本發(fā)明屬于污水處理水質參數智能檢測領域，首次搭建了針對膜生物反應器-MBR出水透水率的智能檢測系統。該系統包括搭建完整的出水透水率智能檢測系統硬件平臺以及出水透水率智能檢測系統設計和軟硬件功能集成開發(fā)，并實現出水透水率的在線智能檢測與檢測結果的實時顯示。

背景技術：

中國擁有全世界21％的人口，但只有全世界7％的淡水資源。中國人均水資源量只有100立方米，是世界平均水平的1.25％左右。在水資源緊缺的背景下，提高工業(yè)用水效率，降低工業(yè)對水資源過量消耗成為生態(tài)文明建設的必然要求。2015年4月出臺的《水污染防治行動計劃》(水十條)規(guī)定，到2020年全國萬元工業(yè)增加值用水量要比2013年下降30％以上；抓好工業(yè)節(jié)水，制定國家鼓勵和淘汰的用水技術、工藝、產品和設備目錄，完善高耗水行業(yè)取用水定額標準。加強污水再生利用，成為解決水資源緊缺問題的途徑。

近年來，隨著膜技術的不斷成熟，膜技術在工業(yè)廢水處理中應用的越來越廣泛。與傳統工藝相比，膜技術在工業(yè)廢水處理領域優(yōu)勢十分明顯，包括實現資源回收、提高用水效率、從源頭解決廢水污染、節(jié)省藥劑和土地等。MBR是一種由活性污泥法與膜分離技術相結合的新型水處理技術。MBR以膜組件取代傳統生物處理技術末端二沉池，在生物反應器中保持高活性污泥濃度，提高生物處理有機負荷，從而減少污水處理設施占地面積，并通過保持低污泥負荷減少剩余污泥量。主要利用沉浸于好氧生物池內膜分離設備截留槽內的活性污泥與大分子有機物。MBR的特點包括污染物去除率高，出水水質好且穩(wěn)定、污泥濃度高、占地面積小、運行靈活、自動化程度高等。其中，膜污染是膜技術運行中間需要關持久關注的話題，膜在過濾污水過程中，截流分離的污染物必定對膜產生污染，控制膜污染的手段會增加能耗。膜要不斷地清洗，就會帶來價格成本增加，也會影響運行成本。

因此預測未來一段時間內膜的污染趨勢具有很大的現實意義，根據我們多年來的研究與調查發(fā)現，采用基于神經網絡的軟測量技術可以實現膜處理污水過程中出水透水率準確、實時的檢測，同時能大幅節(jié)省污水處理廠成本，但國內外針對出水透水率的智能檢測系統，尚未形成完整的理論體系，基于智能手段的出水透水率檢測系統在國內外尚屬空白。因此，基于智能方法搭建出水透水率智能檢測系統，在填補國內外技術空白與整合污水處理產業(yè)鏈等方面，具有很高的開發(fā)及應用價值。

技術實現要素：

1.膜生物反應器-MBR出水透水率智能檢測系統

其特征在于，包括以下步驟：

(1)膜生物反應器-MBR出水透水率智能檢測系統以實現出水透水率在線預測為目標，根據膜處理污水過程復雜的特性，提出依次由采集儀表、數據處理服務器、出水透水率預測服務器構成的系統框架，其中采集儀表和數據處理服務器的連接接口采用RS232通信標準，數據處理服務器和出水透水率預測服務器之間使用USB傳輸線進行數據的傳輸；

數據處理服務器具有數據存儲以及和其它信息系統進行數據交換、共享的能力，通過采集來自流量儀、ORP檢測儀、硝酸鹽檢測儀和壓力器的過程變量數據，實現數據的采集，通過通信接口將采集的數據傳送給出水透水率預測系統服務器，實現數據的傳遞；

出水透水率預測系統服務器可結合上傳的實時數據做出透水率的預測曲線；出水透水率預測系統服務器以C/S(Client/Server)方式從數據處理服務器中獲取相應的過程變量數據進行預測，并以B/S(Browser/Server)方式通過Web服務器向水廠的其他工作管理人員發(fā)布污水實際運行變量數據以及預測結果，同時出水透水率預測系統服務器也是顯示平臺，可實時顯示未來一段時間內出水透水率的預測曲線；

其中預測系統服務器中基于人工智能的軟測量模塊，利用已采集的過程變量數據，通過模糊神經網絡和神經網絡LM算法，實現對出水透水率未來一段時間內的預測；膜生物反應器-MBR出水透水率的軟測量模塊，其特征在于，包括以下步驟：

(2)確定目標變量和特征變量；以膜生物反應器-MBR污水處理系統為研究對象，對水質數據進行特征分析，提取產水流量、產水壓力、單池膜擦洗氣量、厭氧區(qū)ORP和好氧區(qū)硝酸鹽作為特征變量，以透水率作為目標變量；

(3)建立透水率軟測量模型；利用模糊神經網絡設計MBR處理污水過程中預測透水率的軟測量模型，透水率軟測量模型的拓撲結構分為四層：輸入層、RBF層、歸一化層、輸出層；拓撲結構為5-R-R-1的連接方式，輸入層與RBF層之間的連接權值為1，歸一化層與輸出層之間的連接權值隨機賦值，賦值區(qū)間[-1,1]，模糊神經網絡的期望輸出表示為y_d(t)，實際輸出表示為y(t)；基于模糊神經網絡的透水率的軟測量方法計算依次為：

①輸入層：該層由5個神經元組成，其輸出為，

x(t)＝[x₁(t),x₂(t),…,x₅(t)]^T (1)

其中，x(t)表示t時刻輸入層的輸出，x₁(t)表示t時刻產水流量的值、x₂(t)表示t時刻產水壓力的值、x₃(t)表示t時刻單池膜擦洗氣量的值、x₄(t)表示t時刻厭氧區(qū)ORP的值、x₅(t)表示t時刻好氧區(qū)硝酸鹽的值；

②RBF層：該層由R個神經元組成，每個神經元的輸出為，

其中是t時刻RBF層第j個神經元的輸出，c_j(t)為t時刻第j個RBF層神經元的中心向量，c_j(t)＝[c_1j(t),c_2j(t),…,c_ij(t)]，i＝1,2，…5，c_ij(t)表示RBF層t時刻第j個神經元中心值的第i個元素，為t時刻第j個RBF層神經元的寬度向量，d_ij(t)表示RBF層t時刻第j個神經元寬度值的第i個元素；

③歸一化層：該層的神經元個數和RBF層相同，為R個，每個神經元的輸出為，

其中v_j(t)是t時刻歸一化層第j個神經元的輸出，是t時刻RBF層第j個神經元的輸出，為RBF輸出之和；

④輸出層：輸出層輸出為透水率軟測量模型的實際輸出，

y(t)是t時刻輸出神經元的輸出，w_j(t)表示t時刻歸一化層第j個神經元與輸出神經元之間的權值，定義模糊神經網絡軟測量模型輸出y(t)與期望輸出y_d(t)的誤差函數e(t)為：

e(t)＝y_d(t)-y(t) (5)

(4)MBR透水率軟測量模型校正，過程如下：

①給定神經網絡RBF層與規(guī)則層神經元個數R，R為自然數，R通過經驗法確定，透水率的軟測量模型的訓練輸入為x(1)，x(2)，…，x(t)，…，x(N)，對應的期望輸出y_d(1)，y_d(2)，…，y_d(t)，…，y_d(N)，軟測量模型的訓練樣本為N組，期望誤差設為E_d，迭代步數設為s，計算代價函數值E(t)，定義停止標準，當E(t)<E_d，令t＝0；

定義網絡的代價函數E(t)，

②設置學習步數s＝s+1；計算出膜透水率智能特征模型輸出y(t)，誤差e(t)，計算向量J(t)，其中，

擬海瑟矩陣Q(t)計算公式為，

Q(t)＝J^T(t)J(t) (8)

梯度向量g(t)計算公式為，

g(t)＝J^T(t)e(t) (9)

其中，誤差關于各個參數的偏導數計算如下；

計算誤差關于中心的偏導數

計算誤差關于寬度的偏導數

計算誤差關于權值的偏導數

③采用自適應二階算法更新模糊神經網絡的參數，

Δ(t+1)＝Δ(t)+(Q(t)+λ(t)I)^-1g(t) (13)

其中，Δ＝[w₁(t)，…w_R(t)，c₁₁(t)，…c₅₁(t)，…，c_1j(t)，…c_5j(t)，…c_1R(t)，…c_5R(t)，d₁₁(t)，…d₅₁(t)…，d_1j(t)，…d_5j(t)，…d_1R(t)，…d_5R(t)]，w_j(t)表示t時刻歸一化層第j個神經元與輸出神經元之間的權值，c_ij(t)是RBF層的中心，d_ij(t)是RBF層的寬度；

其中，自適應學習率λ(t)為，

λ(t)＝θ||e(t)||+(1-θ)||g(t)|| (14)

0<θ<1是實參數，e(t)是誤差向量；

④計算代價函數E(t)，當滿足精度E(t)<E_d，迭代停止，否則跳轉到步驟②；

將測試樣本數據作為訓練后的模糊神經網絡的輸入，模糊神經網絡的輸出即為膜透水率的軟測量值。

附圖說明

圖1為出水透水率智能檢測系統整體架構圖；

圖2模糊神經網絡結構圖；

圖3出水透水率軟測量模型仿真誤差曲線；

圖4出水透水率軟測量模型預測結果圖，其中實線為出水透水率實際計算值，黑色為軟測量模型的預測值；

圖5出水透水率智能檢測系統集成架構圖；

具體實施方式

(1)出水透水率智能檢測系統設計與軟硬件功能集成的具體實施

MBR透水率智能檢測系統設計和軟硬件功能集成開發(fā)；本發(fā)明創(chuàng)新的關鍵是搭建和開發(fā)完整的系統構架并實現實際應用；檢測系統包括數據采集模塊、數據傳輸模塊、數據存儲模塊和人機交互模塊，并且這些模塊主要體現在數據的獲取、傳輸、存儲和顯示中，該過程主要涉及了設備、總線、網絡和服務器之間的接口設置，服務器界面和后臺程序的鏈接設置，以及數據處理服務器和實際檢測儀表的數據傳輸設置；出水透水率預測系統服務器主要實現對透水率預測過程的實時檢測和管理，從界面預測透水率的大小，并將透水率的變化及時反饋客戶端，開發(fā)的透水率智能檢測系統可實現的主要功能包括①對透水率相關參數的查詢、②透水率軟測量模型基本參數的設定、③顯示未來一段時間內透水率的預測曲線

本發(fā)明采用軟件行業(yè)中的構件技術把透水率軟測量模型封裝為功能模塊，增強了模型的復用性，彌補國內外透水率智能檢測技術向實際系統操作中人機交互界面推廣的空白；本發(fā)明采用.NET平臺進行軟件開發(fā)，便于創(chuàng)建ActiveX控件，擴大了軟件的可使用環(huán)境范圍；采用現場總線(Profibus-DP)技術建立全流程系統通訊網絡，實現各模塊間信息傳遞；同時本發(fā)明提出的透水率智能檢測系統實現了中控室和現場各個數據采集點的連接，構成了集中管理的預測系統，系統的拓展容易，各部分功能獨立，可以根據實際預測需要增加軟、硬件模塊并與其它系統進行融合，可實現系統的穩(wěn)定性和可靠性并保證了透水率的預測精度。

(2)出水透水率軟測量技術研究的具體實施

①通過安置在工藝現場的在線檢測儀表采集輸入變量，需采集的變量的包括5種，參數信息及采集位置如表1所示。

表1采集的過程變量類型

②使用模糊神經網絡建立出水透水率的軟測池量模型，采用實時采集的數據對模糊神經網絡進行訓練和測試。選擇80組數據進行測試。采集的數據如表2所示。

③對建立的出水透水率軟測量模型進行校正，得到的仿真誤差曲線圖和預測結果圖分別為圖4、圖5所示。

表2軟測量模型測試數據