Хотя конечное качество воды является доминирующим критерием оптимальной коагуляции, существует очень мало подходов, использующих параметры готовой воды для целей управления в реальном времени. Одной из причин может быть временной лаг между дозированием и выходом из стадии разделения, порядка не менее 30 минут для прямой фильтрации и несколько часов для обычных стадий отстаивания.
В этом отношении балластная флокуляция, такая как процесс или поточная коагуляция с последующей мембранной фильтрацией, имеет явные преимущества. Показан принцип этого типа управления с обратной связью. При очистке питьевой воды качество готовой воды тщательно контролируется в соответствии с требованиями соответствующих директив. Данные обычно используются для ручной корректировки дозировки коагулянта обслуживающим персоналом на основе эмпирических знаний. Хотя были разработаны программные инструменты, которые прогнозируют как дозировку, так и качество готовой воды на основе методов управления с прямой связью, автоматическая обработка параметров готовой воды для прямого управления с обратной связью еще не реализована.
Для источников сырой воды с изменениями качества, наблюдаемыми только через несколько недель или месяцев, например, скандинавские озера, можно использовать контроль качества готовой воды с обратной связью, хотя многие заводы на самом деле не видят реальной необходимости в управлении дозированием в режиме онлайн. Что касается сточных вод, то прямое использование данных о готовой воде для контроля дозирования также не распространено. Хотя многие муниципальные очистные сооружения измеряют концентрации частиц и орто-P в сточных водах, эта информация не используется для целей автоматического контроля дозирования в схеме контроля с обратной связью. В недавнем исследовании предложили схему управления для полномасштабного первичного отстойника с химическими добавками, в котором используется датчик мутности на сточных водах. В то время как процесс коагуляции/флокуляции описывается на основе тестов в сосудах, для моделирования осветлителя используется послойный подход.
Согласно их наблюдениям, тесты в сосудах, как правило, завышают удаление взвешенных твердых частиц, то есть схема контроля должна быть адаптирована соответствующим образом. 3. Косвенное использование онлайн-параметров для контроля дозирования
Разработка программных датчиков для управления дозированием
В последние годы данные испытаний в сосудах, опытно-промышленных испытаний и/или полномасштабной эксплуатации оценивались с помощью передовых математических инструментов в ряде исследований с целью установления взаимосвязей между несколькими входными и один или несколько выходных параметров. Полученные корреляции обычно называли моделями, хотя они построены не на физическом понимании процессов, а скорее на математическом анализе имеющихся данных.
Существуют в основном три разных подхода:
• Многомерный регрессионный анализ;
• Модели искусственных нейронных сетей (ИНС);
• Модели нечеткой логики.
Их общей чертой является то, что длинные временные ряды данных о качестве воды, а также о рабочих параметрах должны быть доступны для калибровки и проверки модели. Впоследствии модели можно использовать в сочетании с соответствующими физическими датчиками для задач управления дозированием в качестве так называемых программных датчиков или виртуальных датчиков. В следующих разделах описаны последние разработки, а также их потенциальное применение.
Однако общей чертой этих подходов является то, что они обычно требуют обширной базы данных по параметрам, связанным с водой и технологическими процессами, и расширенной оценки данных. Поэтому применение моделей на практике все еще очень ограничено.
Многомерный регрессионный анализ
Исчерпывающий обзор использования многомерных методов статистического управления процессами, а именно анализа основных компонентов (PCA) и частичного метода наименьших квадратов (PLS). Они разработали инструмент мониторинга условий управления с прогнозированием модели, который позволяет пользователям обнаруживать ненормальную работу контроллера и при необходимости устранять неисправности, но они также отмечают, что для правильного анализа управления с прогнозированием модели или аномалий процесса необходимы знания и опыт процесса.
Тщательный анализ данных испытаний в сосудах, полученных с использованием синтетической сырой воды, содержащей как частицы, так и NOM, коагулированного квасцами, был проведен. Учитывались восемь параметров качества воды: тип частиц, начальная мутность, начальное УФ-поглощение, температура, рН, электропроводность, концентрация кальция и концентрация сульфатов. Был применен двухуровневый метод дробно-факторного расчета для определения важности каждого параметра для минимальной требуемой дозы и остаточной мутности после отстаивания. Они обнаружили антагонистическое влияние различных входных параметров на два изученных ответа (минимизация дозировки и остаточная мутность), поэтому одновременно оптимизировать процесс в отношении обоих было невозможно.
Применительно к данным станции водоподготовки результаты хорошо согласовывались, за исключением условий, когда исходная вода имела низкую концентрацию органических веществ. Однако онлайн-инструмент контроля дозирования не был разработан на основе этого подхода.
Провели испытания в сосудах с водой и использовали метод поверхности отклика для определения оптимальных условий. Они применили квадратичную модель, чтобы описать взаимосвязь между дозировкой коагулянта и pH в качестве входных параметров и мутностью и удалением DOC, соответственно, в качестве откликов. Коэффициенты были определены с помощью множественного линейного регрессионного анализа. Согласно результатам, был только небольшой диапазон дозировок pH, при котором удаление как мутности, так и DOC было оптимальным, тогда как оптимальные диапазоны только для одного из параметров были намного шире.
Подход к моделированию был подтвержден данными, полученными в ходе независимых испытаний, но не был преобразован в онлайн-инструмент управления. Использовал лабораторные и полномасштабные данные обработки озерной воды, чтобы применить как множественный линейный регрессионный анализ, так и модель многослойного персептрона нейронной сети с пятью нейронами путем прямого отбора и обратного распространения. Показателями качества входной воды были перманганатный индекс, цветность, рН, жесткость, мутность, электропроводность и концентрация силикатов.
Скорость потока, дозировка коагулянта, рН коагуляции и температура были наиболее важными учитываемыми переменными процесса. Цель состояла в том, чтобы предсказать конечную мутность и остаточные концентрации алюминия. Результаты показали, что обе модели могут быть использованы для этой цели. Хотя качество нелинейной модели было немного лучше, чем у линейной, был сделан вывод, что линейная модель больше подходит для приложений, требующих явных корреляций или быстрых вычислений, как в случае с адаптивными мягкими датчиками.
Описали новую концепцию контроля дозировки на механическо-химических очистных сооружениях. Они использовали данные технического масштаба и применили частичный регрессионный анализ методом наименьших квадратов, чтобы связать дозировку коагулянта с входными параметрами скорости потока, температуры, pH, проводимости, мутности или tho-P, временем установления параметров процесса и выходным потоком. параметр мутность. Первые результаты были многообещающими, и в последующих исследованиях был разработан онлайн-инструмент управления.
Концепция была задокументирована после нескольких лет полномасштабных проверок, позволивших снизить потребление коагулянта более чем на 30% по сравнению с дозированием, пропорциональным потоку. Моделируя поведение ливневых вод с использованием синтетической воды, содержащей как мутность, так и NOM применили методологию поверхности отклика для определения оптимальных условий при испытаниях в ясе. Они использовали уравнение квадратного полинома, чтобы связать входные параметры pH, мутности, УФ-поглощения и щелочности, а также переменную дозировку процесса с остаточной мутностью и конечным УФ-поглощением, соответственно, в качестве откликов. Коэффициенты определяли с помощью множественного регрессионного анализа.
Предложенная стратегия была успешно применена для прогнозирования дозировки для очистки ливневых вод с чрезвычайно высокой мутностью. Применяя аналогичный подход, также использовали методологию поверхности отклика для оценки данных по коагуляции фильтрата полигона с полиалюминийхлоридом и квасцами, но с другими параметрами. Здесь в качестве входных данных были определены только pH и дозировка, тогда как удаление ХПК, удаление мутности, удаление окраски и удаление TSS были параметрами отклика.
Коэффициенты квадратных полиномиальных уравнений определялись методом множественного регрессионного анализа. Этот тип оценки данных позже был применен для очистки фильтрата путем коагуляции с хлоридом железа и отделения хлопьев флотацией растворенным воздухом, где давление, скорость потока и время впрыска (пропорционально соотношению газа и жидкости) во флотационной установке в качестве дополнительных входных данных. Этот метод подходил для определения значимости различных параметров и оптимизации эффективности удаления. Изучали коагуляцию реальных сточных вод пяти муниципальных заводов в Италии в серии тестов в сосудах.
Построить систему дозирования
Подобрать и смонтировать дозирующее оборудование. Собрать шкафы автоматики. Интегрировать систему в технологический процесс
(812) 493-20-71
193079, Санкт-Петербург,
ул. Новоселов, дом 8
+ 7 (921) 943 12 26
Пн — Пт 10:00 — 19:00