污水处理厂运行维护与管理控制模式：检测设备

曹徐齐

(1.上海《净水技术》杂志社，上海 200082；2.上海市净水技术学会，上海 200082)

在污水处理厂实现高效稳定的自动化和信息化管理控制，不仅需要对工艺单元运行状况的软件模拟、对工艺内部运行及各单元间调配模式的系统设计、对污水厂仪器设备管理维护的改进优化，更有赖于对各类硬件支持进行及时的更新替换，使其能够满足日益提升的出水标准和管理目标的需要。其中检测器(sensor)作为基础的工艺控制元件，对于工艺线的正常运行具有重要作用，检测限低、灵敏度高、响应时间迅速、稳定性强、校准维护方便的检测器，是实现污水厂各水质指标实时在线监测和控制的重要保障。本文介绍了当前国内外几种较为前沿且具有巨大应用前景的检测设备或方法，包括气体传感装置(电子鼻)、微生物燃料电池生物传感器、图像分析技术、软检测器等，介绍了它们的检测原理及在污水处理厂的应用，以期为相关从业人员提供参考借鉴。

1 基于气体传感装置的水质实时预测系统“VPeN”

电子鼻(electronic noses)或气体传感装置在环境领域主要用于气相分析，但若合理装配，它们同样可以用来检测液相中的挥发性污染物，如已有研究采用校正后的电子鼻设备来评估污水处理厂下游自然水体中的BOD5含量[2]；有采用固态传感装置检测杀虫剂林丹在废水中含量的案例[3]。气体传感装置适宜检测的污染物指标通常在60～90 ℃的温度下(设备加热)易由液相转化为气相，如部分硫化衍生物、铵/胺衍生物、余氯，以及生活污水中易被生化降解产生气体(CO2、N2)的BOD5、COD、总凯氏氮等。

为了使传感器能够对广谱气体(如VOCs)具有灵敏性，该气体传感装置采用基于金属氧化物的电阻式传感模组件。由于设备成本较低，其会同时对多种气态污染物响应，因此提供的检测结果准确度较低，但同时这种低选择性也是其优势之一，原因有两点：(1)能够分辨出某一大类的污染物气体，而非单一污染物；(2)能对影响调查环境“气态氛围”的多种情况作出响应。装置采用八个TGS Figaro气体传感器，它们分别对某一种特定气体的含量在一定程度上具有线性响应，但同时它们对广谱气体污染物具有响应，灵敏度存在重叠(overlying sensitivity)。同时，装置内置了气压、温度和湿度传感器，对响应结果进行平衡和修正。装置工作时，先由鼓风机通入空气作为洁净气体进行基准校正，然后通过蠕动泵和鼓风机向装置注入待测水产生的气体，直到读数稳定得到结果。装置工作原理及原型如图1和图2所示。

图1 VPeN工作原理图Fig.1 Block Diagram of VPeN

图2 VPeN试验原型Fig.2 Experimental Prototype of VPeN

该装置无需另外消耗气体，且能够方便地外接数据获取网络。根据温度、pH、氧化还原电势等外部条件对结果的影响作出修正和调试，该装置的性能表现能有进一步的提升。

2 微生物燃料电池生物传感器

目前，环境友好型的生物电化学系统在污水处理和回用中发挥的潜力正日益受到关注，其中最热门的技术便是微生物燃料电池(MFC)。MFC可利用微生物作为生物催化剂来分解有机物，同时释放出电子和质子，电子通过外电路从阳极传递到阴极形成电流，而质子通过质子交换膜传递到阴极，氧化剂(一般为氧气)在阴极得到电子被还原。MFC可将废水中的污染物转变为能量，从而减小活性污泥法等生物化学工艺所需的能耗，是一种非常具有应用前景的技术。

MFC生物传感器(biosensor)则是一种利用MFC产生的弱电来可持续地对水体环境中的目标污染物进行在线监测的技术。MFC产生的电流同阳极生物膜上发生的具有电活性的代谢活动直接相关，其间电子可通过直接传递[纳米线(nanowires)或直接接触]或间接传递(中间介质或胞外基质)从生物膜传递到阳极表面，而温度、pH、电导率等操作条件都会对电流稳定性产生影响。MFC生物传感器的工作原理正是基于将阳极生物膜作为识别元件，其可对电子从生物膜传递到阳极时发生的流量变化作出响应，将其转化为可测的信号强度，从而监测水体中有机物的含量水平。MFC生物传感器产生的电流使得其可在无能源供给的偏远地区进行水质监测，是一种理想的可持续性监测装置。通常采用天然的混合微生物菌种可以提高MFC生物传感器检测的效率和稳定性。当前研究已有的几种不同的微生物燃料电池(MFC)生物传感器装置如图3所示[4]。

注:A-硅基MFC生物传感器；B-叠层3D打印微型MFC生物传感器；C-阳极流入式MFC生物传感器；D-四阳极室-共阴极MFC生物传感器；E-单室型MFC生物传感器；F-双感应元MFC生物传感器图3 不同的微生物燃料电池(MFC)生物传感器装置Fig.3 Different Setups for Microbial Fuel Cell-Based Biosensors

当MFC装置用于产电时，其研究重点主要为如何提高电池效率和电能输出；而当MFC作为生物传感器应用时，其研究重点主要为如何提高对目标物的检测灵敏度，如式(1)。

(1)

其中：ΔI—电流输出变化，μA；

Δc—目标检测物的含量变化，mmol/L；

A—阳极表面积，cm2。

因此，MFC生物传感器的检测灵敏度和目标检测物单位浓度变化引起的电流变化以及阳极表面积的大小相关。另外，MFC生物传感器还应具备以下特性：能产生平稳恒定的电流输出(基线)；无论温度、pH、电导率等水样条件如何波动，电输出需具备重现性；响应时间(即电流达到稳定状态的95%所需的时间)需足够短；对于干扰，需能在足够快的时间内恢复到基线状态。

尽管由于简单紧凑的结构和低廉的成本，MFC生物传感器近年来在水厂和污水厂的水质监测和控制中得到了一定应用，但其进一步推广和普及仍存在一定的挑战，包括对污染物的选择性较低、检出限较高、准确度较低、微生物易被其他菌株污染、对极端环境的耐受性较差、不能长期监测、对污染物的响应存在时间滞后等。今后的研究重点主要在高效且低价的电极和膜材料的开发、新型微生物菌株的分离等方面。

3 图像分析技术在絮体检测和絮凝剂控制中的应用

在污水处理工艺中，图像分析技术在判断絮凝过程中絮体的大小、碎片维度、强度和破碎程度方面具备一定优势，然而受准确度、操作可行性和软硬件的限制，该技术目前仅在实验室范围内试验成功。Sivchenko等[7]基于一种图像纹理分析技术(texture image analysis)——灰度共生矩阵(grey level co-occurrence matrix，GLCM)，设计了一种新型的絮体检测器，并在挪威一座污水处理厂对其性能进行测试。

该装置位于二沉池上方，主要由蠕动泵、图像采集室、LED灯源、相机模块、显示屏及Raspberry Pi单板计算机等部件构成，其结构如图4所示，其中图像采集室实物如图5所示，单板计算机可用来控制和改变相机参数。每隔10 min对图像采集室连续拍摄3张照片(拍摄间隔为5 s)进行图像分析。通过软件获取图像的四个特征量——对比度(contrast)、熵(entropy)、相似度(homogeneity)和差异度(variance)，然后采用GLCM法对图像的纹理进行分析。研究发现所拍摄絮体图片的纹理信息和絮凝剂的投加剂量存在一定相关性，因此可用于预测絮凝剂的投加量和预报混凝沉淀出水的浊度值。

图4 絮体装置示意图Fig.4 Schematic Representation of the Floc Detection Setup

图5 图像采集室Fig.5 Imaging Cell

出水浊度分别为1.9～5 FNU(ISO 7027《水质-浊度的测定》方法采用的浊度单位)、小于1.9 FNU以及大于5 FNU时所拍摄的絮体照片及对应的四个特征量值如表1所示。根据照片发现相似度较高的絮体照片对应的出水浊度更低，处理效果更佳，而剩余三个特征量更高的照片对应的出水浊度高，表明絮凝效果不理想，需提高絮凝剂投加量。

根据每天的进出水参数(流量、浊度、pH、温度等)及四个GLCM特征量，建立模型预测絮凝剂的投加量，与该污水处理厂的絮凝剂实际投加剂量采用偏最小二乘法进行拟合，结果如图6所示。连续实线为该污水处理厂絮凝剂投加量的参考值(即实际采用量)；三角为实际出水浊度值；根据运行经验确定出水的理想浊度范围为1.9～5 FNU，即两条虚线之间；方框点为出水浊度在1.9～5 FNU时的模型预测投加量；方框点、圆黑点、菱形点分别是出水浊度为1.9～5 FNU、小于1.9 FNU以及大于5 FNU时的模型预测投加量。结果显示预测值和参考值之间的拟合情况较为理想，其中出水浊度超过5 FNU的天数实际发生降雨，絮凝剂投加为人工控制，投加量被低估。

表1 不同出水浊度下三种絮体的照片及对应的GLCM特征参数Tab.1 Sample Images and GLCM Textural Features Corresponding to Different Outlet Turbidity Measurements

注：括号内为实际出水浊度

图6 絮凝剂预测投加量及参考投加量对比Fig.6 Comparison of Predicted Coagulant Dosages by PLSR and Reference Dosages

研究表明若该絮体检测器和絮凝剂投加自动控制系统进一步联用，十分具有应用前景。

4 基于定性趋势分析的软测量法

曝气效率的控制对于污水处理厂运行效率的提升有着重要意义。目前普遍采用的标准策略是控制一定的曝气强度，使得曝气池中的DO维持在某一设定值；另一种策略是控制曝气池中氨氮的浓度，因为氨氮过量会使得活性污泥发生反硝化现象，产生的气体携带污泥絮团上浮，不利于污泥沉降[8]。目前适用的氨氮检测方法通常为原位离子选择性电极检测和异位人工分析检测，然而两者的人工和维护成本都相对较高。软测量(soft sensor)为解决这一问题提供了新的思路。

软测量是对难以测量的目标变量，选择其他容易测量或测量成本较低的变量，通过建立两者间的对应关系来估测目标变量，不但经济可靠，且动态响应迅速。已有文献研究了基于电导率与氨氮浓度[9]、pH/ORP(氧化还原电位)[10]与生物反硝化控制之间关系的软测量在污水处理厂SBR工艺中的应用。由于氨氮负荷增大会促进硝化作用和质子产生，除非提高曝气率使氧利用和CO2脱离产生质子达到平衡，否则反应器内的质子净产量会持续增大，表现为pH下降；反之，若氨氮负荷减小，则硝化作用减弱，质子产量减小，表现为pH上升。对于连续运行的污水处理厂，好氧区内部的pH值差值即包含了氨氮浓度分布的信息，如图7为某污水处理厂曝气单元头尾的pH差值和氨氮浓度在时间序列上的对应关系[11]，对比可知两者的极值同步出现，因此可通过基于pH差值和氨氮浓度之间关系的软测量方法实现对氨氮浓度的实时监测。

图7 曝气池头尾的pH差值(上)及中间的氨氮浓度(下)在时间上的对应关系Fig.7 pH Difference between First and Last Aerated Tanks (Top) and Concentration (Bottom) Measured in the Middle Tank

图8 采用软测量法监测和控制硝化反应过程的方法原理Fig.8 Method and Principle of Nitrification Monitoring and Control by Means of Soft Sensing

Thürlimann等[9]提出了一种基于定性趋势分析(qualitative trend analysis，QTA)和规则控制(rule-based control)的软测量方法来检测并控制活性污泥工艺中的氨氮浓度，并在瑞典的六座污水处理厂对其进行应用。该方法的主要处理流程如图8所示：首先采用定性状态估测(qualitative state estimation，QSE)算法对pH在线监测器测得的原始信号进行处理；然后采用规则控制算法评估QSE算法得到的结果；与此同时，对原始信号及污水厂的部分运行状态参数进行分析，核查非正常数据，以便在必要时推翻规则控制算法得出的决策；最后将得到的DO设定值传输到DO控制器，通过调节生物反应器内的气流强度来控制硝化反应的速率。其中，QSE算法的作用是根据一定的特征将原始信号在时间序列上分割成若干片段，而输入的原始信号可能由于背景干扰而存在多个峰值，且QSE输出结果为二元，需转化为连续的氨氮浓度信号，因此还需要通过规则控制算法对QSE算法得到的结果作进一步处理。该软测量方法的装置示意图如图9所示，在第一座和最后一座曝气池分别安装两个pH监测器，每个监测器每隔1 min检测并记录pH值；在池中间安置离子交换柱检测氨氮浓度作为参考。

图9 软测量法在污水处理厂应用及验证的硬件设置Fig.9 Hardware Setup for Soft-Sensor Development and Validation on a Wastewater Treatment plant

结果显示，该方法在水厂实际测试中具有很好的效果。在实际测试中，pH检测器的稳健性远高于氨氮离子交换检测器，前者更不容易发生设备故障，且允许pH信号在一定程度内的偏移，减小了仪器校准和维护所投入的精力。同时，通过对DO的精准控制，测试污水处理厂的能源消耗可以节省7%左右，特别对于人力有限的中小型污水处理厂，其具有应用价值。