【摘要】：近年來,粉末活性炭憑借吸附效果好和成本低的優(yōu)勢,不再局限于應對突發(fā)性污染應急處理,正逐步發(fā)展成為深度處理的主流技術。但是粉末活性炭投加系統(tǒng)仍處于人工控制階段,現場需要技術人員依靠經驗確定活性炭投加量,存在出水水質不穩(wěn)定,活性炭藥耗大等問題。因此,如何根據進水水質自動調節(jié)活性炭投藥量,是粉末活性炭投加系統(tǒng)推廣應用中亟需解決的問題,對中小型城鎮(zhèn)污水處理廠實現穩(wěn)定達標和節(jié)能減耗具有重要意義。本論文以浙江省嘉善縣某城鎮(zhèn)污水處理廠的深度處理工藝作為研究背景,以粉末活性炭投加系統(tǒng)作為研究對象,經分析確定了影響活性炭投藥量的主要因素是原水COD、pH和流量。針對活性炭投加控制系統(tǒng)大滯后、非線性和復雜性等問題,創(chuàng)新性地提出基于BP神經網絡的前饋預測投藥控制器,并確立了 BP神經網絡前饋預測-PID反饋的復合控制系統(tǒng)方案。主要研究結果如下:1、通過燒杯試驗獲取46組成功的樣本數據,分別選用BP神經網絡和多元線性回歸構建活性炭投加系統(tǒng)的前饋控制模型。BP神經網絡采用三層結構,其中輸入層有2個節(jié)點,輸出層有1個節(jié)點,隱含層有11個節(jié)點,利用離線訓練后的模型對未學習的樣本進行仿真,得到與實際投加量的擬合度R2=0.968,均方根誤差RMSE=0.0091。多元線性回歸模型的表達式為U=0.0170X1+0.0020X2-0.2078,按相同方法仿真后得到與實際投加量的擬合度R2=0.909,均方根誤差RMSE=0.0145。對比仿真結果可知,活性炭投加系統(tǒng)的前饋控制器采用BP神經網絡模型具有明顯的優(yōu)越性,不僅預測精度高,而且學習能力強,可以適應不同水質的變化。2、通過對被控對象建模的理論分析得到傳遞函數表達式。利用粉末活性炭投加飛升實驗得到活性炭投加飛升曲線,找到階躍響應曲線拐點(50,49.78),確定被控對象的傳遞函數為:G0(s)=5.4/(1+33.75s)(1+16.875s)e-26.6s。選用臨界比例度法確定PID控制器的參數,分別為:Kp=0.36;KI=0.006;KD=5.4。階躍響應曲線表明,反饋控制下的系統(tǒng)出水COD超調量大于40%,達到穩(wěn)定所需的時間為300 min 左右。3、在Matlab的Simulink環(huán)境下進行前饋BP神經網絡預測-PID反饋復合控制系統(tǒng)的仿真,結果表明復合控制系統(tǒng)下出水COD的超調量小于20%,調節(jié)時間在70 min左右。示范工程中的上位機采用裝有WinCC 7.0的PC,通過以太網與各PLC站點進行數據傳輸,通過OPC通訊工具來完成PC Matlab與PLC之間的通訊,活性炭投加計量泵流量q根據公式q=x/10ω自動計算而得。該投加系統(tǒng)經過一個月自動控制模式下的試運行,出水COD達標率升至90.63%,相較于人工控制提高了 8.88個百分點,同時削減活性炭日均消耗量16.61%,每月可減少活性炭使用成本13.5萬元。
[Abstract]:In recent years, with the advantages of good adsorption effect and low cost, powdered activated carbon is no longer limited to the emergency treatment of sudden pollution, and is gradually developing into the mainstream technology of advanced treatment. However, the powdered activated carbon feeding system is still in the manual control stage. It is necessary for technicians to determine the dosage of activated carbon based on experience, which leads to unstable effluent quality and large consumption of activated carbon. Therefore, how to automatically adjust the dosage of activated carbon according to the influent water quality is an urgent problem to be solved in the popularization and application of the powder activated carbon dosing system. It is of great significance for the small and medium-sized town wastewater treatment plants to achieve stable standards and save energy and consumption. In this paper, the advanced treatment process of a town sewage treatment plant in Jiashan County, Zhejiang Province is taken as the research background, and the powder activated carbon dosing system is taken as the research object. The main factors affecting the dosage of activated carbon are COD,pH and flow rate of raw water. Aiming at the problems of large lag, nonlinearity and complexity of active carbon feeding control system, a novel feedforward predictive dosing controller based on BP neural network is proposed, and a compound control system scheme based on BP neural network feedforward predictive and PID feedback is established. The main results are as follows: 1. 46 groups of successful sample data were obtained by beaker test. BP neural network and multivariate linear regression were used to construct feedforward control model of activated carbon feeding system. BP neural network adopted three-layer structure. There are 2 nodes in the input layer, 1 node in the output layer and 11 nodes in the hidden layer. Using the model after off-line training, the unlearned samples are simulated, and the fitting degree R2C 0.368 and the root mean square error (RMSE=0.0091.) are obtained. The expression of multivariate linear regression model is U=0.0170X1 0.0020X2-0.2078. According to the same method, the fitting degree R _ 2o _ (0.909) and root mean square error (RMSE=0.0145.) are obtained. Compared with the simulation results, the feedforward controller of the active carbon feeding system has obvious advantages by using the BP neural network model, which not only has high prediction accuracy, but also has a strong learning ability. It can adapt to the change of different water quality. 2. The expression of transfer function is obtained by theoretical analysis of the model of controlled object. The inflection point of the step response curve (50 ~ 49.78) was obtained by using the experiment of adding powder activated carbon. The transfer function of the controlled object was determined as G0 (s) = 5.4 / (1.33.75s) (116.875s) e-26.6s. The critical proportion method is used to determine the parameters of PID controller, which are: Kp=0.36;KI=0.006;KD=5.4. The step response curve shows that the output COD overshoot of the system under feedback control is greater than 40 and the time required to achieve stability is about 300 min. The feedforward BP neural network predictive control system and PID feedback compound control system are simulated under the Simulink environment of Matlab. The results show that the overshoot of effluent COD is less than 20 and the adjusting time is about 70 min. In the demonstration project, the upper computer uses PC, with WinCC 7.0 to transmit data to each PLC station through Ethernet. The communication between PC Matlab and PLC is accomplished by OPC communication tool. The flow rate of activated carbon dosing metering pump Q is automatically calculated according to the formula q=x/10 蠅. After one month's trial operation under automatic control mode, the effluent COD reaches the standard rate of 90.63%, which is 8.88% higher than that of manual control. At the same time, the average daily consumption of activated carbon is reduced by 16.61%, and the cost of using activated carbon is reduced by 135000 yuan per month.
【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP183;TU992.3

【相似文獻】

相關期刊論文 前10條

1 崔彥平,傅其鳳,師偉力;BP算法在旋轉機械故障診斷中的應用[J];河北科技大學學報;2003年03期

2 孫金穎;武涌;劉長濱;;基于BP神經網絡的既有居住建筑節(jié)能改造模式選擇[J];暖通空調;2007年09期

3 唐文;焦中生;饒若愚;鄧亮;;基于改進的BP算法雷達故障診斷系統(tǒng)設計[J];火力與指揮控制;2008年S1期

4 王紅芳;康慕寧;鄧正宏;;BP神經網絡在大氣環(huán)境質量評價中的應用研究[J];科學技術與工程;2009年07期

5 邵先勝;沈正偉;李之波;;基于BP神經網絡的瀝青路面使用性能評價模型[J];河南科技;2011年06期

6 羅廣恩;崔維成;;金屬疲勞裂紋擴展速率的貝葉斯正則化BP神經網絡預測[J];船舶力學;2012年04期

7 郭紅濤;;基于BP算法的電力系統(tǒng)負荷預測[J];科技信息;2013年04期

8 唐巍,陳學允;并行BP網在電力系統(tǒng)暫態(tài)穩(wěn)定分析中的應用[J];哈爾濱工業(yè)大學學報;1997年04期

9 ;韓國BP機普及率世界第一[J];農電管理;1997年05期

10 潘力強,馬歆,楊長青;廣義BP網用于電力系統(tǒng)短期負荷預報[J];湖南電力;1998年03期

相關會議論文 前10條

1 吳炎;杜棟;;基于BP神經網絡的江蘇省農業(yè)可持續(xù)發(fā)展能力評價[A];決策科學與評價——中國系統(tǒng)工程學會決策科學專業(yè)委員會第八屆學術年會論文集[C];2009年

2 栗秋華;李楊;盧雯嘉;游步新;;基于遺傳算法和BP神經網絡的電力系統(tǒng)電壓穩(wěn)定性預警模型[A];重慶市電機工程學會2010年學術會議論文集[C];2010年

3 戴立新;胡潔;李美葉;;基于BP神經網絡的農戶小額信用貸款風險評價研究[A];2007北京地區(qū)高校研究生學術交流會通信與信息技術會議論文集（上冊）[C];2008年

4 戴立新;胡潔;李美葉;;基于BP神經網絡的農戶小額信用貸款風險評價研究[A];中國會計學會高等工科院校分會2007年學術年會暨第十四屆年會論文集[C];2007年

5 賈燕;陳思嘉;沈京玲;;基于BP神經網絡的毒品太赫茲光譜識別[A];中國光學學會2006年學術大會論文摘要集[C];2006年

6 劉志飛;;基于BP神經網絡的助學信貸評估模型[A];信息經濟學與電子商務：第十三屆中國信息經濟學會學術年會論文集[C];2008年

7 宋宜斌;王培進;李凱里;;多層前饋神經網絡中BP算法的改進及其應用研究[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

8 簡季;楊武年;馬正龍;陳園園;;BP神經網絡在土地分類中的應用研究——以汶川地區(qū)為例[A];《測繪通報》測繪科學前沿技術論壇摘要集[C];2008年

9 尤煥苓;丁德平;王春華;劉偉東;謝莊;;應用回歸分析和BP神經網絡方法模擬北京地區(qū)電力負荷[A];第26屆中國氣象學會年會預測與公共服務分會場論文集[C];2009年

10 唐鳳英;喻長遠;胡隨瑜;;兩種Bp網絡測試方法在抑郁癥中醫(yī)證型分類中的對比研究[A];全國中西醫(yī)結合基礎理論學術研討會論文集[C];2004年

相關重要報紙文章 前10條

1 趙晏彪;BP科學家獲國際科學技術合作獎[N];中國化工報;2007年

2 宗林;中科院BP聯手推進清潔能源商業(yè)化[N];中國化工報;2007年

3 陳其玨;中科院與BP共建清潔能源商業(yè)化中心[N];上海證券報;2007年

4 鮑勇劍;BP漏油100天危機啟示錄[N];21世紀經濟報道;2010年

5 中山大學附屬第三醫(yī)院風濕科 黃建林;美國醫(yī)生腰間常掛BP機[N];健康報;2011年

6 本報記者 王佑;BP：高效與環(huán)保并重[N];第一財經日報;2006年

7 記者 郁紅;中科院BP將共建清潔能源商業(yè)化中心[N];中國化工報;2008年

8 王明毅;中科院與BP攜手推進清潔能源商業(yè)化進程[N];中國石油報;2007年

9 本報記者 詹鈴;BP出售資產追蹤：美企“吃肉” 中企“喝湯”？[N];21世紀經濟報道;2010年

10 龔月;中石油BP聯手競得伊拉克油田[N];中國企業(yè)報;2009年

相關博士學位論文 前3條

1 孫曉琳;基于Kalman濾波和BP神經網絡的財務危機動態(tài)預警模型研究[D];哈爾濱工業(yè)大學;2010年

2 何毅;基于BP神經網絡電容法刨花含水率測試儀的研究與開發(fā)[D];南京林業(yè)大學;2006年

3 王兟;腦卒中患者體內BP抗體水平與大皰性類天皰皰患者認知功能研究[D];北京協和醫(yī)學院;2015年

相關碩士學位論文 前10條

1 孫映白;基于BP神經網絡的軟測量技術在水松紙透氣度檢測中的應用研究[D];昆明理工大學;2015年

2 段偉超;BP神經網絡修正卡爾曼濾波在邊坡監(jiān)測中的應用[D];鄭州大學;2015年

3 林春;基于BP神經絡的廣東海洋生產總值預測研究[D];五邑大學;2015年

4 林琳;基于BP神經網絡的水利工程風險管理研究[D];江西理工大學;2015年

5 王曉菲;BP神經網絡下商業(yè)銀行綠色信貸風險評估研究[D];天津理工大學;2015年

6 周聰;基于改進BP神經網絡的直接甲醇燃料電池的濃度測量及控制[D];上海交通大學;2015年

7 卞正國;深空信道中束協議（BP）的性能分析[D];蘇州大學;2015年

8 巫文蔚;束協議（BP）在深空鏈路中斷下的性能研究[D];蘇州大學;2015年

9 潘長城;基于BP神經網絡的化工園區(qū)安全風險水平研究[D];首都經濟貿易大學;2015年

10 隋惠惠;基于BP神經網絡的短期電力負荷預測的研究[D];哈爾濱工業(yè)大學;2015年

，

本文編號：2286909