徐 雯，蒲文鵬，，3，張永光，陳永娟，尹亞云，周信哲

(1.光大水務(wù)科技發(fā)展(南京)有限公司，南京 211100；2.光大水務(wù)(深圳)有限公司，廣東 深圳 518033；3.光大海綿城市發(fā)展(鎮(zhèn)江)有限公司， 江蘇 鎮(zhèn)江 212001)

引 言

我國污水廠自動化水平較低，污水的處理過程的高耗能導(dǎo)致水處理的成本高，為解決這一問題，污水廠處理系統(tǒng)自動化水平的提升成為了熱門話題，提升污水廠自動化水平不僅要建立精確的控制模型，還需有效的控制。國內(nèi)的城市生活污水處理廠大部分采用活性污泥工藝，在這一方法中，需為生物曝氣池中的微生物提供適量的氧氣進(jìn)行氧化反應(yīng)，以降解污水中的有機(jī)物，是最重要的一個(gè)環(huán)節(jié)。在活性污泥工藝中，生物曝氣量是能耗的主要來源，降低生物曝氣量將有效節(jié)約運(yùn)行成本。曝氣池中的溶解氧濃度作為至關(guān)重要的水質(zhì)參數(shù)，作為被控制對象是最佳選擇。

傳統(tǒng)的曝氣控制通過手動開關(guān)實(shí)現(xiàn)，大部分依賴于現(xiàn)場操作人員的經(jīng)驗(yàn)，會有很大程度的浪費(fèi)。最早的溶解氧控制是1976年Flanagan[1]研究的包括前饋和反饋控制，之后大量研究者希望通過數(shù)學(xué)替代控制策略[2～6]，隨后Zhao[7]研究的PID控制器，可以節(jié)省能耗，減少了純手工的操作復(fù)雜問題，是迄今為止仍在應(yīng)用的控制器。而實(shí)際污水處理過程的復(fù)雜性難以通過PID獲取達(dá)到精確控制溶解氧的目的，從控制角度來講，活性污泥系統(tǒng)是非線性且存在滯后效應(yīng)的復(fù)雜生物系統(tǒng)[8]，單純的依靠PID控制不能滿足實(shí)際需求。隨著智能控制方法在各行各業(yè)的普及，曝氣控制采用智能控制是大勢所趨。針對污水處理曝氣控制系統(tǒng)，大量研究表明，污水廠的智能控制方法主要包括模糊控制[9]、神經(jīng)網(wǎng)絡(luò)[10]、模糊神經(jīng)網(wǎng)絡(luò)[11]、遺傳算法[12]、支持向量機(jī)等一些不依賴與數(shù)學(xué)模型的控制方法。本文概述了國內(nèi)外已有的相關(guān)研究，旨在為精確控制在污水廠的應(yīng)用推廣提供進(jìn)一步的研究參考。

1 模糊控制

如圖1 所示，模糊控制器包括模糊化、知識庫、模糊推理和解模糊化等，是一種帶有閉環(huán)控制結(jié)構(gòu)的數(shù)字控制方法，用計(jì)算機(jī)等設(shè)備模擬人的思考模式、對復(fù)雜的系統(tǒng)進(jìn)行高效控制的一種智能方法。模糊控制結(jié)合了模糊理論、模糊邏輯和經(jīng)典控制等理論，根據(jù)收集到的實(shí)時(shí)輔助變量數(shù)據(jù)、以及實(shí)際運(yùn)作過程中總結(jié)出來的經(jīng)驗(yàn)，通過一系列的模糊規(guī)則進(jìn)行建模的軟測量方法。模糊控制系統(tǒng)以規(guī)則為依據(jù)、利用模糊邏輯推理等手段，綜合各種模糊信息，用語言變量代表實(shí)際工作人員的操作經(jīng)驗(yàn)，計(jì)算機(jī)模擬人腦進(jìn)行模糊推理，實(shí)現(xiàn)精確控制。

圖1 模糊控制器基本結(jié)構(gòu)Fig.1 Basic structure of fuzzy controller

自20世紀(jì)90年代中期以來，模糊控制一直是污水處理廠的研究課題，Bahja等[13]人成功將模糊控制算法應(yīng)用在活性污泥工藝中，是先進(jìn)控制技術(shù)的真正可行性的一個(gè)例子；Fewer[9]等人提出，在Baroenpho工藝中開發(fā)與測試，模糊控制與傳統(tǒng)曝氣工藝相比較節(jié)約能耗40%，反應(yīng)系統(tǒng)更加穩(wěn)定；Holenda[14]采用了模糊、預(yù)測控制技術(shù)控制交替活化污泥工藝中的DO濃度，模型可以有效的跟蹤快速變化的溶解氧設(shè)定點(diǎn)；Bernt[15]基于完整的ASM3模型與間歇曝氣的生物處理過程，設(shè)計(jì)一種最優(yōu)控制曝氣策略模糊控制，仿真結(jié)果與傳統(tǒng)控制策略對比節(jié)能效果明顯；Stare和Hvala[16]評估幾種ASP中氮去除的控制策略，模糊控制算法可以持續(xù)改善污水廠性能；Manesis[17]等人，針對實(shí)際污水處理廠設(shè)計(jì)了模糊控制系統(tǒng)，控制效果有明顯提升；Santín I[18]模糊控制器可以在改善溫室氣體排放的同時(shí)，提高質(zhì)量和降低運(yùn)行成本。Petre等[19]以底物濃度和溶解氧濃度為被控量，設(shè)計(jì)了污水生化處理的自適應(yīng)控制器。提出的閉環(huán)模糊控制方法成功應(yīng)用于活性污泥工藝，給定設(shè)定點(diǎn)對有機(jī)物質(zhì)與DO濃度進(jìn)行跟蹤，與其他技術(shù)相比，基質(zhì)的積分平方誤差減少了44%，明顯提高出水水質(zhì)。

模糊控制作為熱點(diǎn)研究有著獨(dú)特的優(yōu)越性，多適用于解決對系統(tǒng)機(jī)理有一定了解、數(shù)據(jù)量龐大，系統(tǒng)具有復(fù)雜性與模糊性的問題，是一種極為理想的控制系統(tǒng)。在被控對象數(shù)學(xué)模型難以建立或者不夠精確的情況下，可以實(shí)現(xiàn)精確控制。符合污水處理系統(tǒng)的多邊性、時(shí)滯性、非線性的特質(zhì)。限制其應(yīng)用于工程上的主要原因有兩個(gè)，一方面其控制程度取決于控制器的性能，而控制器設(shè)計(jì)過程中的重要參數(shù)依賴于專家知識與現(xiàn)場工作人員的操作經(jīng)驗(yàn)，所以存在不同程度的主觀性和隨意性，對控制器使用效果影響較大；另一方面是直接借助專家經(jīng)驗(yàn)獲取規(guī)則，實(shí)際中不易得到數(shù)據(jù)，對于水處理這種多變量復(fù)雜系統(tǒng)，很難劃分變量，狀態(tài)空間模型常常難以建立起來。

2 神經(jīng)網(wǎng)絡(luò)控制器

神經(jīng)網(wǎng)絡(luò)廣義“是由具有適應(yīng)性的簡單單元組成的廣泛并行互連的網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)系統(tǒng)對真實(shí)世界物體所作出的交互反應(yīng)”——Kohonen[20]。神經(jīng)網(wǎng)絡(luò)模型應(yīng)用較多的有誤差逆?zhèn)鞑?BP)神經(jīng)網(wǎng)絡(luò)、Hopfield神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)，主要用于非線性系統(tǒng)的辨識建模、非線性過程的預(yù)測、神經(jīng)網(wǎng)絡(luò)控制以及故障診斷等，污水處理領(lǐng)域主要用到非線性過程的預(yù)測作用。如圖2[21]為BP神經(jīng)網(wǎng)絡(luò)，是神經(jīng)網(wǎng)絡(luò)控制的代表，也是迄今為止最成功的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。其中d為屬性描述，l為實(shí)值向量維度，q為隱層個(gè)數(shù)。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 BP neural network structure

神經(jīng)網(wǎng)絡(luò)控制已經(jīng)在污水處理廠中應(yīng)用，并且已被證明是一種有效的方法[22]。Han[23]等人提出一種動態(tài)結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)來控制溶解氧濃度，仿真結(jié)果表明，DO濃度控制具有良好的性能，但是它的目標(biāo)是單變量控制。梁斌等[24]人采取人工神經(jīng)網(wǎng)絡(luò)控制策略，COD、BOD等參數(shù)設(shè)置為輸入，DO為節(jié)點(diǎn)，將仿真預(yù)測值與實(shí)際值對比，結(jié)果表明人工神經(jīng)網(wǎng)絡(luò)模型對曝氣控制有明顯提高Capodaglio[25]以實(shí)際污水廠數(shù)據(jù)為基礎(chǔ)，針對污泥膨脹現(xiàn)象采用人工神經(jīng)系統(tǒng)模型預(yù)測污泥膨脹，模擬準(zhǔn)確度超過其他傳統(tǒng)的預(yù)測方法。

人工神經(jīng)網(wǎng)絡(luò)是模仿人腦工作方式的一種數(shù)學(xué)模型，對收集到的輔助變量的大量實(shí)時(shí)數(shù)據(jù)集進(jìn)行學(xué)習(xí)，根據(jù)學(xué)習(xí)的結(jié)果建立待估變量與輔助變量間的數(shù)學(xué)模型、不需要任何經(jīng)驗(yàn)知識，因此學(xué)習(xí)非線性特性的能力比較強(qiáng)，在模式識別和函數(shù)逼近方面表現(xiàn)優(yōu)異，是實(shí)現(xiàn)精確控制的重要工具，對未知數(shù)學(xué)模型的非線性系統(tǒng)的建模有很好的效果，有著強(qiáng)大的同時(shí)處理能力，允許錯誤發(fā)生的范圍程度廣，降低處理非線性系統(tǒng)問題的難度，對于解決實(shí)時(shí)優(yōu)化層非線性規(guī)劃問題很重要。適合應(yīng)用于不確定系統(tǒng)，魯棒性和容錯性強(qiáng)，可以進(jìn)行大量運(yùn)算。

神經(jīng)網(wǎng)絡(luò)系統(tǒng)穩(wěn)定性較低，為了保證被控系統(tǒng)的穩(wěn)定性，需要有限制條件，或者線性化不確定的參數(shù)。網(wǎng)絡(luò)結(jié)構(gòu)如隱藏的節(jié)點(diǎn)的個(gè)數(shù)、類型、具體算法的選擇、樣本個(gè)數(shù)以及數(shù)據(jù)的質(zhì)量等都影響著神經(jīng)網(wǎng)絡(luò)的泛化性能，而這些參數(shù)都需要事先的確定，目前還沒有統(tǒng)一的選擇標(biāo)準(zhǔn)，還存在學(xué)習(xí)速度慢，容易出現(xiàn)局部最小的缺陷，難以應(yīng)用到實(shí)時(shí)控制中[26]。理論上，人工神經(jīng)網(wǎng)絡(luò)恰好可以解決好氧池DO這類的多變量、滯后、非線性系統(tǒng)，神經(jīng)網(wǎng)絡(luò)自學(xué)能力強(qiáng)，可以滿足污水廠對控制的平穩(wěn)性與高精度要求，目前主要還在驗(yàn)證階段，其數(shù)學(xué)計(jì)算量過于龐大，難以在PLC等通用控制器上實(shí)現(xiàn)。

3 模糊神經(jīng)網(wǎng)絡(luò)控制器

模糊神經(jīng)網(wǎng)絡(luò)是模糊邏輯與神經(jīng)網(wǎng)絡(luò)結(jié)合的一種智能控制方法，具有模糊控制的模糊推理與知識表達(dá)能力，又兼具神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力。模糊系統(tǒng)中知識的抽取及表達(dá)方便，但是缺乏自學(xué)習(xí)以及自適應(yīng)能力，想要在模糊系統(tǒng)中實(shí)現(xiàn)自適應(yīng)控制較難，而神經(jīng)網(wǎng)絡(luò)可以從樣本直接進(jìn)行有效學(xué)習(xí)，儲存信息分布，容錯能力強(qiáng)及可以自適應(yīng)學(xué)習(xí)等。二者的結(jié)合可以吸取長處，比單獨(dú)的系統(tǒng)性能更好。

王彬[27]設(shè)計(jì)了四層模糊神經(jīng)網(wǎng)絡(luò)，通過MATLAB仿真對比分析得到與傳統(tǒng)模糊控制方法相比較，可以獲得更加理想的控制效果，可以達(dá)到期望的溶解氧值。Chai[15]等提出基于神經(jīng)網(wǎng)絡(luò)的神經(jīng)模糊算法，可以在線改變模糊規(guī)則，將經(jīng)驗(yàn)從模糊規(guī)則的數(shù)量中取出，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不能改變網(wǎng)絡(luò)結(jié)構(gòu)的問題，與傳統(tǒng)模糊控制相比具有優(yōu)越性。胡玉玲等[28]針對DO控制提出了模糊神經(jīng)網(wǎng)絡(luò)控制器，可以動態(tài)優(yōu)化控制規(guī)則，控制性能良好，溶解氧可以快速、有效的達(dá)到期望值。劉超彬[29]研究得出具有學(xué)習(xí)能力的模糊神經(jīng)網(wǎng)絡(luò)控制，對溶解氧進(jìn)行數(shù)字仿真實(shí)驗(yàn)，與傳統(tǒng)控制相比較有更優(yōu)越的性能。Mahsa[30]設(shè)計(jì)一個(gè)最優(yōu)變量設(shè)定點(diǎn)和一個(gè)設(shè)定點(diǎn)跟蹤控制回路，用于生物廢水處理過程中的溶解氧濃度。仿真結(jié)果與標(biāo)準(zhǔn)BSM1P1控制相比，能耗減少，又可以在不增加控制力的情況下改善暴雨時(shí)期的出水水質(zhì)。Qiao[31]等人提出了一種利用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行DO濃度控制的自組織模糊控制方法，可以自動提取模糊規(guī)則，實(shí)現(xiàn)滿意的跟蹤性能。

模糊神經(jīng)網(wǎng)絡(luò)雖然結(jié)合了模糊控制器與神經(jīng)網(wǎng)絡(luò)控制器的優(yōu)點(diǎn)，但是并未解決它們的缺陷，不易獲取數(shù)據(jù)，運(yùn)行計(jì)算量大等特點(diǎn)依然存在，沒有從根本解決這類智能控制出現(xiàn)的問題。

4 遺傳算法

遺傳算法是基于達(dá)爾文進(jìn)化論“適者生存、優(yōu)勝劣汰”提出的，一種用計(jì)算機(jī)模擬生物的行為，是迭代式自適應(yīng)概率性搜索方法，使得人工系統(tǒng)擁有優(yōu)良的自適應(yīng)與優(yōu)化能力，被用于許多領(lǐng)域，是應(yīng)對全局優(yōu)化問題的最優(yōu)方法之一。

遺傳算法在污水處理領(lǐng)域常與PID控制結(jié)合，將遺傳算法用在PID參數(shù)整定，在理論基礎(chǔ)與工程研究方面都得到了廣泛的應(yīng)用，取得了大量的成果。楊元君[32]以宜昌市某制藥企業(yè)的污水處理系統(tǒng)作為背景，以溶解氧濃度數(shù)學(xué)模型為基礎(chǔ)，將遺傳算法、自適應(yīng)遺傳算法與常規(guī)PID控制應(yīng)用在被控對象中，采用Matlab仿真得出，自適應(yīng)算法與PID結(jié)合后算法性能最好。叢露露[33]等人采用遺傳學(xué)算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用在污水處理中，實(shí)現(xiàn)精確曝氣。以杭州某污水廠為研究對象，提出預(yù)測水中溶解氧的濃度，根據(jù)需求鼓風(fēng)曝氣，以實(shí)際運(yùn)行數(shù)據(jù)建立與訓(xùn)練模型，結(jié)果表明，遺傳算法優(yōu)化后預(yù)測結(jié)果更加準(zhǔn)確，隨后將模型運(yùn)用到了該污水廠中，實(shí)地驗(yàn)證節(jié)能效果。Ruan[34]等人使用基于遺傳算法的在線控制系統(tǒng)實(shí)現(xiàn)DO濃度控制，仿真結(jié)果表明控制性能得到了改善。

遺傳算法具有較強(qiáng)的搜索能力以及強(qiáng)大的全局優(yōu)化性能，將參數(shù)編碼直接作用于結(jié)構(gòu)對象上，可以同時(shí)評估多個(gè)解，有很強(qiáng)的通用性，高度非線性模型的優(yōu)化與不連續(xù)的大規(guī)模函數(shù)優(yōu)化，都適用，操作簡單，魯棒性好，用不確定性規(guī)則指導(dǎo)尋優(yōu)方向等。但是目標(biāo)函數(shù)和限制條件非常復(fù)雜，受到多種因素影響，很難求出最優(yōu)解，只能尋找近似最優(yōu)解或滿意解。

5 支持向量機(jī)

支持向量機(jī)(SVM)是一種以數(shù)據(jù)為基礎(chǔ)的新型機(jī)器學(xué)習(xí)方法。屬于人工智能領(lǐng)域。是Vapnik等人基于統(tǒng)計(jì)學(xué)理論SRM提出的，對數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)可以折中考慮模型與訓(xùn)練誤差，避免過度學(xué)習(xí)現(xiàn)象，可以提高網(wǎng)絡(luò)模型泛化能力，數(shù)據(jù)樣本有限時(shí)，對給定的數(shù)據(jù)樣本擬合誤差小，可以得到全局最優(yōu)解，避免出現(xiàn)局部最優(yōu)解，是一個(gè)先進(jìn)、實(shí)用的機(jī)器學(xué)習(xí)方法。Zeng[35]研究了關(guān)于改善稀疏性提出的緒貫優(yōu)化法(SMO)。最小二乘支持向量機(jī)可以代替神經(jīng)網(wǎng)絡(luò)算法對非線性系統(tǒng)建模的研究。國外對這一算法的研究與國內(nèi)相比范圍廣、時(shí)間長[36]，最小二乘支持向量機(jī)應(yīng)用到污水處理的曝氣過程的建模中，克服了曝氣過程溶解氧數(shù)學(xué)模型很難精確建立的難題，解決了基于神經(jīng)網(wǎng)絡(luò)建立軟測量模型時(shí)學(xué)習(xí)算法收斂速度慢且求得的最優(yōu)解往往為局部最優(yōu)解的問題。

支持向量機(jī)是一項(xiàng)新的研究技術(shù)，由統(tǒng)計(jì)學(xué)習(xí)理論(SLT)發(fā)展在高維特征空間內(nèi)通過基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化(SRM)思想的方法，求解一個(gè)二次規(guī)劃問題，解決原始樣本空間中最優(yōu)解的求解問題而來，被廣泛應(yīng)用于各種領(lǐng)域，特有優(yōu)勢是高維模式識別、非線性信息的擬合，特別是對解決小樣本事件問題，由于該算法中核函數(shù)的引入有效解決了，維數(shù)災(zāi)難、過學(xué)習(xí)等傳統(tǒng)問題，因此被廣泛應(yīng)用于函數(shù)擬合、時(shí)間序列預(yù)測等機(jī)器學(xué)習(xí)問題中。與BP神經(jīng)網(wǎng)絡(luò)相比，支持向量機(jī)算法的泛化能力更強(qiáng)，不存在陷入局部最優(yōu)解的問題且結(jié)構(gòu)更容易實(shí)現(xiàn)。但也存在訓(xùn)練時(shí)間長、計(jì)算量過大的問題[37-38]，優(yōu)于神經(jīng)網(wǎng)絡(luò)，有廣闊的應(yīng)用前景。

6 控制器性能對比

對于污水處理廠而言，我國現(xiàn)階段污水處理行業(yè)的自動化水平難以滿足其他行業(yè)智能控制器的需求[39]；對于污水處理精確曝氣控制系統(tǒng)來說，單個(gè)的控制器有各自的優(yōu)缺點(diǎn)，如表所示，模糊控制器算法相對簡單，但需要更多的運(yùn)行經(jīng)驗(yàn)；神經(jīng)網(wǎng)絡(luò)和遺傳算法魯棒性強(qiáng)，但是算法繁雜且計(jì)算量龐大，支持向量機(jī)高維模式識別，廣泛應(yīng)用于智能化領(lǐng)域，但是訓(xùn)練時(shí)間長且污水處理領(lǐng)域沒有應(yīng)用案例。

表 智能控制器性能總結(jié)Tab. Performace of intelligent controller

續(xù)表

控制器的選擇應(yīng)根據(jù)污水廠現(xiàn)有的自動化水平與曝氣控制系統(tǒng)的實(shí)現(xiàn)難易程度決定。因此模糊控制器符合實(shí)際污水處理廠的自動化現(xiàn)狀，相關(guān)研究與案例較多，有豐富的經(jīng)驗(yàn)值選取，是實(shí)現(xiàn)精確曝氣控制的重要智能控制器之一[9,15～19]。

7 結(jié) 語

精確曝氣控制作為研究熱點(diǎn)已久，由于受到現(xiàn)實(shí)條件的影響，整體的控制方法比較落后?？刂扑惴ū旧硪泊嬖谥粶?zhǔn)確性與復(fù)雜性，進(jìn)水水質(zhì)水量突然變化，控制算法需實(shí)時(shí)做出判斷，很難建立起符合實(shí)際運(yùn)行情況的模型。因此，國內(nèi)外學(xué)者突破傳統(tǒng)控制思想的約束,面對實(shí)際污水廠曝氣控制過程的特點(diǎn),尋求各種對模型要求低、控制綜合質(zhì)量好、在線計(jì)算方便的智能控制器。未來精確控制需要優(yōu)化控制系統(tǒng)，增強(qiáng)PCL對大數(shù)據(jù)的處理能力，發(fā)展更加穩(wěn)定可靠、智能化的控制器，提高污水廠自動化水平，促進(jìn)污水廠精確控制的發(fā)展。