基于自适应模糊Smith的污水处理系统解耦控制

陈龙燕

(泉州职业技术大学,福建 泉州 362268)

随着人们生活水平的提高,其对生存环境的关注越来越多,为实现水资源的开发和再利用,对污水处理技术的研究较为重要。但由于我国国情和人口基础的影响,水资源的污染程度逐渐增加,反过来影响了人们的经济发展和生活节奏。我国在污水处理中的自动化水平较低,处理效果不佳,对污水的处理技术仍需做出更多的努力。由于污水处理系统的通路较多,需要进行处理的污水类型具有差异性,为实现多通路的有效控制,不同学者进行了一系列的研究,并有较好的研究成果。其中,随博文和黄志坚[1]以实时变量逆矩阵提出了一个新方法,主要是在矩阵中进行非线性解耦达到控制目的。该方法将控制问题分解为多个阶级,并针对不同阶级进行逆转处理,在检测到处理信号后建立分解矩阵,通过实时的信号追踪和分解实现系统的解耦控制。这一方法能够直接寻找到解耦的平衡点,达到非线性的解耦控制效果,但由于多次的逆转会影响求解时间,在整体控制上会影响解耦效率。周永华和严梓硕[2]提出了新的解耦控制方法,该方法将ISE-ITAE指标与遗传算法作为研究基础,主要解决了多通路的输出问题,提高了多通路处理系统的应用效率。该方法以ISE-ITAE指标针对耦合状态和解耦条件,通过自适应遗传算法建立控制模型,对不同的输出状态进行解耦配置。在整个设计过程中,遗传算法能够通过时间积分构造适应度函数,在不断地优化过程中促使系统达到最佳的解耦状态,最终实现系统的解耦,具体解耦速度快,响应时间短的优势。但由于遗传算法需要不断更新函数参照值,因此在解耦过程中会对控制效果造成一定影响。为保证解耦的控制效果及效率,综合传统方法的优势之处,本文以自适应模糊Smith技术设计新的控制方法,对污水处理系统进行管理,实现多类型污染的解耦控制,为其提供更加全面的技术支持。

1 关联污水处理系统有效输出数据类型

神经网络能够通过对数据的训练,分析出具体相似类型的数据,将该技术应用在污水处理系统中,可以对系统的处理数据进行有效分析,将不好的数据进行剔除,并保留有效的数据信息[3-5]。以人工神经网络作为应用基础,在确定学习准则的前提下,对污水处理系统的现场数据进行在线学习,具体过程如图1所示。

图1 人工神经网络应用示意图

图1中,Q1、Q2、Q3表示污水处理系统的在线数据,W表示数据总量,RE1、RE2、REW表示对应数据的连接权值[6-7]。由图1可知,在人工神经网络中对数据的分析,主要是不断更新连接权值,以此在求和处理下对在线数据进行关联[8-10]。设定权值为正值,对各参数进行求解如式(1)-式(3)所示。

(1)

YE=TE-αE

(2)

(3)

式(1)-式(3)中,TE表示模型处于激活状态[11-13],δ(YE)为激活函数,∑(·)为求和单元,αE为阈值可以对模型中的神经元进行影响,IE为输出结果。以神经元的状态表示数据的关系,当数据强烈相关时可以表示为一类污染处理类型[14-16]。根据数据的对应关系,选择自适应模糊技术建立数据传递函数。

2 自适应模糊Smith原理建立数据传递函数

在污水处理系统的应用过程中,其具有较大的滞后特性,当其作为受控对象时,若滞后时间较长会影响处理的稳定性,达不到污水处理标准[17]。选择自适应模糊Smith原理构建解耦控制传递函数,通过多通路传递函数对滞后时间常数进行消解,如式(4)所示。

(4)

式(4)中,P(A)为广义目标传递函数,S(A)为模型中受控对象的解耦过程[18-20],F0(A)为不含有滞后特性受控对象的传递函数,A为受控对象,D为传递次数。在单一的控制过程中,将Smith原理[21]与污水处理系统的各个环节进行连接,实现解耦控制路径建立,具体解耦控制路径如图2所示。

图2 基于自适应模糊Smith的解耦控制路径

由图2可知,FH(A)J-χA为用于解耦滞后控制的传递函数[22-23],χ为纯滞后时间,J-χA为被控制对象纯滞后部分的传递函数[24]。则对污水处理系统的解耦解控制对象的传递函数如式(5)所示。

(5)

式(5)中,K(A)为自适应模糊Smith原理下的解耦控制传递函数。将解耦控制过程与自适应学习过程进行融合,对滞后对象进行补偿。在此基础上,对系统需要处理的污染物质关系平衡,实现系统的解耦控制。

3 平衡数据中物质关系解耦控制污水处理系统

上一阶段解析了污水处理系统的滞后性,除此以外污水处理系统还具有动态特征,其不同的污染物对应的处理方式和步骤具有差异性。因此当未知参数过多时,系统会难以进行快速识别,呈现出处理的不确定性,为此以平衡物质关系为基础,在进行系统解耦控制时将污染物分为有机底物和微生物[25]两个类型。具体平衡方式如式(6)和式(7)所示。

(6)

(7)

式(6)为有机底物的平衡,式(7)为有微生物的平衡[26-28]。

式(6)和式(7)中,V为底物最大比利用速度,X0和X为进水和出水时的底物浓度,C和C0为微生物进水和出水时浓度,M和Mw为进水和排放量,r为产率系数,Bq为微生物衰减率,Z表示有效体积,p为处理时间,BN为最大溶解速度。以BN为解耦控制变量建立处理系统的状态方程组,如式(8)和式(9)所示。

(8)

(9)

式(8)和式(9)中,iN为氧气的饱和常数[29]。对污染物的处理与氧气的设定值相关,其对溶解速度会造成影响,因此将其作为控制变量的引导系数,直接对不同污染物的处理状态进行表示,实现污水处理系统的解耦控制。

4 实验测试分析

上文中通过自适应模糊Smith技术设计了新的控制方法,为验证新方法能够实现对污水处理系统的有效控制,采用对比测试的方式完成论证。采用基于实时变量逆矩的控制方法和基于遗传算法的控制方法作为对照组,分别与本文方法进行对比,验证不同方法的有效性。

4.1 数据准备

此次选择某省污水处理厂作为测试对象,该污水处理厂的处理系统已经运行有5年时间,其处理效果与理想状态有一定的出入,因此需要通过解耦控制方法对污水处理系统进行有效控制,保证污水处理效果。对污水处理厂内的多个地点进行圈定,随机选择4组区域作为本次测试地点,要求各区域内中需含有2种以上污染类型,具体情况如图3所示。

图3 测试数据

由图3可知,此次选择的4个区域内共含有6种污染类型,分别为Q1、Q2、Q3、Q4、Q5、Q6,其中A和B区域含有同样的污染类型,分别为Q1、Q3、Q4,但各自占比不同;C、D区域与上述两个区域的污染类型不同,分别为Q2、Q5、Q6,符合此次测试条件。将上述情况上传至MATLAB测试平台,连接选择的3种控制方法在规定标准下对不同控制方法的控制效果进行分析。

4.2 各区域污水处理过程

由于现有的污水处理系统的处理效果不理想,设计控制方法主要是想达到标准的处理结果,只有将污染占比控制在标准值以下,才能实现污水的快速处理,将处理后的水资源应用在其他领域。设定在处理完毕后污染类型的占比下降至4%以内,即可进行水质排放。分别通过3种方法进行测试,以单一控制为污水处理测试前提,如图4所示。

(a)A区域

由图4可知,污水的初始浓度对控制的效果具有较大影响,在传统控制方法中,当初始浓度较高时难以一次性将其污染占比控制在4%以下,一般会临近指标值,因此需要进行再次控制。本文方法的控制中能够直接将各污染类型,直接控制在标准值之下,且远超设定的指标,能够为缩短污水处理系统的控制时间提供保障。

4.3 污水处理速度对比

污水处理系统的滞后性会严重影响水资源的再次利用,只有快速地完成不同类型的水质污染处理,将同一区内的污染类型全部控制在标准值之内,才能将水资源投入在生产生活中。一旦某个区域内的水质仍存在污染物,则不能进行再次利用,基于此,对污水处理系统的控制效率进行测试。以区域内所有污染物均达到处理标准为测试条件,分别通过3种方法进行控制,如图5所示。

(a)A区域

由图5可知,本文方法对污水处理系统的控制效果较强,基本可以在10s内实现对污水的标准处理,而两种传统方法无法直接将污水处理至标准值以下,因此需要进行多次处理,其控制时间分别需要56s和48s,说明本文方法更加具有应用价值。

结语

为实现污水处理系统的有效控制,全文在自适应模糊Smith技术的基础上设计了新的方法,并通过对比测试论证了其有效性。实验结果表明,该方法可以提高污水处理系统的处理效果和效率,具有较高的应用价值。但由于此次研究时间有限,在设计过程中存在不足之处,如实验过程中没有对具体的污染类型进行描述,存在一定的局限性。后续研究中会针对这一问题,选择具体的污染类型进行分析和测试,提出更加全面的控制方法,为保证污水处理系统的效果提供理论支持。