污水處理過程優(yōu)化控制系統(tǒng)內容簡介

第一章 污水處理過程測量與控制概論

1.1 污水處理的意義

1.2 我國污水處理的現狀

1.3 污水處理的方法及工藝

1.3.1 污水處理方法

1.3.2 SBR工藝污水處理系統(tǒng)

1.4 污水處理過程建?，F狀

1.5 污水處理過程控制現狀

1.6 污水處理過程軟測量現狀

1.7 污水處理系統(tǒng)在線測量與控制存在的問題

1.7.1 流程工業(yè)生產過程在線測量存在的問題

1.7.2 污水處理過程在線測量與控制存在的問題

第二章 污水處理出水水質BOD軟測量機理建模

2.1 軟測量在廢水處理中的應用

2.1.1 軟測量的概念、意義及發(fā)展

2.1.2 污水處理中軟測量的必要性

2.1.3 軟測量在污水處理中的常用方法簡介

2.2 BOD軟測量機理模型公式

2.2.1 經典勞倫斯—麥卡蒂公式

2.2.2 勞倫斯—麥卡蒂公式在廢水處理中演化形式

2.2.3 泰勒展開BOD軟測量機理模型公式

2.3 基于最小二乘法的污水處理BOD軟測量線性補償方法

2.3.1 最小二乘原理

2.3.2 遞推最小二乘算法對機理模型的補償

2.3.3 限定記憶最小二乘算法對機理模型的補償

2.3.4 基于偏最小二乘的BOD軟測量機理模型非線性補償方法

2.3.5 基于核最小二乘法的污水BOD軟測量機理模型補償算法

2.4 基于神經網絡的BOD機理模型的補償方法

2.4.1 BP神經網絡軟測量模型設計

2.4.2 基于過程神經網絡的BOD軟測量模型

第三章 基于PNN的污水處理軟測量方法研究

3.1 過程神經元網絡（PNN）

3.1.1 過程神經元

3.1.2 過程神經元網絡模型

3.2 基于PNN的軟測量方法及改進算法

3.2.1 基于函數正交基的PNN學習算法

3.2.2 基于函數正交基展開的PNN改進算法

3.3 基于PNN的污水處理過程軟測量

3.3.1 軟測量模型變量的選取

3.3.2 軟測量結構模型

3.3.3 實驗數據及軟測量結果

第四章 基于RBF神經網絡的水處理過程建模方法

4.1 RBF神經網絡

4.1.1 RBF函數及RBF神經元

4.1.2 RBF網絡的特點、映射機理

4.1.3 RBF神經網絡的學習算法

4.2 水處理優(yōu)化控制數學模型的RBF神經網絡建模

4.2.1 污水處理優(yōu)化控制的目標

4.2.2 水處理RBF神經網絡模型的訓練和測試

第五章 溶解氧的智能控制方法

5.1 溶解氧的智能控制方法

5.1.1 人工神經網絡控制

5.1.2 模糊控制

5.1.3 專家控制

5.1.4 遺傳算法

5.2 單變量Do控制

5.2.1 被控對象建模

5.2.2 常規(guī)PID的Do控制器設計

5.2.3 基于BP神經網絡的自整定PID控制

5.2.4 基于BP神經網絡的自整定PID控制原理

5.2.5 基于BP神經網絡的自整定PID控制仿真

5.2.6 雙模糊控制器設計

5.2.7 模糊PID—Smith控制器設計

5.3 基于模糊理論的多變量Do控制

5.3.1 多變量模糊控制的現狀與發(fā)展

5.3.2 基于模糊PID—Smith和模糊理論的兩級Do控制器的設計

5.3.3 基于雙模糊PID—Smith理論的兩級Do控制器的設計

第六章 基于智能進化算法的優(yōu)化控制方法及實現

6.1 智能進化算法概述

6.1.1 經典優(yōu)化算法及其弊端

6.1.2 遺傳算法

6.1.3 粒子群算法

6.2 基于粒子群算法的污水處理過程的參數優(yōu)化設計

6.2.1 優(yōu)化算法的選取

6.2.2 粒子群算法的設計流程

6.3 基于粒子群算法的活性污泥法的優(yōu)化設計實現

第七章 污水處理過程的模糊控制技術及實現

7.1 污水處理模糊控制技術

7.1.1 污水處理模糊控制系統(tǒng)基本結構

7.1.2 模糊控制器的設計

7.2 基于預測模型的自適應模糊控制器的設計與仿真

7.2.1 自適應模糊控制器構成

7.2.2 自適應模糊控制系統(tǒng)的仿真

7.2.3 自適應模糊控制器算法及其實現

7.2.4 自適應模糊控制仿真結果及分析

7.3 模糊Smith—PID復合控制方法

7.3.1 SBR常規(guī)控制方法分析

7.3.2 模糊Smith—PID控制器設計

第八章 生物流化床及其控制方法

8.1 生物流化床的基本特性

8.1.1 生物流化床工作原理

8.1.2 生物流化床特性

8.1.3 生物流化床研究狀況

8.2 智能控制方法

8.2.1 自適應控制

8.2.2 模糊控制

8.2.3 神經網絡控制

8.2.4 專家控制

8.3 三相生物流化床氨氮廢水處理過程數學模型研究

8.3.1 內循環(huán)三相生物流化床氨氮廢水處理的結構和工作原理

8.3.2 內循環(huán)三相生物流化床處理氨氮廢水實驗

8.3.3 內循環(huán)三相生物流化床氨氮廢水處理過程主導模型的建立

8.4 基于遺傳算法改進的過程神經網絡BOD5軟測量模型

8.4.1 軟測量模型變量的選取

8.4.2 過程神經網絡結構的確定

8.4.3 基于遺傳算法訓練速率尋優(yōu)的改進算法

8.4.4 過程神經網絡BOD5軟測量模型的實現

8.4.5 實驗分析

8.5 基于遺傳算法改進的T—S模糊控制及在生物流化床的應用

8.5.1 T—S模糊控制

8.5.2 分層模糊控制

8.5.3 遺傳算法改進T—S模糊自適應控制方法

8.6 基于DRNN網絡辨識的自整定PID解耦控制及在生物流化床的應用

8.6.1 PID參數整定方法

8.6.2 基于DRNN辨識的自整定PID解耦控制算法

8.7 生物流化床污水處理監(jiān)控系統(tǒng)設計與實現

8.7.1 生物流化床污水處理監(jiān)控系統(tǒng)設計

8.7.2 基于西門子S7—200PLC的下位機程序控制

8.7.3 基于WebAccess和Flash交互制作實現的上位機監(jiān)控

第九章 污水處理過程的自抗擾控制方法

9.1 自抗擾控制技術

9.1.1 安排過渡過程（TD）

9.1.2 擴張狀態(tài)觀測器（ESO）

9.1.3 非線性誤差反饋控制率（NLEFS）

9.2 SBR污水處理的自抗擾控制設計

9.2.1 SBR控制系統(tǒng)特點分析

9.2.2 自抗擾控制系統(tǒng)的設計

9.2.3 參數整定規(guī)律分析

9.2.4 SBR污水處理自抗擾控制系統(tǒng)仿真

9.3 生物流化床氨氮廢水處理自抗擾控制設計

9.3.1 系統(tǒng)總體框圖

9.3.2 系統(tǒng)一階自抗擾控制器設計

9.3.3 系統(tǒng)二階自抗擾控制器設計

9.3.4 生物流化床氨氮廢水處理的自抗擾控制仿真研究

9.4 生物流化床氨氮廢水處理自抗擾控制器的優(yōu)化

9.4.1 控制器優(yōu)化問題

9.4.2 自抗擾控制器參數的優(yōu)化

9.4.3 遺傳算法對二階自抗擾控制器參數的優(yōu)化

9.5 自抗擾控制器的穩(wěn)定性分析

附錄：基于BP神經網絡的自整定PID控制程序 2100433B

1.網絡化系統(tǒng)集成優(yōu)化控制算法及其實現 　網絡化系統(tǒng)的集成優(yōu)化控制方法就是將復雜系統(tǒng)的集成優(yōu)化控制方法和網絡自動化技術相結合，用來解決網絡化復雜系統(tǒng)的優(yōu)化控制問題，使其在難以建模、系統(tǒng)具有網絡化和區(qū)域化等情況下，獲得滿意的優(yōu)化控制結果。網絡化系統(tǒng)集成優(yōu)化控制方法的特點是引入了網絡回路，在優(yōu)化算法中引人了一些不確定因素，其優(yōu)化控制更加依賴于網絡系統(tǒng)和網絡技術。網絡化系統(tǒng)集成優(yōu)化控制的關鍵技術在于動態(tài)系統(tǒng)優(yōu)化與參數估計集成優(yōu)化方法的實現和網絡信息傳輸，借助于動態(tài)系統(tǒng)集成優(yōu)化控制技術和網絡自動化技術可實現網絡化系統(tǒng)的集成優(yōu)化控制，可以基于局域網或Intemet實現。

2.網絡化系統(tǒng)集成優(yōu)化控制的特征 　對一個動態(tài)優(yōu)化控制方法，除了給出優(yōu)化算法，還需要對其性能進行分析，只有這樣才能保證優(yōu)化方法的實施。網絡化系統(tǒng)的集成優(yōu)化控制方法的性能包括實時性、最優(yōu)性、收斂性及其魯棒性等。

• 1).實時性 　在引人網絡之前，針對跨區(qū)域的復雜系統(tǒng)，其優(yōu)化控制的實施是很困難的，即使能夠，其實時性也難以保證。網絡化系統(tǒng)集成優(yōu)化控制方法由于借助于計算機網絡技術來實施集成優(yōu)化控制，可以較好地解決跨區(qū)域復雜系統(tǒng)集成優(yōu)化控制的實時性問題。

• 2).最優(yōu)性 　算法最優(yōu)性是指在算法收斂的情況下，收斂解是否實際系統(tǒng)的最優(yōu)解。對于網絡化系統(tǒng)集成優(yōu)化控制方法，在最優(yōu)解存在且唯一等假設條件下，若算法收斂，則收斂解滿足最優(yōu)性必要條件，即所得優(yōu)化解是實際系統(tǒng)的真實最優(yōu)解。

• 3).收斂性 　網絡化系統(tǒng)集成優(yōu)化控制方法需要實施，首先要求其優(yōu)化控制算法是收斂的，收斂性就是研究算法收斂的條件，針對不同的算法其收斂性條件有所不同。對于網絡化系統(tǒng)的集成優(yōu)化控制方法，其優(yōu)化的框架沒有改變，只是引人了網絡回路，利用算法映射及壓縮映射原理，通過分析可以獲得保證優(yōu)化算法收斂的條件。

• 4).魯棒性 　網絡化系統(tǒng)集成優(yōu)化控制方法的魯棒性問題是指在存在這樣那樣擾動的情況下，優(yōu)化算法保持其收斂性，并收斂到最優(yōu)解的能力。網絡化系統(tǒng)的集成優(yōu)化控制方法在不需要實際過程的精確數學模型的情況下可以獲得實際系統(tǒng)的真實最優(yōu)解，對模型的結構和參數具有較強的魯棒性。

網絡化系統(tǒng)的集成優(yōu)化控制方法是一種基于網絡環(huán)境下的集成優(yōu)化控制方法，計算機網絡的信息的安全問題必然影響到系統(tǒng)集成優(yōu)化控制的實施。因此，對網絡化系統(tǒng)集成優(yōu)化控制中的信息安全問題及其對策進行分析和研究是十分必要的，只有這樣才能保證網絡化系統(tǒng)的集成優(yōu)化控制的順利實施。網絡化系統(tǒng)集成優(yōu)化控制中的信息安全問題可以借助于計算機網絡的信息安全對策予以解決。

網絡化系統(tǒng)的集成優(yōu)化控制方法為解決區(qū)域性復雜系統(tǒng)的優(yōu)化控制提供了一種新思路，該方法具有以下優(yōu)越性:

• 1)由于網絡化系統(tǒng)的集成優(yōu)化控制方法本質是采用動態(tài)大系統(tǒng)的DISOPE遞階優(yōu)化方法，這樣就使得網絡化系統(tǒng)的集成優(yōu)化控制在不需要復雜系統(tǒng)的精確數學模型的情況下，就可以獲得實際系統(tǒng)的真實最優(yōu)解;

• 2)網絡化系統(tǒng)的集成優(yōu)化控制方法為解決跨區(qū)域性的復雜系統(tǒng)的優(yōu)化控制提供了一種可靠的實現途徑和形式。同時由于網絡自動化技術的發(fā)展和網絡信息傳輸實時性的提高，使得實時地解決區(qū)域性的復雜系統(tǒng)的優(yōu)化控制成為可能。

城市污水處理是國家水資源綜合利用的戰(zhàn)略舉措，對水環(huán)境保護和淡水資源持續(xù)利用具有重要意義。目前存在的主要問題是電能消耗大，運行成本高；異常工況頻發(fā)，出水水質超標嚴重。由于污水處理過程中進水流量、成份、污染物濃度、水溫等隨時變化，微生物生命活動受溶解氧、污泥齡、微生物種群等諸多因素影響，生化反應過程滯后明顯，部分關鍵水質參數等不能實時測量，系統(tǒng)多運行于非平穩(wěn)狀態(tài)，實施優(yōu)化控制是一項具有挑戰(zhàn)性的工作。 圍繞以上問題，項目獲得以下成果： 1. 提出了基于特征信息和過程數據相結合的智能建模新方法，獲得了基于結構自組織神經網絡的污水水質參數軟測量模型，解決了水質參數BOD、COD的無法在線測量問題；率先提出了基于細胞自動機理論的污水處理過程微觀動態(tài)建模新方法，實現了污水處理生化反應過程動態(tài)可視化模擬。 2. 提出了基于擴展傅立葉靈敏度法的模糊推理規(guī)則自動調整機制，獲得了結構自組織模糊神經網絡控制方法，實現了對溶解氧濃度的在線控制；提出了基于細胞分裂原理的神經網絡結構自組織設計方法，證明結構演化過程的穩(wěn)定性，設計出了結構自組織神經網絡控制器，發(fā)展了神經網絡控制理論。 3. 提出了一種污水處理過程能耗特征模型，解決污水處理過程中動態(tài)約束和不同時間尺度的多變量優(yōu)化問題；提出了一種多目標優(yōu)化算法，獲得了基于多目標優(yōu)化的預測控制方法，解決了污水處理過程多變量參數的優(yōu)化設定控制問題。 4. 研究基于數據驅動的特征信息表征、存貯和識別方法，解決污泥膨脹等異常工況識別與監(jiān)控問題；部分研究成果已成功應用于實際污水處理廠，實現了出水水質達標的同時能耗降低3%以上。 該項目已在Automatica、IEEE Transactions on Industrial Electronics、IEEE Transactions on Control Systems Technology等刊物上發(fā)表論文46篇，其中SCI/EI收錄28/42篇，被他人引用分別為100余次；申請國家發(fā)明專利27項，其中授權12項，獲得授權軟件著作權16項；研究成果獲2011年教育部科學技術進步獎一等獎。已經培養(yǎng)教授2名，副教授4名，培養(yǎng)研究生28名(其中12名博士生、16名碩士生)。 2100433B

城市污水處理是國家水資源綜合利用的戰(zhàn)略舉措，對水環(huán)境保護和淡水資源持續(xù)利用具有重要意義。目前存在的主要問題是電能消耗大，運行成本高；異常工況頻發(fā)，出水水質超標嚴重。由于污水處理過程中進水流量、成份、污染物濃度、水溫等隨時變化，微生物生命活動受溶解氧、污泥齡、微生物種群等諸多因素影響，生化反應過程滯后明顯，部分關鍵水質參數等不能實時測量，系統(tǒng)多運行于非平穩(wěn)狀態(tài)，實施優(yōu)化控制是一項具有挑戰(zhàn)性的工作。項目將圍繞以上問題，研究污水處理過程軟測量和特征建模方法，建立其特征模型和水質參數預報模型；研究分級動態(tài)優(yōu)化方法，解決污水處理過程中動態(tài)約束和不同時間尺度的多變量優(yōu)化問題；研究時滯、時變、不確定性系統(tǒng)的自適應控制方法，解決優(yōu)化設定值的跟蹤控制問題；研究基于數據驅動的特征信息表征、存貯和識別方法，解決污泥膨脹等異常工況識別與監(jiān)控問題；研究成果將應用于污水處理廠，保證出水水質達標的情況下節(jié)能不低于3%。