專利名稱：絮凝投藥復合控制方法
技術領域：
本發明涉及一種水處理投藥控制技術，具體涉及一種絮凝投藥復合控制方法。
背景技術：
絮凝投藥是水質凈化的重要環節，而如何控制絮凝劑的投加則是目前水工業中亟待解決的問題。傳統應用流動電流檢測器的投藥控制技術屬于僅檢測中間參數的后反饋控制系統，具有滯后特性，如容量滯后和純滯后，從干擾作用的產生到被控參數達到新的穩定狀態要經歷相當長的時間。其控制效果的好壞取決于中間參數與處理工藝的相關性，實際應用中這種相關性是隨著原水水質、水量及工藝過程的變化而變化的，必須及時修正才能保證出水水質。水處理過程從絮凝劑的投加，經過混合、反應、沉淀至少需要經過幾十分鐘以上，系統的大滯后、非線性造成無法應用傳統技術依據出水指標來修正系統設定值，許多水廠原水濁度和原水流量變化較大，對系統沖擊劇烈，僅依靠后反饋控制已不能滿足要求，因而迫切需要發展先進實用的新型絮凝投藥控制方法。

發明內容
本發明的目的是提供一種水處理絮凝投藥復合控制方法，它能夠實現對具有不確定性和強非線性的水處理絮凝投藥中間工藝進行實時控制。本發明復合控制方法的步驟是取沉淀池出水濁度檢測值1、取沉淀池出水濁度設定值2；將沉淀池出水濁度檢測值減去沉淀池出水濁度設定值5；得到沉淀池出水濁度偏差值x36；對x3進行積分運算7，運算公式為f(x3)＝k3·∫x3·dt3，式中k3為常數，t3為時間，f(x3)為積分運算結果；取沉淀池出水濁度偏差值x36、取原水流量檢測值x13、取原水濁度檢測值x24，都作為神經元運算8的輸入值；取原水流量檢測值x13、取原水濁度檢測值x24，都作為前饋比例運算9的參數，運算公式為f(x1，x2)＝k1·x1.x2n，式中k1由試驗結果得出，n為經驗系數，由試驗得出，f(x1，x2)為前饋比例運算的結果；將積分運算結果f(x3)與神經元運算結果進行相加10；上述運算結果作為中間參數設定值11，取中間參數檢測值12；將中間參數檢測值減去中間參數設定值13；得出中間參數偏差值x14；對x進行比例積分運算15，運算公式為f(x)＝k·x+k·∫x·dt，式中k為常數，t為時間，f(x)為比例積分運算結果；將比例積分運算結果f(x)與前饋比例運算結果f(x1，x2)相乘16；其結果即為該時刻絮凝劑的投加量17。
本發明有以下有益效果1、本發明是以水處理工藝沉淀池出水濁度檢測值作為最終控制目標，通過調整絮凝劑投加量使沉淀池出水濁度合格。利用該復合控制方法可解決現有水處理投藥控制系統不能迅速反映水質和水量變化、滯后時間長、與工藝相似性差、系統不易穩定等缺點，能夠實現對具有不確定性和強非線性的水處理絮凝投藥工藝進行實時控制，并具有較強的對抗干擾抑制能力。2、神經元采用內模控制方式，即用兩個神經元網絡，一個是神經元正模型；一個是神經元逆模型，在絮凝投藥系統穩定的情況下，利用神經元網絡的自學習性、自適應性和可以任意逼近非線性函數的特點建立中間參數設定值偏差預測模型，神經元運算結果和積分運算結果相加自動修正中間參數設定值。3、應用該復合控制方法處理的水，其水質合格率達到99％以上，并可節省絮凝藥劑用量20～40％，因而該復合控制方法大大地優于傳統控制方法，它具有很好的環境效益和社會效益。


圖1是本發明的總體控制方法的流程圖，圖2是神經元運算方法的流程圖，圖3是神經元正模型的結構示意圖，圖4是神經元逆模型的結構示意圖。
具體實施例方式結合圖1、圖2、圖3、圖4說明本發明實施方式的步驟取沉淀池出水濁度檢測值1、取沉淀池出水濁度設定值2(由人工設定)；將沉淀池出水濁度檢測值減去沉淀池出水濁度設定值5；得到沉淀池出水濁度偏差值x36；對x3進行積分運算7，運算公式為f(x3)＝k3·∫x3·dt3，式中k3為常數，t3為時間，f(x3)為積分運算結果；取沉淀池出水濁度偏差值x36、取原水流量檢測值x13、取原水濁度檢測值x24，都作為神經元運算8的輸入值；取原水流量檢測值x13、取原水濁度檢測值x24，都作為前饋比例運算9的參數，運算公式為f(x1，x2)＝k1·x1.x2n，式中k1由試驗結果得出，n為經驗系數，由試驗得出，f(x1，x2)為前饋比例運算的結果；將積分運算結果f(x3)與神經元運算結果進行相加10；上述運算結果作為中間參數設定值11，取中間參數檢測值12；將中間參數檢測值減去中間參數設定值13；得出中間參數偏差值x14；對x進行比例積分運算15，運算公式為f(x)＝k·x+k·∫x·dt，其中k為常數，t為時間，f(x)為比例積分運算結果；將比例積分運算結果f(x)與前饋比例運算結果f(x1，x2)相乘16；其結果即為該時刻絮凝劑的投加量17。所述的神經元運算8包括神經元正模型運算8-1和神經元逆模型運算8-4，神經元運算8由以下步驟完成取原水流量檢測值x13、取原水濁度檢測值x24、取神經元運算結果8-5，都作為神經元正模型運算8-1的輸入參數；取沉淀池出水濁度偏差值x36；作沉淀池出水濁度偏差值x3與神經元正模型運算結果的相減運算8-2；運算結果為參考輸入值8-3；取原水濁度檢測值x24、取原水流量檢測值x13、取沉淀池出水濁度偏差值x36和參考輸入值8-3，都作為神經元逆模型運算8-4的輸入參數；得到神經元運算結果8-5，同時神經元運算結果8-5作為神經元正模型運算8-1的輸入參數值，構成閉環控制系統。
神經元正模型由輸入層18-1、中間層18-2、輸出層18-3組成由原水濁度檢測值x24、原水流量檢測值x13、中間參數設定值11作為神經元正模型網絡18的輸入層18-1的參數，以三層前饋BP神經元網絡作為神經元正模型網絡18的基本結構，經過中間層18-2運算，最終以沉淀池出水濁度偏差值x36作為輸出層18-3的參數。神經元正模型網絡18的訓練方法是選取具有代表性的水廠運行數據對神經元正模型網絡18進行訓練或學習，在滿足沉淀池出水濁度要求的誤差精度的前提下，確定神經元正模型網絡18各層之間的連接權重系數。
神經元逆模型由輸入層19-1、中間層19-2、輸出層19-3組成由原水濁度檢測值x24、原水流量檢測值x13、沉淀池出水濁度偏差值x36和參考輸入值8-3作為神經元逆模型網絡19的輸入層19-1的參數，以三層前饋BP神經元網絡作為神經元逆模型網絡19的基本結構，經過中間層19-2運算，最終以中間參數設定值11作為輸出層19-3的參數。神經元逆模型網絡19訓練方法是以沉淀池出水濁度偏差值6作為神經元逆模型網絡19的輸入值，沉淀池出水濁度偏差值x3與神經元正模型運算結果的相減運算8-2得出的參考輸入值8-3用來進行訓練，間接地學習中間參數對象的逆動態特性，使神經元逆模型網絡19通過學習建立系統的逆模型。仍按照網絡訓練的一般方法，選取有代表性的水廠運行數據對神經元逆模型網絡19進行多次訓練，獲得各層之間的連接權重系數。
權利要求
1.一種絮凝投藥復合控制方法，其特征在于復合控制方法的步驟是取沉淀池出水濁度檢測值(1)、取沉淀池出水濁度設定值(2)；將沉淀池出水濁度檢測值減去沉淀池出水濁度設定值(5)；得到沉淀池出水濁度偏差值x3(6)；對x3進行積分運算(7)，運算公式為f(x3)＝k3·∫x3·dt3，式中k3為常數，t3為時間，f(x3)為積分運算結果；取沉淀池出水濁度偏差值x3(6)、取原水流量檢測值x1(3)、取原水濁度檢測值x2(4)，都作為神經元運算(8)的輸入值；取原水流量檢測值x1(3)、取原水濁度檢測值x2(4)，都作為前饋比例運算(9)的參數，運算公式為f(x1，x2)＝k1·x1·x2n，式中k1由試驗結果得出，n為經驗系數，由試驗得出，f(x1，x2)為前饋比例運算的結果；將積分運算結果f(x3)與神經元運算結果進行相加(10)；上述運算結果作為中間參數設定值(11)，取中間參數檢測值(12)；將中間參數檢測值減去中間參數設定值(13)；得出中間參數偏差值x(14)；對x進行比例積分運算(15)，運算公式為f(x)＝k·x+k·∫x·dt，式中k為常數，t為時間，f(x)為比例積分運算結果；將比例積分運算結果f(x)與前饋比例運算結果f(x1，x2)相乘(16)；其結果即為該時刻絮凝劑的投加量(17)。
2.根據權利要求1所述的絮凝投藥復合控制方法，其特征在于神經元控制方法的步驟是取原水流量檢測值x1(3)、取原水濁度檢測值x2(4)、取神經元運算結果(8-5)，都作為神經元正模型運算(8-1)的輸入參數；取沉淀池出水濁度偏差值x3(6)；作沉淀池出水濁度偏差值x3與神經元正模型運算結果的相減運算(8-2)；運算結果為參考輸入值(8-3)；取原水濁度檢測值x2(4)、取原水流量檢測值x1(3)、取沉淀池出水濁度偏差值x3(6)和參考輸入值(8-3)，都作為神經元逆模型運算(8-4)的輸入參數；得到神經元運算結果(8-5)，同時神經元運算結果(8-5)作為神經元正模型運算(8-1)的輸入參數值，構成閉環控制系統。
全文摘要
絮凝投藥復合控制方法。它涉及一種水處理投藥控制技術。將沉淀池出水濁度檢測值減去沉淀池出水濁度設定值(5)；得到沉淀池出水濁度偏差值x
文檔編號C02F1/52GK1597548SQ20041004389
公開日2005年3月23日 申請日期2004年9月24日 優先權日2004年9月24日
發明者南軍 申請人:哈爾濱工業大學