一种水处理加药数字化在线控制系统的制作方法
【技术领域】
[0001] 本发明涉及水处理技术领域，具体而言，涉及一种水处理加药数字化在线控制系 统。
【背景技术】
[0002] 电厂水处理工艺中，混合、絮凝及沉淀是不可缺少的重要部分，由于混凝过程是一 个复杂的物理化学反应过程，对加药种类及剂量的控制精度要求较高，但传统的加药控制 系统具有几个典型缺陷：
[0003] (1)时滞性较大，而且混合、反应及监测过程均存在延迟性，这些滞后效应给加药 控制系统增加了一定的困难；
[0004] (2)非线性较强，原水水质成份复杂、流量多变，酸碱度差异较大，其加药后产生的 化学反应过程具有明显的非线性；
[0005] (3)干扰因素较多，测量误差、设备切换、操作不当等扰动因素也会给该系统的控 制带来一定困难；
[0006] (4)数字化程度低，传统人工投加方式，随着流量、水质等因素的变化，加药调节过 程繁琐，剂量控制的合理性、准确性很难得到保证。
[0007] 因此电厂水处理的加药过程表现出随机、滞后、非线性、检测条件粗糙，难以建立 精确的数学模型，并实现加药数字化在线控制，是水处理行业一个亟待解决的问题。
【发明内容】
[0008] 为解决上述问题，本发明的目的在于提供一种确定药剂最佳投加量的水处理加药 数字化在线控制系统。
[0009] 本发明提供了一种水处理加药数字化在线控制系统，包括：
[0010] 原水浊度检测仪，其输入端进入原水，所述原水浊度检测仪的输出端与信号滤波 器连接，所述原水浊度检测仪用于检测所述原水的水质，得到原水水质的数字信号；
[0011] 原水流量监测仪，其输入端进入原水，所述原水流量监测仪的输出端与所述信号 滤波器的第一输入端连接，所述原水流量监测仪用于检测所述原水的流量，得到原水流量 的数字信号；
[0012] 信号滤波器，其第一输入端与所述的输出端连接，所述信号滤波器的第二输入端 与所述原水流量监测仪的输出端连接，所述信号滤波器的第一输出端与反馈控制器的第一 输入端，所述信号滤波器的第二输出端与在线控制器的第一输入端连接，所述信号滤波器 将所述原水水质的数字信号和所述原水流量的数字信号进行滤波降噪处理，消除外界干扰 因素的影响，得到滤波信号；
[0013] 在线控制器，其第一输入端与所述信号滤波器的第二输出端连接，所述在线控制 器的第二输入端与所述出水浊度检测仪的输入端连接，所述在线控制器的输出端与反馈控 制器的第二输入端连接，所述在线控制器完成BP神经网络模型的运算、存储数据并发出控 制信号；
[0014] 反馈控制器，其第一输入端与所述信号滤波器的第一输出端连接，所述反馈控制 器的第二输入端与所述在线控制器的输出端连接，所述反馈控制器的输出端与加药栗的输 入端连接，所述反馈控制器接收所述信号滤波器发出的滤波信号，按照所述在线控制器发 出的控制信号，确定所述加药栗控制装置所需的加药量，并给所述加药栗控制装置下发加 药指令；
[0015] 加药栗控制装置，其输入端与所述反馈控制器的输出端连接，所述加药栗控制装 置的输出端输出的药剂与原水混合后得到出水，所述加药栗控制装置在线接收所述反馈控 制器的加药指令，执行各种药剂的实时定量投放；
[0016] 出水浊度检测仪，其输入端与所述在线控制器的第二输入端连接，所述出水浊度 检测仪输出出水，所述出水浊度检测仪用于检测所述出水的水质，得到出水水质的数字信 号。
[0017] 本发明还提供了一种水处理加药数字化在线控制方法，自动采集原水的监测信 息，通过信号滤波器消除噪声影响，将得到的中低频信号传入信号输入子系统，根据当前各 种药剂的投加量和原水流量、原水水质指标，训练并建立在线控制模型，再根据原水的实时 监测信息，对药剂的投加量进行动态调整，确定各种药剂的最佳投加量，该方法包括以下步 骤：
[0018] 步骤1，原水通过原水浊度检测仪和原水流量监测仪，得到原水水质的数字信号和 原水流量的数字信号，所述原水水质的数字信号和所述原水流量的数字信号进入信号滤波 器，所述信号滤波器将这些含有噪声的数字信号采用提升小波算法进行滤波降噪处理，得 到原水去噪信号，具体包括以下步骤：
[0019] 步骤11，将数字信号进行预处理，剔除奇异点；
[0020] 步骤12,采用提升格式的dbN小波函数对步骤11得到的数字信号进行分解，具体 为：
[0021] 根据数据之间的相关性，将数字信号分解成两个互不相交的偶数集c]+1和奇数集 dj+1，即：
[0022] cj+1=c[2n]；
[0023] dj+1=c[2n+l]；
[0024] 采用与所述偶数集、所述奇数集均不相关的预测算子p，用所述偶数集c]+1预测 所述奇数集d]+1，所述偶数集c]+1再减去预测值，得到预测误差，该预测误差即为小波系数 d[η]，预测过程表示为：
[0025] dj+1=cj[2n+l]-p(cj+1)；
[0026] 采用更新算子U产生一个保持原数据特性的子集数据，产生过程表示为：
[0027] cj+1 =cj[2n]+U(dj+1)；
[0028] 步骤13,数字信号的重构，具体为：
[0029] 車田来藤19相G的计辟走棚撒空信号的重构，重构过程表示为：
[0030]
[0031] 将与噪声相应的高频细节信号有关部分置0,得到去噪的重构信号，完成滤波降噪 处理；
[0032] 步骤2,出水浊度检测仪对出水进行检测，得到所述出水水质的数字信号，将步骤 1中得到的原水去噪信号、所述出水水质的数字信号作为控制参量，并将加药栗控制装置所 需的加药量作为目标函数，将所述目标函数和所述控制参量同时输入在线控制器，利用BP 神经网络算法进行学习训练，建立在线控制模型，具体包括以下步骤：
[0033] 步骤21，将所述原水流量、所述出水流量的数字信号X= (Xl，x2，…χη)τ作为输入 向量，所述加药栗控制装置所需的加药量Y= (y:，y2,…，ym)T作为输出向量，〇 = (〇 1，〇2,… 〇1)τ作为隐含层的输出向量，d= (c^c^，…dj作为BP神经网络的期望输出向量，W= ，…Wn)作为输入层和所述隐含层之间的权值矩阵，V= (Vi，V2，…，VD作为所述隐含 层和输出层之间的权值矩阵，对权值矩阵W和V赋予随机初值，将样本模式计数器p、训练次 数计数器q均置为1，误差E置为0,给定最小误差E_;
[0034] 步骤22,输入训练样本，计算所述输入层、所述隐含层和所述输出层的输出，利用 当前样本XP、dp，根据权值矩阵选取的初始权值，经过激励函数的转换，对向量数组X、d赋 值，计算〇和Y中的分量；
[0035] 步骤23,计算网络输出误差，网络对应p对训练样本的不同误差为Ep;
[0036] 步骤24,计算输入层、隐含层和输出层的误差信号，根据各层误差信号调整对应的 权值，得到新的权值；
[0037] 步骤25,判断所有的输入样本是否被训练过一次，如果都训练过则进行步骤26， 否则进行步骤21 ;
[0038] 步骤26,判断均方误差
L是否小于给定最小误差E_，如果是 则结束，得到BP神经网络模型，否则进行步骤21 ;
[0039] 步骤3,将步骤2建立的BP神经网络模型导入反馈控制器，所述反馈控制器接收到 所述原水流量、所述原水水质的数字信号，将该数字信号和所述出水水质的数字信号作为 控制参量输入所述BP神经网络模型进行运算，得到当前状态所需的加药量；
[0040] 步骤4,在线控制器接收并存储经所述信号滤波器滤波后的数字信号，将这些滤波 后的数字信号的时间序列均值与未滤波的数字信号的时间序列均值进行比较，若偏离程度 超过阈值，所述在线控制器根据当前的时间序列重新建立BP神经网络模型，并将该BP神经 网络模型再次导入所述反馈控制器后重新进行步骤3,根据实时的原水水质和原水流量调 整当前状态的加药量；
[0041] 步骤5,所述反馈控制器将步骤4得到的加药量输入加药栗控制装置，自动调节加 药阀