简介： 综述了国内外污水处理自动化技术的发展现状，分析了目前污水处理自动控制系统中存在的 问题及制约我国污水处理自动化技术发展的主要因素，提出智能控制是污水处理自动化技术的主要发展方向，并着重介绍了模糊控制人工神经网络控制和专家控制在污水处理过程中的应用。结合国外研究动态，提出我国开展污水处理智能化控制理论、方法和技术研究的必要性和紧迫性。
关键字：污水处理 人工神经网络控制 模糊控制 智能控制
智能控制是自动控制发展的高级阶段，是人工智能、控制论、系统论和信息论等多种学科的高度综合与集成，它主要包括模糊控制、神经网络控制、学习控制和专家控制等。智能控制在各种非稳定的动态工程系统中的应用日益广泛与深入，特别是近年来取得的研究与应用成果更受瞩目[1、2]。由于污水处理的运行费用是庞大的、长期的，如果通过有效的控制能将城市污水处理厂的运行费用节省1%，也是个天文数字。由此可见，加强城市污水处理系统智能控制的研究非常必要。
1 国内外自控技术现状分析
发达国家在二级处理普及以后投入大量资金和科研力量加强污水处理设施的监测、运行和管理，实现了计算机控制、报警、计算和瞬时记录。美国在20世纪70年代中期开始实现污水处理厂的自动控制，目前主要污水处理厂已实现了工艺流程中主要参数的自动测试和控制。80年代以来在美国召开了两次水处理仪器和自动化的国际学术会议，会上发表的数百篇论文反映出水处理自动化已发展到实用水平[3]。与国外相比，我国污水处理自动化控制起步较晚，进入90年代以后污水处理厂才开始引入自动控制系统[4、5]，但多是直接引进国外成套自控设备，国产自动控制系统在污水处理厂应用很少。
近年来，国内外均有学者对污水处理自动控制工艺进行研究，以寻求更精确、更可靠的方法实施自动控制。Zipper等[6]开发了适用于小型污水处理厂的自动控制系统，该系统采用基于氧化还原电位(ORP)的控制器。这个控制器自动工作，并可以在硝化和反硝化之间进行优化，从而减少能耗，他们在中试中发现，污水处理厂的实际负荷与ORP曲线变化具有很强的相关性。采用两点ORP控制保证了在增加负荷时硝化时间占运行时间的比率也随之增加，这些都为开发小型污水处理厂控制规则奠定了基础。
John等[7]采用两种SBR反应器对家禽生产废水进行处理，并且评价了它们的处理效率，同时也考察了脱氮与反应器ORP之间的关系，并且使用了用于实时pH、ORP和DO监控的先进仪器设备和基于ORP设定值控制曝气时间的过程控制。当处理变组分废水时，该研究不仅获得了稳定的出水水质，而且依靠ORP控制曝气时间，减少了空压机的运行时间。Yu等[8]设计研究了一套带有实时ORP和pH控制系统的连续进水SBR反应器。该实时监测和控制系统由传感器、计算机、人机对话界面和控制部件组成。SBR反应器中安装了4个带有Ag/AgCl电极的ORP仪表、1个DO表和1个pH仪表，传感器的模拟信号通过AD/DA转换器转换成数字信号，并且依靠计算机每秒钟采集一次信号。计算机对采集来的数据进行分析后，通过控制线路传递到继电器，由它开/关搅拌器、滗水器和鼓风机。试验结果显示，采用实时控制的SBR反应器在底物去除效率和降低能耗方面均优于采用时序控制的SBR反应器。Puznava等[9]在同步硝化/反硝化的生物滤池中引入了实时曝气控制，建立了基于DO在线监测的反馈控制和基于氨氮和DO在线监测的串联控制。与传统硝化—反硝化生物曝气滤池(BAF)相比，采用实时曝气控制的生物滤池在达到相同处理效果(出水TN＜20mg/L)时，曝气量低于传统方法的50%。王淑莹[10]在国外已有的时间和流量程序控制的基础上，提出一种SBR法有机物浓度控制，使控制过程更定量化和精密化。工业废水的水质变化很大，当进水有机物浓度高时，为使出水水质达标，应适当增加反应时间使运行更可靠；而当进水有机物浓度低时可以减少反应时间以节省运行费用。彭永臻等[11]将ORP作为SBR反应器有机物降解程度间接指标的研究结果表明，无论是在很大范围内改变曝气量或者改变MLSS浓度，还是使反应初始COD在230～2180mg/L之间逐渐变化或突然变化，当COD达到难降解浓度时，ORP都迅速、大幅度地升高，随后又很快趋于平稳，并在某一特定范围内稳定下来。因此，可以用ORP作为SBR法反应时间的计算机控制参数，实现计算机在线自动控制。
通过以上分析，目前污水处理自动控制中存在以下问题：
① 传统污水处理自动控制系统要求建立精确的数学模型，并且提出必须遵循一些比较苛刻的线性化假设，然而实际污水处理系统由于存在复杂性、非线性、时变性、不确定性和不完全性等，一般无法获得精确的数学模型和与实际相符的假设，因此采用传统控制理论建立的污水处理自动控制系统在实际工程应用上存在出水水质波动较大等问题。
② 污水处理自动控制系统中所采用的一些自动化检测设备、仪表的功能目前还很不完善，在实际检测中达不到预期效果、误差很大，因此依靠这些检测设备判断污水处理情况并实施自动控制，往往很难达到处理水质达标排放和节约能源的目的。
③ 国内外许多学者为提高污水处理厂的处理效率和降低能耗开展了许多实时控制研究，如采用ORP、DO和pH值作为控制参数来控制出水水质和减小曝气量，但这些方法也存在一些问题，例如控制污水处理厂硝化—反硝化过程所使用的ORP就很难判定，因此绝大多数基于ORP控制的污水处理厂也执行时间控制，作为当控制器无法找到ORP特征点时的应急控制，这样就导致许多污水处理系统实际上仍然采用的是按时间控制整个处理过程。
④ 污水处理自动控制有别于其他控制系统，它需要对大量阀门、泵、鼓风机和吸(刮)泥机、曝气池和污泥消化池内的搅拌器等机械设备及沉淀池和消化池进、排泥量进行控制，因此污水处理厂需要自动控制的开关量多，它们常常要根据一定时间或逻辑顺序定时开/停，然而目前我国生产的阀门质量存在一些问题，使用寿命较短，如果从国外进口价格又很昂贵，一般污水处理厂很难承受，因此笔者认为制约我国污水处理自动控制发展的主要原因不是生产工艺问题，而是设备问题。
2 智能控制技术应用与发展
作为智能控制重要分支的模糊控制、神经网络控制、专家控制和自学习控制等除了应用到工业过程控制以外，已经扩大到军事、医学、高科技领域。由于智能控制系统具有自学习、自适应和自组织功能，特别适用于复杂的污水处理动态过程的控制，因此近年来智能控制在美国、欧洲、日本的给水处理、污水生物处理、污水的物理化学处理中都有典型的成功应用，正在研究与开发的更是不胜枚举[12]。从现在可以检索到的有关污水处理自动控制的研究论文来看，有近1/3的论文涉及到智能控制，可见智能控制已成为该领域的一个研究热点与前沿课题，显示出极为广阔的应用前景。
2.1 模糊控制
模糊控制(Fuzzy Control)能将操作者或专家的控制经验和知识表示成语言变量描述的控制规则，然后用这些规则去控制系统。因此，模糊控制特别适用于数学模型未知的、复杂的非线性系统的控制。正是基于模糊控制这些特点，近年来它已成为污水处理系统的研究热点。
1980年Tong等首次将模糊控制应用到污水处理中，将出水BOD、SS、曝气池MLSS、DO及出水氨氮浓度、回流污泥量等监测数据作为输入变量输入该系统，“模糊化”以后再与“规则集”进行匹配，随后确定相应的控制手段，最后通过反模糊化得到量化的具体信号来实施控制。Flanagan利用Olsson等提出的曝气池DO控制技术，以沿池长的DO浓度变化曲线来估计曝气池中底物利用效率和微生物活性。他的知识库中的知识不仅有根据工艺状态确定采用何种控制措施这一类启发性规则，而且还有DO曲线特征及相关工艺状态方面的知识。Barnett把这些知识称为“汇编知识”(compiled knowledge)，“汇编知识”作为启发性知识的补充，提高了系统解决问题的深度和广度[13]。由于活性污泥法出水BOD或COD浓度通常随出水悬浮物浓度增加而增大，因此Tsai等人建立了对出水悬浮物浓度进行预测和控制的动态活性污泥法模糊控制[14]，他们所提出的模糊控制策略能有效地降低出水SS浓度，从而使处理系统的运行稳定可靠。
与常规活性污泥法相比，高纯氧活性污泥法(High Purity Oxygen Activated Sludge，HPO—AS)对控制的要求更加严格。由于过程滞后和噪声干扰，此系统两种常规反馈控制在控制过程中经常出现问题。为此Yin等人[15]研究了四种模糊逻辑控制系统，结果表明在正常条件下，模糊控制比常规的反馈控制更加节约能源、减少DO波动、稳定进水流量和出气流速。
Manesis等人[16]对一个前置反硝化污水处理厂进行了模糊控制系统研究。他们以反应器中氨氮、硝态氮、DO、温度、MLSS和二沉池进出水BOD的差值作为模糊控制系统的输入变量，以曝气区供氧速率、好氧区向缺氧区的回流速率以及二沉池向反应器的污泥回流速率作为输出变量，以处理厂操作人员的经验建立模糊控制规则，并在希腊Patras污水处理厂进行了仿真，取得了较好的结果。
与国外相比，国内从事污水处理模糊控制的研究人员较少。彭永臻等[17、18]对硝态氮污染水脱氮处理的新方法——生物电极法采用模糊控制，也取得了较好的控制效果。这种在线模糊控制器具有构造简单、可行性好、可靠性高、稳定性好和对进水硝态氮负荷变化的适应性强等优点，有利于避免过量地投加有机物并尽可能节省运行费用。彭永臻、曾薇等[19]采用SBR法处理石油化工废水，根据反应器内有机物的去除与DO浓度的相关性，提出以DO作为SBR法的模糊控制参数。通过大量试验，认为可根据初始阶段DO浓度及变化情况预测进水有机物浓度，进而实现对曝气量的模糊控制。
2.2 神经网络控制
基于人工神经网络的控制(ANN—based Control)简称神经控制(Neural Control)。神经网络是由大量人工神经元广泛联结而成的网络，它具有很强的自适应性和学习能力、非线性映射能力和容错能力。神经网络因具备上述特点，近年来越来越受到国内外污水处理专家的重视，并在污水处理自动控制系统中开展人工神经网络控制研究，取得了许多具有推广应用价值的成果。
Zhu等[20]研究开发了一种基于时间延迟神经网络模型的在线废水水质预测系统。他们首先提出采用多层感知器(MLP)网络模型对所建立的时间延迟神经网络(TDNN)的输入节点进行筛选，最后得到一个10输入TDNN模型，网络经过训练以后，其对废水处理预测精度均优于标准MLP模型。Gontarski等应用BP算法人工神经网络预测一个工业废水处理厂的出水水质，试验中共使用了7个神经网络，每一个反应器用一个神经网络，最后一个神经网络用来预测出水TOC的变化。试验结果表明，废水的流量和进水pH值是废水处理厂重要的控制参数。
在活性污泥法污水处理厂中，污泥膨胀是引起运行不正常的一个严重问题，它直接影响污水处理厂的处理效率，因此许多学者从活性污泥法的运行机理上对污泥膨胀现象进行了广泛的研究，但至今尚未获得克服污泥膨胀的经济而有效的方法。近年来，国外一些学者采用人工神经网络技术建立模型来预测和防止污泥膨胀现象的发生[21、22]。Capodaglio 等[21]在分析活性污泥系统输入和输出的基础上，应用污水处理厂的数据建立了人工神经网络模型，随后用这种模型预测未来污泥膨胀的发生。为使所构建的模型能更好地反映活性污泥法的实际状况，他们为输入参数选择了一个时间滞后输入方案。从模型预测结果可以看出，这种模型的预测精度远远超过其他传统预测方法。Belanche等[22]在Capodaglio建立的模型基础上引入定性信息，这些定性信息主要来源于显微镜对细菌和微型动物的观察和一些主观经验，并利用该模型对废水处理厂污泥膨胀现象进行预测。试验结果显示，定性信息对处理厂污泥膨胀现象影响很大，模型对污泥膨胀的预测同污水处理厂专家的评价判断吻合得很好。
Tay等人[23]在一个神经模糊模型的基础上，为污水厌氧处理系统开发出一个快速预测神经模糊模型来预测高速率厌氧系统对干扰的响应，此系统可以提前1h对不同系统的干扰进行预测。因此，该系统在实时控制上有很大的应用潜力。
Wen等人[24]研究了一种曝气池神经网络模型。该曝气池神经网络模型的数据由一个专家系统来提供，专家系统又从神经网络模型获取其所要的数据，从而对整个污水处理厂实施智能控制。专家系统从各种传感器和检测器获得信号后检查系统的状态，推断出一个污泥回流比。然后，专家系统把这个值送给神经网络，神经网络把从专家系统获得的当前状态值与通过网络预测得到的值进行比较，分析该值是增加还是减小或者是维持不变。专家系统根据当前BOD和MLSS的值以及神经网络预测的曝气池状态判断是否采用这个污泥回流比。如果预测状态不是所期望的，那么专家系统将再给出一个污泥回流比，重新进行一次测试，直到找到合理的污泥回流比。若专家系统想增加曝气池内的BOD浓度，它在向神经网络模型传输这组数据时，可以在当前BOD浓度上加一个小小的增量(例如0.05)作为目标值，神经网络模型就以此值预测一个污泥回流比，并把它反馈给专家系统。
2.3 专家控制
专家控制(Expert Control)是智能控制的一个重要分支，又称专家智能控制。所谓专家控制，是把专家系统的理论和技术同控制理论、方法与技术相结合，在未知环境下仿效专家的智能，实现对系统的控制。20世纪90年代国外就有学者开始研究采用专家系统智能控制技术来实现污水处理的自动控制，并取得了有效成果[25～27]。
Barnett[25]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。另外，研究者为专家系统界定5类消化工艺运行不正常状态，每类状态又细分为注意、警告、危急和恢复正常等几类亚状态。这些状态和亚状态再与相关的控制措施相对应，即不正常状态的类型和程度决定了该采取什么样的控制手段，以便使消化恢复正常。Flores 等[26]设计了一个智能化系统来运行和管理多级厌氧系统，这个厌氧系统由各自的控制器控制，而这些控制器又通过宽带网与远处的中央管理器相联。中央管理器采集、分析、解释和存储由各生物反应器控制系统传来的数据，并采用图形界面的形式使操作者能清楚地看到这些信息。
Sung等[27]采用在线综合控制系统对水质、水量变化较大的食品废水进行控制。控制目标是使出水COD浓度较地方标准低50%，并且尽量减少曝气费用。此控制系统由两层组成，即管理层和过程控制层。在管理层中应用基于规则的专家系统为过程控制层提供最优控制点。此外，为避免鼓风机超负荷运行，还设计了基于规则的负荷分配系统。此控制系统已经成功地运行了2年，与不实行控制之前相比，出水COD浓度降低大约50%，节能约50%。
通过以上分析可知，智能控制技术在污水处理中应用较晚(只是近20年才逐渐得到应用)，而且大多数仍停留在实验室研究阶段，很多地方还很不完善。以神经网络控制为例，目前研究较多的模型属于静态模型，在一定程度上不太适合污水处理在线控制，因为活性污泥法污水处理随时间变化较大而且具有较大滞后性。因此，建议从事污水处理智能控制的科研人员以实际污水处理厂为研究目标，找出各种控制参数随时间的变化规律，运用动态模型建立污水处理智能控制系统。
3 结语
① 虽然智能控制已成为污水处理的研究与应用中的前沿与热点，但国内外仍处于广泛应用的初级阶段。从文献来看，我国从事这方面研究的人员太少，这也是制约我国污水处理自动控制和智能控制发展的主要因素。
② 与发达国家相比，我国在污水处理的基本理论、工艺流程和工程设计等方面并不明显落后，但是在运行管理与自动控制方面却存在着较大的差距。目前，我国城市污水处理厂的吨水耗电量是发达国家的近两倍，而运行管理人员数又是其若干倍，因此加强我国污水处理系统智能控制的研究与应用具有重要的科学意义与应用价值。
③ 由于智能控制的优越性及其研究与应用的迅速发展，目前国外许多城市污水和工业废水处理厂正在通过技术改造向实现智能控制方向过渡。我国应当在有条件的情况下，在污水处理厂的规划、设计与建设初期就尽可能采用或部分采用智能控制。
参考文献：
[1]李士勇.模糊控制·神经控制和智能控制论[M].哈尔滨：哈尔滨工业大学出版社，1996.
[2]孙增忻.智能控制理论与技术[M].北京：清华大学出版社，1997.
[3]李树伟.有关污水处理场微机自动调控的一些看法[J].石油化工环境保护，1994,(1):55-57.
[4]牛学义.济宁污水处理厂控制系统的特点[J].给水排水，2000,26(6):75-7 8.
[5]宋颉.莲花味精集团污水处理厂SBR自控系统[J].中国给水排水,1999,15(6):41-43.
[6]Zipper T.Development of a new system for control and optimization of small wastewater treatment plants using oxidation-reduction potential(ORP)[J].Wat Sci Tech,1998,38(3):307-314.
[7]Pierson John A.Real-time monitoring and control of sequencing batch reactors for secondary treatment of a poultry processing wastewater[J].Wat Envir on Res,2000,72(5):585-592.
[8] Yu Ruey-Fang.Performance enhancement of SBR applying real-time control [J].Journal of Environmental Engineering,2000,126(10):943-948.
[9]Puznava N. Simultaneous nitrification and denitrification in biofilters with real time aeration control[J].Wat Sci Tech,2001,43(1):269-276.
[10]王淑莹.论间歇式活性污泥法的自动控制[J].哈尔滨建筑工程学院学报,1995,28(1):132-134.
[11]彭永臻，邵剑英，周利，等.利用ORP作为SBR法反应时间的计算机控制参数[J].中国给水排水,1997,13(6):6-9.
[12]Ohtsuki T.Intelligent control system based on blackboard concept for wastewater treatment process[J].Wat Sci Tech,1998,37(12):77-85.
[13]Barnett M W.Knowledge based expert system applications in wastewater operation and control[J].ISA Trans,1992,31(1):53-60.
[14]Tsai Y P.Effluent suspended solid control of activated sludge process by fuzzy control approach[J].Wat Environ Res,1996,68(6):1045-1053.
[15] Yin M T.Fuzzy logic process control of HPO-AS process[J].Journal of Environmental Engineering,1996,122(6):484-492.
[16]Manesis S A.Intelligent control of wastewater treatment plants[J].Ar tificial Intelligence in Engineering,1998,12:275-281.
[17] 彭永臻,王淑莹，周利，等.生物电极脱氮法的在线模糊控制Ⅰ.模糊控制系统的组成与基本思想[J].中国给水排水,1999,15(2):5-9.
[18]彭永臻,王淑莹，周利，等.生物电极脱氮法的在线模糊控制Ⅱ.模糊控制器的设计及其计算机算法[J].中国给水排水,1999,15(4):5-10.
[19] 曾薇，彭永臻,王淑莹，等.以溶解氧浓度作为SBR法模糊控制参数[J].中国给水排水,2000,16(4):5-10.
[20]Zhu Jiabao.An on-Line wastewater quality predication system based on a time-delay neural network[J].Engineering Applications of Artificial Intellige nce,1998,(11):747-758.
[21]Capodaglio Andrea G.Sludge bulking analysis and forecasting：application of system identification and artificial neural computing technologies[J].Wat Res,1991,25(10):1217-1224.
[22] Belanche L.Prediction of the bulking phenomenon in wastewater treatment plants[J].Artificial Intelligence in Engineering,2000,14:307-317.
[23]Tay J H.A fast predicting neural fuzzy model for high-rate anaerobic wastewater treatment systems[J].Wat Res,2000,34(11):2849-2860.
[24]Wen Chien-Hsien.Applying hybrid artificial intelligence techniques in wastewater treatment[J].Engineering Applications of Artificial Intelligence,1998, 11:685-705.
[25] Barnett M W.Expert systems for anaerobic-digestion-process operation [J].ASCE，Journal of Environmental Engineering,1992,118(6):949-963.
[26]Flores J.An intelligent system for distributed control of an anaerobic wastewater treatment process[J].Engineering Applications of Artificial Intell igence,2000,13:485-494.
[27] Sung Woo Nam.On-line integrated control system for an industrial activated sludge process[J].Wat Environ Res,1996,68(1):70-75.