книги / Управление большими системами. УБС-2017

Информационные технологии в управлении техническими системами и технологическими процессами

На втором этапе бактерии Nitrobacter окисляют нитрит до нитрата по схеме

NO2− + 12 O2 → NO3−

Денитрификация – процесс восстановления нитратов до молекулярного азота.

В работах [3, 11] рассмотрена модель нитрификации, в которой процессы, связанные с окислением азота, рассматриваются отдельно от остальных процессов биоочистки:

где N1 , N 2 , N3 – концентрации аммония, нитритов и нитратов соответственно; B1 , μ1 , kd1 , и B2 , μ 2 , kd2 – концентрации, мак-

симальные удельные скорости, константы отмирания микроорганизмов Nitrosomonas и Nitrobacter соответственно; Y1 ,Y2 – экономические коэффициенты; K N1 , K N1 – константы полуна-

сыщения. Начальные условия для системы (1) берутся по данным измерений в соответствующих начальных участках аэротенков, подбор параметров модели представляет собой отдельную задачу. Для решения системы (1) необходимо идентифицировать имитационную модель, используя данные измерения концентрации ХПК (химический показатель кислорода) и непосредственных измерений концентраций азотной группы на всем пути прохождения смеси сточных вод и активного ила

393

431

Управление большими системами. Выпуск XX

в аэротенке. Идентификация этой системы уравнений производилась на основе реальных измерений концентраций, представленных на рис. 1–7, выполненных прибором АкваТест 4М [6–8]. Необходимо идентифицировать имитационную модель (1) по следующим параметрам: μ1 , kd1 , и μ 2 , kd2 – максимальные

удельные скорости, константы отмирания микроорганизмов

Nitrosomonas и Nitrobacter соответственно; Y1 , Y2 – экономи-

ческие коэффициенты; K N1 , K N1 – константы полунасыщения.

Для подбора параметров модели используется квадратичный функционал отклонений расчетной концентрации ХПК и концентраций азотной группы от экспериментальных, минимизация которого дает возможность определения необходимых значений параметров.

Будем производить подбор параметров μ1 , kd1 , и μ 2 , kd2 , Y1 , Y2 , K N1 , K N1 в следующем порядке: по данным измерения ХПК по всей длине аэротенка (см. рис. 4) идентифицируем пара-

идентифицируем параметры K N1 , KN2 и Y1 , Y2 . Процедуру иден-

тифицикации рассмотрим на примере азотной группы. По данным измерений (см. рис. 7, 8)

Ni* (tk ); t = 1,...m; k =1,...p; tk = τ k tmax ; (m = 3, p = 7,tmax = 400min);

τ = {0;0,125;0,25;0,375;0,5;0,75;1}.

Так как Ni (t) имеют разный порядок величин, введём весовые коэффициенты Wi (t) так, чтобы средние значенияNi (t) были одного порядка. Введём безразмерные величины

c1 = 100;c2 = 5;c1 = 1;c2 = 1.

394

432

Информационные технологии в управлении техническими системами и технологическими процессами

Построим целевую функцию относительно этих переменных в виде квадратичного функционала

В качестве алгоритма минимизации функционала (2) использовалась процедура минимизации функций DUMINE из пакета IMSL [5] Результаты вычислительных экспериментов приведены на рис. 9.

Рис. 9. Распределение концентраций аммония, нитритов,

нитратов, бактерий Nitrosomonas и Nitrobacter (соответственно легенде по порядку)

4. Обсуждение и выводы

Следует отметить, что в тот период, когда брались пробы, результаты которых приведены на рис. 1–4, сбросы с ОС промышленных предприятий г. Кирова были относительно мало загрязнены. В этом режиме работы ОС ККС «справляются» с очисткой стоков достаточно эффективно и быстро: уже после прохода сточных вод половины длины коридора ХПК не меняется. В этих условиях технологию работы ОС можно изменить: сократить количество активного ила, уменьшить нагрузку на силовые установки, обеспечивающие перемешивание стоков в коридорах аэротенков. Данные меры приведут к существенной эко-

395

433

Управление большими системами. Выпуск XX

номии активного ила и электроэнергии. Приведенные результаты измерений с помощью АПК АКВАТЕСТ-АТ4М предоставляют возможность не только идентифицировать и произвести настройку математической модели процессов биологической очистки, но и, что более важно, осуществлять полноценный мониторинг очистки сточных вод предприятий. Идентифицированная математическая модель позволяет рассчитывать сценарные варианты влияния солей металлов на жизнеспособность бактерий в процессе биологической очистки.

Как указывается в исследованиях [2, 3, 10], в процессах биологической очистки непосредственно удаление группы металлов не происходит. Для этой цели используется доочистка с применением дорогостоящих реагентов или изменение принципа работы ОС состоящее в замене технологии вытеснения на технологию карусельного типа с дробным внесением реагентов. Влияние металлов на жизнеспособность бактерий в предлагаемой модели оценивается через сценарное изменение коэффициентов смертности бактерий. Рассмотрено 4 сценария и показано, что изменение этих коэффициентов существенным образом влияет на всю работы ОС: увеличение коэффициентов смертности на 30 % существенно подавляет эффективность работы активного ила, а рост их на 100 % и более фактически подавляет всю работу ОС в части биологической очистки (рис. 10–13).

Рис. 10. Распределениеконцентрацийаммония, нитритов, нитратов, бактерийNitrosomonas иNitrobacter (соответсвеннолегендепопорядку)

прибазовом варианте

396

434

Информационные технологии в управлении техническими системами и технологическими процессами

Рис. 11. Распределение концентраций аммония, нитритов, нитратов, бактерий Nitrosomonas и Nitrobacter при коэффициентах смертности бактерий, увеличенных на 30 %

Рис. 12. Распределение концентраций аммония, нитритов, нитратов, бактерий Nitrosomonas и Nitrobacter при коэффициентах смертности бактерий, увеличенных на 100 %

Рис. 13. Распределение концентраций аммония, нитритов, нитратов, бактерий Nitrosomonas и Nitrobacter при коэффициентах смертности бактерий, увеличенных на 150 %

397

435

Управление большими системами. Выпуск XX

Возможности идентификации загрязнителей по уникальным маркерам, определяющих принадлежность сброса конкретному загрязнителю, могут быть реализованы, если процедура мониторинга будет осуществляться не только выборочно, но и систематически на выпусках из предприятий и на входе в ОС ККС. Настройка АПК на регистрацию других компонентов ЗВ возможна при использовании специальных датчиков, что повышает результаты мониторинга по всему спектру ЗВ.

Литература

1.БАРТЕНЬЕВ О.В. Фортран для профессионалов. Математическая библиотека INSL. (Ч. 1, 2, 3). – М.: Диалог-

МИФИ, 2000. – 448 с.

2.ВАВИЛИН B.А., ВАСИЛЬЕВ В.Б. Математическое моде-

лирование процессов биологической очистки сточных вод активным илом. – М.: Наука, 1979. – 119 с.

3.КИРИЛЛОВ А.Н., СМИРНОВ Н.В. Математическое моде-

лирование процессов нитрификации и окисления органического вещества в системе биологической очистки // Вычис-

лительные и информационные технологии для наук об окружающей среде: избр. тр. междунар. молодежной школы и конференции CITES-2013. – М., 2013. – С. 132–135.

4.Количественный химический анализ вод. Методика выпол-

нения измерений массовой концентрации ионов аммония в природных и сточных водах фотометрическим методом с реактивом Несслера: [ПНД Ф 14.1:2.1–95: утвержден Министерством охраны окружающей среды и природных ресурсов Российской Федерации 20 мар. 1995 г.]. – М., 1995.

5.Количественный химический анализ вод. Методика выполнения измерений массовой концентрации растворенного кислорода в пробах природных и очищенных сточных вод йодометрическим методом: [ПНД Ф 14:1:2.101–97: утверж-

ден Государственным комитетом Российской Федерации по охране окружающей среды 21 мар. 1997 г.]. – М., 1997.

6.КУДРЯВЦЕВ В.А., ГАЛКИН А.А., ШЕШУНОВ И.В. Способ исследования чистоты воды // Инновационные БИО-про-

екты. Кировская область. Каталог. – Киров, 2008. – С. 88–89.

398

436

Информационные технологии в управлении техническими системами и технологическими процессами

7.КУДРЯВЦЕВ В.А. Современный аппаратный комплекс для получения информации о чистоте воды // Исследование,

разработка и применение высоких технологий в промышленности: сб. тр. Десятой Междунар. науч.-практ. конф.; 09–11 декабря, Санкт-Петербург. – СПб., 2010. – С. 179–186.

8.Модернизация станций подготовки воды муниципальных образований / В.Н. АЛИКИН, И.Н. ШУБИН, М.С. ПЛЕХАНОВ, С.Н. ЮЖАКОВ // Чистая вода: сб. материалов межрегион. конгресса; г. Пермь, 11–12 марта 2009 г. –

Пермь, 2009. – С. 23–24.

9.МОРИСАНОВА Е.И. Портативные лаборатории для экспрессного контроля качества питьевых вод // «Чистая вода»:

сб. материалов межрегион. конгресса; г. Пермь, 11–12 марта

2009 г. – Пермь, 2009. – С. 28–30.

10.Очистка сточных вод / М. ХЕНЦЕ, П. АРМОЭС, Й. ЛЯ-КУР-

ЯНСЕН, Э. АРВАН. – М.: Мир, 2004. – 480 с.

11.СМИРНОВ Н.В. Математическое моделирование процесса биологической очистки сточных вод // Ярославский педаго-

гический вестник. Сер. Естественные науки. – 2012. – Т. 3,

№ 3. – С. 44–49.

SYSTEM OF MODELING, MONITORING AND CONTROL FOR THE PROCESS OF BIOLOGICAL SEWAGE TREATMENT

Vladimir Kudryavtsev, Kirov State Medical University, Kirov, Cand.Sc., assistant professor (vak@kirovgma.ru).

Sergey Rychkov, Vyatka State University, Kirov, senior teacher (rychkov@list.ru).

Anatoly Shatrov, Vyatka State University, Kirov, Doctor of Sc., professor (avshatrov1@yandex.ru).

Abstract: The actuality of present problem is caused by necessity of operative control of biological sewage treatment processes. A process of biological treatment is being checked by chemical analysis practically by hand. By the way duration of checking procedure is

399

437

Управление большими системами. Выпуск XX

commensurable with the time the sewage water is passing through an aeration tank. Thus any operative control of sewage treatment is practically impossible. In the present work to use for operative control the hardware-software complex (HSC) AQUATEST-AT4M. HSC is able to produce an analysis of water quality in some minutes. By the way the measurement data give the opportunity to identify a mathematical model of the biological sewage treatment. In this work there are presented the results of experiments and of mathematical modeling of work of the Kirov communal systems sewage treatment plants (KCS STP).

Keywords: biological sewage treatment, water oxidizability measurement, mathematical model of sewage treatment.

400

438

Информационные технологии в управлении техническими системами и технологическими процессами

УДК 004.89 + 681.51 ББК 32.813

МОДЕРНИЗАЦИЯ НЕЙРОСЕТЕВОГО НАСТРОЙЩИКА ЗА СЧЕТ СОВЕРШЕНСТВОВАНИЯ БАЗЫ ПРАВИЛ ДЛЯ РЕЖИМА ПЕРЕХОДНЫХ ПРОЦЕССОВ

Глущенко А.И.1, Фомин А.В.2

(Старооскольский технологический институт им. А.А. Угарова (филиал) НИТУ "МИСиС", Старый Оскол)

В статье приводится краткое описание нейросетевого настройщика параметров ПИ-регулятора и предлагаемых новых условий для базы правил. Минимизирован один из существенных недостатков класса подобных систем настройки, представляющий собой ухудшение настраиваемого переходного процесса для улучшения качества следующего за ним. Проведено сравнительное моделирование с использованием старой и новой версии базы правил. Новая версия настройщика позволяет уменьшить время эксперимента на 28 % относительно ПИ-регулятора и на 14 % относительно старой версии настройщика. Она также снижает суммарное управляющеевоздействиена31 и16,4 % соответственно.

Ключевые слова: нейросетевой настройщик, адаптивные системы, тепловые объекты управления, переходные процессы, нейронные сети, ПИ-регулятор.

1. Введение

На современном этапе развития автоматизированных систем управления и устройств их обеспечения имеет место активная модернизация технических средств автоматизации и

1 Антон Игоревич Глущенко, кандидат технических наук, доцент

(г. СтарыйОскол, м-нМакаренко, д.42, (4725) 45-12-17, strondutt@mail.ru).

2 Андрей Вячеславович Фомин, аспирант (г. Старый Оскол, м-н Мака-

ренко, д. 42, (4725) 45-12-17, verner444@yandex.ru).

401

439

Управление большими системами. Выпуск XX

измерений. Активно развивается и микроконтроллерная техника, повышается её надежность, увеличиваются вычислительные мощности. Однако данное развитие нивелируется использованием линейных алгоритмов управления – более 90 % промышленных ОУ функционируют под управлением классического ПИД-алгоритма [14, 17, 20]. Регулятор, реализующий данный алгоритм, является линейным, в то время как реальные объекты управления в большинстве случаев существенно нелинейны [18], что приводит к снижению качества регулирования, перерасходу энергоресурсов и браку продукции. Одним из способов решения данной проблемы является использование оптимальных [8–10] и адаптивных [7, 13] систем управления. Однако их применение сопряжено со следующими трудностями: для эффективного использования оптимальных систем необходимо наличие актуальной и точной математической модели объекта управления, что требует проведения процедуры идентификации [11], а это в реалиях производства является сложной задачей.

Другим вариантом решения данной проблемы является уход от жесткой привязки к модели объекта управления. Такими методами, например, являются адаптивные интеллектуальные методы управления, в частности экспертные системы [6], нейронные сети [15, 16, 19], нечеткая логика [5, 12] и системы, комбинирующие данные методы [1].

Системой на основе таких методов является нейросетевой настройщик параметров регуляторов [2–4], представляющий собой нейросетевую надстройку над классическим ПИ-регулятором. Используя базу правил, определяющую необходимость настройки регулятора и скорость обучения отдельных нейронов сети, система производит обучение такой сети, выходами которой являются новые параметры ПИ-ре- гулятора. Высокая эффективность работы настройщика достигнута при использовании данной системы при работе с тепловыми объектами в технологических режимах, в которых преобладают частые смены уставок [4], также положительные результаты получены в режиме отработки возмущающих воздействий [3].

402

440