尿素生產項目中工藝污水氨氮濃度測量方法研究

馬偉偉　石長利

摘? 要：氨氣吹脫塔是污水處理過程中的一個重要設備，可以有效降低污水中的氨氮濃度，它的運行好壞直接影響到最終出水是否可以達標排放。要保證氨氣吹脫塔高效穩定運行，實現對氨氣吹脫過程優化控制，前提是需要對氨氣吹脫塔出水氨氮濃度進行及時準確的測量。

關鍵詞：氨氣吹脫;尿素生產;水氨氮

在實際的污水處理過程中由于企業排放污水量大、污水成分復雜、pH波動大、氨氮（NH3-N）濃度高以及有機污染物種類多，因此對污水處理過程建立軟測量模型的難度要大于其它工業過程。氨氣吹脫塔作為污水處理過程中的一個重要設備，它的運行好壞直接影響到最終污水是否可以達標排放。為了保證系統既能有較高的處理效率又可以有較為經濟的處理費用，就必須合理控制吹脫塔的進水流量、塔內溫度、鼓風機給風量、進水pH，使氨氣吹脫塔負荷（去除氨氮的效率）處于一個理想的區間，因此對氨氣吹脫塔出水氨氮濃度進行及時準確的測量，對提升我國污水處理水平、降低污水處理成本極具現實意義。

1氨氣吹脫塔出水氨氮濃度模型的建立

1.1輔助變量的選擇

軟測量建模過程中輔助變量的選擇對模型結構以及最終模型預測精度有很大的影響。在選擇上主要考慮變量參數的類型、變量參數的數量、變量參數對輸出結果的影響程度以及變量參數在實際工業中采集的難易程度。確定輔助變量的主要方法有：通過對系統進行機理分析獲得輔助變量、結合工業現場的實際運行數據，計算出各變量參數的貢獻率，最終確定出輔助變量。通過第四章對氨氣吹脫工藝的機理介紹，以及對影響出水氨氮濃度的因素進行分析可知：污水溫度、pH對吹脫塔最后的出水氨氮濃度有直接影響，這兩個變量可以通過傳感器直接測量得到。鼓風機的給風量是吹走游離氨的主要介質，因此該變量也是需要考慮的一個輔助變量。由于吹脫塔單體容積是固定的，因此吹脫塔進水量間接決定了污水在塔內停留的時間，最終也會影響到出水氨氮濃度。

1.2采用關聯度分析法最終確定輔助變量。

本文中的數據來源于我公司尿素生產工藝產生污水，其中進水氨氮濃度是通過化驗室實際測量得到的，鼓風機給風量由其銘牌可以直接獲取（一個氨氣吹脫塔配有4臺鼓風機，根據不同的進水量靈活選擇給風量），其余3個輔助變量均是通過現場測量儀表進行讀數獲取。

1.3樣本數據處理

對獲得的數據樣本首先進行異常數據處理，由經驗可以知道氨氣吹脫塔出水氨氮濃度一定會小于進水氨氮濃度、吹脫塔內污水的pH通常大于7、進水流量不可能大于進水泵的最大流量，根據這些原則先把樣本數據中明顯錯誤的數據進行剔除，將剔除后的數據繼續進行歸一化處理，數據歸一化處理是將有量綱的數值轉換成無量綱的純數，這樣做的主要原因是在污水處理過程中各個指標的工程單位不同，數量級也會相差很大，所以直接用原始數據輸入到模型之中會導致信息的丟失，還會引起計算數值的不穩定，因此必須對原始數據進行數據歸一化處理。

模型建立與仿真，經過歸一化處理后，最終整理出來650組數據，其中600組用來作為模型建立的數據樣本，50組用來對模型的性能進行檢驗。本文將用SVM、LSSVM以及LL-LSSVM方法對氨氣吹脫塔出水氨氮濃度進行軟測量建模。標準的SVM和LSSVM所建立的預測模型在精度上基本相似，但是兩種建模方法在工況點波動劇烈的階段出現對曲線跟蹤能力下降的問題。預測誤差曲線上也可以看出SVM預測曲線整體偏上，LSSVM預測曲線波動劇烈，這兩種方法對工況波動大的系統建模時，缺乏一定的自適應能力。

2氨氣吹脫塔出水氨氮濃度模型的實時性改進

在氨氣吹脫塔出水氨氮濃度的軟測量模型中，LL-LSSVM建模方法與其它方法相比，表現出更好的預測精度以及自適應能力，但由于局部學習策略建模方法在整個樣本預測過程中，不斷的根據待測樣本變化來更新自己的局部模型，這勢必會加大模型的計算開銷。然而，高精度對于實際應用有時候是沒有意義的，例如本文研究的氨氣吹脫塔出水氨氮濃度的測量，在實際的生產過程中，氨氣吹脫工藝是污水處理過程中的一個預處理階段，主要是將污水中的氨氮濃度從很高的值（例如3000～4000mg/L）降到一個比較低的值（例如氨氮濃度<200mg/L），只要保證了污水氨氮含量不超過警戒值，就不會對污水后續的生物處理造成大的影響。而氨氣吹脫塔出水氨氮濃度是作為指導現場生產、優化工藝的一個重要指標，必須及時獲知以方便現場操作人員對于不同的出水氨氮濃度進行最優化的操作，例如當氨氣吹脫塔處理效果很好時，可以及時減小氨氣吹脫塔進風量或者減小用于調節pH的藥劑，這樣可以使污水處理過程更為經濟，降低了企業處理污水的成本。為此，必須將局部學習模型預測的實時性（realtime）作為一個衡量其實用價值的重要指標[1] 。

基于局部學習建模與傳統的離線建模方式不同，傳統的離線建模只是通過對樣本數據進行一次學習并建立一個全局模型，然后用于對所有待測樣本進行預測輸出。因此，全局建模只有在第一次建立模型時才會有計算開銷，而局部學習建模在預測輸出結束后將模型拋棄，下一次進行預測時還需重新建立局部模型。因此，每一個新的待測樣本數據都必然對應著要建立一個新的局部模型，待測樣本數量很多的時候將會大大增加建立局部模型的計算開銷[2] 。

然而實際的工業過程中，在一些時間段內，系統的變化可能很緩慢，工況波動的范圍很小或者幾乎處于“靜止”狀態。如果待查詢的樣本數據連續落入到這一區域中，我們仍繼續采用“一個數據建立一個局部模型”的做法，這將會浪費很多時間。我們通過分析可以得到：在這相對“靜止”的一段工況內，數據波動范圍很小，這段工況內完全可以用一個局部模型來表示[3] 。因此，如果可以把局部模型更新的條件進行一些規則上的設置，根據工況的實際波動情況，在工況發生大幅度改變的時候，及時對局部模型進行更新，確保模型可以有一個較高的預測精度;而在工況處于一個相對“靜止”的階段時，通過犧牲較小的預測精度降低局部模型更新的頻率，從而有效改善了局部學習模型預測的實時性。

3結論

對氨氣吹脫塔出水氨氮濃度進行及時準確的測量，可以有效提高企業污水處理能力以及降低污水處理費用。通過第三章對氨氣吹脫塔工藝原理以及影響最終出水氨氮濃度的各個因素進行了詳細的分析之后，結合實際的現場運行數據初步確定了系統的輔助變量，然后利用關聯度分析方法對輔助變量集進行優化篩選，確定最終的輔助變量，對樣本數據進行歸一化處理后，提出的LL-LSSVM方法建立氨氣吹脫塔出水氨氮濃度的軟測量模型，并與傳統的SVM和LSSVM模型進行了對比。通為了改善局部學習模型預測實時性不足的問題，提出一種可以有效降低局部模型更新頻率的方法，雖然會犧牲掉一小部分預測精度，但在實際的工業生產中并不會對生產造成太大影響，并且這種方法使模型預測的實時性有了很大的提高，在實際的污水處理過程中，可以及時將氨氮濃度反饋回現場，方便操作人員對現場工藝進行更好的控制。

參考文獻

[1] 李康，王魏，王奕鵬.集成隨機配置網絡在養殖水質監測中的應用[J].農業工程學報，2020，36（04）：220-226.

[2] 李康，王魏，林少涵.基于GA-SVR的海水養殖過程軟測量建模[J].控制工程，2019，26（11）：2047-2051.

[3] 王魏，郭戈.基于隨機配置網絡的海水養殖氨氮濃度軟測量模型[J].農業機械學報，2020，51（01）：214-220.