低溶解氧下氨氧化過(guò)程神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制模型

馮紅利,劉秀紅,楊 慶*,黃斯婷,崔 斌,周 桐,楊玉兵,周薛揚(yáng)(.北京工業(yè)大學(xué),北京市水質(zhì)科學(xué)與水環(huán)境恢復(fù)工程重點(diǎn)實(shí)驗(yàn)室,北京 000；.中國(guó)人民大學(xué)環(huán)境學(xué)院,北京 0087)

低溶解氧下氨氧化過(guò)程神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制模型

馮紅利1,劉秀紅2,楊 慶1*,黃斯婷1,崔 斌1,周 桐1,楊玉兵1,周薛揚(yáng)1(1.北京工業(yè)大學(xué),北京市水質(zhì)科學(xué)與水環(huán)境恢復(fù)工程重點(diǎn)實(shí)驗(yàn)室,北京 100022；2.中國(guó)人民大學(xué)環(huán)境學(xué)院,北京 100872)

在低溶解氧(DO)狀態(tài)下,以城市生活污水為研究對(duì)象,將神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的方法應(yīng)用到污水處理過(guò)程中,建立了基于神經(jīng)網(wǎng)絡(luò)的氨氧化過(guò)程預(yù)測(cè)控制模型,預(yù)測(cè)并控制污水處理氨氧化過(guò)程. 該模型分為兩部分,一是根據(jù)在線pH值變化預(yù)測(cè)氨氧化結(jié)束時(shí)間,其相關(guān)系數(shù)R值為0.9985;二是根據(jù)在線pH值實(shí)時(shí)預(yù)測(cè)氨氮濃度,R值為0.9083.試驗(yàn)結(jié)果表明該模型預(yù)測(cè)精度高、可控性好,具有較好的適應(yīng)性和穩(wěn)定性,對(duì)實(shí)現(xiàn)并穩(wěn)定短程硝化以及促進(jìn)主流工藝(厭氧氨氧化)有重要的指導(dǎo)和借鑒意義.

低溶解氧；氨氧化過(guò)程；神經(jīng)網(wǎng)絡(luò)；模型；pH

污水生物脫氮一直是國(guó)內(nèi)外研究的熱點(diǎn).目前國(guó)內(nèi)外對(duì)污水生物脫氮主要集中在新工藝和機(jī)理研究.新工藝如短程硝化反硝化工藝

[1-4,12-13,20]、同步硝化反硝化工藝、厭氧氨氧化工藝[21],而這些工藝都直接或間接地涉及到氨氧化過(guò)程[17-19],因此研究氨氧化過(guò)程對(duì)這些工藝的實(shí)際工程應(yīng)用具有重要的指導(dǎo)與借鑒意義.城市污水的水質(zhì)、水量與環(huán)境條件等均隨時(shí)間變化,同時(shí),城市污水氨氧化過(guò)程具有非線性、時(shí)變性和不確定性等特點(diǎn),因此,難于建立精準(zhǔn)的數(shù)學(xué)模型;即使建立了數(shù)學(xué)模型, 結(jié)構(gòu)也較為復(fù)雜,難于實(shí)際工程應(yīng)用.為有利于模型的實(shí)際應(yīng)用,不但應(yīng)使模型盡量簡(jiǎn)化,控制算法簡(jiǎn)單,易于實(shí)現(xiàn),而且在系統(tǒng)不確定性因素的影響下能夠保持良好的性能,滿足實(shí)時(shí)控制的需求.神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制是把神經(jīng)網(wǎng)絡(luò)與預(yù)測(cè)控制相結(jié)合,將預(yù)測(cè)控制的滾動(dòng)優(yōu)化思想與神經(jīng)網(wǎng)絡(luò)精確描述非線性和不確定性動(dòng)態(tài)過(guò)程的特性有機(jī)結(jié)合[5-7].近年來(lái),許多學(xué)者提出了多種基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)控制模型

[8-11],部分學(xué)者將神經(jīng)網(wǎng)絡(luò)用于進(jìn)、出水指標(biāo)的預(yù)測(cè)[9],例如將LM-BP神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于水質(zhì)預(yù)測(cè)[11].但關(guān)于生因此,本研究以城市生活污水為研究對(duì)象,在物脫氮過(guò)程的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型未見(jiàn)報(bào)道.

低溶解氧(0.4～0.6mg/L)條件下,考察了氨氧化過(guò)程建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制模型的可行性,并對(duì)不同條件下,模型預(yù)測(cè)的準(zhǔn)確性等進(jìn)行了研究.

1 材料與方法

1.1 污泥與污水

試驗(yàn)所用種泥取自穩(wěn)定運(yùn)行2年的大型中試短程 SBR內(nèi)活性污泥[14],污水取自北京市某家屬小區(qū)實(shí)際生活污水.進(jìn)水水質(zhì)和控制參數(shù)如表1.

表1 進(jìn)水水質(zhì)與控制參數(shù)Table 1 Influent quality & control parameters

1.2 試驗(yàn)裝置與運(yùn)行模式

圖1 SBR試驗(yàn)裝置示意Fig.1 Schematic diagram of SBR

小試SBR,材質(zhì)為有機(jī)玻璃,有效容積19.5L,高 1100mm,內(nèi)徑 150mm,試驗(yàn)裝置如圖 1所示.SBR進(jìn)水由液位計(jì)控制,每天運(yùn)行一個(gè)周期,整個(gè)反應(yīng)過(guò)程中,由加熱棒和溫控系統(tǒng)控制反應(yīng)溫度在 25 ,℃好氧反應(yīng)階段由空氣壓縮機(jī)曝氣,控制系統(tǒng)內(nèi)DO在0.4～0.6mg/L;缺氧階段投加乙醇作為反硝化碳源,整個(gè)反應(yīng)過(guò)程一直進(jìn)行攪拌,以保持系統(tǒng)內(nèi)泥水混合狀態(tài),好氧缺氧反應(yīng)時(shí)間按照實(shí)時(shí)控制策略[15]運(yùn)行,反應(yīng)結(jié)束后沉淀30min,排水12L.

1.3 模型建立過(guò)程

模型建立整體過(guò)程分為 3個(gè)部分:1.數(shù)據(jù)采集:通過(guò)在線儀表將實(shí)時(shí)采集數(shù)據(jù);2.數(shù)據(jù)處理:將第一步采集到的數(shù)據(jù)進(jìn)行預(yù)處理,從中選擇足夠的樣本和合適的變量參數(shù);3.模型建立:將處理后的數(shù)據(jù)進(jìn)行建模,首先選擇合適的模型,進(jìn)行訓(xùn)練、校正和測(cè)試,達(dá)到精度要求后,進(jìn)行在線預(yù)測(cè)、過(guò)程監(jiān)測(cè)及傳感器監(jiān)測(cè).

1.3.1 預(yù)測(cè)模型變量參數(shù)的選擇 污水生物處理過(guò)程控制參數(shù)一般分為直接參數(shù)和間接參數(shù)兩種,直接參數(shù)是指通過(guò)在線傳感器直接獲得的COD、NH4+-N、NO2--N、NO3

--N等污染物的濃度值,但由于這些直接參數(shù)的傳感器價(jià)格昂貴、存在滯后性等原因,一直以來(lái)應(yīng)用得不是很多.間接參數(shù)是指一些與污染物濃度存在一定關(guān)系,可以間接反映系統(tǒng)內(nèi)反應(yīng)過(guò)程的控制參數(shù),如,DO、pH和ORP等.間接參數(shù)由于檢測(cè)方便準(zhǔn)確穩(wěn)定,且經(jīng)濟(jì)實(shí)用,應(yīng)用比較廣泛[16].在好氧硝化階段,DO和 pH值可以指示氨氧化反應(yīng)終點(diǎn);當(dāng)硝化結(jié)束后,停止曝氣進(jìn)入缺氧階段,ORP和pH值曲線上的變化點(diǎn)可準(zhǔn)確指示反硝化終點(diǎn)[10]. pH值在氨氧化結(jié)束和反硝化結(jié)束時(shí)都會(huì)出現(xiàn)明顯的變化點(diǎn),與DO、ORP等控制參數(shù)相比,選取pH值作為短程深度脫氮過(guò)程的控制參數(shù)既可節(jié)省數(shù)據(jù)存儲(chǔ)的空間,又可減少控制器運(yùn)算次數(shù),使控制策略得以簡(jiǎn)化.本試驗(yàn)在低溶解氧(0.4～0.6mg/L)下實(shí)現(xiàn)穩(wěn)定的短程,好氧階段 DO維持恒定,因此,選取pH值作為BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)參數(shù)指標(biāo),用于預(yù)測(cè)氨氧化過(guò)程中氨氮濃度的變化. 1.3.2 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的建立 為預(yù)測(cè)氨氧化結(jié)束時(shí)間和氨氮濃度,本研究建立的 3層 BP神經(jīng)網(wǎng)絡(luò)如圖2所示,其輸入層包括在線監(jiān)測(cè)的pH值和好氧反應(yīng)過(guò)程間隔 30～60min實(shí)際測(cè)定的氨氮濃度,輸出層為預(yù)測(cè)的pH值和氨氮濃度.

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of neural network

神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)如下:

激活函數(shù):激活函數(shù)不管對(duì)于識(shí)別率或收斂速度都有顯著的影響.在逼近高次曲線時(shí),S形函數(shù)精度比線性函數(shù)要高得多,隱含層的激活函數(shù)采取S函數(shù):f(x) = 1/(1+exp(-x)) (1)

訓(xùn)練函數(shù)的優(yōu)化:traingdx為自適應(yīng) lr動(dòng)量梯度下降法,與其它訓(xùn)練函數(shù)(trainm, trainbfg, trainrp和traingd等)相比,該訓(xùn)練函數(shù)具有精度較高,運(yùn)行速度快,且內(nèi)存占用小的優(yōu)點(diǎn).

1.BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì):典型的BP神經(jīng)網(wǎng)絡(luò)為3層結(jié)構(gòu)(輸入層、隱含層和輸出層).輸入層接受算法輸入,在本模型中對(duì)應(yīng)為X.輸入層節(jié)點(diǎn)的個(gè)數(shù)和X的維數(shù)對(duì)應(yīng),本研究中,輸入X為標(biāo)量,輸入層節(jié)點(diǎn)個(gè)數(shù)為 1.隱含層結(jié)點(diǎn)個(gè)數(shù)可以自行設(shè)定,在本實(shí)例中建議設(shè)定為4個(gè).輸出層結(jié)點(diǎn)個(gè)數(shù)和輸出Y的維數(shù)對(duì)應(yīng),本研究中,輸出y為標(biāo)量,輸出層節(jié)點(diǎn)個(gè)數(shù)為1.

2.算法基本思路:

模型結(jié)構(gòu)和訓(xùn)練函數(shù)確定后,給定組樣本:即穩(wěn)定運(yùn)行的217批pH值和對(duì)應(yīng)NH4+-N數(shù)據(jù),對(duì)模型進(jìn)行訓(xùn)練,具體過(guò)程如下:

1) 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為1-4-1型,選0.1作為最大容許誤差,并給出隱層到輸出層的權(quán)矩陣,輸入層到隱層的權(quán)矩陣,將其初始化為某一小的隨機(jī)權(quán)矩陣.

2) 依次輸入樣本,計(jì)算網(wǎng)絡(luò)的實(shí)際輸出.

3) 計(jì)算誤差.

4) 計(jì)算各層權(quán)值的變化量.

5) 調(diào)節(jié)權(quán)值.

6) 若誤差在容許范圍內(nèi),則轉(zhuǎn)2),否則轉(zhuǎn)7).

7) 若達(dá)到訓(xùn)練時(shí)間,結(jié)束;否則,轉(zhuǎn) 2)進(jìn)入下一輪的計(jì)算,若直到規(guī)定的次數(shù)(2500次)時(shí)還沒(méi)有使輸出層達(dá)到期望的輸出,則強(qiáng)行退出,終止程序.

3.基于在線pH值預(yù)測(cè)氨氧化結(jié)束時(shí)間:在低DO(0.4～0.6mg/L)狀態(tài)下,建立一個(gè)3層的BP神經(jīng)網(wǎng)絡(luò)模型(包含 4個(gè)隱含層),利用輸出后的誤差來(lái)估計(jì)輸出層的直接前導(dǎo)層的誤差,再用這個(gè)誤差估計(jì)更前一層的誤差,如此一層一層的反傳下去,就獲得了所有其他各層的誤差估計(jì).神經(jīng)網(wǎng)絡(luò)在外界輸入樣本的刺激下不斷改變網(wǎng)絡(luò)的連接權(quán)值,以使網(wǎng)絡(luò)的輸出不斷地接近期望的輸出,權(quán)值不斷調(diào)整的過(guò)程,也就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過(guò)程.此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止.采用穩(wěn)定運(yùn)行的217批pH值數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,通過(guò)滾動(dòng)預(yù)測(cè)的方法預(yù)測(cè)氨氧化結(jié)束時(shí)間.具體如下:一個(gè)SBR好氧反應(yīng)周期中,前50個(gè)點(diǎn)只進(jìn)行數(shù)據(jù)采集,不進(jìn)行預(yù)測(cè),從第51個(gè)pH值開(kāi)始預(yù)測(cè),用第1～50個(gè)pH值預(yù)測(cè)第51個(gè)pH值,將預(yù)測(cè)出的第51個(gè)當(dāng)作已知pH值,用第2～52個(gè)pH值預(yù)測(cè)第52個(gè)pH值,將預(yù)測(cè)的第52個(gè)作為已知pH值,用第3～52個(gè)pH值預(yù)測(cè)第53個(gè)pH值,以此類推,滾動(dòng)預(yù)測(cè),用前50個(gè)實(shí)際在線監(jiān)測(cè)的pH值預(yù)測(cè)后20個(gè)pH值值.在第51個(gè)點(diǎn)時(shí)顯示了預(yù)測(cè)的51～70個(gè)pH值值,根據(jù)預(yù)測(cè)的pH值變化曲線的 ‘氨谷’點(diǎn),可預(yù)測(cè)氨氧化結(jié)束時(shí)間.

基于在線 pH值實(shí)時(shí)預(yù)測(cè)氨氮濃度:在低DO(0.4～0.6mg/L)狀態(tài)下,建立一個(gè)3層的BP神經(jīng)網(wǎng)絡(luò)模型(包含 4個(gè)隱含層),采用穩(wěn)定運(yùn)行的217批pH值和對(duì)應(yīng)NH4+-N數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,其中pH值為在線連續(xù)監(jiān)測(cè),氨氮為實(shí)際測(cè)定不同時(shí)間點(diǎn)的氨氮濃度.根據(jù)在線監(jiān)測(cè) pH值實(shí)時(shí)預(yù)測(cè)NH4+-N的具體預(yù)測(cè)方法:根據(jù)pH值與對(duì)應(yīng)NH4+-N濃度構(gòu)建模型,根據(jù)pH值預(yù)測(cè)氨氮結(jié)束時(shí)間模型中預(yù)測(cè)的pH值和所建立的pH值和氨氮模型,來(lái)預(yù)測(cè)對(duì)應(yīng)的下一時(shí)刻N(yùn)H4+-N值.

1.4 分析方法

每周進(jìn)行3-5次周期性檢測(cè)分析.每個(gè)周期根據(jù)pH值、DO(WTW3420,DO/pH值便攜式測(cè)定儀)變化關(guān)鍵點(diǎn)取樣.COD采用COD快速測(cè)定儀(連華,5B-3(C))測(cè)定.NH4+-N、NO2--N、NO3

--N采用流動(dòng)注射儀(QC8500Series2)進(jìn)行測(cè)定,污泥濃度(MLSS)用重量法測(cè)定.

2 結(jié)果與討論

2.1 模型訓(xùn)練結(jié)果

圖3 基于在線pH值預(yù)測(cè)氨氧化結(jié)束時(shí)間模型訓(xùn)練結(jié)果Fig.3 Train result of ammonia oxidizedtermination prediction model based on on-line pH

圖4 基于在線pH值實(shí)時(shí)預(yù)測(cè)氨氮濃度模型訓(xùn)練結(jié)果Fig.4 Train result of real time ammonia concentration prediction model based on on-line pH

實(shí)現(xiàn)與穩(wěn)定短程硝化均需準(zhǔn)確控制氨氧化結(jié)束時(shí)間,防止亞硝酸鹽氧化過(guò)程.采用實(shí)時(shí)控制方式,利用pH值曲線上的變化點(diǎn)確定氨氧化結(jié)束時(shí)間的控制方式中,只有當(dāng)氨氧化徹底結(jié)束,且亞硝酸鹽氧化開(kāi)始后,才能出現(xiàn)變化點(diǎn),易導(dǎo)致過(guò)度曝氣.基于在線pH值預(yù)測(cè)氨氧化結(jié)束時(shí)間及氨氮濃度,能夠更有效防止氨氮過(guò)度氧化.

2.1.1 基于在線pH值預(yù)測(cè)氨氧化結(jié)束時(shí)間 圖3給出了基于在線pH值預(yù)測(cè)氨氧化結(jié)束時(shí)間模型的訓(xùn)練結(jié)果.由圖可知整體相關(guān)系數(shù)(R)值為0.99853,說(shuō)明該模型的相關(guān)性很好,擬合度高.均方誤差(MSE)可評(píng)價(jià)數(shù)據(jù)的變化程度,是衡量“平均誤差”的一種較方便的方法,本模型MSE值僅為 0.00030108,說(shuō)明預(yù)測(cè)模型描述實(shí)驗(yàn)數(shù)據(jù)的精確度很高.

2.1.2 基于在線pH值實(shí)時(shí)預(yù)測(cè)氨氮濃度 圖4給出了基于在線pH值實(shí)時(shí)預(yù)測(cè)氨氮濃度模型的訓(xùn)練結(jié)果,其整體R值為0.9083,說(shuō)明該模型的相關(guān)性較好,擬合度高.但由于pH值為實(shí)時(shí)在線監(jiān)測(cè)的數(shù)據(jù),數(shù)據(jù)采集時(shí)間間隔 1min,而氨氮為30～60min不同時(shí)間點(diǎn),關(guān)鍵反應(yīng)階段氨氮濃度數(shù)據(jù),氨氮樣本數(shù)據(jù)相對(duì)較少,這使得該模型精確度略有下降.雖然該模型精確度低于基于 pH值預(yù)測(cè)氨氧化結(jié)束時(shí)間的模型,但整體仍具有較好的預(yù)測(cè)效果.

2.2 不同運(yùn)行條件,氨氧化結(jié)束時(shí)間預(yù)測(cè)效果

為進(jìn)一步考察不同運(yùn)行條件下,氨氧化結(jié)束時(shí)間預(yù)測(cè)效果,本研究針對(duì)溫度和污泥濃度下氨氧化結(jié)束時(shí)間預(yù)測(cè)效果進(jìn)行了研究.

2.2.1 不同溫度條件,氨氧化結(jié)束時(shí)間預(yù)測(cè)效果 圖 5給出了不同溫度下氨氧化結(jié)束時(shí)間預(yù)測(cè)效果,在污泥濃度(MLSS)為2800mg/L時(shí),溫度分別為21℃、26℃、31 ,℃氨氮去除率均在99%以上.由圖可知,隨著溫度的升高,氨氧化速率逐漸提高.模型預(yù)測(cè)誤差精度分別為2.78%、2.08%、3.61%以內(nèi),預(yù)測(cè)精度均較高,效果顯著.

2.2.2 不同 MLSS下氨氧化結(jié)束時(shí)間預(yù)測(cè)效果 圖6給出了不同污泥濃度(MLSS)下氨氧化結(jié)束時(shí)間預(yù)測(cè)效果圖,在 26℃時(shí),MLSS分別為1400和2800mg/L時(shí),氨氮去除率均在99%以上.隨著污泥濃度的提高,氨氧化速率也隨之加快,預(yù)測(cè)誤差精度分別為0%和3.13%.該模型的預(yù)測(cè)精度高,預(yù)測(cè)效果好.

圖5 不同溫度下氨氧化結(jié)束時(shí)間預(yù)測(cè)效果Fig.5 Predict result of ammonia oxidation termination at ddifferent temperature

圖6 不同MLSS下氨氧化結(jié)束時(shí)間預(yù)測(cè)效果Fig.6 Predict result of ammonia oxidation termination at ddifferent MLSS

2.2.3 長(zhǎng)期運(yùn)行 SBR,預(yù)測(cè)氨氧化結(jié)束時(shí)間效果 為進(jìn)一步確定模型預(yù)測(cè)準(zhǔn)確性,采用建立的模型對(duì)運(yùn)行160天的SBR氨氧化結(jié)束時(shí)間進(jìn)行預(yù)測(cè).圖7比較了實(shí)際測(cè)定值與模型預(yù)測(cè)結(jié)果.氨氧化結(jié)束時(shí)間預(yù)測(cè)值與實(shí)際值基本相同,預(yù)測(cè)精度在80%以上.

圖7 實(shí)際測(cè)定值與模型預(yù)測(cè)效果比較Fig.7 Compare of real and predict results of ammonia oxidation termination

基于上述研究結(jié)果,氨氮結(jié)束時(shí)間預(yù)測(cè)模型具有較好的適應(yīng)性,在不同溫度和污泥濃度條件下,預(yù)測(cè)精度仍較高;同時(shí),從長(zhǎng)期運(yùn)行 SBR預(yù)測(cè)結(jié)果看,盡管水質(zhì)及運(yùn)行控制參數(shù)有所變化,氨氧化結(jié)束預(yù)測(cè)時(shí)間有所不同,但模型預(yù)測(cè)精度仍較高,說(shuō)明模型具有良好的適應(yīng)性、準(zhǔn)確性和穩(wěn)定性.基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)氨氧化結(jié)束時(shí)間,為實(shí)現(xiàn)與穩(wěn)定短程硝化提供了一種新的方法.

2.3 基于在線pH值實(shí)時(shí)預(yù)測(cè)氨氮濃度效果

城市污水自養(yǎng)脫氮工藝已成為國(guó)內(nèi)外學(xué)者廣泛研究熱點(diǎn).兩段式短程厭氧氨氧化工藝,不但要實(shí)現(xiàn)短程,且要求僅有約一半的氨氮氧化為亞硝氮,即實(shí)現(xiàn)半短程硝化,這是是實(shí)現(xiàn)主流厭氧氨氧化的關(guān)鍵和難點(diǎn).圖 8A比較了模型預(yù)測(cè)氨氮濃度和實(shí)際測(cè)定氨氮濃度,結(jié)果顯示模型可準(zhǔn)確預(yù)測(cè)氨氮濃度,與實(shí)際氨氮濃度基本相同.基于實(shí)現(xiàn)半短程的條件,需將曝氣時(shí)間控制在H點(diǎn),控制NH4+-N/NO2--N為1左右.圖8B給出了采用模型預(yù)測(cè)半短程的效果,模型預(yù)測(cè)過(guò)程中同時(shí)取樣測(cè)定水質(zhì)情況,結(jié)果顯示模型能夠較準(zhǔn)確地預(yù)測(cè)半短程硝化曝氣時(shí)間,預(yù)測(cè)氨氮濃度與實(shí)測(cè)氨氮濃度基本相同.

圖8 基于在線pH值實(shí)時(shí)預(yù)測(cè)氨氮效果Fig.8 Result of real-time predict ammonia based on on-line pH

3 結(jié)論

3.1 在低DO條件下,采用城市污水,在SBR反應(yīng)器中,選取 pH值作為預(yù)測(cè)參數(shù)指標(biāo)建立了三層 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型.氨氧化過(guò)程結(jié)束時(shí)間預(yù)測(cè)控制模型動(dòng)態(tài)性能和自適應(yīng)性能較好,模型R值高達(dá)0.9985.在不同溫度和污泥濃度條件下,預(yù)測(cè)精度仍較高;同時(shí),從長(zhǎng)期運(yùn)行 SBR預(yù)測(cè)結(jié)果看,盡管水質(zhì)及運(yùn)行控制參數(shù)有所變化,氨氧化結(jié)束預(yù)測(cè)時(shí)間有所不同,但模型預(yù)測(cè)精度仍較高,說(shuō)明模型具有良好的適應(yīng)性、準(zhǔn)確性和穩(wěn)定性.基于 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)氨氧化結(jié)束時(shí)間,為實(shí)現(xiàn)與穩(wěn)定短程硝化提供了一種新的方法.

3.2 基于pH值預(yù)測(cè)反應(yīng)過(guò)程中氨氮濃度模型,雖然受氨氮量和進(jìn)水氨氮濃度波動(dòng)過(guò)大的影響,但該模型的R 值仍可達(dá)0.9083.模型可準(zhǔn)確預(yù)測(cè)氨氮濃度,與實(shí)際氨氮濃度基本相同.基于實(shí)現(xiàn)半短程的條件,模型能夠較準(zhǔn)確地預(yù)測(cè)半短程硝化曝氣時(shí)間,這為實(shí)現(xiàn)城市污水兩段式短程厭氧氨氧化工藝提供了一種新的控制方法和途徑.

[1] Hellinga C, Schellen A A J C, Mulder J W, et al. The SHARON process: An innovative method for nitrogen removal fromammonium-rich wastewater [J]. Water Science & Technology, 1998,37(9):135-142.

[2] Chung J W, Bae W. Nitrite reduction by a mixed culture under conditions relevant to shortcut biological nitrogen removal [J]. Biodegradation, 2002,13(3):163-170.

[3] Peng Y Z, Zhu G B. Biological nitrogen removal with nitrification and denitrification via nitrite pathway [J]. Applied Microbiology &Biotechnology, 2006,73(1):15-26.

[4] 李澤兵,李 軍,李 妍,等.短程硝化反硝化技術(shù)研究進(jìn)展 [J].給水排水, 2011,37(4):163-168.

[5] Aslan S, Miller L, Dahab M. Ammonium oxidation via nitrite accumulation under limited oxygen concentration in sequencing batch reactors [J]. Bioresource Technology, 2009,100(2):59-664.

[6] 許 超,陳治剛,邵惠鶴.預(yù)測(cè)控制技術(shù)及應(yīng)用發(fā)展綜述 [J]. 化工自動(dòng)化及儀表, 2002,29(3):1-10.

[7] 陳增強(qiáng),袁著祉,張 燕.基于神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測(cè)控制綜述[J]. 控制工程, 2002,9(4):7-11.

[8] 段向軍.基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)控制方法研究 [D]. 黑龍江:大慶石油學(xué)院, 2005.

[9] 韓紅貴,甄博然,喬俊飛.動(dòng)態(tài)結(jié)構(gòu)優(yōu)化神經(jīng)網(wǎng)絡(luò)及其在溶解氧控制中的應(yīng)用 [J]. 信息與控制, 2010,39(3):354-360.

[10] 管 秋,王萬(wàn)良,徐新黎,等.基于神經(jīng)網(wǎng)絡(luò)的污水處理指標(biāo)軟測(cè)量研究 [J]. 環(huán)境污染與防治, 2006,28(2):156-158.

[11] Wang W L, Ren M, Guan Q. Soft-sensing method for wastewater treatment based on BP neural network [C]//Proc. of the 4th World Congress on Intelligent Control and Automation. 上海:同濟(jì)大學(xué)出版社, 2002:2330-2332.

[12] 田建平,曹東衛(wèi),李海楠.LM-BP神經(jīng)網(wǎng)絡(luò)在于橋水庫(kù)水質(zhì)預(yù)測(cè)中的應(yīng)用 [J]. 水利信息化, 2010,3:31-34.

[13] Li J P, Elliott D. Nielsen M, et al. Long-term partial nitrification in an intermittently aerated sequencing batch reactor (SBR) treating ammonium-rich wastewater under controlled oxygenlimited conditions [J]. Biochemical Engineering Journal, 2011, 55(3):215-222.

[14] Liu G Q, Wang J M. Long-term low DO enriches and shifts nitrifier community in activated sludge [J]. Environmental Science Technology, 2013,47(10):5109-5117.

[15] 顧聲波,王淑瑩,彭永臻.短程深度脫氮中試工藝的低溫啟動(dòng)和維持 [J]. 環(huán)境科學(xué), 2013,34(8):3164-3170.

[16] Yang Q, Peng Y Z, Liu X H, et al. Nitrogen removal via nitrite form municipal wastewater at low temperatures using real-time control to optimize nitrifying communities [J]. Environment Science Technology, 2007,41(23):8159-8164.

[17] 楊 慶,彭永臻,王淑瑩,等.SBR法短程深度脫氮過(guò)程分析與控制模式的確立 [J]. 環(huán)境科學(xué), 2009,30(4):1084-1089.

[18] Ruiz G, Jeison D, Chamy R. Nitrification with high nitrite accumulation for the treatment of wastewater with high ammonia concentration [J]. Water Research, 2003,37(1):1371-1377.

[19] Xue Y, Yang F L, Liu S T, et al. The influence of control factors on the start up and operation for partial nitrification in membrane bioreactor [J]. Bioresource Technology, 2009,100(3):1055-1060.

[20] Munoz C, Rojas D, Candia O, et al. Supervisory control system to enhance partial nitrification in an activated sludge reactor [J]. Chemical Engineering Journal, 2009,145(3):453-460.

[21] 王淑瑩,黃惠珺,郭建華,等. DO對(duì)SBR短程硝化系統(tǒng)的短期和長(zhǎng)期影響 [J]. 北京工業(yè)大學(xué)學(xué)報(bào), 2010,36(8):1104-1110.

[22] Du Y, Peng Y Z, Cao S B, et al. Advanced nitrogen removal with simultaneous Anammox and denitrification in sequencing batch reactor [J]. Bioresource Technology, 2014,162(6):316-322.

Neural network prediction and control model for ammonia oxidizing process under low DO concentration.

FENG Hong-li1, LIU Xiu-hong2, YANG Qing1*,HUANG Si-ting1, CUI Bin1, ZHOU Tong1, YANG Yu-bing1, ZHOU Xue-yang1
(1.Key Laboratory of Beijing Water Quality Science and Water Environment Recovery Engineering, Beijing University of Technology, Beijing 100022；2.School of Environment & Natural Resources, Renmin University of China, Beijing 100872). China Environmental Science, 2017,37(1)：139～145

Under low dissolved oxygen (DO) concentration, the neural network prediction method was applied in SBR for treating domestic wastewater. The neural network control model was built to predict and control the ammonia oxidizing process. The model was divided into two parts. In the first part with the correlation coefficient (R value) of 0.9985, the end of ammonia oxidization was predicted based on the on-line pH variations. In the second part with R value of 0.9083, the ammonia concentration was real-time predicted based on the on-line pH variations. The results showed that the model with high prediction accuracy, good controllability, better adaptability and stability, can not only benefit for achieving and stabilizing short-cut, but also promote the application of anaerobic ammonium oxidation for treating domestic wastewater.

low dissolved oxygen；ammonia oxidizing process；neural network；model；pH

X703

A

1000-6923(2017)01-0139-07

馮紅利(1990-),男,河北保定人,北京工業(yè)大學(xué)碩士研究生,研究方向?yàn)槲鬯锩摰捌溥^(guò)程控制.

2016-03-31

國(guó)家自然科學(xué)基金(51508561);北京市委組織部青年拔尖團(tuán)隊(duì);北京市優(yōu)秀人才培養(yǎng)資助計(jì)劃

* 責(zé)任作者, 副教授, yangqing@bjut.edu.cn