尿素生产项目中工艺污水氨氮浓度测量方法研究

马伟伟　石长利

摘  要：氨气吹脱塔是污水处理过程中的一个重要设备，可以有效降低污水中的氨氮浓度，它的运行好坏直接影响到最终出水是否可以达标排放。要保证氨气吹脱塔高效稳定运行，实现对氨气吹脱过程优化控制，前提是需要对氨气吹脱塔出水氨氮浓度进行及时准确的测量。

关键词：氨气吹脱;尿素生产;水氨氮

在实际的污水处理过程中由于企业排放污水量大、污水成分复杂、pH波动大、氨氮（NH3-N）浓度高以及有机污染物种类多，因此对污水处理过程建立软测量模型的难度要大于其它工业过程。氨气吹脱塔作为污水处理过程中的一个重要设备，它的运行好坏直接影响到最终污水是否可以达标排放。为了保证系统既能有较高的处理效率又可以有较为经济的处理费用，就必须合理控制吹脱塔的进水流量、塔内温度、鼓风机给风量、进水pH，使氨气吹脱塔负荷（去除氨氮的效率）处于一个理想的区间，因此对氨气吹脱塔出水氨氮浓度进行及时准确的测量，对提升我国污水处理水平、降低污水处理成本极具现实意义。

1氨气吹脱塔出水氨氮浓度模型的建立

1.1辅助变量的选择

软测量建模过程中辅助变量的选择对模型结构以及最终模型预测精度有很大的影响。在选择上主要考虑变量参数的类型、变量参数的数量、变量参数对输出结果的影响程度以及变量参数在實际工业中采集的难易程度。确定辅助变量的主要方法有：通过对系统进行机理分析获得辅助变量、结合工业现场的实际运行数据，计算出各变量参数的贡献率，最终确定出辅助变量。通过第四章对氨气吹脱工艺的机理介绍，以及对影响出水氨氮浓度的因素进行分析可知：污水温度、pH对吹脱塔最后的出水氨氮浓度有直接影响，这两个变量可以通过传感器直接测量得到。鼓风机的给风量是吹走游离氨的主要介质，因此该变量也是需要考虑的一个辅助变量。由于吹脱塔单体容积是固定的，因此吹脱塔进水量间接决定了污水在塔内停留的时间，最终也会影响到出水氨氮浓度。

1.2采用关联度分析法最终确定辅助变量。

本文中的数据来源于我公司尿素生产工艺产生污水，其中进水氨氮浓度是通过化验室实际测量得到的，鼓风机给风量由其铭牌可以直接获取（一个氨气吹脱塔配有4台鼓风机，根据不同的进水量灵活选择给风量），其余3个辅助变量均是通过现场测量仪表进行读数获取。

1.3样本数据处理

对获得的数据样本首先进行异常数据处理，由经验可以知道氨气吹脱塔出水氨氮浓度一定会小于进水氨氮浓度、吹脱塔内污水的pH通常大于7、进水流量不可能大于进水泵的最大流量，根据这些原则先把样本数据中明显错误的数据进行剔除，将剔除后的数据继续进行归一化处理，数据归一化处理是将有量纲的数值转换成无量纲的纯数，这样做的主要原因是在污水处理过程中各个指标的工程单位不同，数量级也会相差很大，所以直接用原始数据输入到模型之中会导致信息的丢失，还会引起计算数值的不稳定，因此必须对原始数据进行数据归一化处理。

模型建立与仿真，经过归一化处理后，最终整理出来650组数据，其中600组用来作为模型建立的数据样本，50组用来对模型的性能进行检验。本文将用SVM、LSSVM以及LL-LSSVM方法对氨气吹脱塔出水氨氮浓度进行软测量建模。标准的SVM和LSSVM所建立的预测模型在精度上基本相似，但是两种建模方法在工况点波动剧烈的阶段出现对曲线跟踪能力下降的问题。预测误差曲线上也可以看出SVM预测曲线整体偏上，LSSVM预测曲线波动剧烈，这两种方法对工况波动大的系统建模时，缺乏一定的自适应能力。

2氨气吹脱塔出水氨氮浓度模型的实时性改进

在氨气吹脱塔出水氨氮浓度的软测量模型中，LL-LSSVM建模方法与其它方法相比，表现出更好的预测精度以及自适应能力，但由于局部学习策略建模方法在整个样本预测过程中，不断的根据待测样本变化来更新自己的局部模型，这势必会加大模型的计算开销。然而，高精度对于实际应用有时候是没有意义的，例如本文研究的氨气吹脱塔出水氨氮浓度的测量，在实际的生产过程中，氨气吹脱工艺是污水处理过程中的一个预处理阶段，主要是将污水中的氨氮浓度从很高的值（例如3000～4000mg/L）降到一个比较低的值（例如氨氮浓度<200mg/L），只要保证了污水氨氮含量不超过警戒值，就不会对污水后续的生物处理造成大的影响。而氨气吹脱塔出水氨氮浓度是作为指导现场生产、优化工艺的一个重要指标，必须及时获知以方便现场操作人员对于不同的出水氨氮浓度进行最优化的操作，例如当氨气吹脱塔处理效果很好时，可以及时减小氨气吹脱塔进风量或者减小用于调节pH的药剂，这样可以使污水处理过程更为经济，降低了企业处理污水的成本。为此，必须将局部学习模型预测的实时性（realtime）作为一个衡量其实用价值的重要指标[1] 。

基于局部学习建模与传统的离线建模方式不同，传统的离线建模只是通过对样本数据进行一次学习并建立一个全局模型，然后用于对所有待测样本进行预测输出。因此，全局建模只有在第一次建立模型时才会有计算开销，而局部学习建模在预测输出结束后将模型抛弃，下一次进行预测时还需重新建立局部模型。因此，每一个新的待测样本数据都必然对应着要建立一个新的局部模型，待测样本数量很多的时候将会大大增加建立局部模型的计算开销[2] 。

然而实际的工业过程中，在一些时间段内，系统的变化可能很缓慢，工况波动的范围很小或者几乎处于“静止”状态。如果待查询的样本数据连续落入到这一区域中，我们仍继续采用“一个数据建立一个局部模型”的做法，这将会浪费很多时间。我们通过分析可以得到：在这相对“静止”的一段工况内，数据波动范围很小，这段工况内完全可以用一个局部模型来表示[3] 。因此，如果可以把局部模型更新的条件进行一些规则上的设置，根据工况的实际波动情况，在工况发生大幅度改变的时候，及时对局部模型进行更新，确保模型可以有一个较高的预测精度;而在工况处于一个相对“静止”的阶段时，通过牺牲较小的预测精度降低局部模型更新的频率，从而有效改善了局部学习模型预测的实时性。

3结论

对氨气吹脱塔出水氨氮浓度进行及时准确的测量，可以有效提高企业污水处理能力以及降低污水处理费用。通过第三章对氨气吹脱塔工艺原理以及影响最终出水氨氮浓度的各个因素进行了详细的分析之后，结合实际的现场运行数据初步确定了系统的辅助变量，然后利用关联度分析方法对辅助变量集进行优化筛选，确定最终的辅助变量，对样本数据进行归一化处理后，提出的LL-LSSVM方法建立氨气吹脱塔出水氨氮浓度的软测量模型，并与传统的SVM和LSSVM模型进行了对比。通为了改善局部学习模型预测实时性不足的问题，提出一种可以有效降低局部模型更新频率的方法，虽然会牺牲掉一小部分预测精度，但在实际的工业生产中并不会对生产造成太大影响，并且这种方法使模型预测的实时性有了很大的提高，在实际的污水处理过程中，可以及时将氨氮浓度反馈回现场，方便操作人员对现场工艺进行更好的控制。

参考文献

[1] 李康，王魏，王奕鹏.集成随机配置网络在养殖水质监测中的应用[J].农业工程学报，2020，36（04）：220-226.

[2] 李康，王魏，林少涵.基于GA-SVR的海水养殖过程软测量建模[J].控制工程，2019，26（11）：2047-2051.

[3] 王魏，郭戈.基于随机配置网络的海水养殖氨氮浓度软测量模型[J].农业机械学报，2020，51（01）：214-220.