Применение статистических инструментов и нейронных сетей в процессах промышленного дозирования и контроля результатов

Данные были оценены с применением различных статистических инструментов, чтобы определить, существуют ли какие-либо корреляции между параметрами. В то время как удаление ХПК в значительной степени зависело от происхождения сточных вод, а также от ХПК во входящем потоке, концентрации TSS во входящем потоке, pH и дозы квасцов, на удаление TSS влияли только последние факторы (концентрация TSS во входящем потоке, pH и дозировка). Полученные данные не использовались в дальнейшем для целей онлайн-контроля.

Модели искусственных нейронных сетей (ИНС)

Нейронная сеть — это метод нелинейной регрессии, который предоставляет инструмент прогнозирования, обучаясь распознавать закономерности в исторических данных. В зависимости от архитектуры модели различают следующие типы: модель многослойного персептрона (MLP), нейронная сеть с временной задержкой (TDNN) и нейронная сеть с радиальной базисной функцией (RBF). Подробный обзор их применения в различных областях был дан, которые также сделали акцент на сравнении ИНС и статистических методов прогнозирования динамических процессов. В последние годы модели ИНС также показали свою способность использоваться в качестве программных датчиков для нескольких параметров качества воды на очистных сооружениях.

Разработали и утвердили систему управления технологическим процессом, основанную на модели ANN для удаления NOM путем усиленной коагуляции на водопроводной станции. Согласно их результатам, этот тип метода управления дозированием осуществим и может помочь реализовать экономию средств при очистке воды. Подробно описали построение нейросетевых моделей MLP и RBF и применили первую из них к стадии коагуляции во Франции, где речная вода подвергается очистке. Использовали данные, полученные в результате испытаний в сосудах, охватывающих период в один год, при этом мутность, электропроводность, pH, температура, растворенный кислород и УФ-поглощение сырой воды были входными переменными, а оптимальная дозировка коагулянта — выходным параметром.

Всего было доступно 1600 наборов данных для построения и проверки модели. После его внедрения для управления технологическим процессом была достигнута значительная экономия использования коагулянта. В сравнительном исследовании различных подходов к моделированию использовали рН сырой воды, проводимость и мутность, а также мутность отстойной воды из водопроводной станции на Тайване в качестве входных переменных и дозировку коагулянта в качестве выходного параметра для построения соответствующих моделей. Они обнаружили, что их модель ИНС дает лучшие прогнозы, чем методы регрессии или временных рядов.

Подчеркнули, что накопленные рабочие данные, используемые при обучении ИНС, могут иметь некоторые поврежденные и зашумленные записи данных. Они разработали метод предварительной обработки данных для подготовки обучающих и тестовых наборов данных, которые могут помочь повысить надежность моделей ИНС, полученных из данных. Проанализировали данные испытаний в сосудах с австралийскими источниками воды и построили модель нейронной сети MLP на основе двух различных инструментов моделирования.

В первом использовались параметры сырой воды pH, мутность, цветность, УФ-поглощение, DOC и щелочность, а также доза квасцов для прогнозирования остаточных значений мутности, цветности и УФ-поглощения. Во втором инструменте использовались те же параметры сырой воды и, кроме того, желаемое качество очищенной воды (мутность, цвет и УФ-поглощение) для прогнозирования оптимальной дозировки, конечного рН и концентрации остаточного алюминия. Тем не менее, авторы отмечают, что необходимы дальнейшие испытания, прежде чем инструменты можно будет использовать для целей контроля в режиме реального времени на полномасштабных водоочистных сооружениях.

Используя данные полномасштабной работы водопроводной станции построили модель нейронной сети MLP с температурой сырой воды, pH и мутностью в качестве входных параметров и дозировкой коагулянта, а также сигналом течения в качестве модели. выход. Применяя их систему, на очистных сооружениях можно добиться значительной экономии коагулянта. Подобный подход был описан для большой установки по очистке питьевой воды в Марокко. В этом случае входными параметрами были температура, pH, электропроводность, растворенный кислород и мутность или TSS соответственно. Для построения модели использовался ряд данных, охватывающий четыре года эксплуатации. Программный датчик предназначался для последующего применения на очистных сооружениях в качестве онлайн-инструмента.

Та же самая модель ИНС легла в основу концепции, в которой генерируемая информация интегрировалась в работу предприятия в качестве входных данных для системы диагностики использовали данные полномасштабной обработки поверхностных вод для построения модели нейронной сети MLP и адаптивной сетевой системы нечеткого вывода.

Температура, рН, мутность и цвет как сырой, так и очищенной воды вводились в модели в качестве входных переменных, а дозировка полиалюминийхлорида была выходным параметром. Модель давала несколько лучшие прогнозы, и была рекомендована для применения операторами для помощи в контроле дозирования. В более позднем исследовании те же авторы разработали другой метод построения улучшенной модели ИНС, обладающей лучшими прогностическими возможностями.

Подход был недавно применен к данным водоочистных сооружений. Используя в качестве входных параметров параметры сырой воды pH, мутность, TSS, электропроводность и растворенный кислород, а также электропроводность и мутность отстоянной воды, была построена модель нейронной сети MLP, которая дала удовлетворительные прогнозы необходимой дозы квасцов. Между тем обнаружили, что модель давала лучшие результаты при обучении на данных испытаний в ясе и применении к пилотной установке по сравнению с моделью ANN. Поэтому первая модель была реализована для управления дозированием в реальном времени. В пилотном исследовании, посвященном удалению БПК, азота и фосфора при очистке муниципальных сточных вод сравнили модели линейной авторегрессии с интегрированным скользящим средним (ARIMA) и модель TDNN. Они обнаружили, что модель нейронной сети была более точной для однопериодных и многопериодных прогнозов их реальных данных, в то время как для искусственно сгенерированных наборов данных модели ARIMA иногда превосходили подход TDNN. Их основной вывод заключался в том, что при выборе между нейронными сетями и другими статистическими методами следует тщательно учитывать характер и предполагаемое использование данных о качестве воды.

Провели баночные испытания с бытовыми сточными водами и полимерным фосфатно-хлоридным алюминием в качестве коагулянта. На основе результатов была построена модель нейронной сети RBF с начальным pH, дозировкой коагулянта, соотношением P/Al и скоростью перемешивания в качестве входных параметров и удалением ХПК в качестве выходных параметров. Кроме того, хлопья анализировали методом фотографического изображения. В качестве основного результата ИНС могла предсказать эффективность коагуляции лишь в некоторой степени, вероятно, из-за того, что количество экспериментальных точек данных было слишком маленьким. Однако сомнительно, чтобы выбор входных параметров был здесь оптимальным, поскольку нагрузка сырой воды не учитывалась напрямую.

Модели нечеткой логики

За последние 30 лет нечеткие регуляторы нашли широкое применение в технических процессах. Они основаны на идее использования данных в реальном времени в качестве входных данных и набора логических правил (если-то правила) для генерации выходного сигнала, который сохраняет параметры как можно ближе к предопределенной уставке. Провели испытания в сосудах и непрерывные лабораторные эксперименты с синтетической сырой водой и хлоридом железа в качестве коагулянта. Они применили систему управления с обратной связью на основе нечеткой логики с текущим током (заданное значение -0,05) и pH (заданное значение 8,0) в качестве входных параметров и дозой коагулянта, а также базовой дозой в качестве выходных параметров. В результате начальная мутность 110 NTU в сырой воде может быть устойчиво снижена до менее 10 NTU после коагуляции и осаждения. Ссылок на полномасштабное применение их подхода нет.

Продемонстрировали способность нечеткой логики в очистке воды управлять сырой водой, качество которой зависит от времени и концентрации. Концепция была основана на системе прямой связи и успешно очищала сырую воду с цветностью до 225 мг Pt/л и мутностью от 16 NTU до менее 7 мг Pt/л и 0,1 NTU соответственно. После повторных испытаний на непрерывных пилотных демонстрациях сообщений о полномасштабных приложениях не поступало. Разработали систему управления с прямой связью с компонентом нечеткой обратной связи для станции очистки питьевой воды на Тайване. Модель была основана на натурных данных, собранных в течение четырех лет, а pH, а также мутность в отстоянной воде использовались для установления нечетких правил контроля. Эффективность предложенной стратегии была успешно продемонстрирована в ходе нескольких полевых испытаний. Хеддам и др. [99] выбрали два разных подхода к построению адаптивной нейро-нечеткой системы вывода (ANFIS): первый основан на разделении сетки; второй был основан на субтрактивной кластеризации.

Это многоуровневая сеть с прямой связью, в которой адаптивные параметры заработка используются для достижения оптимальных выходных данных. Основное различие между двумя использованными подходами заключалось в определении оптимального количества и формы нечетких правил, в результате чего было получено 729 правил для модели на основе сетки и только 15 правил для d-модели на основе вычитающей кластеризации. Параметры сырой воды: температура, рН, электропроводность, мутность, УФ-поглощение и растворенный кислород были входными переменными, а дозировка квасцов была выходным параметром.

В общей сложности 725 наборов данных, собранных на станции очистки питьевой воды, использовались для построения, проверки и тестирования моделей. Было обнаружено, что модель на основе субтрактивной кластеризации превосходит другую за счет простоты выбора параметров и более точного и надежного прогноза оптимальной дозы коагулянта. Изучая коагуляцию сточных вод бумажных фабрик полиалюминийхлоридом разработал интегральный нейронечеткий контроллер процесса. Они ввели данные о скорости потока, ХПК сырой воды и дозировке коагулянта в модель и определили ХПК сточных вод в качестве выходного параметра.

Всего было доступно 100 наборов данных для разработки и тестирования модели. Производительность нового контроллера процесса сравнивалась с результатами, полученными с помощью простого контроллера с обратной связью на основе данных о ХПК сточных вод. Было показано, что почти 25% химикатов можно сэкономить, применяя усовершенствованную схему контроля. 4.

Практическое применение

Некоторые описанные выше стратегии контроля применяются на крупных очистных сооружениях по всему миру. Однако мало что было опубликовано об опыте и недостатках, полученных при их длительном применении как для очистки питьевой воды, так и для очистки сточных вод. Описали свой опыт применения монитора проточного тока для оптимизации дозировок коагулянта на крупнейшем заводе по производству питьевой воды. Согласно их результатам, прибор полезен, когда рН коагуляции ниже 7,0, если он правильно расположен, обслуживается и откалиброван. Однако при pH ≥ 7,0 это неприменимо.

Компания оборудовала свои водоочистные сооружения системой управления дозированием с прямой связью, основанной на скорости потока и поглощении УФ-излучения. Авторы сообщают, что в течение первого года после запуска системы управления удалось сэкономить 1500 т коагулянта, а потребность в ручном вмешательстве уменьшилась. Модель смогла правильно предсказать дозировки, применяемые в период, когда наблюдались всплески качества сырой воды. Авторы подчеркивают, что обучать модель нужно было на хороших оперативных данных. В Австралии программное обеспечение рекомендуется для водоочистных сооружений для прогнозирования доз коагулянтов, реагентов для контроля pH и остаточного DOC в очищенной воде.

По данным Совместного исследовательского центра качества и очистки воды, этот инструмент применяется несколькими водоканалами, но дополнительные данные пока не опубликованы. На нескольких крупных очистных сооружениях, где необходимо достичь концентрации общего фосфора в сточных водах менее 1 мг/л, для дополнительного биологического удаления фосфора используется одновременное осаждение солями железа.

На шести заводах измеряется орто-Р между этапом активного ила и вторичным отстойником (качество дозируемой воды) для контроля дозировки коагулянта, а на двух заводах этот параметр измеряется в стоках стадии отстаивания (качество готовой воды). Этот метод считается надежным и достаточно точным.

Несколько очистных сооружений теперь используют стратегию управления на своих стадиях коагуляции. На очистных сооружениях эта модель используется с 2009 г., а несколько станций питьевой воды, сообщили об успешном полномасштабном применении.

Необходимые исследования

До сих пор не существует общепринятого математического описания процесса коагуляции воды и сточных вод. Таким образом, было очень желательно, чтобы исследовательские группы из разных стран предприняли дальнейшие усилия в этом отношении. Важным аспектом работы должно быть улучшение понимания взаимосвязи между данными о качестве воды и основными химическими и физическими процессами коагуляции. Все более широкое использование онлайн-мониторинга качества воды дает огромное количество оперативных данных, которые должны быть полезны в этом процессе. Кроме того, должны быть разработаны соответствующие физические датчики, которые можно было бы использовать для учета изменений параметров сырой воды в соответствующих схемах контроля. Что касается будущих стратегий управления, было бы интересно сосредоточиться не только на методах прямой и обратной связи, но и изучить их комбинации. До сих пор было предпринято много попыток разработать программные датчики. Однако их применение по-прежнему кажется ограниченным, поскольку они часто основывались только на экспериментальных данных. Здесь требуется больше опыта от приложений технического масштаба в течение более длительных периодов эксплуатации.

Хотя вначале это может занять много времени, предприятия водоснабжения должны использовать некоторые ресурсы для поддержки этого типа работ, чтобы иметь в наличии новые инструменты, которые могут помочь им улучшить работу станции и снизить затраты в долгосрочной перспективе.

Выводы

Для онлайн-мониторинга данных о качестве воды, используемых в стратегиях прямого и обратного контроля, имеется ряд физических датчиков. Помимо скорости потока и рН, при очистке питьевой воды наиболее распространены такие параметры, как мутность и УФ-поглощение, а орто-П часто используется в качестве дополнительного параметра при коагуляции сточных вод. Было предпринято несколько попыток смоделировать процесс образования хлопьев. Однако в обозримом будущем вряд ли будет разработан какой-либо применимый инструмент для управления процессами в режиме реального времени.

Математический анализ данных испытаний и/или технологических процессов в банках привел к разработке так называемых программных датчиков. Они основаны либо на многомерном регрессионном анализе, либо на моделях искусственных нейронных сетей, либо на моделях нечеткой логики. Хотя последний применялся не очень часто, вероятно, из-за нехватки времени, существует ряд успешных применений двух других подходов. Как при использовании физических датчиков в соответствующих схемах управления, так и при использовании программных датчиков было продемонстрировано, что может быть достигнута повышенная стабильность процесса коагуляции. Кроме того, может быть возможна экономия химикатов порядка нескольких десятков процентных пунктов, что также отразится на затратах на управление осадком. Поэтому желательно проводить исследования по совершенствованию физических датчиков, а также по дальнейшей разработке программных датчиков и их реализации в будущем.

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