《神经模糊控制系统应用监测过程响应控制在废水厌氧混合反应器处理和沼气生产.doc》由会员分享，可在线阅读，更多相关《神经模糊控制系统应用监测过程响应控制在废水厌氧混合反应器处理和沼气生产.doc（11页珍藏版）》请在三一文库上搜索。
1、神经模糊控制系统应用监测过程响应控制在废水厌氧混合反应器处理和沼气生产摘要基于神经模糊控制系统的研制的复合式厌氧反应器（制冷）在废水处理和沼气生产，神经网络的反向传播算法预测的变量值，碱度（碱）和总挥发性酸（增值税）目前一天的时间是用来作为输入数据的模糊逻辑计算进水饲料流量，适用控制和监测过程反应在于不同行动的最初，超载影响喂养和恢复阶段。在所有三个阶段，这一神经模糊控制系统表现出极大的潜力，控制制冷高稳定性和性能和快速反应。虽然在超负荷运行，第二阶段的2倍计算进水流量的一二倍，有机结合加载速率（射出长波辐射），这种控制系统具有快速反应和敏感的负荷。当进水的摄食率其次是计算控制系统在初始运行阶
2、段和恢复操作第三阶段，它被发现神经模糊控制系统中的应用是有能力控制制冷在一个很好的方式与酸碱度接近7，增值税/碱80%，沼气和甲烷产量在0.45和0.30立方米/公斤化学需氧量去除。关键词：厌氧混合反应器；进水流量；模糊控制系统；过程响应景区简介厌氧消化是污水生物处理品种的微生物降解有机物物质的甲烷和二氧化碳不曝气（cakmakci，2007；punal等人。，2001；斯泰尔等人。，1999）。复合式厌氧污泥床-固定膜反应器，污泥床和尼龙纤维安装在反应堆，是一种高速率厌氧反应器和广泛用于农业工业（chaiprasert等人。，2003）。本厌氧过程是敏感的变化的环境反应器内的条件，因此控制在
3、系统的稳定性是一个重要的因素反应器的性能。进水有机负荷率（射出长波辐射）液压流量可以用来表明应力在微生物种群。如果有不当过载继电器或饲料成分加入到反应器中，将一个等稳定的厌氧消化过程增加挥发性脂肪酸（挥发性脂肪酸）的积累导致PH值下降，导致它要求几个星期到几个月恢复系统取决于问题的严重性。控制这问题，常见的各种变量的厌氧工艺包括酸度，碱度（碱），总挥发性有机酸（增值税），电子去除效率和沼气生产及其应定期分析和监测保证了系统的稳定性和性能。它因此，一个巨大的挑战，有一个厌氧控制系统使这个过程更可靠和实用的污水处理和沼气生产。发展的控制系统的厌氧消化系统是很重要的保持过程稳定和保持较高的反应性能。
4、许多控制系统已发展到控制这些变量在厌氧消化系统，但大多数他们太复杂，有些是昂贵的。在近年来，关心神经网络或模糊逻辑控制已发展到预测的过程变量和控制各种系统。神经网络与模糊逻辑控制系统广泛在控制中的应用提供一个快速反应避免过程恶化，网络性能下降的鳕鱼净化效率和甲烷的生产，这可能容易使这个过程结束。神经网络是一个有用的工具，建模的复杂的非线性和多变量过程如化学工程过程中，生物过程，好氧废水处理工艺（koprinkova-hristova和patarinska，2008；香港等。，2007；曾等人。，2007；wiltowski等人。，2005；哈米德等等人。，2004；帛琉等人。，1996）。特别
5、是有几个应用研究神经网络在厌氧消化系统（bestamin等人，2007；兰迦萨米等人。，2007；攻击等人。，2005；holubar等人。，2002堀等；等人。，2001；guwy等人。，1997；威尔考克斯等人。，1995）。理论模糊逻辑是在1965（北野武，1992）。本利用模糊逻辑是，它不需要复杂的数理方程。模糊逻辑系统已应用在许多生物和化学工程过程（黄等人。，2009；麦迪等人。，2008karakuzu；等人。，2006；特拉奥雷等人。，2005；索萨和阿尔梅达，2001）。一般来说，它是一种新的方法和先进的控制对厌氧消化系统（perendeci等人。，2008；卡洛斯等人。，20
6、07；punal等人。，2003；政治等人。，2002；estaben等人。，1997）。无论是一些神经网络模型模糊逻辑控制系统是用来作为一种补充工具的设计和开发的智能系统在各种类型的厌氧生物反应器悬浮厌氧附着生物膜反应器或除厌氧混合污泥床-固定膜反（制冷）。在本研究中，一体化的神经网络模型和模糊逻辑控制系统，即神经模糊控制系统的厌氧反应器首先是发达。一种自适应的智能系统神经模糊控制系统的建立是为了制冷。制冷用于此项研究是由组合悬浮和附着生长生物反应器（chaiprasert等人。，2003）。神经络模型是基于BP算法的预测重要的过程变量值的稳定性等，碱和田纳西流域管理局。神经网络显示一个宝贵
7、的财产，在受过训练的神经网络提供了一个正确的匹配形式输出数据的一套以前看不见的输入数据。计算框架的基础上的模糊集理论模糊规则的模糊逻辑控制系统影响饲料流量在实验室规模的制冷。这研究将获得神经模糊控制系统预测模型和控制系统的制冷保持稳定的高性能处理反应器污水处理和沼气生产。该方法在本研究将使制冷更可靠，可用给更快的过程响应。1 材料和方法1.1混合式厌氧反应器一个12.32-l实验室规模的制冷在图1了丙烯酸树脂。内径和反应器高度为14和80厘米，分别与工作容积10.78升支持媒体中使用的填料区的制冷尼龙纤维的密度为23.41公斤/立方米和放置在上半部分的反应器微生物附着。本下半部反应堆含有悬浮生
8、物量称为污泥区。组成的综合废水其次是利noike（1992）使用葡萄糖作为代表性的有机碳源。制备基本培养基的成分包括维生素溶液准备在单位毫克/升和矿物的解决方案也被解释romsaiyud等人。（2009）。1.2操作条件下厌氧混合反应器在操作过程中的制冷，合成的影响污水不断美联储流入制冷一个蠕动泵和血糖浓度在范围312克/升反应堆运行环境下的温度（3035丙）。适合日常进水饲料流量的实验操作的初始阶段（第一阶段）和恢复阶段（第三阶段）进行操作调整后的价值计算，每天由神经模糊控制系统。此外，相反（操作）进行了2倍计算进水饲料流量和射出长波辐射。实验数据主要是电子的期间经营期反应堆性能和稳定性分析
9、在废水处理和沼气生产。1.3分析程序实现过程的稳定性和性能，工艺变量值等，碱，田纳西，去除，沼气组成和产气率分析每日的。增值税和碱滴定法测定方法2310和2320b-standard方法（色号，1995），分别为。化学需氧量浓度分析一个封闭的回流的比色法5220d-standard方法（色号，1995）。沼气生产测量气体计数器，使用的概念水置换。组成的沼气分析的气相色谱配备热电导检测器（gc-tcd，岛津gc-9a，日本）和porapak-n80 /100柱。1.4开发的神经模糊控制系统控制的制冷利用神经模糊控制系统是在图。2，whiah包括2部分，神经网络模型（从附录一）与模糊逻辑控制系统（
10、从附录）。本神经网络模型是用来预测的酸度，碱度和田纳西流域管理局目前一天的时间，那么模糊逻辑控制系统采用此预测值作为输入变量计算每日进水流量的制冷。2 结果与讨论神经模糊控制系统的开发应用神经网络模型的设计四层组成的1层前馈输入，2个隐藏1层输出层的基础上，反向预测算法的变量值，碱度和增值税在时间（天）和模糊逻辑控制系统使用这些预测变量计算的影响饲料流量进入制冷。每日计算的影响流量的控制系统是用于饲料实验室规模的制冷的每一天。测试控制系统的反应和处理废水沼气生产中的制冷，三阶段的实验进行了。模式的进水流量相当于一个活动在第一阶段三如图3所示。初始阶段（第一阶段）是初创期反应器的进水流量美联储的
11、范围1.793.05升/天以下的计算神经模糊控制系统为30天运行。空气控制系统响应，二阶段（阶段二）是由过载喂养休克2倍计算进水流量和2倍过载继电器。进水流量和射出长波辐射在喂养2.23范围6.75升/天和1.865.64克/（我天）为10天的运作，分别。最后阶段（第三阶段）在恢复阶段的进水流量美联储在2.083.22升/天以下的计算该控制系统操作26。本电子效率的神经模糊控制系统的解释的性能和稳定性方面的实验。测定的制冷性能和稳定性评价的变化，碱，田纳西，沼气沼气生产，组成和去除的反应器。2.1过程的反应和控制制冷在初始一期手术在第一阶段，在图3中，血糖浓度的影响37克/升被美联储在流速为1
12、.793.05升/天制冷的。最初的活动是0.56克/（我天）和步骤提高到1.98克/（我天）在3.536.02天的液压保留时间（疗法）。典型的因素应监测评价控制和过程的反应方面的稳定性和性能。值，碱度和增值税是用于调查的稳定，这些厌氧系统因素有关的变量进行了分析，每天在实验过程中作为输入数据集控制制冷的神经模糊控制系统。去除和沼气生产操作过程中进行了测定评价的反应性能。结果表明在图4期，酸碱值是不同的范围为6.686.94在手术期间的30天和体系适合产甲烷菌获得最大的沼气产量在厌氧消化系统。刘等人。（2008）介绍了最佳值获得最大的沼气产量在厌氧消化为6.507.50。该体系中的酸碱度是相当稳
13、定和可保持在6.80操作过程中第一阶段是与碱和增值税价值在反应器的同时。减少积累的挥发性脂肪酸（1500毫克/升碳酸钙）是在系统中发现。碱度或不急诊室的能力水平从10005000毫克/升碳酸钙能够保持一个稳定的PH值在厌氧消化（威尔考克斯等人。，1995；格利夫和安德鲁斯，1974）。为稳定过程（反应器稳定），switzenbaum等人。（1990）报道，比增值税（如乙酸）对碱（碳酸钙）应该有比范围在0.10.35。控制进料流量的神经模糊系统，田纳西流域管理局的海燕比反应器内，可以维持在一个值或超过0.4，表明反应器具有高不尔能力反映高工艺稳定性。在这一阶段0.5对长波辐射2克/（我天）和5.
14、56天的停留时间，这是苏充足食物和接触时间对甲烷在适宜的环境条件，在PH值6.76.9，田纳西流域管理局320650毫克/升为乙酸，碱15301990毫克/升碳酸钙和增值税/碱0.210.33。去除和沼气生产是重要的参数在厌氧系统可以显示系统性能。结果沼甲烷的生产，去除和沼气的组成在30天的控制操作的制冷的神经模糊控制系统提出阶段在图。图4b，分别。结果的去除高范围在82%91%和导致沼气生产和其组成。甲烷含量高沼气被发现在62%67%。沼气生产增加后负荷增加从0.5到1.98克/（我天）。沼气和甲烷的生产价值从1.84增加到8.92升/天和1.19至5.88升/天，分别为。沼气和甲烷的产量高
15、0.430.49和0.270.32立方米/公斤化学需氧量去除，分别。神经模糊控制系统中的应用初步第一阶段是能够控制制冷高稳定性性能在废水处理和沼气生产酸碱度接近7，增值税/碱80%，沼气产量0.45立方米/公斤化学需氧量去除和甲烷产量0.30立方米/公斤化学需氧量去除。2.2过载冲击过程的反应第二阶段操作的在第二阶段图3，在31天40，负荷冲击进行了设置实验使用双影响饲料流量的计算控制系统在4.156.75升/天9克/升的葡萄糖浓度相当于双重射出长波辐射在3.465.64克/（我天）和停留时间在1.602.60天。这一事件发生在短时间。在五天的连续冲击载荷，其控制系统的反应的降低进水饲料流量下
16、优化过程稳定性好，每次的冲击载荷。本过程反应后，冲击载荷是显示在第二阶段图4和第二阶段的在图4 B。制冷响应值，增值税和碱在休克在很短的时间为5天，显示在第二阶段图4。田纳西流域管理局后，冲击载荷增加5501300毫克/升为乙酸，而碱不移多（20002200毫克/升碳酸钙）导致体系略从6.94下降到6.68。比到田纳西碱是从0.26提高到0.56。这一比率的增值税/碱略超过0.4，它代表了制冷开始破坏过程。过程反应性能方面的鳕鱼去除和沼气生产显示在第二阶段图4 b。反应去除后，冲击载荷从89%下降到81%，而产生的沼气和甲烷略有下降，从0.46到0.39立方米/公斤去除和0.30至0.25立方
17、米/公斤化学需氧量去除，分别为。这是一个连接短hrtwhich没有足够的接触时间对产甲烷菌转换醋酸甲烷（chaiprasert等人。，2003）。该沼气中甲烷含量（第二阶段在图一）是略有下降，从66%到62%。当越来越多的射出长波辐射的结果发现，沼气和甲烷的生产增加了从7.76到19.11升/天和4.9812.44升/天，分别产生的沼气和甲烷是趋于减少。这是警示标志，系统开始不安的短期冲击载荷。为了检查的反应的神经模糊控制系统，该系统感到不安的增加饲料的流量超过正常饲料流量。这个过程的反应轻微下降值，去除和沼气和甲烷产量。这是一个迹象表明过程稳定性和性能将沮丧和失败的未来如果系统长期超负荷运行
18、。开发的神经网络控制系统有一个快速反应和敏感预定过载。之后冲击负荷制冷的短时间内，获得的数据集与之间的过程稳定值等，增值税和碱是输入数据的控制系统。然后，第二天喂养的影响根据计算的饲料流量的控制系统的反应和控制系统的饲料在低流量的影响。2.3控制制冷的过程中恢复第三阶段操作的41天67天，在第三阶段在图3的操作与进水饲料流量的制冷之后通过计算值的模糊制系统。这第三阶段被称为恢复期运行26天确定过程的稳定性和性能。计算进水流量率控制系统在第一天的第三阶段（41天）计算减少在2.57升/天的过载6.75升/天的第二阶段。影响饲料流量计算在第三阶段为26操作的范围是2.083.22升/天。葡萄糖浓度
19、的饲料12克/升该反应堆运行2.323.58克/（我天）与3.355.18天的停留时间。过程反应的术语稳定性和性能在废水处理和沼气生产证明在第三阶段图和在第三阶段条，分别。结果在过程反应稳定性（在第三阶段图4田纳西流域管理局）显示减少幅度在650950毫克/升为乙酸比较第二阶段而碱在同一纬度（20002500毫克/升碳酸钙）。本田纳西流域管理局/碱比值小于0.4（0.300.39）和值反映到6.736.90。少积累高增值税但急诊室的能力（碱）和较高的值可以保持过程稳定后发生的，其次是神经模糊控制系统。第三阶段在图4描述的制冷性能在去除，沼气和甲烷的生产和第三阶段在图一显示的沼气成分控制的制冷的
20、神经模糊控制系统。结果表明，去除电子效率仍超过85%以上的工作时间。biogasand甲烷产量在9.89范围13.39升/天6.438.86升/天，分别。甲烷含量沼气中发现63%67%。沼气和甲烷产量范围在0.400.47和0.260.31立方米/公斤去除，分别。高稳定性和性能的制冷时控制的神经模糊控制系统显示出类似的结果从实验研究chaiprasert等人。（2003）用木薯淀粉废水。神经模糊控制系统中的应用在恢复阶段三能够控制制冷回高稳定性和性能在废水处理和沼气生产酸碱度接近7，增值税/碱85%，沼气产量0.45立方米/公斤化学需氧量去除和甲烷产量0.30立方米/公斤化学需氧量去除。3 结
21、论神经模糊控制系统的设计下这一概念的组合神经网络模型和模糊逻辑控制系统。发达神经模糊控制系统的使用与现有的操作输入变量（PH值，增值税和碱）控制影响饲料流量进入制冷在迪不同系统的情况下，在三个阶段的初始作战相，过载影响喂养阶段和恢复制冷在废水处理和沼气生产控制下的饲料流量的neuralfuzzy控制系统，实验结果表明反应器成功地保持稳定性和高反应器的性能。控制结果的neuralfuzzy控制系统在运行制冷了评价不同，碱，田纳西，沼气生产，沼气的组成和去除电子效率。鳕鱼电子去除效率可以达到80%以上，与沼气产量和良好的工艺稳定性被发现在这个实验。神经模糊控制系统在这项研究中预计将有很大的应用控制
22、这些过程变量的制冷。鸣谢作者想表达诚挚的谢意泰国理工学院第tgist01-47-038），国立科学技术开发局（科技发展机构）博士奖学金waewsak Chai先生，和国家泰国研究理事会的研究补助金的2008年度财政预算的大学技术吞武里。参考文献Aygun A, Nas B, Berktay A, 2008. Influence of high organicloading rates on COD removal and sludge production inmoving bed biofilm reactor. Environmental EngineeringScience, 25(9)
23、: 13111316.Bestamin O, Ahmet D, Sinan Bilgili M, 2007. Neural networkprediction model for the methane fraction in biogas fromfield-scale landfill bioreactors. Environmental Modelling &Software, 22: 815822.Cakmakci M, 2007. Adaptive neuro-fuzzy modeling of anaerobicdigestion of primary sedimentation
24、sludge. Bioprocess andBiosystems Engineering, 30: 349357.Carlos G, Francisco M, Enrique R, Juan M L, 2007. Fuzzybasedcontrol of an anaerobic reactor treating wastewaterscontaining ethanol and carbohydrates. Industrial & EngineeringChemistry Research, 46: 67076715.Chaiprasert P, Suvajittanont W, Sura
25、raksa B, Tanticharoen M,Bhumiratana S, 2003. Nylon fiber as supporting mediain anaerobic hybrid reactors: its eects on systems performanceand microbial distribution. Water Research, 37:46054612.Estaben M, Polit M, Steyer J P, 1997. Fuzzy control for ananaerobic digester. Control Engineering Practice
26、, 5(98):13031310.Graef S P, Andrews J F, 1974. Stability and control of anaerobicdigestion. Journal of the Water Pollution Control Federation,4: 666683.Guwy A J, Hawkes F R, Wilcox S J, Hawkes D L, 1997. Neuralnetwork and on-o control of bicarbonate alkalinity in afluidised-bed anaerobic digester. W
27、ater Research, 31(8):20192025.Hamed M M, Khalafallah M G, Hassanien E A, 2004. Predictionof wastewater treatment plant performance using artificialneural networks. Environmental Modelling & Software, 19:919928.Holubar P, Zani L, Hager M, Fr. Oschl W, Radak Z, BraunR, 2002. Advanced controlling of an
28、aerobic digestion bymeans of hierarchical neural networks. Water Research, 36:25822588.Hong S H, Lee M W, Lee D S, Park J M, 2007. Monitoringof sequencing batch reactor for nitrogen and phosphorusremoval using neural networks. Biochemical EngineeringJournal, 35(3): 365370.Horiuchi J, Kikuchi S, Koba
29、yashi M, Kanno T, Shimizu T,2001. Modeling of pH response in continuous anaerobicacidogenesis by an artificial neural network. BiochemicalEngineering Journal, 9: 199204.Huang M Z, Ma Y W, Wan J Q, Wang Y, 2009. Simulationof a paper mill wastewater treatment using a fuzzy neuralnetwork. Expert System
30、s with Applications, 36: 50645070.Karakuzu C, Turker M, Ozturk S, 2006. Modelling, on-line stateestimation and fuzzy control of production scale fed-batchbakers yeast fermentation. Control Engineering Practice,14: 959974.Koprinkova-Hristova P, Patarinska T, 2008. Neural networksoftware sensors desig
31、n for lysine fermentation process.Applied Artificial Intelligence, 22: 235253.Li Y Y, Noike T, 1992. Upgrading of anaerobic digestion of wasteactivated sludge by thermal pretreatment. Water Scienceand Technology, 26: 857866.Liu C F, Yuan X Z, Zeng G M, Li W W, Li J, 2008. Predictionof methane yield
32、at optimum pH for anaerobic digestionof organic fraction of municipal solid waste. BioresourceTechnology, 99(4): 882888.Maidi A, Diaf M, Corriou J P, 2008. Optimal linear PI fuzzy controllerdesign of a heat exchanger. Chemical Engineeringand Processing, 47: 938945.Palau A, Delgado A, Velo E, Puigjan
33、er L, 1996. Use of neuralnetworks for predicting the performance of discontinuousgas-solid chilling machines. Computers and Chemical Engineering,20: S297S302.Perendeci A, Arslan S, Celebi S S, Tanyola A, 2008. Predictionof euent quality of an anaerobic treatment plant underunsteady state through ANF
34、IS modeling with on-line inputvariables. Chemical Engineering Journal, 145: 7885.Polit M, Estaben M, Labat P, 2002. A fuzzy model for ananaerobic digester, comparison with experimental results.Engineering Applications of Artificial Intelligence, 15:385390.Punal A, Palazzotto L, Bouvier J C, Conte T,
35、 Steyer J P,2003. Automatic control of volatile fatty acids in anaerobicdigestion using a fuzzy logic based approach.Water Scienceand Technology, 48(6): 103110.Punal A, Rodriguez J, Franco A, Carrasco E F, Roca E, LemaJ M, 2001. Advanced monitoring and control of anaerobicwastewater treatment plants
36、: diagnosis and supervision by afuzzy-based expert system. Water Science and Technology,43(7): 191198.Rangasamy P, PVR I, Ganesan S, 2007. Anaerobic taperedfluidized bed reactor for starch wastewater treatment andmodeling using multilayer perceptron neural network. Journalof Environmental Sciences,
37、19(12): 14161423.Romsaiyud A, Songkasiri W, Nopharatana A, Chaiprasert P,2009. The combination eect of pH and acetate on theenzymatic cellulose hydrolysis. Journal of EnvironmentalSciences, 21(7): 965970.Sanchez E, Borja R, Travieso L, Martin A, Colmenarejo MF, 2005. Eect of organic loading rate on
38、the stability,operational parameters and performance of a secondaryupflow anaerobic sludge bed reactor treating piggery waste.Bioresource Technology, 96: 335344.Sousa Jr R, Almeida P I F, 2001. Design of a fuzzy system forthe control of a biochemical reactor in fed-batch culture.Process Biochemistry
39、, 37: 461469.Steyer J P, Buere P, Rolland D, Moletta R, 1999. Advanced controlof anaerobic digestion processes through disturbancesmonitoring. Water Research, 33(9): 20592068.Strik D P B T B, Domnanovich A M, Zani L, Braun R,Holubar P, 2005. Prediction of trace compounds in biogasfrom anaerobic dige
40、stion using the matlab neural networktoolbox. Environmental Modelling & Software, 20: 803810.Switzenbaum M S, Giraldo-Gomez E, Hickey R F, 1990. Monitoringof the anaerobic methane fermentation process.Enzyme and Microbial Technology, 12: 722730.Takeshi Y, 1992. A fuzzy logic controller. Journal of B
41、iotechnology,24: 132.Traore A, Grieu S, Puig S, Corominas L, Thiery F, Polit M et al.,2005. Fuzzy control of dissolved oxygen in a sequencingbatch reactor pilot plant. Chemical Engineering Journal,111: 1319.Zeng J, Guo H F, Hu Y M, 2007. Artificial neural network modelfor identifying taxi gross emitter from remote sensing dataof vehicle emission. Journal of Environmental Sciences,19(4): 427431.