門來控制實時加藥量。
[0042] 本發(fā)明的有益效果為：
[0043] 1、突破了傳統(tǒng)控制系統(tǒng)對于原始采集信號的直接運算，而是將原水檢測、監(jiān)測信 號作為時間序列采用小波算法進行消噪處理，以達到將原水的動態(tài)規(guī)律更加清晰、更加白 化、更加準確獲取原水的數(shù)字化在線特征，具有重大的工程應用價值；
[0044] 2、研究了原水、出水與各種藥劑加藥最優(yōu)量的時間序列，對其內(nèi)在的因果關(guān)系利 用自組織神經(jīng)網(wǎng)絡(luò)進行了學習訓練，提出了確定加藥最優(yōu)量的建模原理，克服了系統(tǒng)非線 性、時變性、變結(jié)構(gòu)等復雜問題的影響，更加合理的尋找出原水流量質(zhì)量、出水要求與加藥 量三者之間的一般規(guī)律，為準確實時投藥、提高控制系統(tǒng)的穩(wěn)定性和適應性提供了一種新 方法；
[0045] 3、該系統(tǒng)的反饋控制器實時采集原水檢測、監(jiān)測信息，按照在線控制器建立的神 經(jīng)網(wǎng)絡(luò)模型，及時輸出當前加藥最優(yōu)量，減少了系統(tǒng)的調(diào)節(jié)時間，保證了投藥的精準和及 時，大大節(jié)約了生產(chǎn)成本，降低了工人勞動強度，并可通過閾值的調(diào)節(jié)，在保證出水達標的 前提下盡量減少投放量；
[0046] 4、實現(xiàn)了水處理加藥過程的數(shù)字化在線控制，將水質(zhì)、流量、投藥量轉(zhuǎn)化為有效數(shù) 字信號進行處理，通過建立的數(shù)學模型在線尋優(yōu)，輸出信號控制投藥栗的加藥最優(yōu)量，是出 水指標在合格范圍內(nèi)，從而達到無人操作的加藥系統(tǒng)，具有非常廣闊的應用和市場前景。
【附圖說明】
[0047] 圖1為本發(fā)明實施例所述的一種水處理加藥數(shù)字化在線控制系統(tǒng)的結(jié)構(gòu)示意圖；
[0048] 圖2為采用圖1進行在線控制的控制方法的流程示意圖；
[0049] 圖3為圖2中步驟1的具體流程示意圖；
[0050] 圖4為圖2中步驟2的具體流程示意圖。
【具體實施方式】
[0051] 下面通過具體的實施例并結(jié)合附圖對本發(fā)明做進一步的詳細描述。
[0052] 實施例1，如圖1所示，本發(fā)明實施例所述的一種水處理加藥數(shù)字化在線控制系 統(tǒng)，包括原水濁度檢測儀、原水流量監(jiān)測儀、信號濾波器、在線控制器、反饋控制器、加藥栗 控制裝置、出水檢測儀構(gòu)成，信號濾波器將原水水質(zhì)、原水流量的監(jiān)測信號進行濾波降噪處 理，消除外界干擾因素的影響；在線控制器是整個系統(tǒng)的核心，完成BP神經(jīng)網(wǎng)絡(luò)模型的運 算、存儲數(shù)據(jù)并發(fā)出控制信號；反饋控制器通過接收實時的濾波信號，按照在線控制器發(fā)出 的控制信號，確定當前加藥的最優(yōu)量；加藥栗控制裝置在線接收反饋控制器指令，執(zhí)行各種 藥劑的實時定量投放。
[0053] 其中，
[0054] 原水濁度檢測儀的輸入端進入原水，原水濁度檢測儀的輸出端與信號濾波器連 接，用于檢測原水的水質(zhì)，得到原水水質(zhì)的數(shù)字信號。
[0055] 原水流量監(jiān)測儀的輸入端進入原水，原水流量監(jiān)測儀的輸出端與信號濾波器的第 一輸入端連接，原水流量監(jiān)測儀用于檢測原水的流量，得到原水流量的數(shù)字信號。
[0056] 信號濾波器的第一輸入端與的輸出端連接，信號濾波器的第二輸入端與原水流量 監(jiān)測儀的輸出端連接，信號濾波器的第一輸出端與反饋控制器的第一輸入端，信號濾波器 的第二輸出端與在線控制器的第一輸入端連接，信號濾波器將原水水質(zhì)的數(shù)字信號和原水 流量的數(shù)字信號進行濾波降噪處理，消除外界干擾因素的影響，得到濾波信號。
[0057] 在線控制器的第一輸入端與信號濾波器的第二輸出端連接，在線控制器的第二輸 入端與出水濁度檢測儀的輸入端連接，在線控制器的輸出端與反饋控制器的第二輸入端連 接，在線控制器完成BP神經(jīng)網(wǎng)絡(luò)模型的運算、存儲數(shù)據(jù)并發(fā)出控制信號。
[0058] 反饋控制器的第一輸入端與信號濾波器的第一輸出端連接，反饋控制器的第二輸 入端與在線控制器的輸出端連接，反饋控制器的輸出端與加藥栗的輸入端連接，反饋控制 器接收信號濾波器發(fā)出的濾波信號，按照在線控制器發(fā)出的控制信號，確定加藥栗控制裝 置所需的加藥量，并給加藥栗控制裝置下發(fā)加藥指令。
[0059] 加藥栗控制裝置的輸入端與反饋控制器的輸出端連接，加藥栗控制裝置的輸出端 輸出的藥劑與原水混合后得到出水，加藥栗控制裝置在線接收反饋控制器的加藥指令，執(zhí) 行各種藥劑的實時定量投放。
[0060] 出水濁度檢測儀的輸入端與在線控制器的第二輸入端連接，出水濁度檢測儀輸出 出水，出水濁度檢測儀用于檢測出水的水質(zhì)，得到出水水質(zhì)的數(shù)字信號。
[0061] 實施例2,如圖2所示，本發(fā)明還提供了一種利用水處理加藥數(shù)字化在線控制系統(tǒng) 進行在線控制的控制方法，自動采集原水的監(jiān)測信息，通過信號濾波器消除噪聲影響，將得 到的中低頻信號傳入信號輸入子系統(tǒng)，根據(jù)當前各種藥劑的投加量和原水流量、原水水質(zhì) 指標，訓練并建立在線控制模型，再根據(jù)原水的實時監(jiān)測信息，對藥劑的投加量進行動態(tài)調(diào) 整，確定各種藥劑的最佳投加量，該方法包括以下步驟：
[0062] 步驟1，原水通過原水濁度檢測儀和原水流量監(jiān)測儀，得到原水水質(zhì)的數(shù)字信號和 原水流量的數(shù)字信號，原水水質(zhì)的數(shù)字信號和原水流量的數(shù)字信號進入信號濾波器，信號 濾波器將這些含有噪聲的數(shù)字信號采用提升小波算法進行濾波降噪處理，得到原水去噪信 號，如圖3所示，具體包括以下步驟：
[0063] 步驟11，將數(shù)字信號進行預處理，剔除奇異點；
[0064] 步驟12,采用提升格式的dbN小波函數(shù)對步驟11得到的數(shù)字信號進行分解，具體 為：
[0065] 根據(jù)數(shù)據(jù)之間的相關(guān)性，將數(shù)字信號分解成兩個互不相交的偶數(shù)集c]+1和奇數(shù)集 dj+1，即：
[0066] cj+1=c[2n]；
[0067] dj+1=c[2n+l]；
[0068] 采用與偶數(shù)集、奇數(shù)集均不相關(guān)的預測算子p，用偶數(shù)集c]+1預測奇數(shù)集d]+1，偶數(shù) 集c]+1再減去預測值，得到預測誤差，該預測誤差即為小波系數(shù)d[η]，預測過程表示為：
[0069] dj+1=cj[2n+l]-p(cj+1)；
[0070] 采用更新算子U產(chǎn)生一個保持原數(shù)據(jù)特性的子集數(shù)據(jù)，產(chǎn)生過程表示為：
[0071] cj+1=c.j[2n]+U(dj+1);
[0072] 步驟13,數(shù)字信號的重構(gòu)，具體為：
[0073] 采用步驟12相反的過程實現(xiàn)數(shù)字信號的重構(gòu)，重構(gòu)過程表示為：
[0074]
[0075] 將與噪聲相應的高頻細節(jié)信號有關(guān)部分置0,得到去噪的重構(gòu)信號，完成濾波降噪 處理；
[0076] 步驟2,出水濁度檢測儀對出水進行檢測，得到出水水質(zhì)的數(shù)字信號，將步驟1中 得到的原水去噪信號、出水水質(zhì)的數(shù)字信號作為控制參量，并將加藥栗控制裝置所需的加 藥量作為目標函數(shù)，將目標函數(shù)和控制參量同時輸入在線控制器，利用BP神經(jīng)網(wǎng)絡(luò)算法進 行學習訓練，建立在線控制模型，如圖4所示，具體包括以下步驟：
[0077] 步驟21，將原水流量、出水流量的數(shù)字信號X=(Xl，x2，…χη)τ作為輸入向量，加藥 栗控制裝置所需的加藥量￥=(7 1，72，~，7"1)1'作為輸出向量，〇=(〇1，〇；!，~〇1) 1'作為隱含 層的輸出向量，d=(山，(12，…dj作為ΒΡ神經(jīng)網(wǎng)絡(luò)的期望輸出向量，W= (WdWz，…Wn)作 為輸入層和隱含層之間的權(quán)值矩陣，V= (Vi，V2，…，VJ作為隱含層和輸出層之間的權(quán)值矩 陣，對權(quán)值矩陣W和V賦予隨機初值，將樣本模式計數(shù)器p、訓練次數(shù)計數(shù)器q均置為1，誤 差E置為0,給定最小誤差Emin;
[0078] 步驟22,輸入訓練樣本，計算輸入層、隱含層和輸出層的輸出，利用當前樣本Xp、 dp，根據(jù)權(quán)值矩陣選取的初始權(quán)值，經(jīng)過激勵函數(shù)的轉(zhuǎn)換，對向量數(shù)組X、d賦值，計算0和Y 中的分量；
[0079] 步驟23,計算網(wǎng)絡(luò)輸出誤差，網(wǎng)絡(luò)對應p對訓練樣本的不同誤差為Ep;
[0080] 步驟24,計算輸入層、隱含層和輸出層的誤差信號，根據(jù)各層誤差信號調(diào)整對應的 權(quán)值，得到新的權(quán)值；
[0081] 步驟25,判斷所有的輸入樣本是否被訓練過一次，如果都訓練過則進行步驟26， 否則進行步驟21 ;
[0082] 步驟26,判斷均方誤差
是否小于給定最小誤差E_，如果是 則結(jié)束，得到BP神經(jīng)網(wǎng)絡(luò)模型，否則進行步驟21 ;
[008