基于数学模型的污水处理pH智能控制系统

doi:10.19965/j.cnki.iwt.2024-0872

摘要/Abstract

摘要：

污水处理酸碱中和反应具有强非线性、时变滞后、易受多重干扰等特性，传统PID控制方法效果不佳。构建基于机器学习与模型预测的智能控制系统，通过整合历史数据建模，采用前馈补偿控制方法，借助门控循环单元（GRU）和全连接层（FC）等结构，将进水流量波动作为扰动变量，通过数学模型动态预测补偿值，并结合PID反馈调节形成复合控制系统，提升了pH控制的精准度与稳定性。同时，采用以智能计量阀为核心的精密流量控制系统，该系统通过RS485通讯方式实现各组件的协同和与上位机的连接，依据前馈补偿控制方法精准计算出的氢氧化钠投加量进行全量程范围（100∶1）内的精确调节，可将pH控制精度提升至±0.15以内，系统抗干扰能力显著增强，氢氧化钠投加量大幅降低22%，具备超宽量程、低噪声、低功耗、高可靠性等显著优势。

关键词: pH精度, 数学模型, 智能控制, 前馈补偿, 精密流量控制

Abstract:

The acid-base neutralization reaction in wastewater treatment is characterized by strong nonlinearity, time-varying hysteresis, and susceptibility to multiple interferences, leading to unsatisfactory performance with conventional PID control. To address these challenges, an intelligent control system integrating machine learning and model prediction was constructed. By establishing historical data-driven models and implementing feedforward compensation control method, the system utilized gated recurrent unit(GRU) and fully connected(FC) layer structures to treat influent flow fluctuations as disturbance variables. It dynamically predicted compensation values through mathematical model and combined them with PID feedback regulation to form a composite control system, significantly improving the accuracy and stability of pH control. Meanwhile, a precision flow control system with intelligent metering valve as the core was adopted. The system realized the collaboration of various components and the connection with the upper computer through RS485 communication. It could precisely adjust the sodium hydroxide dosage within the full range (100∶1) based on the dosage accurately calculated by the feedforward compensation control method, which improved the pH control accuracy to within ±0.15. The anti-interference ability of the system was significantly enhanced, and the sodium hydroxide consumption was greatly reduced by 22%. The system had significant advantages such as ultra wide range, low noise, low power consumption, and high reliability.

Key words: pH accuracy, mathematical model, intelligent control, feedforward compensation, precision flow control

中图分类号:

X703.1

颜斌, 段建峰, 孙钧, 周文, 郭荣华, 颜峰, 魏卓, 杨晓林. 基于数学模型的污水处理pH智能控制系统[J]. 工业水处理, 2025, 45(9): 196-202.

Bin YAN, Jianfeng DUAN, Jun SUN, Wen ZHOU, Ronghua GUO, Feng YAN, Zhuo WEI, Xiaolin YANG. Intelligent pH control system for wastewater treatment based on mathematical models[J]. Industrial Water Treatment, 2025, 45(9): 196-202.

https://www.iwt.cn/CN/Y2025/V45/I9/196

图/表 14

图1 PID控制系统示意

Fig.1 Schematic of PID control system

图2 A、B两池进水流量和pH变化情况

Fig.2 Influent flow and pH variations in tank A and B

图3 数学模型前馈补偿控制运行示意

Fig.3 Schematic diagram of feedforward compensation control operation for mathematical model

图4 门控循环单元运行示意

Fig.4 Schematic diagram of gated recurrent unit operation

图5 被控对象回归模型网络结构

Fig.5 Network structure of the controlled object regression model

表1 被控对象回归模型网络结构参数

Table 1 Network structure parameters of the controlled object regression model

网络模块	输入层维度	隐含层维度	输出层维度	网络层数
GRU	4	32	32	2
FC	32		2	1

表2 前馈补偿控制器网络结构参数

Table 2 Network structure parameters of feedforward compensation controller

网络模块	输入层维度	隐含层维度	输出层维度	网络层数
GRU	2	16	16	2
FC	16		2	1

表3 前馈补偿控制器网络（GRU）模型参数

Table 3 Parameters of feedforward compensation controller network（GRU） model

对象名称	对象说明	属性	属性说明
gru.weight_ih_l0	GRU-0中当前时刻输入量到当前时刻隐藏状态的权重数据	shape	对象数据尺寸48×4
		rdata	$W i h r ∈ R 16 × 2$
		zdata	$W i h z ∈ R 16 × 2$
		ndata	$W i h n ∈ R 16 × 2$
gru.weight_hh_l0	GRU-0中前一时刻隐藏状态到当前时刻隐藏状态的权重数据	shape	对象数据尺寸48×16
		rdata	$W h h r ∈ R 16 × 16$
		zdata	$W h h z ∈ R 16 × 16$
		ndata	$W h h n ∈ R 16 × 16$
gru.bias_ih_l0	GRU-0中当前时刻输入量到当前时刻隐藏状态的偏置数据	shape	对象数据尺寸48
		rdata	$b i h r ∈ R 16$
		zdata	$b i h z ∈ R 16$
		ndata	$b i h n ∈ R 16$
gru.bias_hh_l0	GRU-0中前一时刻隐藏状态到当前时刻隐藏状态的偏置数据	shape	对象数据尺寸48
		rdata	$b h h r ∈ R 16$
		zdata	$b h h z ∈ R 16$
		ndata	$b h h n ∈ R 16$
略4组	略4组	略16组	略16组
fc.weight	FC中输入量到输出量的权重数据	shape	对象数据尺寸2×16
fc.weight	FC中输入量到输出量的权重数据	data	$W ∈ R 2 × 16$
fc.bias	FC中输入量到输出量的偏置数据	shape	对象数据尺寸2
fc.bias	FC中输入量到输出量的偏置数据	data	$b ∈ R 2$

表3 前馈补偿控制器网络（GRU）模型参数

Table 3 Parameters of feedforward compensation controller network（GRU） model

对象名称	对象说明	属性	属性说明
gru.weight_ih_l0	GRU-0中当前时刻输入量到当前时刻隐藏状态的权重数据	shape	对象数据尺寸48×4
		rdata	$W i h r ∈ R 16 × 2$
		zdata	$W i h z ∈ R 16 × 2$
		ndata	$W i h n ∈ R 16 × 2$
gru.weight_hh_l0	GRU-0中前一时刻隐藏状态到当前时刻隐藏状态的权重数据	shape	对象数据尺寸48×16
		rdata	$W h h r ∈ R 16 × 16$
		zdata	$W h h z ∈ R 16 × 16$
		ndata	$W h h n ∈ R 16 × 16$
gru.bias_ih_l0	GRU-0中当前时刻输入量到当前时刻隐藏状态的偏置数据	shape	对象数据尺寸48
		rdata	$b i h r ∈ R 16$
		zdata	$b i h z ∈ R 16$
		ndata	$b i h n ∈ R 16$
gru.bias_hh_l0	GRU-0中前一时刻隐藏状态到当前时刻隐藏状态的偏置数据	shape	对象数据尺寸48
		rdata	$b h h r ∈ R 16$
		zdata	$b h h z ∈ R 16$
		ndata	$b h h n ∈ R 16$
略4组	略4组	略16组	略16组
fc.weight	FC中输入量到输出量的权重数据	shape	对象数据尺寸2×16
fc.weight	FC中输入量到输出量的权重数据	data	$W ∈ R 2 × 16$
fc.bias	FC中输入量到输出量的偏置数据	shape	对象数据尺寸2
fc.bias	FC中输入量到输出量的偏置数据	data	$b ∈ R 2$

图6 基于数据驱动前馈补偿控制系统的结构

Fig.6 Structure of data-driven feedforward compensation control system

图7 被控对象回归模型120 min序列片段拟合效果

Fig.7 Fitting performance of the controlled object regression model on the 120 minutes sequence segment

图8 一段120 min序列的前馈补偿控制效果

Fig.8 Feedforward compensation control effect of the 120 minutes sequence

图9 一段7 000 min序列的前馈补偿控制效果

Fig.9 Feedforward compensation control effect of the 7 000 minutes sequence

图10 智能计量阀系统

Fig.10 Intelligent metering valve system

图11 智能控制系统A、B池出水pH变化

Fig.11 Changes in pH of effluent from tank A and B of intelligent control system

[1]	张浩良, 刘聪, 洪乾坤, 王侃鸣, 王红宇. MBR中膜污染的人工神经网络预测研究进展[J]. 工业水处理, 2022, 42(7): 15-23.
[2]	许尧, 苑宏英, 汪艳宁, 张玉忠, 靖大为. 中空内压超滤膜丝的纯水通量分析[J]. 工业水处理, 2019, 39(1): 95-98.
[3]	李亚峰, 张文文, 叶友林. UASB厌氧氨氧化工艺多指标正交试验与数学模拟[J]. 工业水处理, 2018, 38(4): 74-79.
[4]	张智超, 苑宏英, 汪艳宁, 张玉忠, 靖大为. 中空内压超滤膜丝的数学模型与运行特性[J]. 工业水处理, 2018, 38(1): 83-86.
[5]	王文英, 黄勇, 顾晓丹, 陆森强. 活性污泥数学模型在污水处理中的研究进展[J]. 工业水处理, 2014, 34(7): 1-4.
[6]	靖大为, 严丹燕, 马孟, 孙浩, 肖强. 平板超滤膜元件的微分方程模型[J]. 工业水处理, 2012, 32(4): 62-64.
[7]	高继峰, 张捍民, 蒋涛, 杨凤林. 膜生物反应器膜面滤饼层数学模型建立及表征方法研究进展[J]. 工业水处理, 2012, 32(3): 9-13.
[8]	靖大为, 王雪. 反渗透膜元件的微分方程数学模型[J]. 工业水处理, 2010, 30(2): 74-75,92.
[9]	周振, 吴志超, 王志伟, 蒋玲燕, 王荣生, 麦穗海. 污水中溶解性惰性有机物含量的测定方法及其研究进展[J]. 工业水处理, 2010, 30(10): 17-20.
[10]	吴志超, 唐书娟, 周振. 慢速可生物降解有机物水解数学模型的研究进展[J]. 工业水处理, 2009, 29(5): 5-9.
[11]	靖大为, 罗浩, 金焱, 王思亮. 反渗透膜元件及膜系统的数学模型[J]. 工业水处理, 2009, 29(12): 79-82.
[12]	胡晨燕, 李光明, 赵修华, 周仰原. 垃圾焚烧厂渗滤液生化出水混凝处理及其模型的建立[J]. 工业水处理, 2007, 27(5): 54-58.
[13]	张英爽, 宋嗣新, 杜齐喜, 田恩杰. 基于优化算法对活性污泥数学模型稳态仿真[J]. 工业水处理, 2007, 27(2): 68-70.
[14]	郭亚萍, 顾国维. WEST软件的仿真设计功能应用研究[J]. 工业水处理, 2006, 26(3): 80-82.
[15]	冯冬青, 李玮, 徐学红. 电厂锅炉水处理过程中智能控制系统设计[J]. 工业水处理, 2005, 25(9): 52-55.

选择文件类型/文献管理软件名称

选择包含的内容