污水处理系统及故障诊断文献阅读报告

文献阅读报告

1.污水生化处理系统的相关背景知识

水污染是人类迫切需要解决的问题之一。污水处理涉及物理、化学和生物等多个子过程,其本质是通过微生物生化反应氧化降解污水中的有机碳和氮污染物,使经过处理的污水出水水质指标(生物需氧量BOD5、化学需氧量COD、悬浮物质量浓度SS、pH值、氨氮NH等)满足污水排放指标标准。污水处理过程具有多变量强耦合、强非线性、参数时变、工况变化频繁、难于在线检测出水质量等特点，所以建立一个可靠的污水处理系统，并对污水处理过程的各个重要过程参数进行监测和控制是非常有必要的。一来可以控制出水的水质符合指定的标准,二来可以对整个处理过程的能耗进行优化，节能减排。污水处理有物理，化学以及生物法，其中生物法是污水处理系统的主要手段。常用的生物法污水处理有活性污泥法，A/O法，A2O法，序批式活性污泥法，氧化沟法和MBR法等。

2.故障诊断的基本概念，基本方法

故障诊断就是查找设备或系统的故障的过程。系统故障诊断是对系统运行状态和异常情况作出判断，并根据诊断作出判断为系统故障恢复提供依据。要对系统进行故障诊断，首先必须对其进行检测，在发生系统故障时，对故障类型、故障部位及原因进行诊断，最终给出解决方案，实现故障恢复。

故障诊断技术, 广义上包含三方面的内容: 故障检测、故障辨识、故障隔离；狭义上单指故障隔离。故障隔离，就是在检测数据的基础上确定故障的部位和类型。从本质上讲, 障诊断技术是一个模式识别与分类问题, 即把系统的运行状态分为正常和异常两类。

故障诊断方法可以分为基于系统数学模型的诊断方法、基于信号检测与处理的诊断方法和基于人工智能的诊断方法三大类。其中，基于人工智能的方法逐渐取代前两者，成为故障诊断方法的主流。常用的人工智能故障诊断的方法有，基于故障树的方法，基于案例推理的方法，基于模型的方法，基于专家系统的方法，

基于模糊推理的方法，基于神经网络和基于模式识别的方法等等。基于故障树的方法就是从树的根节点一层一层地查找故障，直到找到最后的故障为止，该方法具有简单易行的优点，但是对于复杂的系统，故障树需要很庞大，需要不断更新。基于案例推理的方法就是检索案例库中的案例进行诊断，虽然容易从知识库中获取知识，但是严重依赖于知识库。基于模型的诊断方法，建立相关的诊断模型，对一些难以检测获取的数据进行动态预测，可以及早诊断出系统的故障，但是建立准确的模型至关重要。基于专家系统的诊断方法是一种非常智能的方法，依赖于经验以及专家知识，可以进行学习，但是这种方法相当复杂，实现上比较困难。基于模糊推理的方法结果更接近与人的思维，结果使用，但依赖于知识库，学习能力差。基于神经网络和模式识别的方法很好地适用于非线性系统，不过依赖于训练样本集而且训练时间不受控。

3.软测量的基本概念，基本方法

软测量的基本思想是把自动控制理论与生产过程知识有机的结合起来，应用计算机技术对难以测量或者暂时不能测量的重要变量，选择另外一些容易测量的变量，通过构成某种数学关系来推断或者估计，以软件来替代硬件的功能。应用软测量技术实现元素组分含量在线检测不但经济可靠，且动态响应迅速、可连续给出萃取过程中元素组分含量,易于达到对产品质量的控制。

软测量技术主要由机理分析和辅助变量的选取，数据采集及处理，软测量模型的建立，软测量模型的在线校正。软测量的模型的建立尤为重要。基于工艺机理的软测量建模方法，根据相关的物理化学等机理找出主导变量与辅助变量的关系，从而实现对某一参数的测量。基于回归分析的软测量方法，具体可分为LR，RLS,带遗忘因子的LR，MLR，MSR，主元分析和主元回归，PLS等。基于人工神经网络的软测量方法，可以先对样本进行学习训练，得出模型参数，很好地处理非线性问题。基于支持向量机的软测量方法，在有限样本的情况下，对样本分类，得到现有信息下的最优解。基于模糊数学的软测量建模，适合复杂工业过程被测对象呈现亦此亦彼的不确定性、难以用数学定量描述的场合。

4.故障诊断和软测量在污水处理系统中的应用情况

由于目前研究开发污水处理过程水质在线检测仪表投资大,连续运行可靠性差，维护保养复杂，测量滞后较长且精度不高，尚未推广应用于污水处理工业过程。污水处理过程主要依赖于离线分析和工艺人员的经验进行控制，实时性和可靠性差，水质指标的在线可靠检测制约了控制和优化方案的实施,导致出水水质质量波动大，能耗高，因此，研究出水水质指标的实时在线测量技术是污水处理自动化亟待解决的重大关键问题。

在污水处理过程中，软测量主要用于解决一些难以在线检测的量，如生化需氧量（BOD5），化学需氧量（COD）等。方法是，首先是确定需要预测的量，然后根据相关的机理分析等找到与测量量相关的辅助变量，根据实际情况可选取不同的建模方式，经过相关算法的处理，实行分类等，再根据已得到的样本进行学习训练，确定模型。同时在学习训练过程中，不断对模型进行校正完善。则在确立了模型之后，就可以根据污水处理过程中容易获得的量，对难以在线测量的量进行预测。其中在实际的污水处理过程中，可以选取的辅助变量的有进水温度T、进水pH 值、进水流量Q、污泥浓度Css和溶解氧浓度CDO等，根据不同的工况而定。

故障诊断在污水处理过程中的应用主要是基于人工智能诊断的方法。Barnet 等建立了一个基于规则的专家系统，用于污泥厌氧消化的故障诊断。整个过程由计算机进行模拟，过程变量包括消化池的输入输出及表征池内状态的9个参数，控制变量是进泥量、回流污泥量、稀释水量和调节 pH 值的酸碱投量。孙强、沐建国、孙礼康等将专家系统和模糊推理用于城市污水处理异常工况判断及操作指导，以目前国内外广泛使用的污水生物处理法——传统活性污泥处理工艺为背景，设计研制了城市污水处理异常工况判断及操作指导专家系统STFES(Sewage Treatment Fuzzy Expert System)。施汉昌、王玉珏将人工智能技术应用于城市污水处理厂的故障处理，开发了一个用于诊断城市污水处理厂日常运行故障的专家系统。李振宇、杨昌柱、章北平、濮文虹以污水处理厂的生物处理过程的智能