由过程响应曲线分析对比可以看出，HSIC控制无超调量出现，其响应曲线几乎没有发生变化，但是PID控制出现大幅度的超调。

图7 二阶过程响应曲线

由上述分析可知，当过程有外部干扰时，HSIC控制比PID控制有更强的抗干扰性能；当过程控制参数发生变化，即使过程的阶次发生变化由一阶变为二阶过程时，HSIC控制比PID控制均具有更高的控制品质。仿真试验表明，基于仿人智能的控制策略在调节时间、响应时间、不存在超调或者超调小以及稳态控制精度等方面有独特的控制优势。

4 结束语

曝气是一个具有不确定性的复杂控制过程，本文针对不确定性复杂过程的控制论特性，探讨了活性污泥法曝气过程控制中基于仿人智能的控制策略。仿真试验验证了该控制策略的强鲁棒性，可在容许指标范围内控制DO浓度,从而确保污水处理的出水水质达标。仿真结果表明了仿人智能控制策略的可行性与有效性。

[1] 彭莉，林鹰，杨奕.复杂系统控制中的相关技术讨论[J].西南师范大学学报，2004，29(6):1066-1068.

[2] Cai Zixing,Zhou Xiang,Li Meiyi.A novel intelligent control method evolutionary control[C]//Proceedings of the 3rd World Congress on Intelligent Control and Automation，2000：387-390.

[3] 李太福,冯国良,钟秉翔,等.一类不确定性复杂系统的控制策略分析[J].重庆大学学报：自然科学版,2003,26(1):4-7.

[4] 杨志,李太福,盛朝强.基于仿人智能的复杂关联系统控制[J].重庆大学学报：自然科学版,2002,25(7):9-11.

[5] 孙小方,蔡亦军,潘海天,等.大时滞过程自适应智能模糊Smith控制研究[J].工业仪表与自动化装置,2008(5):6-9.

[6] Punal A,Rocca E.An expert system for monitoring and diagnosis of anaerobic wastewater treatment plants[J].Water Research,2002(16):2656-2666.

[7] 王耀南,孙炜.智能控制理论及应用[M].北京:机械工业出版社,2008.

[8] 李士勇.模糊控制·神经控制和智能控制论[M].哈尔滨：哈尔滨工业大学出版社，2003.

[9] 李祖枢，涂亚庆.仿人智能控制[M].北京：国防工业出版社，2003.

[10]杨飚,张曾科.仿人智能控制器的动态特性参数整定方法[J].信息与控制，2004,33(6):670-673.

[11]熊仁权，乔正洪.基于仿人智能的供水系统控制策略[J].四川兵工学报,2012,33(1):76-78.

Human Simulated Intelligent Strategy of Aeration Process Control in Activated Sludge Method

Aeration is the most important part of the biochemical sewage treatment. Aiming at the control difficulties caused by the uncertainty of sewage components, the human simulated intelligence strategy for aeration process control is investigated. The control difficulties of the controlled process are dissected, the cybernetics characteristics of aeration process are expounded, the control strategies are compared and studied, and the engineering control algorithm based on human simulated intelligence is constructed. Taking the inertia process model with time lag as example, relevant comparison research is simulated, the good control quality in many aspects, e.g. rising time, adjusting time, whether overshoot or not, and static control accuracy, etc., of human simulated intelligent strategy is verified.

Activated sludge method Aeration process control Human simulated intelligence strategy Biodegradation Water quality Biochemical reaction

肖前军(1974-)，男，2006年毕业于重庆邮电大学通信与信息系统专业，获硕士学位，副教授；主要从事控制理论与嵌入式方面的教学与研究。

TP273

A

10.16086/j.cnki.issn1000-0380.201504018

修改稿收到日期：2014-09-09