CN203772781U - 一种基于特征变量的污水总磷测量装置 - Google Patents

Abstract

一种基于特征变量的污水总磷测量装置属于污水处理领域。水质参数综合检测装置，包括酸碱度电极，ORP氧化还原电位电极，DO溶解氧电极，温度传感器，NH₄-N氨氮电极，NO₃-N硝酸盐氮电极，TSS悬浮物电极。所述水质参数综合检测装置连接到操作和显示装置，操作和显示装置连接到数据处理设备。目前受检测技术发展的限制，污水处理行业对TP测量仪表存在着测量时间过长，维护成本较高且维护周期长，测量成本过高，且在测量过程中存在二次污染问题，无法有效满足污水处理过程中实时检测。本实用新型可应用在工业污水和城市生活污水处理中，用于对关键水质参数TP(Total Phosphorus，总磷)在线检测。

Description

一种基于特征变量的污水总磷测量装置

技术领域

本实用新型属于污水处理领域，可应用在工业污水和城市生活污水处理中，用于对关键水质参数TP(Total Phosphorus，总磷)在线检测。

背景技术

污水处理过程是包含复杂生化的反应过程，具有很强的动态非线性、强干扰性、不确定性和噪声，而且其中很多水质参数之间都含有耦合关系，因而对于污水水质关键参数实时测量带来很多的不便性，而且对于污水处理过程模型的建立异常困难。

目前软测量建模方法很多，根据人们对过程的认识程度可分为基于机理的传统建模方法、基于数据驱动的建模方法以及机理和数据驱动相结合的混合建模方法。结合污水处理过程，传统的数学模型以国际水污染控制协会废水生物处理设计与运行数学模型课题组提出的ASM系列模型为代表，这些模型中许多定量关系由经验得到的，未知参数多，不确定参数在不同的环境呈现不确定变化。基于人工智能的建模方法，对于污水处理关键水质参数能够有效地检测以及预测，智能建模主要包括神经网络建模，神经网络建模的方法主要有：模糊神经网络建模、递归神经网络建模、BP神经网络建模、RBF径向基神经网络建模等。

通过国家出水标准，TP是表征污水水质的关键参数之一。TP是藻类生长需要的关键性元素，过量磷的摄取会造成水体污秽异臭，促使湖泊发生富营养化以及海湾出现赤潮的最主要原因，故TP长期以来作为一项环境监测指标被广泛使用。在TP的测量过程中，室温下静置15min，使用光程为30mm比色皿，在700nm波长下，以水作做对比，测定吸光度，扣除空白试验的吸光后，从工作曲线上查得磷的含量。目前主要采用钼酸铵分光光度法、微波消解法、高碘酸钾分光光度法、磷钼蓝分光光度法等。

总磷是水样经消解后将各种形态的磷转变成正磷酸盐后测定的结果，以每升水样含磷毫克数计量。总磷的含量以C(mg/L)表示，按下式进行计算：

$C=\frac{m}{v}$

式中：m-----试样测得含磷量，μg；

V------测定用试样体积，mL。

钼酸铵分光光度法是符合国家标准的测定水质总磷的方法，其测定方法是在酸性条件下，砷、铬、硫干扰的情况下进行试验测定。通过使用硫酸钾(或硝酸-高氯酸)为氧化剂，将没有经过过滤的水样进行消解，使得含磷全部氧化为正磷酸盐。通过正磷酸盐与钼酸铵在酸性介质中反应，在锑盐存在的条件下生成磷钼杂多酸后，立即被抗血酸进行还原，生成络合物，通过测定器吸光度，即可测定水样中的总磷含量。

微波消解法的原理是采用过硫酸钾再使用高频电磁波穿透容器作用在水样，产生剧烈振动、摩擦并吸收微波能，使其能够迅速升温达到快速消解的目的。将标准磷溶液聚于四氟乙烯密封消解罐中，加入适量的过硫酸钾使溶液均匀混合，最终在XT-Ⅲ压力自控密闭微波消解仪中消解。待磷标准溶液消解后，在消解液中加入抗坏血酸溶液，待一定时间后，加入钼酸盐溶液进行充分混合，将混合好的溶液放入比色皿中。在700nm波长下，以水代替溶液试样，加入与测定时相同体积的显色剂对比。扣除空白实验的吸光度，从工作曲线上查得磷的含磷。其缺点在于测取时间较长，过程较繁琐，测定的精度还有待提高。

高碘酸钾分光光度法原理是在中心介质中，加入试剂，在高温条件下促使试样消解。将水样中所含磷全部氧化为正磷酸盐。在酸性介质中，正磷酸盐与试剂发生反应，生成络合物，通过测定吸光度来最终测取总磷含量。该方法样品需要在高温、高压容器中进行消解，检测过程复杂，耗时耗能，并且存在较大的污水二次污染问题。

磷钼蓝分光光度法原理是采用甲苯萃取水样中单质磷，用溴酸钾-溴化钾溶液和高氯酸将单质磷氧化为正磷酸盐，再用氯化亚锡还原钼蓝分光光度法测定其含磷量。这一方法对于单质磷的同素异形体很难进行萃取，而且在测定过程中溴酸钾-溴化钾溶液等强氧化性会使得有机磷氧化为正磷酸盐，测定过程中存在过多干扰，灵敏度也相对较低。

随着国家对环境治理的投入不断加大，对水资源可再生利用和出水水质的要求的提高，污水处理厂为了更好地提高精度并节省成本和实现更好的出水水质，必须在污水处理过程中加入更多的控制量，采用更加智能的方法解决污水处理工艺中的各种问题。为达到以上目的，及时获得污水处理系统当中重要的过程参数及水质参数是十分关键的。

现今国内外关于TP的测量仪器所采取的测量方法主要为钼酸铵分光光度法。但是钼酸铵分光光度法的测量仪器测量时间过长，需要1个小时，无法满足污水处理过程实时控制的需要；采用钼酸铵分光光度法的TP测量仪器成本较昂贵，且运行费用需要1万元左右；采集的数据过程中需要加入试剂，会造成污水的二次污染；同时常规的TP测量仪需要对于仪器进行定期的维护，使得成本更加昂贵，而且不进行定期维护参数测定精度会下降10%-20%。

实用新型内容

本实用新型涉及的一种基于特征变量的污水总磷测量装置，其特征在于：

包括酸碱度电极，ORP氧化还原电位电极，DO溶解氧电极，温度传感器，NH₄-N氨氮电极，NO₃-N硝酸盐氮电极和TSS悬浮物电极；所述水质参数综合检测装置连接到操作和显示装置，操作和显示装置连接到数据处理设备。

本装置可以用于污水处理厂对TP的实时监测，对当前应用较多的A²O(厌氧-缺氧-好氧法)、SBR法(序批式活性污泥法)等工艺的污水处理系统均可适用；同时还可以用于实验室中相关污水处理工艺的模型中TP的监测。

附图说明

下面结合附图对本实用新型作进一步说明。

图1仪表硬件结构图。

具体实施方式

基于特征变量的污水总磷测量方法的硬件部分是由一个水质参数综合检测装置和数据处理装置组成。水质综合检测装置的设计原则是：首先装置检测的参数是软测量辅助变量中的参数，其次要测量简便且精确。根据以上原则我们设计的水质参数综合检测装置包括以下仪器：PH计一个，ORP测量仪一个，DO测量仪一个，温度传感器一个，NH₄-N氨氮测量仪，NO₃-N硝酸盐氮测量仪，TSS悬浮物测量仪，如图1所示。

检测装置和数据处理装置之间采用USB接口传输数据，通讯协议采用的是USB2.0标准。采集的数据存储在综合检测装置中，存储5000组。水质检测装置通过USB传输线将检测数据传输到数据处理设备PC机中，从而实现软测量辅助变量的参数数据采集和传输。采集的数据通过软件部分的处理，作为神经网络的输入，从而达到对TP建模和预测的效果。

为解决本实用新型中的技术问题，我们采取了以下的技术方案。

特征变量的选取：

基于特征变量的污水总磷测量方法在线软测量建模，其特征在于：包括水质参数综合检测装置，操作和显示装置；所述水质参数综合检测装置，包括PH酸碱度电极，ORP氧化还原电位电极，DO溶解氧电极，温度传感器，NH₄-N氨氮电极，NO₃-N硝酸盐氮电极，TSS悬浮物电极。通过传感器获得的数据，作为软测量模型的输入样本数据。

在污水处理过程中，流量Q、进水固体悬浮物浓度SS、进水浊度、曝气池溶解氧DO、温度T、污水酸碱度PH、生化需氧量COD、氧化还原电位ORP、混合液悬浮固体浓度MLSS以及进水SS、NH₄-N、NO₃-N、污泥龄、悬浮物浓度TSS等均对TP有影响。由于以上关键参数变量过多，若均做为神经网络的输入辅助变量，会造成神经网络的结构复杂，为降低网络结构复杂度，提高其精确化，需要简化输入变量，具体的步骤包括变量数据的归一化处理、对异常数据剔除、变量的主元分析法，具体操作如下：

变量数据的归一化处理：在对数据作为神经网络输入变量前，消除各个数据之间的单位的不一致性，首先要对样本数据进行归一化处理，归一化公式如下所示：

$D_{\mathrm{ij}}^{*}=\frac{D_{\mathrm{ij}}-\stackrel{\‾}{D_j}}{{\mathrm{\σ}}_j}---\left(1\right)$

其中表示归一化后样本数据，其中i为样本数，j为样本分量，D_ij表示第i个样本的第j个分量，为第j个样本分量的均值，σ_j为变量D_j的标准差，故可用下式表示：

$\stackrel{\‾}{D_j}=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{D}_{\mathrm{ij}}---\left(2\right)$

式中m表示第j个样本分量的样本数，式中σ_j表示第j个样本分量的偏差，σ_j可用下式表示：

${\mathrm{\σ}}_j=\sqrt{\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(D_{\mathrm{ij}}-\stackrel{\‾}{D_j})}^2}---\left(3\right)$

通过以上的归一化处理，把样本数据进行无量纲化处理，样本数据被归一化到[-1,+1]之间。

变量的主元分析：下面对于经过归一化的样本数据进行主元分析，即通过变量数据之间的线性相关关系对多维信息进行统计压缩，保证数据信息丢失最少的原则下，对高维变量空间进行降维，保留原始变量的特征信息而消除冗余信息。

归一化后的变量A=[A₁，A₂，…，A_m]，其中A表示经过归一化后的变量，A的协方差矩阵为s，矩阵s的特征根依次排列为λ₁≥λ₂≥…λ_m≥0，与其对应的单位正交特征向量组成的矩阵(即负荷矩阵)为L=[L₁，L₂，…L_m]，a为能得到的最小主元个数，将矩阵A分解为主成分得分矩阵K与负荷矩阵L的外积再加上残差项E，公式如下：

$A={\mathrm{KL}}^T+E=K_1{L}_1^T+K_2{L}_2^T+...+K_a{L}_a^T+E---\left(4\right)$

计算累计方差贡献率时所需的最小主元个数a的值，并在A中选出相应的a个主元。

通过主元分析法，将神经网络的输入样本个数减小，得到最终输入辅助变量的结果是：酸碱度PH，氧化还原电位ORP，溶解氧DO，温度T，氨氮NH₄-N，硝酸盐氮NO₃-N和总的固体悬浮物TSS。

测量系统设计：

神经网络模型建立：

建立的神经网络为三层的递归神经网络，递归神经网络采用的是改进型回声状态(EchoState Network，简称ESN)神经网络，改进型回声状态网络的输入辅助变量是酸碱度PH，氧化还原电位ORP，溶解氧DO，温度T，氨氮NH₄-N，硝酸盐氮NO₃-N和总的固体悬浮物TSS。

改进型状态回声网络的动态储备池的状态更新公式如下所示：

x(n+1)=f(W_inu(n+1)+Wx(n)+W_backy(n))    (5)

其中W_in，W，W_back分别为输入矩阵，动态储备池状态矩阵，输出到内部状态的连接权值矩阵，维数分别为N×K，N×N，N×L；f=(f₁,f₂,…,f_N)为内部神经元激活函数。

输出层神经元的输出，即网络的实际输出为：

y(n+1)=f_O(W_Ox(n+1))    (6)

其中f_O为输出函数，常取线性函数。

改进型回声状态神经网络采用梯度下降算法，网络的目标函数以及误差函数表示如下：

$\begin{array}{c}E\left(k\right)=\frac{1}{2}{(y_i\left(k\right)-Y^{*}\left(k\right))}^T(y_i\left(k\right)-Y^{*}\left(k\right))\\ =\frac{1}{2}{e}_i{\left(k\right)}^2\end{array}---\left(7\right)$

其中ｙ_ｉ(ｋ)为第i步的网络输出，Ｙ^＊(ｋ)为网络的期望输出。

通过对于误差函数求导数，得到改进型回声状态网络的权值修正量，权值修正公式如下所示：

$\mathrm{\Δ}{W}_o\left(k\right)=-\mathrm{\η}{\left(\frac{\∂E\left(k\right)}{\∂W_o\left(k\right)}\right)}^T---\left(8\right)$

通过以上步骤，软测量模型的建立完成。

软件部分主要包括数据检测，数据处理，数据显示，参数预测，历史数据查询，越限报警这六部分功能。通过神经网络建立出水水质参数TP的模型并实现通过实测参数达到预测的目标。

具体的实施方式如下：

1.仪表工作的第一步是对软测量回声状态神经网络进行训练，训练的数据要出自待检测系统，用训练好的网络进行关键水质参数TP预测。

2.仪表工作时首先由水质参数综合检测仪表对被检测系统进行参数检测，测得当前系统的NH₄-N，NO₃-N，ORP，PH，TSS，溶解氧和温度七组参数。由于温度感应需要一段的时间，因此根据实际情况前3-5分钟的数据舍去，不作为神经网络的训练或预测数据。测量的时间间隔选择为0.5-5分钟之间，间隔小于30秒时，测量的参数变化很小，预测的输出和上一组变化很小，不必重复测量。测量时电极约没入水中1/3的长度，若要测量深水中的水质参数则要对电极加适当的防护措施。

3.水质参数综合检测装置通过USB接口和安装在PC机上数据加载项的导出软件将水质参数检测数据导出到数据库文件中。数据处理和TP预测环节通过TP智能软测量软件完成。

4.数据处理部分采用统计学方法，剔除异常数据，同时对数据进行格式的统一转换和归一化，用于预测环节。工作时，水质参数综合检测装置可以显示当前检测到的水质参数值，TP的预测值和警戒值在处理设备上的软件界面上显示。

5.TP预测中采用基于梯度下降算法的回声状态神经网络，首先要对网络进行训练，训练完成后再输入当前检测到的水质参数数据，对出水的TP进行预测。

6.预测值超过设定的TP警戒值时，会有预警提示，显示TP超标。

7.改进型回声状态网络的网络预测输出，通过PC机上数据导出软件对于数据进行储存，方便对于TP预测值读取及调用。

Claims (1)

1.一种基于特征变量的污水总磷测量装置，其特征在于：

包括酸碱度电极，ORP氧化还原电位电极，DO溶解氧电极，温度传感器，NH₄-N氨氮电极，NO₃-N硝酸盐氮电极和TSS悬浮物电极；所述水质参数综合检测装置连接到操作和显示装置，操作和显示装置连接到数据处理设备。