Экспериментальный подход контроля качества дозирования и аналитических измерений

В этой статье обсуждается выбор, экспериментальный подход к проекту и методология, используемая для достижения целей проекта. Типичная автоматическая система дозирования коагулянта состоит из следующих компонентов: Дозировочный насос с регулируемой скоростью, который может реагировать на сигнал обратной связи, например. от 4 до 20 мА Сигнальный процессор и контроллер, напр. программируемый логический контроллер (ПЛК) Соответствующий оперативный анализатор, т.е. мутномер и детектор проточного тока, который обеспечивает выходной контрольный параметр. Автоматические системы дозирования коагулянта, как правило, отличаются друг от друга только выбором управляющего параметра, который является частью контура, т.е. мутность, заряд железа или количество частиц. Все контрольное оборудование было стандартизировано, и единственной переменной был контролируемый параметр. Критериями выбора системы автоматического контроля дозы были следующие:

  • Стоимость – капитальные, монтажные и эксплуатационные затраты
  • Простота установки – сложность установки и количество места, необходимое для установки.
  • Затраты на техническое обслуживание – включая частоту технического обслуживания и процедуры технического обслуживания
  • Сложность эксплуатации – требуемый уровень обучения оператора или сложность системы управления и требуется ли ПЛК
  • Ограничения – параметр управления должен соответствовать конкретным очистным работам водители дозы коагулянта.

Сигналы от онлайновых аналитических приборов должны быть сильными, стабильными и воспроизводимыми. Детектор поточного дозирования прошел международные исследования и был успешно установлен и эксплуатировался на американских и европейских водоочистных сооружениях. В журналах были статьи о том, что его можно использовать для контроля дозы коагулянта для удаления гуминовых кислот и низких концентраций. Благодаря техническим данным из обзора литературы и интересу страны к внедрению детектора поточного дозирования, Детектор поточного дозирования стал ключевым направлением этого проекта. Обзор литературы показал, что Детектор поточного дозирования не работает оптимально при очень низкой мутности; поэтому, поскольку несколько исследований показали использование счетчиков частиц наряду с другими анализаторами на полномасштабных водоочистных сооружениях, в этом проекте также изучалась эффективность счетчиков частиц. Исторические данные показали, что уровни мутности на двух крупных плотинах, с годами постоянно снижались до их нынешних значений мутности менее 5 NTU. Поэтому исследование метода счетчика частиц актуально в контексте Южной Африки. Наконец, также было исследовано использование математической модели для контроля коагулянта.

Планирование эксперимента и методология

Оборудование, которое было выбрано для исследования, было сначала испытано, чтобы определить его пригодность для контроля. На этом этапе оборудование запускалось вручную, и отмечалась реакция на изменяющиеся параметры, а также на эксплуатационные проблемы. Оборудование, хорошо зарекомендовавшее себя в этих тестах, было затем дополнительно протестировано для определения качества автоматического контроля дозы коагулянта в пилотном масштабе. Исследования оборудования, которое не показало хороших результатов на начальном лабораторном этапе, были прекращены. Для математической модели, основанной на исторических данных, после того, как программа нейронной сети будет завершена, программа будет протестирована вручную на заводских данных, чтобы определить, насколько хорошо программа будет работать во время работы. Затем результаты этих «сухих» тестов определят, перейдет ли тестирование к следующему этапу. В этой главе обсуждаются процедуры, используемые для обеспечения точности, воспроизводимости и надежности экспериментальных результатов. Представлено краткое описание мер по калибровке и очистке аналитических приборов, использованных в этом исследовании, включая процедуру контроля качества. Были проведены тесты на дисперсию, чтобы убедиться, что кувшинная мешалка дает повторяющиеся результаты как в целом, так и для каждой мешалки. Периодически проводили испытания случайной дисперсии на кувшинной мешалке. Тестирование дисперсии не проводилось для каждой выборки из-за ограниченного объема выборки. Кувшинная мешалка не перемещалась и не подвергалась вмешательству в течение всего экспериментального периода, а отклонения, полученные от устройства, составляли менее 5%. Для упражнения на воспроизводимость было выполнено три набора тестов с банкой. Затем дисперсию определяли по приведенной ниже формуле:

Детектор поточного дозирования

Чтобы гарантировать воспроизводимость лабораторных результатов. Чтобы гарантировать воспроизводимость лабораторных результатов детектора поточного дозирования, стабильность прибора измерялась для каждой пробы воды. Процедура была следующей:

  • 10 x 350 мл отборных проб хорошо перемешанной пробы сырой воды измеряли на детекторе поточного дозирования
  • Поршень детектора поточного дозирования погружали в образец, а магнитную мешалку использовали для непрерывного перемешивания. образец
  • Детектор поточного дозирования стабилизировался в течение 3 минут, и показания были записаны
  • Рассчитана дисперсия. Было обнаружено, что наибольшая дисперсия составляет ± 0,69%.

Процедура калибровки

Калибровка детектора поточного дозирования как для лаборатории, так и для пилотной установки выполнялась еженедельно, и процедура была следующей (выдержка из руководства по эксплуатации и эксплуатации детектора поточного дозирования:

  • Добавьте 1 мл катионного стандарта к 1 л дистиллированной воды и хорошо перемешайте в течение 2 -3 минуты
  • Теперь добавьте 100 мл раствора к 900 мл дистиллированной воды и хорошо перемешайте. Дайте раствору отстояться в течение одного часа перед калибровкой детектора поточного дозирования стакан с калибровочным раствором (500 мл)
  • Подождите, пока показания детектора поточного дозирования стабилизируются в калибровочном растворе.

Замените 500 мл раствора свежими 500 мл калибровочного раствора. Подождите, пока показания детектора поточного дозирования стабилизируются, затем используйте подсказки меню для калибровки. прибора детектора поточного дозирования автоматически установит значения нуля и усиления. Калибровка завершена, когда значение 5,30 ICu отображается на экране. После завершения калибровки промойте детектор поточного дозирования в пресной воде.

Техническое обслуживание детектора поточного дозирования

Детектор поточного дозирования был извлечен из корпуса образца. Затем корпус промыли, открыв сливной клапан и почистив щеткой. Линия, ведущая к кожуху для образца, была промыта путем обеспечения притока в кожух, а затем открытия сливного клапана. Затем детектор поточного дозирования возвращали в корпус образца, и нормальная работа возобновлялась.

Лабораторное определение pH

Ежедневные тесты аналитического контроля качества (AQC) проводились, чтобы гарантировать, что экспериментальные результаты были сопоставимы, точны и прецизионны. Процедура АКК проводилась после каждых двух испытаний мутномера и рН-метра.

Для обеспечения точности были сняты и сопоставлены соответствующие показания измерителя мутности пилотной установки и детектора поточного дозирования, а также откалиброванного лабораторного прибора для измерения мутности и детектора поточного дозирования. Если будет обнаружено, что отклонение превышает 10%, онлайн-метр мутности или детектор поточного дозирования следует откалибровать в соответствии с руководством по эксплуатации оборудования.

В момент, когда наблюдалось постоянное увеличение дисперсии, в данном случае в течение двух дней, соответствующий прибор был откалиброван., стабильность прибора измерялась для каждой пробы воды. Процедура была следующей:

  • 10 x 350 мл отборных проб хорошо перемешанной пробы сырой воды измеряли на детектора поточного дозирования
  • Поршень детектора поточного дозирования погружали в образец, а магнитную мешалку использовали для непрерывного перемешивания. образец
  • Детектор поточного дозирования стабилизировался в течение 3 минут, и показания были записаны
  • Рассчитана дисперсия. Было обнаружено, что наибольшая дисперсия составляет ± 0,69%.

Счетчик частиц

Счетчик частиц был откалиброван на заводе поставщиком оборудования. Оборудование не поддается калибровке и проверке калибровки на месте. Единственное доступное вмешательство заключалось в том, чтобы периодически промывать счетчик частиц, пропуская через него сверхчистую воду и позволяя счетчику частиц стабилизироваться на самом низком уровне. Эти значения (размер частиц и количество) для сверхчистой воды регистрировали при очистке счетчика частиц, а затем сравнивали в последующих запусках. Если значения отличались более чем на 10%, то счетчик частиц повторно очищали и промывали сверхчистой водой. Уменьшение рекомендуемой скорости потока (75 мл/мин) через датчик указывало на возможное загрязнение датчика. Падение состояния ячейки до 85% указывало на необходимость проведения очистки. Таким образом, требовалось постоянное техническое обслуживание, чтобы смягчить последствия загрязнения. Был использован нещеточный метод очистки, описанный ниже:

  • Стандартный лабораторный очиститель или теплая деионизированная вода, т.е. менее 50 °C (в зависимости от наличия) была приготовлена
  • С помощью шприца с минимальным объемом 60 мл Через трубку датчика вводилась более чистая или деионизированная вода
  • Высокое давление удаляет большую часть загрязнения

Скорость потока проверяли с помощью мерного цилиндра и секундомера, чтобы убедиться, что она восстановилась до 75 мл/мин. Если снижение процентного содержания клеток на 10–15 % наблюдалось либо при самом первом измерении, либо при первом измерении после очистки, выполнялась калибровка в соответствии с руководством по эксплуатации.

Оценка производительности счетчика частиц

Встроенный счетчик частиц был установлен на пилотной установке установки оценки очистки воды (WTEU), которая расположена на водоочистной станции. Пилотная установка получает воду с низкой мутностью (обычно менее 3 NTU), в которую добавляют коагулянт и коагулянт. Затем вода очищается и фильтруется. На пилотной установке для очистки воды используется осветлитель ила. Из-за низкой мутности поступающей сырой воды бентонит дозируется в качестве коагулянта для создания и поддержания слоя ила.

Счетчик частиц был установлен после осветлителя, чтобы проверить, можно ли его использовать в качестве обратной связи для контроля дозы коагулянта. Технологическая схема пилотной установки представлена. Счетчик частиц подсчитал и отсортировал взвешенные частицы по четырем диапазонам размеров (т. е. 1–5 мкм, 5–10 мкм, 10–15 мкм и 15–25 мкм). Цель этого эксперимента состояла в том, чтобы определить, как размер частиц и количество частиц в осветленной воде изменялись при постепенном изменении дозы коагулянта. Если существует постоянно воспроизводимая зависимость между выходом счетчика частиц и дозой коагулянта, то метод подсчета частиц может быть рассмотрен для использования в автоматической системе дозирования коагулянта. Трубка датчика счетчика частиц была промыта примерно 5 л деионизированной воды, чтобы получить базовый уровень чистой воды Оптимальные дозы химикатов были определены в ходе испытаний в сосудах. Лабораторные измерения осветленной мутности были записаны для подтверждения точности и отклонения полученные онлайн-данные.

Предварительные результаты оценки эффективности показали, что метод подсчета и определения размера частиц не является удовлетворительным для контроля дозы коагулянта. Следует отметить, что в этом исследовании счетчик частиц был размещен после отстойника, чтобы обеспечить контроль дозы коагулянта. Испытания проводились с использованием отстойника, для работы которого требовался слой ила. Осветлитель добавляет тесту еще одно измерение, поскольку доза коагулянта — не единственная переменная, влияющая на показания счетчика частиц. Нестабильность слоя ила из-за других рабочих параметров, помимо дозы коагулянта, также повлияла на количество и размер частиц. Показания счетчика частиц были непостоянными, и прибор требовал очистки два раза в неделю. Постоянное воздействие мутности, составляющей в среднем 0,2 NTU, вызвало сбой в работе ячейки, что привело к неработоспособности счетчика частиц. Было решено, что счетчик частиц не подходит для полномасштабного использования из-за частой очистки и чувствительности даже к низким уровням мутности (<5 NTU). Поэтому тесты контроля коагуляции не проводились с использованием счетчика частиц.

Математическая модель процесса дозирования на основе исторических данных

В этой статье обсуждается разработка программы нейронной сети. Искусственные нейронные сети классифицируются как инструменты математической нелинейной регрессии «черного ящика». Они изучают и выявляют корреляционные закономерности между наборами входных данных и соответствующими выходными данными. Как и в человеческом мозге, обучение начинается с известных данных, и в конечном итоге мозг обучается адаптироваться к меняющимся условиям, но основой всегда является то, что было изучено в период обучения. Как говорится, «хорошее суждение приходит из опыта, опыт — из плохого суждения», поэтому нейронной сети нужен «опыт», чтобы научиться делать «хорошие суждения».

Этот опыт возникает при обучении его на богатых характеристических данных рассматриваемой системы. Обучение этих нейронных сетей представляет собой форму нелинейной регрессии и превратилось в проверенную технику. Искусственная нейронная сеть обычно представляет собой массивную параллельную взаимосвязанную сеть обрабатывающих элементов (также называемых «искусственными нейронами», узлами или единицами). Способ взаимного соединения этих обрабатывающих элементов определяет сетевую архитектуру. В литературе можно найти более 50 различных типов сетевой архитектуры. В этом отчете использовался наиболее распространенный тип архитектуры нейронной сети, называемый нейронной сетью с прямой связью и обратным распространением.

Нейронная сеть с прямой связью состоит из слоев обрабатывающих элементов. Пример структуры нейронной сети с прямой связью с одним входным слоем, одним скрытым и одним выходным слоем. Данные из входного слоя распространяются по сети через межсоединения к элементам обработки в первом скрытом слое, где они объединяются и модифицируются функциями активации. Таким образом, сигналы передаются от слоя к слою, пока не достигнут выходного слоя. Для моделирования использовался пакет нейронной сети, который использует только один скрытый слой. Следовательно, сетевая архитектура не полностью определена заранее. Количество узлов в выходном слое определяется количеством выходных переменных модели.

Для скрытого слоя метод использует метод под названием «Каскадное обучение», чтобы определить подходящее количество скрытых узлов. Количество входных узлов может соответствовать количеству выбранных входных переменных. В качестве альтернативы Predict может использовать свой генетический алгоритм для анализа входных переменных и поиска наиболее выгодного их набора для моделирования нейронной сети. Каждая входная переменная может использоваться несколько раз в различных преобразованиях. Генетический алгоритм может определить основные переменные процесса, которые оказывают наиболее существенное влияние на выходные данные модели, а также может игнорировать входные переменные, оказывающие незначительное или незначительное влияние на рассматриваемый процесс.

Построить систему дозирования

Подобрать и смонтировать дозирующее оборудование. Собрать шкафы автоматики. Интегрировать систему в технологический процесс

(812) 493-20-71

Посетите нас

193079, Санкт-Петербург,
ул. Новоселов, дом 8

whatsapp

+ 7 (921) 943 12 26

Часы работы

Пн — Пт 10:00 — 19:00

Отправить письмо

info@dozirovanie.ru