阐述污水处理基于自适应模糊制约污水处理曝气量变频调节

摘要：研究了污水处理过程中通过调节鼓气机频率来控制溶解氧浓度的自适应模糊控制。针对水环境变化大的问题，引入了调整因子，断调整模糊规则以适应不同的水环境，提高了系统的稳定性和自适应能力。实验数据表明，该自适应模糊控制系统，对溶解氧浓度的控制效果理想，提高了污水处理的效率。
关键词：模糊控制溶解氧浓度（DO）污水处理变频器

采用包括模糊控制在内的智能控制方法对污水处理过程进行控制已经成为业界的共识，但是，到目前为止真正应用到实际生产中的智能控制技术还不多，原因之一就是污水环境的巨大变化对控制系统的稳定性和自适应能力要求很高，而影响控制性能的因素非常多，难以全面考虑。
针对这一状况，本文以序批式活性污泥法（SBR）为基础，对如何提高控制系统的稳定性和自适应能力进行了深入研究，以接近于实际工况的实验设备和污水为条件，研究设计了引入调整因子的污水处理溶解氧浓度（DO）自适应模糊控制系统。通过调节鼓风机频率，将DO稳定地控制在理想的位置，提高了污水处理效率，节省了能源，该控制系统具备较好的稳定性和自适应能力。

1.SBR简介及控制方法

序批式活性污泥法（SBR）是一种间歇运行的污水生物处理工艺，自上世纪80年以来得到快速发展，非常适合中小型污水处理厂。它的运行过程包括进水、反应（曝气）、沉淀、滗水及闲置等五个阶段，与活性污泥法相比无须一沉池与二沉池，五个阶段都在同一个反应池中进行。目前，SBR的控制方法主要是时间程序控制，处理过程的五个阶段根据提前设置的时间序列依次进行，通过采用可编程控制器（plc）可以方便的实现自动控制，这也是其得到广泛推广应用的原因之一。
在活性污泥法污水处理过程中，生物氧化环节（曝气环节）是其中最重要的一部分。在这一环节中，以好氧菌为主体的微生物通过生化反应处理污水中的有机污染物，决定其处理效果的关键因素之一是生化池中的溶解氧浓度（DO）。由于原水水质往往在不断的变化，在某些环境下还可能剧烈波动，这就使得按传统的时间程序控制法进行控制存在很大的弊端。曝气时间长或者曝气量大会造成大量能源的浪费，曝气时间短或者曝气量小又可能使出水水质波动大甚至不达标，所以采用固定时间固定风量进行曝气是与污水反应的实际过程相脱离的。国内彭永臻等人提出以DO作为SBR法的模糊控制参数，实现对曝气量的变频控制。所以，如何通过调节鼓风机频率将DO控制在理想状况下，就成为提高处理效率、节能降耗的关键。由于对DO的控制无法建立准确的数学模型，难于采用经典控制方法进行有效控制，这就为模糊控制提供了用武之地。

2.DO自适应模糊控制系统

在活性污泥法污水处理过程中，由鼓风机将空气送到生化反应池，来提供微生物分解有机物所需要的氧气。以DO值作为SBR法的模糊控制参数能够在保证出

源于：论文模板www.udooo.com

水水质的前提下尽可能多地节省运行费用，并能避免曝气量的不足或反应时间过长而引起的污泥膨胀。本系统的风机转速由变频器调节，其控制原理是首先将DO设定值与检测值进行比较得到精确量E和EC，通过模糊化变换成模糊量，再根据由大量实验数据和专家经验得出的模糊知识库把模糊输入量进行模糊推理得到相应的模糊控制量，经模糊判决将模糊控制量转化为精确控制量输出，即变频器的频率，从而实现对曝气量的变频调节。控制流程图如图1所示。
图1 DO模糊控制系统流程图

2.1模糊控制器的结构选择

所谓模糊控制器的结构选择，就是确定模糊控制器的输入输出变量。模糊控制器的结构对整个系统的性能有较大影响，必须根据被控对象的具体情况合理选择。模糊控制器的结构主要分为单输入-单输出（SISO）结构和多输入-多输出（MIMO）结构。根据污水处理的实际过程，该系统采用典型的双输入单输出二维模糊控制器，这里的维数就是输入变量的个数，输入变量分别为DO的偏差E和偏差变化率EC，输出变量U为变频风机的频率VRI。

2.2模糊语言变量及论域的确定和模糊化

模糊规则是由若干语言变量构成的模糊条件语句，它们反映了人类的某种思维方式。在确定模糊变量时，首先确定其基本的语言值，再根据需要生成若干个语言子值。一般来说，一个语言变量的语言值越多，对事物的描述就越准确，可能得到的控制效果就越好。但是，过细的划分会使控制规则变得复杂，实现起来更困难，因此应根据具体情况而定。
在本系统中，对E、EC和U的模糊子集规定为：
E=EC=U={负大(NB)，负中(NM)，负小(NS)，零（ZO），正小(PS)，正中(OM)，正大(PB)}
E的基本论域为：（-0.6，0.6），语言变量为：{-6，-5，-4，-3，-2，-1，-0，0，1，2，3，4，5，6}；
EC的基本论域为：（-0.15，0.15），语言变量为：{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}；
U的基本论域为：（-4，4），语言变量为：{-7，-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6，7}；
模糊集合是用隶属度函数描述的，它的特征函数就称为隶属度函数。隶属度函数是模糊集合论的基础，如何确定隶属度函数是模糊控制器设计中的一个关键问题。由于模糊集理论研究的对象（本文中为变频器的频率）具有“模糊性”和经验性，因此找到一种统一的隶属度计算方法是不现实的。通常，确定隶属度函数的方法主要有：主观经验法、分析推理法、调查统计法、演绎推理法、神经网络法以及遗传算法等。本文结合了实际操作的经验和前人比较成型的设计方法，同时，为降低模糊控制器的设计难度，将E、EC和U的隶属函数均采用典型的高斯曲线隶属度函数，各模糊状态的隶属函数为：
PB 1-EXP[-(0.5/|1-X|)25]；
PM 1-EXP[-(0.25/|0.7-X|)25]；
PS 1-EXP[-(0.25/|0.4-X|)25]；
Z0 EXP[-(5/|X-0.05|)25]；
NS 1-EXP[-(0.25/|-0.4-X|)25]；
NM 1-EXP[-(0.25/|-0.7-X|)25]；
NB 1-EXP[-(0.5/|-1-X|)25]。

2.3模糊控制规则和控制表的建立

在模糊控制系统中，模糊控制器的性能对系统的控制特性影响很大，而模糊控制器的性能在很大程度上取决于模糊控制规则的确立及其可调整性。我们采用经验归纳法，根据手动调节风机频率来改变DO的经验，总结出四十九条规则，其形式为“IF E= ┅ and IF EC= ┅ then U=┅”。所有的控制规则库如表1所示。
表1 模糊控制规则表
根据模糊控制规则表，对输入变量采用最大隶属度法进行反模糊化，经离线计算得到每一个状态的模糊控制器输出，即鼓风机频率的基础变化值，制成如表2所示的模糊控制表。
表2模糊控制表

2.4引入调整引子

为增加模糊控制系统的稳定性和自适应能力，我们引入调整因子对控制规则进行调整，以便对变化的水环境具备自适应能力。带有调整因子的控制规则可表述为：ｕ＝－[αＥ＋（１－α）ＥＣ]，０＜α＜１。式中的α就是调整因子，也称加权因子。通过不断调整α的大小，可以改变对误差及误差变化的不同加权程度，以此进一步确定适合水质变化的模糊控制规则。在实验中，根据经验α通常取0.4-0.8之间效果较为理想。