基于神经网络的MBR污水处理工艺参数预测和控制研究

摘要

近年来膜生物反应器(MembraneBioreactors,MBR)工艺在污水处理中的应用格外引人注目。该工艺与传统的废水生物处理工艺相比,具有出水水质好、出水可直接回用、设备占地面积小、便于自控、活性污泥浓度高和剩余污泥产量低等优点。本课题根据MBR污水处理的工艺要求对PLC进行了硬件选型和软件设计,主要包括污水预处理区、MBR反应区和污泥处理区三部分。
　　 MBR运行的突出问题主要是膜污染,膜污染不仅会降低膜的产水率、增加运行费用,而且影响膜生物反应器的稳定运行。本文根据现场运行参数,探讨了预测MBR工艺在运行中发生膜污染的方法。MBR运行控制过程是一个多变量,多目标的包含海量信息的复杂控制系统,膜污染因子较为复杂且各因子之间相互交叉,难以建立精确的数学模型。因此,本文采用神经网络算法建立了膜污染模型预测模型。首先分析膜污染形成原因,针对膜污染因子复杂多变的特点,以及神经网络对于控制领域的强大吸引力,提出采用基于神经网络计算方法的膜污染预测的建模方法。利用主元分析法(PCA)实现过程变量的降维和去相关,实现辅助变量的精选,从而达到简化神经网络输入的目的。然后建立基于BP神经网络的膜污染预测模型。对标准BP算法进行了分析,建立了膜污染预测的BP神经网络模型并进行详细的讨论,指出BP算法收敛速度慢,易陷入局部极小点,网络泛化能力不强等缺点及原因。最后提出了一种新膜污染预测方法—基于PSOBP神经网络的膜污染预测模型。PSOBP算法是用粒子群算法来优化神经网络,计算适应度函数,最后对优化权值后的网络进行训练。仿真结果表明:与标准BP算法相比,PSOBP算法具有收敛速度快、收敛精度高、稳定性好等特点。
　　 基于神经网络的膜污染预测模型,不仅有助于实现膜生物反应器中污水处理的膜污染预测控制,而且对于其它复杂过程的优化控制也有积极影响。

目录

文摘

英文文摘

第1章 绪论

1.1 课题背景及研究意义

1.1.1 课题背景

1.1.2 课题研究意义

1.2 国内外膜污染控制研究现状及其存在的问题

1.3 本文主要研究内容

第2章 膜生物反应器污水处理系统

2.1 膜生物反应器概述

2.1.1 膜分离技术

2.1.2 膜生物反应器的发展

2.2 污水处理控制系统的设计

2.2.1 工艺流程

2.2.2 控制模块的选择

2.2.3 PLC设计与实现

2.3 本章小结

第3章 膜污染模型设计

3.1 初步确定辅助变量

3.1.1 变量类型的选择

3.1.2 变量数目的选择

3.2 数据采集与数据预处理

3.2.1 数据采集

3.2.2 数据预处理

3.3 PCA算法及辅助变量的精选

3.3.1 主元分析法(PCA)简介

3.3.2 PCA算法的主要步骤

3.3.3 辅助变量的精选

3.4 建立膜污染测量模型

3.5 本章小结

第4章 基于BP神经网络膜污染预测模型

4.1 神经网络概述

4.2 BP神经网络原理

4.2.1 BP神经网络结构

4.2.2 标准BP算法

4.2.3 动量梯度下降反向传播算法

4.2.4 自适应学习速率梯度下降反向传播算法

4.2.5 自适应学习速率动量梯度下降反向传播算法

4.3 基于BP神经网络的膜污染模型的实现

4.3.1 建立BP神经网络膜污染模型

4.3.2 BP神经网络结构设计

4.3.3 仿真结果与分析

4.4 本章小结

第5章 基于PSOBP神经网络膜污染预测模型

5.1 粒子群算法概述

5.1.1 粒子群算法的基本概念

5.1.2 粒子群算法的设计与实现

5.1.3 粒子群算法的应用

5.2 基于PSOBP神经网络的膜污染模型的实现

5.2.1 建立PSOBP神经网络膜污染模型

5.2.2 PSOBP神经网络结构设计

5.2.3 基于PSO优化的BP网络学习算法

5.2.4 仿真结果与分析

5.3 本章小结

结论

参考文献

附录

攻读硕士期间所发表论文

致谢