Page 1

KAUNO TECHNOLOGIJOS UNIVERSITETAS

KĘSTUTIS JONELIS

NUTEKAMŲJŲ VANDENŲ VALYMO BIOTECHNOLOGINIŲ PROCESŲ VALDYMO ALGORITMAI IR SISTEMOS

Daktaro disertacija Technologijos mokslai, informatikos inžinerija (07T)

2012, KAUNAS


Disertacija rengta 2007–2011 metais Kauno technologijos universiteto Elektros ir valdymo inžinerijos fakulteto Procesų valdymo katedroje Mokslinis vadovas prof. habil. dr. Donatas Levišauskas (Kauno technologijos universitetas, technologijos mokslai, informatikos inžinerija – 07T)

© K. Jonelis 2012


TURINYS SUTARTINIŲ ŽENKLŲ IR MATAVIMO VIENETŲ SĄRAŠAS ......................5 LENTELIŲ SĄRAŠAS .............................................................................................8 PAVEIKSLŲ SĄRAŠAS...........................................................................................9 1. BENDRA DARBO CHARAKTERISTIKA ......................................................11 Įvadas .....................................................................................................................11 1.1. Tyrimo objektas ..............................................................................................11 1.2. Darbo tikslas ...................................................................................................11 1.3. Darbo uždaviniai.............................................................................................12 1.4. Tyrimo metodika ............................................................................................12 1.5. Mokslinis darbo naujumas ..............................................................................12 1.6. Praktinė darbo vertė ........................................................................................13 1.7. Ginamieji teiginiai ..........................................................................................13 1.8. Disertacijos struktūra ......................................................................................13 2. BIOLOGINIO NUOTEKŲ VALYMO TECHNOLOGINIAI PROCESAI, JŲ VALDYMO METODAI, PROBLEMOS IR SISTEMOS. LITERATŪROS APŽVALGA ............................................................................................................14 2.1. Pagrindiniai technologiniai procesai...............................................................14 2.2. Valdomieji technologiniai kintamieji, jų valdymo būdai ir techninės priemonės ..............................................................................................................18 2.2.1. Trikdantieji poveikiai ..............................................................................19 2.2.2. Valdantieji poveikiai ...............................................................................19 2.2.3. Pagrindiniai biologinio nuotekų valymo proceso technologiniai kintamieji, jų matavimo galimybės ...................................................................20 2.3. Biologinių nuotekų valymo procesų modeliavimas .......................................23 2.4. Netiesinių ir nestacionarių procesų technologinių parametrų valdymo metodai ...............................................................................................................................25 2.4.1. Grįžtamojo ir tiesioginio ryšio valdymo sistemos ..................................26 2.4.2. Modeliu paremtos valdymo sistemos ......................................................32 2.4.3. Intelektinės (hibridinės) valdymo sistemos .............................................39 2.4.4. Optimizacija paremtos valdymo sistemos ...............................................42 2.4.5. Metodų privalumai ir trūkumai ...............................................................43 2.5. Vandenvalos valdymo sistemų apžvalga .......................................................45 2.5.1. Aktyviojo dumblo proceso valdymo sistemos ........................................45 2.5.2. Anaerobinio pūdymo valdymo sistemos .................................................54 2.5.3. Išnagrinėtų valdymo sistemų privalumai ir trūkumai ..............................57 2.6. Apibendrinamosios išvados ............................................................................58

3


3. ADAPTYVIOJI IŠTIRPUSIO DEGUONIES KONCENTRACIJOS VALDYMO SISTEMA ...........................................................................................60 3.1. Įžanga..............................................................................................................60 3.2. Technologinis procesas ...................................................................................61 3.3. Adaptyvieji valdymo algoritmai .....................................................................63 3.4. Adaptyviosios IDK valdymo sistemos su neigiamuoju grįžtamuoju ryšiu projektavimas.........................................................................................................66 3.5. Adaptyviosios IDK valdymo sistemos su neigiamuoju grįžtamuoju ryšiu ir adaptyviuoju trikdžio kompensatoriumi projektavimas ........................................69 3.6. Matematinio modelio identifikavimas ............................................................72 3.7. Adaptyviosios IDK valdymo sistemos su neigiamuoju grįžtamuoju ryšiu tyrimas imitacinio modeliavimo būdu ...................................................................77 3.8. Adaptyviosios IDK valdymo sistemos su neigiamuoju grįžtamuoju ryšiu ir adaptyviuoju trikdžio kompensatoriumi tyrimas imitacinio modeliavimo būdu ..84 3.9. Apibendrinamosios išvados ............................................................................88 4. ADAPTYVIOJI PRAMONINIO PŪDYTUVO EKSPLOATACIJOS SĄNAUDAS MINIMIZUOJANTI TEMPERATŪROS VALDYMO SISTEMA ..89 4.1. Įžanga..............................................................................................................90 4.2. Procesai pūdytuve (metantanke) .....................................................................90 4.3. Valdymo algoritmo projektavimas .................................................................90 4.4. Valdymo sistemos tyrimas imitacinio modeliavimo būdu ............................95 4.5. Modeliavimo rezultatai .................................................................................100 4.6. Apibendrinamosios išvados ..........................................................................104 IŠVADOS ...............................................................................................................106 LITERATŪROS SĄRAŠAS .................................................................................107 MOKSLINIŲ PUBLIKACIJŲ DISERTACIJOS TEMA SĄRAŠAS ..............118

4


SUTARTINIŲ ŽENKLŲ IR MATAVIMO VIENETŲ SĄRAŠAS Sutartinis ženklas a1, a2, a3, b1, b2, c1,c2 Ahhh, Amhm Am cin cs c* EL,W Fair Fbio Fbypass Fexc Fg

Matavimo vienetai

Fgc

m3 h-1

Fgm Fgu Fh Fin Fmet

m3 h-1 m3 h-1 m3 h-1 m3 h-1 m3 h-1

Fsed

m3 h-1

Fsl Fout Fov

m3 h-1 m3 h-1 m3 h-1

Fret

m3 h-1

Fw

m3 h-1

hm, hh

J (m2 h oC)-1

IDK, c

kg m-3 kg kg-1

Yx / o

Aproksimuojančių polinomų parametrai

J (h oC)-1

Šilumos perdavimo greičio parametrai

m2 kg m-3 J (kg oC)-1 kg m-3 J h-1 m3 h-1 m3 h-1 m3 h-1 m3 h-1 m3 h-1

Pūdytuvo paviršiaus plotas IDK įtekančiose nuotekose Savitoji dumblo šiluminė talpa IDK soties vertė Šilumos nuostoliai šilumokaityje Oro srautas Sumaišytų nuotekų srautas Srautas į persipylimo stotį Perteklinio dumblo srautas Pagamintų biodujų srautas Biodujų išsiskyrimo greitis nuolatinio veikimo pūdytuve Išmatuotas biodujų išsiskyrimo greitis Ekstreminis biodujų išsiskyrimo greitis Dumblo srautas per šilumokaitį Atitekančių nuotekų srautas Metanolio srautas Nuotekų srautas per pirminius sėsdintuvus arba ištekantis nuotekų srautas Dumblo srautas iš pirminių sėsdintuvų Ištekančio perpūdyto dumblo srautas Perteklinis dumblo srautas Iš antrinių sėsdintuvų grąžinamo dumblo srautas Vandens, tekančio per šilumokaitį, srautas Šilumos perdavimo per pūdytuvo sieneles koeficientas Ištirpusio deguonies koncentracija Biomasės / substrato išeigos rodiklis

J

kg kg-1 Lt h-1

kdec

%

kLa

h-1

Yx / s

Apibūdinimas

Biomasės / deguonies išeigos rodiklis Tikslo funkcija Dalinis teršalų koncentracijos sumažėjimas ištekančiame iš sėsdintuvo sraute Tūrinis deguonies perdavimo iš dujų vandeniui koeficientas 5


Ks ksed ORP OTR

kg m-3 % mV kg m-3 h-1

OUR

kg m-3 h-1

P

pe

kWh Lt kW h-1

pg

Lt m-3

ph

Lt kW h-1

Pm Qg

kW m3

qmax

h-1

s, S Sbio

kg m-3 kg m-3

Sin

kg m-3

Ssed

kg m-3

Sret

kg m-3

Tbm Te Tin tret Tw,in Tw,out V Vp

h h o C h o C o C m3 m3 m3 kg m-3

Vs X  ,  ,  , *

 he  in o s

 max 6

– % C o C o

Prisotinimo koeficientas Apvadinės sklendės padėtis Oksidacijos-redukcijos potencialas Deguonies tiekimo greitis (oxygen trasfer rate) Deguonies sunaudojimo greitis (oxygen uptake rate) Kompresorių sunaudota elektros energija Elektrinės galios kaina Biodujų kaina Šildymo energijos kaina Maišymo variklio galia Bendras biodujų kiekis Savitasis maksimalus santykinis biomasės augimo greitis Substrato koncentracija aerotanke Sumaišytų nuotekų teršalų koncentracija Teršalų (substrato) koncentracija įtekančiose nuotekose Ištekančių teršalų srauto koncentracija Iš antrinių sėsdintuvų grąžinamo dumblo teršalų koncentracija Orapūtės laiko pastovioji IDK elektrodo laiko pastovioji Įtekančio dumblo temperatūra Dumblo išbuvimo laikas pūdytuve Įtekančio šildančio vandens temperatūra Ištekančio šildančio vandens temperatūra Aerotanko tūris Oro tiekimo vamzdžio tūris Dumblo tūris pūdytuve Biomasės koncentracija Parametrai, priklausantys nuo technologinių sąlygų Šilumokaičio naudingumo koeficientas Temperatūra pūdytuve Įtekančio dumblo temperatūra

o

Aplinkos temperatūra

o

Dumblo temperatūra pūdytuve Maksimalus santykinis biomasės augimo greitis

C C

h-1


1 ,  2 ,  3 , 4 s , w  bm p

% kg m-3

Aerotankų oro sklendžių padėtys Dumblo ir vandens tankis

h

Orapūtės vėlavimas

h

Oro perdavimo vėlavimas

7


LENTELIŲ SĄRAŠAS Lentelės numeris 2.1 lentelė 3.1 lentelė 3.2 lentelė 3.3 lentelė 3.4 lentelė 4.1 lentelė 4.2 lentelė 4.3 lentelė

8

Lentelės apibūdinimas Vidinių trikdžių šaltiniai Apvadinės sklendės uždorio padėtis ir ksed taškai (3.1), (3.3) ir (3.6) lygčių parametrai Pradinės būsenos kintamųjų vertės ir identifikuotos modelio parametrų vertės Modelio parametrai ir proceso kintamųjų pradinės vertės Polinomo ((4.2) lygtis) parametrų  ki skaitinės vertės Modelio (4.13)–(4.16) lygčių parametrų vertės Proceso dinaminiai ir reguliatoriaus derinimo parametrai


PAVEIKSLŲ SĄRAŠAS Paveikslo numeris 2.1 pav. 2.2 pav. 2.3 pav. 2.4 pav. 2.5 pav. 2.6 pav. 2.7 pav. 2.8 pav. 2.9 pav. 2.10 pav. 2.11 pav. 2.12 pav. 2.13 pav. 2.14 pav. 2.15 pav. 2.16 pav. 2.17 pav. 2.18 pav. 3.1 pav. 3.2 pav. 3.3 pav. 3.4 pav. 3.5 pav. 3.6 pav. 3.7 pav. 3.8 pav. 3.9 pav. 3.10 pav. 3.11 pav. 3.12 pav. 3.13 pav.

Paveikslo apibūdinimas Kauno miesto nuotekų valyklos technologinė schema Supaprastinta aktyviojo dumblo sistemos schema Idealiai maišomo aktyviojo dumblo proceso masių srautai Valdymo sistemų ir metodų klasifikacija Tiesioginis ir grįžtamasis valdymo sistemos ryšys Neigiamojo grįžtamojo ryšio valdymo sistemos schema Pakopinė valdymo sistema Automatinis derinimas Stiprinimo numatymu paremtos valdymo sistemos struktūra Proceso reakcija į šuolinį valdančiojo poveikio pokytį Uždarojo kontūro neraiškosios logikos valdymo schema Neraiškiojo reguliatoriaus išėjimo taisyklės sudarymas iš priklausomybės funkcijų Neraiškiojo reguliatoriaus išėjimo skaičiavimas Netiesioginio derinimo sistemos blokinė schema Vidinio modelio valdymo sistemos struktūra Principinė tiesioginio ekspertinio valdymo sistemos schema Žinių bazės plano kaip grįžtamojo ryšio reguliatoriaus panaudojimas Hierarchinės valdymo sistemos schema IDK reguliavimas aerotanke, taikant valdymo sistemą su klasikiniu PID reguliatoriumi Biologinio nuotekų valymo proceso technologinė schema Atstojamoji biologinio nuotekų valymo proceso technologinė schema Adaptyviosios IDK valdymo sistemos su neigiamuoju grįžtamuoju ryšiu struktūrinė schema Adaptyviosios IDK valdymo sistemos su papildomu adaptyviuoju trikdžio kompensatoriumi struktūrinė schema Valdančiojo poveikio perskaičiavimo algoritmas Paduodamas oro srautas Atitekantis, grąžinamas ir bendras nuotekų srautai Įvertinta substrato koncentracija į biologinius rezervuarus atitekančiose nuotekose Modelio prognozuojama ir reali IDK vertės Jutikliais išmatuota, vidutinė ir modelio prognozuojama IDK vertės Valdymo sistemos darbas, veikiant OUR ir įtekančio srauto trikdantiesiems poveikiams bei keičiant IDK nuostatą Valdymo sistemos darbas, veikiant įtekančio srauto Fbio 9


4.1 pav. 4.2 pav. 4.3 pav. 4.4 pav. 4.5 pav.

10

trikdančiajam poveikiui Anaerobinio pūdytuvo proceso schema Temperatūros nuostato valdymo algoritmo blokinė schema Temperatūros valdymo sistemos blokinė schema Biodujų išsiskyrimo eksperimentiniai duomenys (taškai) ir jų matematinė aproksimacija (linija), esant skirtingai temperatūrai Valdymo sistemos darbo modeliavimo rezultatai


1. BENDRA DARBO CHARAKTERISTIKA Įvadas Nuolatos brangstančių energetinių šaltinių ir didėjančių aplinkosauginių reikalavimų kontekste ypač aktualus uždavinys – efektyvus svarbiausių technologinių procesų valdymas valant biologines nuotekas. Ištirpusio deguonies koncentracija – pats svarbiausias technologinis kintamasis biologiniame nuotekų valymo procese. Nuo jo tiesiogiai priklauso išvalyto vandens kokybė, organizmų būklė, likutinis nepanaudoto dumblo kiekis ir kt. Ištirpusio deguonies koncentracijai aeracijos rezervuare palaikyti naudojamos galingos orapūtės, kurios reikalauja didžiosios dalies vandenvalos įmonės eksploatacijos išlaidų (40–60 %). Dėl šių priežasčių reikalinga tiksli valdymo sistema būtinoms technologinėms sąlygoms palaikyti ir energijai taupyti. Biodujų, gaunamų biologinio nuotekų valymo proceso metu, naudojimas leidžia žymiai sumažinti proceso energetines išlaidas ir išlaikyti stabilias nutekamųjų vandenų valymo paslaugų kainas. Buvo atlikti skaičiavimai, kurie parodė, kad norint išvalyti 1 m3 nuotekų, reikia 160–220 Wh energijos (priklausomai nuo to, kokia technologija įdiegta valymo įmonėje). Atitinkamai deginant biodujas iš kiekvieno kubinio metro suskystinto dumblo galima gauti 120–170 Wh energijos [87]. Akivaizdu, kad reikalinga efektyvi valdymo sistema, kuri leistų išgauti maksimalų biodujų kiekį mažiausiomis energijos sąnaudomis ir nepablogintų išvalyto vandens kokybės. Adaptyviosios valdymo sistemos puikiai tinka minėtiems uždaviniams spręsti. Abu nagrinėjami procesai yra netiesiniai, veikiami daugelio trikdžių, kurių dalis yra specifiniai ir pasitaiko tik biologinio nuotekų valymo procese. Adaptyviosios valdymo sistemos, įvertindamos procesą veikiančius trikdžius ir technologinius kintamuosius, adaptuojasi pasikeitus proceso būsenai ir taip žymiai pagerina valdymo kokybę. Per pastaruosius metus buvo sukurta daug įvairių valdymo sistemų minėtiems uždaviniams spręsti. Adaptyviųjų valdymo sistemų metodikos taikymas turi akivaizdžių privalumų: šios sistemos įvertina daugiau technologinių kintamųjų, jų adaptacija yra labai greita, jos stabiliai dirba, jas lengva įdiegti į jau veikiančias automatinio reguliavimo sistemas, procese jau egzistuoja visi reikalingi papildomi įrenginiai ir jutikliai, jie nėra brangūs. 1.1. Tyrimo objektas Nutekamųjų vandenų valymo biotechnologinių procesų valdymo metodai, algoritmai ir sistemos. 1.2. Darbo tikslas Tyrimų tikslas – sukurti nutekamųjų vandenų valymo technologinių procesų pagrindinių technologinių kintamųjų adaptyviojo valdymo algoritmus ir sistemas: 11


aerotanko proceso aeracijos adaptyviojo valdymo algoritmą ir sistemą, palaikančią ištirpusio deguonies koncentraciją aukštu tikslumu, ir metantanko (pūdytuvo) proceso temperatūros adaptyviojo valdymo sistemą, minimizuojančią technologinio proceso savikainą. 1.3. Darbo uždaviniai 1. Išanalizuoti žinomas biologinio nuotekų valymo valdymo sistemas. 2. Sukurti ištirpusio deguonies koncentracijos aerotanke matematinį modelį, skirtą aeracijos proceso dinaminėms savybėms prognozuoti. 3. Sukurti modeliu paremtą adaptyviojo valdymo algoritmą ir sistemą, skirtą ištirpusio deguonies koncentracijai aerotanke palaikyti aukštu tikslumu, smarkiai keičiantis aeracijos proceso dinaminėms savybėms. 4. Išplėsti metantanko proceso matematinį modelį: pritaikyti jį biodujų išsiskyrimo greičiui prognozuoti. 5. Sukurti metantanko proceso temperatūros adaptyviojo valdymo algoritmą ir sistemą, minimizuojančią proceso savikainą. 1.4. Tyrimo metodika Matematinių modelių sudarymas remiasi biologinio nuotekų valymo technologinių procesų ir jų matematinio modeliavimo metodų mokslinės literatūros analize bei realių procesų Kauno nuotekų valykloje stebėjimų rezultatais. Valdymo algoritmų ir sistemų sudarymas remiasi mokslinės literatūros netiesinių ir nestacionarių procesų valdymo klausimais analize, biologinio nuotekų valymo procesų žinomų valdymo metodų ir sistemų analize bei eksperimentinių ir archyvinių duomenų analize. Valdymo algoritmų ir sistemų tyrimas atliktas sistemų darbo imitacinio modeliavimo būdu, naudojant programinius paketus Matlab / Simulink. Modeliavimo eksperimentuose taikomi realių procesų trikdantieji poveikiai iš archyvinių duomenų bazės. 1.5. Mokslinis darbo naujumas Mokslinį darbo naujumą sudaro: 1) aktyviojo dumblo proceso matematinis modelis, skirtas aeracijos proceso dinaminėms savybėms prognozuoti; 2) modeliu paremtas ištirpusio deguonies koncentracijos aerotanke valdymo algoritmas, adaptuojantis reguliatoriaus parametrus prie kintančių valdomo proceso dinaminių savybių; 3) metantanko proceso matematinis modelis, skirtas biodujų išsiskyrimo greičiui prognozuoti: 4) metantanko temperatūros adaptyviojo valdymo algoritmas, minimizuojantis proceso savikainą.

12


1.6. Praktinė darbo vertė 1. Sukurti valdymo algoritmai ir sistemos gali būti tiesiogiai pritaikytos biotechnologiniams procesams valdyti Kauno ir kitose vandenvalos įmonėse. 2. Sukurti vandenvalos biotechnologinių procesų modeliai ir procesų imitacinio modeliavimo programos gali būti panaudotos įvairiems valdymo metodams ir algoritmams tirti. 1.7. Ginamieji teiginiai 1. Sukurta adaptyvioji ištirpusio deguonies koncentracijos valdymo sistema kokybiškai prisitaiko prie pakitusių darbo sąlygų, įvertindama pagrindinius procesą veikiančius trikdžius, būsenos kintamuosius, konstrukcinius ir technologinius parametrus. Sistemos veikimo imitacinis modeliavimas parodė, kad, palyginti su standartine valdymo sistema, koncentracijos suminė reguliavimo paklaida yra apie 80 % mažesnė. 2. Sukurta pramoninio pūdytuvo temperatūros adaptyvioji valdymo sistema optimizuoja biodujų gavybos energijos sąnaudas, kartu išlaikydama reikalaujamą suskaidytų organinių medžiagų procentinę dalį. Kauno vandenvalos įmonės metantanko proceso duomenimis paremti modeliavimo rezultatai rodo, kad adaptyvioji valdymo sistema leidžia apie 30 tūkst. Lt per metus sumažinti proceso realizavimo sąnaudas ir apie 8 % padidina organinių teršalų suskaidymo procentinę dalį, palyginti su pastovaus temperatūros nuostato valdymo sistema. 3. Sukurtos valdymo sistemos leidžia valdyti vandenvalos biotechnologinius procesus, neanalizuojant juose vykstančių biocheminių transformacijų. Vandenvalos procesams valdyti panaudoti matematiniai modeliai, paremti tipinių technologinių parametrų tiesioginiais ir netiesioginiais matavimais, pakankamu inžineriniu tikslumu leidžia prognozuoti valdomų procesų būseną ir tinkami taikyti reguliatorių adaptacijai. 1.8. Disertacijos struktūra Disertaciją sudaro: įžanga, 3 skyriai, išvados, naudotos literatūros (152 literatūros šaltiniai) ir mokslinių publikacijų sąrašai, yra 36 paveikslai, 8 lentelės, – iš viso 118 puslapių.

13


2. BIOLOGINIO NUOTEKŲ VALYMO TECHNOLOGINIAI PROCESAI, JŲ VALDYMO METODAI, PROBLEMOS IR SISTEMOS. LITERATŪROS APŽVALGA 2.1. Pagrindiniai technologiniai procesai Priklausomai nuo pasirinktos technologijos, nuotekas valant aktyviojo dumblo metodu šalinama organinė anglis, azotas ar fosforas. Per anaerobinio pūdymo (metano sintezės) procesą iš sutirštinto dumblo gaunamos biodujos ir tokiu būdu mažinamas likutinio dumblo kiekis. Atliekant šio darbo tyrimus, vadovautasi Kauno nuotekų vandenvalos įmonės nuotekų valyklos technologine schema [85], pateikta 2.1 pav. Tyrimų objektai (aerotankas ir pūdytuvas) apibraukti raudonai. Aktyviojo dumblo procesas yra plačiausiai taikomas biologinis procesas įvairioms nuotekoms valyti. Šio proceso atsiradimo data laikoma 1914 m. balandžio 3 d., kai du Anglijos tyrinėtojai, Edward Ardern ir William Lockett, Pramonės chemikų draugijoje Londone paskelbė ataskaitą, pavadintą „Eksperimentai su nutekamųjų vandenų oksidacija, nenaudojant filtrų“. Paprastai aktyviojo dumblo procesas susideda iš (2.2 pav.) [136]:

14


2.1 pav. Kauno miesto nuotekĹł valyklos technologinÄ— schema

15


Nuotekos

Aeracijos talpa

Dumblo recirkuliacija

Antrinis sėsdintuvas

Išvalytas vanduo

Dumblo pašalinimas

2.2 pav. Supaprastinta aktyviojo dumblo sistemos schema

 aeracijos rezervuaro, kuriame valomas vanduo reaguoja su aktyviąja bakterijų mase;  sėsdintuvo, kuriame išvalytas vanduo atskiriamas nuo bakterijų kultūros;  recirkuliacinio vamzdyno, naudojamo biologiniam dumblui grąžinti iš sėsdintuvo į aeracijos rezervuarą;  perteklinio dumblo (t. y. perteklinei bakterijų masei, užaugintai iš substrato (teršalų) nukreipimo ir pašalinimo vamzdyno;  deguonies tiekimo mechanizmų;  rezervuaro maišymo sistemos, užtikrinančios sąveiką tarp bakterijų ir substrato (teršalų), deguonies paskirstymą ir neleidžiančios susidaryti nuosėdoms. Dažnai ta pati sistema taikoma ir aeracijai, ir maišymui, taip pat taikoma vadinamuosiuose periodinio veikimo reaktoriuose (SBR);  sėsdinimo; periodiškai jis vykdomas pirmiausia aeruotam ir išmaišytam dumblui: aeracija sustabdoma ir pereinama į sėsdinimo fazę. Vandenvalos procesų ir taikomų technologijų aprašymas Anglies teršalų šalinimas Mikroorganizmų masei naudojant biologiškai skaidomas organines medžiagas aerobinėje aplinkoje, vyksta du procesai:  mikroorganizmų energetinėms reikmėms patenkinti naudojamas deguonis: ląstelių dalijimuisi (gyvosios materijos sintezei) ir endogeniniam kvėpavimui (ląstelių masės autooksidacijai);  iš lakiųjų medžiagų ir papildomų mikroorganizmų susidaro perteklinis dumblas. Šiems skirtingiems reiškiniams iliustruoti kaip iki galo biologiškai skaidomos molekulės pavyzdį galima imti gliukozę. Pirmosios fazės metu prie gliukozės prijungiamas papildomas organinis azotas. Naujoji molekulė iškart įsisavinama ląstelės baltymuose. Naująjį gliukozės-azoto junginį galima schematiškai užrašyti tokia formule: C5H7O2N. Antrojoje fazėje gaminama energija. Abi reakcijas galima užrašyti tokia forma:  sintezė: 6C6H12O6+4NH3+16O2  4C5H7O2N+28H2O;  autooksidacija arba endogeninis kvėpavimas: 4C5H7O2N+20O2  20CO2+4NH3+8H2O [15, 68, 105]. 16


Azoto šalinimas Vandenvaloje azotas randamas dažniausiai organine forma ir kaip amoniakas. Jo šalinimas susideda iš keturių etapų:  amonifikacija: organinio azoto transformacija į amoniaką;  įsisavinimas: amoniakas naudojamas gyvų organizmų, kurie bus pašalinami kaip perteklinis dumblas, sintezei;  nitrifikacija: amoniako oksidacija į nitritus, o vėliau į nitratus;  denitrifikacija: nitratų pavertimas dujiniu azotu, kuris išleidžiamas į atmosferą [40, 115, 124, 31]. Biologinis fosfatų šalinimas Biologiškai šalinant fosfatus, fosforas iš vandens absorbuojamas mikroorganizmų biomasės ir paskui pašalinamas su pertekliniu dumblu. Kai kurios bakterijos kaupia fosfatus (PAO) ir turi išskirtinę savybę kaupti fosforą polifosfatinių granulių forma, jei yra periodiškai veikiamos anaerobinių ir aerobinių sąlygų. Todėl PAO fosforo kiekis gali siekti 20–30 %, o tipinė fosforo dalis paprastose heterotrofinėse bakterijose sudaro 1,5–2 % sausos medžiagos [49, 129]. Metano fermentacija (anaerobinis pūdymo procesas) Metano fermentacija pradėta taikyti daugiau kaip prieš šimtą metų komunalinėms nuotekoms valyti. Šis metodas leidžia sumažinti lakiųjų medžiagų kiekį dumble ir kartu dumblo kiekį. Be to, metano fermentacijos procesas papildomai homogenizuoja dumblą (15–20 dienų maišymas pūdytuve) ir palengvina dumblo nusausinimą minimaliomis energijos sąnaudomis: šildyti (ar elektrai generuoti) naudojamų biodujų deginimo metu išsiskirianti energija kompensuoja pūdytuvo šildymo ir maišymo energijos poreikius. Esant konkrečioms aplinkos sąlygoms (oksidacijos-redukcijos potencialas (ORP) apie 250 mV, pH artimas neutraliam), anaerobinę metano fermentaciją vykdanti įvairialypė bakterijų populiacija užtikrina stabilią reakciją – gaminamos biodujos [137]. Metano fermentacija gali vykti šaltu (10–25 °C), mezofiliniu (30– 40 °C) ir termofiliniu (> 50 °C) režimu. Biodujų išsiskyrimo greitis ir sudėtis yra du svarbiausi kintamieji, naudojami anaerobiniam pūdymui stebėti. Susidarančių dujų sudėtis priklauso nuo substrato sudėties ir pūdytuvo darbo sąlygų (apkrovos, biomasės išbuvimo laiko ir kt.). Apytiksliai nurodoma tokia sudėtis:  metanas: nuo 55 iki 75 %;  anglies dvideginis: nuo 25 iki 40 %;  vandenilis: nuo 1 iki 5 %;  azotas: nuo 2 iki 7 %. Taip pat gali būti kitų medžiagų: sieros vandenilio, tiolių (organinių sieros junginių, esančių nuotekose), amoniako, pagaminto iš biomasės baltymų. Šie elementai dujoms suteikia būdingą nemalonų kvapą. Susidarančio metano kiekis taip pat priklauso nuo substrato kilmės [44, 73, 83, 148]. 17


Pagrindinės dabartinės vandenvalos technologijos:  vertikalieji bioreaktoriai (Vertical Shaft Bioreactors) [42, 94];  aerobinės granuliacijos technologija (Aerobic Granulation Technology) [69, 116];  membraniniai bioreaktoriai (Membrane Bioreactors) [48, 114];  biologinio teršalų šalinimo SBR sistemos (SBR Systems for Biological Nutrinet Removal) [117, 149];  vienalaikis nitrifikacijos ir denitrifikacijos (Symbio arba SND) procesas (Simultaneous Nitrification and Denitrification (SND or SymBio Process)) [36, 151];  vienarūšio dumblo teršalų šalinimo biologinės sistemos (Single – Sludge Biological Systems for Nutrients Removal) [62, 114];  nusodinimo kolonos tipo bioreaktoriuose vykdomas procesas (Column Bioreactor Clarifier Process, CBCP) [1, 139];  priešsrovė dumblo sluoksnio filtracija (Upflow Sludge Blanket Filtration) [77, 84, 96];  anaerobinės lagūnos ir išlaikymo tvenkiniai (Anaerobic Lagoons and Storage Ponds) [66, 70, 82] ;  vertikalusis pūdymas, išlaikymas ir biofiltracija (Vertical Shaft Digestion, Flotation and Biofiltration) [104];  pažangūs terpėje suspenduotų dalelių biologiniai procesai (Emerging Suspended-Growth Biological Processes) [25, 91];  pažangūs ant paviršių nusodintų dalelių biologiniai procesai (Emerging Attached-Growth Biological Processes) [45, 81]. Visos šios technologijos pagrįstos aktyviojo dumblo procesu. Jos beveik visuomet diegiamos kartu su anaerobiniu pūdytuvu. 2.2. Valdomieji technologiniai kintamieji, jų valdymo būdai ir techninės priemonės Biologinis nuotekų valymo procesas yra vienas sudėtingiausiai valdomų procesų, nes kokybiškam valdymui įtakos turi daug skirtingų veiksnių:  per parą išvalomas kiekis gali būti labai didelis;  trikdantieji poveikiai įtekėjime gali būti milžiniški, palyginti su kitomis pramonės rūšimis;  įtekančios nuotekos turi būti priimtos ir išvalytos, jų negalima grąžinti (ši aplinkybė yra problemos esmė ir labai didelis trikdantysis poveikis);  procesas pasižymi žymiais netiesiškumais, kurie riboja paprastų reguliatorių panaudojimą;  reakcijos laikas yra labai įvairus – tai ir problema, ir privalumas;  procesai labai susiję tarpusavyje, juose naudojami dideli recirkuliaciniai srautai;  egzistuoja daug skirtingų taršos šaltinių;  projektuotojai dažnai numato per mažai valdančių kintamųjų ir valdymo priemonių; 18


 substrato (teršalų) koncentracija labai maža, kartais sunkiai išmatuojama;  daugeliui dydžių nėra tinkamų matuoklių, o kitiems jie – labai brangūs;  gauto produkto vertė rinkoje yra nepaprastai maža, todėl nėra paprasta suprojektuoti ir įdiegti valdymo sistemas;  mikroorganizmų elgsena ir populiacijos pasiskirstymas kinta;  išleidžiamo vandens atskyrimas nuo biomasės yra sudėtingas ir lengvai sutrikdomas;  išleidžiamo vandens reikalavimai ateityje bus dar griežtesni; šios priežastys ir sunkumai realizuojant valdymą reikalauja taikyti trikdžių kompensavimą [7, 8, 11, 12, 26, 51, 57, 72, 88, 112, 121, 122, 127, 147]. 2.2.1. Trikdantieji poveikiai Kaip jau minėta, viena iš unikalių biologinio nuotekų valymo proceso savybių yra dideli trikdantieji poveikiai. Jų susidarymo priežastys labai skirtingos. Visų pirma galima išskirti vidinius trikdžius, atsirandančius pačiuose valymo įrenginiuose (2.1 lent.), ir išorinius, sukeliamus įrenginius supančios aplinkos. 2.1 lentelė. Vidinių trikdžių šaltiniai Nr. 1 2 3 4 5 6 7 8

Vieta Įtekančios nuotekos Siurblinė Grąžinamas dumblas Nitratų recirkuliacija Oro srautas Cheminis dumblas Sūkuriai ir vandens raibuliavimas Nuosėdos

Tipas Srautas, sudėtis, koncentracija Srautas Srautas, anglis, nitratai, fosfatai Srautas, nitratai, IDK Kompresorių trikdžiai Dumblo kiekis Srautas, IDK Nitratai

Dažniausiai išoriniai trikdžiai susiję su atitekančiomis nuotekomis. Kadangi pagrindinis tikslas – kompensuoti šiuos trikdžius, pirmiausia reikia juos įvardyti ir apibrėžti:  labai ryškus paros ciklas;  labai didelis srauto svyravimas;  staigus srauto pokytis dėl keleto pastovaus našumo siurblių naudojimo;  cheminio deguonies poreikio svyravimas nuo 120 iki 210 mg l-1;  vėluojanti koreliacija tarp srauto ir cheminio deguonies poreikio;  amonio koncentracijos svyravimas nuo 20 iki 45 mg l-1. Kaip matyti, trikdantys poveikiai veikia nuolat ir smarkiai kinta [29, 58, 78, 89, 125, 144]. 2.2.2. Valdantieji poveikiai Yra labai nedaug kintamųjų, kurie gali būti panaudoti biologinio nuotekų valymo procesui valdyti. Todėl galimybės efektyviai valdyti valymo įrenginius yra 19


gana ribotos. Vis dėlto daugelyje technologinių įrenginių yra sričių, kurių valdymą galima pagerinti, naudojant esamus valdančiuosius kintamuosius. Priklausomai nuo naudojamos technologijos, valdančiuosius kintamuosius galima suskirstyti į tokias grupes:  hidrauliniai, įskaitant dumblo sistemų kintamuosius ir recirkuliaciją;  papildomų chemikalų ir anglies šaltinių dozavimas;  oro ir deguonies tiekimas;  pirminis įtekančių nuotekų apdorojimas. Įrenginiuose yra ir daugiau valdymo kintamųjų, susijusių su naudojama įranga ir pagrindiniais proceso valdymo kontūrais, tokiais kaip srauto reguliavimo, lygio reguliavimo kontūrais ir pan. [19, 23, 77, 101, 133, 142, 146]. 2.2.3. Pagrindiniai biologinio nuotekų valymo proceso technologiniai kintamieji, jų matavimo galimybės Valdymo sistemos darbo kokybė tiesiogiai priklauso nuo galimybės jai teikti tikslią informaciją apie valdomo proceso kintamųjų būseną realiuoju laiku. Per paskutinius kelis dešimtmečius labai pagerėjo jutiklių (matuoklių) darbinė charakteristika ir patikimumas, atsirado visiškai naujų jutiklių ir matavimo būdų, tiesiogiai taikomų realiuoju laiku įvairiose valdymo sistemose. Technologiniai kintamieji, būdingi visiems biologinio nuotekų valymo etapams, jų matavimų galimybės Visiems biologinio nuotekų valymo etapams svarbūs technologiniai kintamieji: įtekantis nuotekų srautas, teršalų kiekis juose ir įvairūs dujų (srauto, sudėties ir kt.) matavimai. Matuojamos tokios šių kintamųjų fizikinės savybės:  Temperatūra. Tai klasikinis matavimas. Šis kintamasis labai svarbus anaerobinio pūdymo procesui, kuriame dažnai taikomos temperatūros valdymo sistemos.  Slėgis. Slėgis yra tradiciškai matuojamas visose nuotekų valymo įmonėse, ypatingai įspėjamosiose (apsauginėse) aerotankų ir anaerobinių pūdytuvų sistemose.  Skysčio lygis. Skysčio lygis tradiciškai matuojamas: plūdėmis su mechaninais elektriniais arba bekontakčiais jungikliais, diferencinio slėgio keitikliais, talpiniais ir ultragarsiniais matuokliais.  Skysčio ir dujų srautas. Šie matavimai atliekami visose be išimties biologinio nuotekų valymo įmonėse. Jutikliai dažniausiai veikia Venturi principu, tačiau taip pat naudojami ir elektromagnetiniai jutikliai. Dujų srautui matuoti dažniausiai naudojami paprasti rotaciniai su mentelėmis jutikliai, o kai reikia didesnio tikslumo – šiluminiai masės srauto matuokliai.  pH. pH matuokliai yra diegiami daugelyje vandenvalos įmonių, tačiau juos reikia nuolat valyti įvairiais būdais (hidrauliškai – vandens čiurkšle, mechaniškai – šepetėliu, chemiškai ar ultragarsu). Nors technologijos požiūriu visoje vandenvaloje pH yra labai svarbus parametras, jis ypač svarbus anaerobinio pūdymo ir azoto junginių šalinimo procesuose, per kuriuos 20


atpalaiduojama daug protonų, didinančių rūgštingumą ir galiausiai stabdančių procesus. Todėl teoriškai šis parametras galėtų būti plačiai naudojamas valdymo sistemose, tačiau dėl didelės nuotekų buferinės talpos, pH matavimai yra nepakankamai jautrūs, kad būtų įmanoma laiku identifikuoti besikeičiančią proceso būseną, ir todėl jų nerekomenduojama naudoti realaus laiko valdymo sistemose.  Laidumo matavimai. Šių matavimų duomenys naudojami atitekančių nuotekų sudėties pokyčiams sekti ir yra vienas iš pagrindinių matavimų biologinio fosforo šalinimo valdymo sistemose.  Biomasės / kybančių tirščių. Vienas iš pačių svarbiausių technologinių parametrų biologinio vandens valymo procese yra kybančių tirščių (suspended solids, SS) koncentracija. Ji dažniausiai įvertinama optiniais matavimais, ultragarsu ir dielektrine spektrometrija (dielectric spectrometry). Labiausiai paplitę optiniai jutikliai, veikiantys atjungties (off-line) režimu (tokie kaip turbidimetrai) ir galintys matuoti 5–10 % tikslumu. Būtina pabrėžti, kad šie jutikliai nelabai tinka itin mažai koncentracijai matuoti (0–100 mg l-1). Anaerobinio pūdymo proceso technologiniai kintamieji Anaerobinio pūdymo metu iš organinių medžiagų gaminamos biodujos. Biodujos gaminamos dviem stadijomis: surūgštėjimo (gaminasi lakiosios riebiosios rūgštys – VFA) ir metanogenezės. Abi šios stadijos turi būti stebimos ir jų metu atitinkamai koreguojami technologiniai parametrai, nes esant disbalansui terpė pernelyg surūgštėja ir biodujos nebegaminamos. Pagrindinis ir pats svarbiausias valdomasis parametras – pūdytuvo temperatūra. Procesui stebėti ir valdyti taip pat naudojami šie technologiniai kintamieji:  Dujiniai produktai (vandenilis, anglies dvideginis, metanas ir sieros vandenilis). Dažniausiai normaliam valdymo sistemos darbui visiškai pakanka paprasto biodujų srauto matavimo. Vis dėlto būna situacijų, kai pakitus organinių medžiagų sudėčiai išsibalansuoja pats procesas ir, siekiant optimalaus valdymo, būtina koreguoti technologinius kintamuosius. Tarp komercinių dujų sudėties analizatorių galima rasti ir prietaisų, iškart išmatuojančių konkrečios medžiagos koncentraciją dujų mišinyje.  Šarmingumas (titravimas). Šis matavimas labai svarbus siekiant išvengti anaerobinio pūdymo proceso neplanuotų sustojimų: jis leidžia laiku įvertinti abiejų stadijų būklę ir naudojamas automatinėse apsauginėse valdymo sistemose.  Kiti technologiniai parametrai. Dažniausiai juos naudoja technologai ir operatoriai tam, kad būtų užtikrintas stabilus proceso darbas, išvengta avarinių situacijų ir būtų palaikoma tokia terpė, kuri leidžia išgauti maksimalų dujų kiekį. Šiems tikslams pasiekti naudojami kalorimetriniai, flourescenciniai, lakiųjų riebiųjų rūgščių koncentracijos (VFA) matavimai, pasitelkiami įvairūs šiuolaikiški biojutikliai, tokie kaip MAIA (Methanogenic Activity and Inhibition Analyzer – metanogenezės aktyvumo ir inhibicijos analizatorius), RANTOX – analizatorius, skirtas įtekančių organinių komponentų pertekliui ir (arba) toksiškumui aptikti, ir kt. 21


Aktyviojo dumblo proceso technologiniai kintamieji  Ištirpusio deguonies koncentracija. Tai pats pagrindinis visos vandenvalos technologinis kintamasis. Atlikti skaičiavimai parodė, kad per aktyviojo dumblo procesą net 40–60 % visų eksploatacijos sąnaudų sudaro vien tik aeracija, todėl absoliučiai visose nuotekų valymo įmonėse yra įrengti ištirpusio deguonies koncentracijos matuokliai. Jie veikia elektrocheminės reakcijos principu, deguoniui iš skystos būsenos per dujoms laidžią membraną pereinant į amperometrinę (amperometric) arbą polarografinę (polarographic) matavimo ląstelę (elementą). Nors IDK matuokliai laikomi patikimais matuokliais, tačiau jiems vis tiek būtina griežta techninė priežiūra.  OUR (oxygen uptake rate) – deguonies sunaudojimo greičio ir OTR (oxygen transfer rate) – deguonies tiekimo greičio matavimai. Literatūroje šie matavimai dar vadinami respirometrija (respirometry) arba biomasės kvėpavimo matavimais. Respirometriniai matavimai gali būti atliekami įvairiais metodais, tačiau jie visi pagrįsti principu, kad ištirpusio deguonies koncentracijos pokyčio greitis lygus deguonies tiekimo ir sunaudojimo greičio  dc

skirtumui  dt  OTR  OUR . Atitinkamai, esant stacionarioms proceso sąlygoms, OTR = OUR. Labai svarbus atliekant OTR matavimus yra tūrinis deguonies masės perdavimo koeficientas iš dujinės į skystąją fazę k L a . Tai išvestinis parametras, turintis labai daug išraiškų, priklausančių nuo konstrukcinių bioreaktoriaus parametrų, terpės savybių, darbinių parametrų ir t. t. OTR ir k L a sieja toks ryšys: OTR  kL a   c*  c  . Literatūroje pateikiama būdų ir metodų, kaip nustatyti k L a . Šiuos būdus galima suklasifikuoti: 1) cheminiai, 2) natrio sulfato oksidacijos, 3) anglies dvideginio absorbcijos, 4) fizikiniai ir 5) dinaminiai. OTR ir OUR gali būti matuojami tokiais praktikoje taikomais metodais: 1) dujų analize: metodo esmė labai paprasta, todėl jis labai plačiai taikomas – matuojama deguonies koncentracija į bioreaktorių tiekiamose ir iš jo ištekančiose dujose; deguonies masių balansą galima užrašyti lygtimi FOin2  FOout  V  OUR  0 , 2 in ir FOout – moliniai deguonies srautai, matuojami bioreaktoriaus čia FO įėjime ir išėjime, o V – bioreaktoriaus tūris; atitinkamai apskaičiuojamas OUR, paskui kLa; 2) dinaminiais metodais: jie remiasi 1966 m. Taguchi ir Humphrey sukurtais principais, reikalaujančiais atlikti bioreaktoriuje aktyviai augančių mikroorganizmų respirometrijos matavimus; taikomas matematinis modelis, apskaičiuojamas OUR, paskui k L a ; 3) kitais metodais: pirmaisiais dviem metodais atliekama didžioji dalis visų OUR matavimų; vis dėlto yra ir daug kitų metodų, kurie pagrįsti kLa ir OUR skaičiavimu iš konkrečių biologinių medžiagų cheminių reakcijų greičio; pH pokyčių matavimų, sukeltų burbuliuojant anglies dvideginiui 2

22

2


gerai maišomame bioreaktoriuje; iš mikroorganizmų augimo stebėjimų griežtai aerobinėmis sąlygomis; grynai fizikiniais metodais arba panaudojant radioaktyvius žymenis.  Biologinio deguonies poreikio (BOD), cheminio deguonies poreikio (COD) ir bendros organinės anglies kiekio (TOC), ultravioletinių spindulių sugėrimo ištekančiame išvalytame vandenyje ir išvalyto vandens kokybės matavimai. Šie matavimai yra svarbūs technologams ir operatoriams: pagal šių matavimų vertes technologai sprendžia apie vykstančius biologinius procesus ir gali koreguoti kitų technologinių kintamųjų, tokių kaip IDK ar temperatūra, nuostatus.  ORP (oksidacijos-redukcijos potencialo (redox)) matavimai. Šie matavimai gali būti atliekami kartu su IDK matavimais ir bendruoju atveju yra parametras, apibūdinantis biologinius procesus anoksinėmis arba aerobinėmis sąlygomis. Šiuo parametru remiasi technologai, taip pat sukurta keletas valdymo sistemų IDK nuostatui sekti, tačiau šiandien šis parametras nėra plačiai naudojamas automatinėse valdymo sistemose, nors pats matavimas ir laikomas patikimu. Viena pagrindinė priežasčių – įsisavintos technologijos, leidžiančios tiksliai ir realiuoju laiku matuoti OUR.  Kiti matuojami parametrai. Juos dažniausiai naudoja technologai, bet automatiniam valdymui jie yra svarbūs tiek, kad remiantis jų rodmenimis, gali būti keičiami pagrindinių technologinių parametrų nuostatai: jonų koncentraciją (ir metalų, ir amonio bei nitrato) matuojantys elektrodai (ISE); ultravioletinių spindulių sugėrimo matavimai nitratų jonų koncentracijai nustatyti; titrimetriniai jutikliai nitrifikacijai stebėti; NITROX (NITRification tOXicity tester) matavimai – užterštumui azoto junginiais įvertinti; NOx jutikliai, tiesiogiai NOx koncentracijai matuoti [18, 43, 74, 75, 107, 113, 123, 134, 138, 140]. 2.3. Biologinių nuotekų valymo procesų modeliavimas Valant nuotekas dažniausiai naudojamas supaprastintas modelis, kuris priimtinu tikslumu aprašo organinių medžiagų skaidymą nuotekose. Ši aproksimacija remiasi dviem prielaidomis [14]: 1. Nuotekose esantis substratas yra sąlyginai mažos koncentracijos. 2. Biomasės koncentracija sistemoje yra stabili, nors darbo metu nežymiai kinta, bet gali būti laikoma pastovia. Substrato pokyčiai gali būti aprašyti taip:

dS q   max XS dt KS

(2.1)

arba

23


dS  k1S ; dt

(2.2)

čia k1= Xqmax/Ks – pirmosios eilės skaidymo greičio pastovioji. Pertvarkius (2.2) lygtį, gaunama:

S  S0e  k1t ;

(2.3)

čia t – reakcijos laikas, S0 – substrato koncentracija pradiniu laiko momentu, S – substrato koncentracija laiko momentu t. Jeigu substrato koncentracija yra didesnė nei Ks, o X laikoma pastovia, tai substrato koncentracijos kitimo lygtis gali būti užrašyta taip:

dS  qmax X . dt

(2.4)

(2.4) lygtis aprašo nulinės eilės reakciją, t. y.

S  S0  k 0 t ;

(2.5)

čia k0 = Xqmax – nulinės eilės reakcijos pastovioji. Pateikiami nulinės eilės skaidymo kinetikos pavyzdžiai galioja tokių medžiagų kaip gliukozės, fenolio, ftalatų rūgšties, asparto rūgšties, etanolio ir acetato skaidymo reakcijoms [32]. Idealiai maišomo aktyviojo dumblo proceso kinetika. Bazinio modelio sudarymas Idealiai maišomo aktyviojo dumblo proceso bazinis modelis sudaromas remiantis mikroorganizmų ir substrato masės balansu sistemoje, mikroorganizmų augimo ir teršalų skaidymo kinetika. Šie masės balanso dydžiai parodyti 2.3 pav. Sudarant masės balansą reaktoriaus sistemai, priimamos kai kurios bazinės prielaidos [61]:  organinių teršalų skaidymas vyksta tik aeracijos rezervuaruose;  sėsdintuvuose nevyksta jokių biologinių reakcijų, o biomasės kiekis antriniuose sėsdintuvuose nevertinamas;  įtekančiose į aerotankus nuotekose nėra aktyvios biomasės;  substratas yra tirpus ir negali nusėsti antriniuose sėsdintuvuose. 2.3 pav. X, Xr, Xw ir Xe žymima aktyviosios biomasės koncentracija. Tolesnis išvedimas remiasi Lawrence ir McCarty [61] darbais. Biologinių medžiagų balansas užrašomas taip: kaupimas = įtekėjimas – ištekėjimas + augimas.

(2.6)

Pagal (2.6) lygtį, mikroorganizmų masės balansas visoje sistemoje yra:

V

dX  0  (Qe X e  QW X W )  [Y ( rS )V  K d XV ] ; dt

čia rs – tirpaus substrato sunaudojimo greitis, V – tūris, Q – srautas. 24

(2.7)


Antrinis sėsdintuvas Qe, Se, Xe

Q 0, S 0 X,S,V

Qr, Sr, Xr QW, SW, XW 2.3 pav. Idealiai maišomo aktyviojo dumblo proceso masių srautai [61]

Panašiai gaunamas substrato masių balansas:

V

dS  Q0 S0  (Qe Se  QW SW )  rsV . dt

(2.8)

Svarbu pažymėti, kad (2.7) ir (2.8) lygtys gautos remiantis atitinkamai biomasės ir substrato masės balansais, todėl gali aprašyti stacionarios arba nestacionarios būsenos sistemos darbą. Praktikoje aktyviojo dumblo procesai vyksta esant stacionariai būsenai. Tokiu atveju biomasės ir substrato pokyčiai yra lygūs nuliui, t. y.:

V

dS dX  0.  0 ir V dt dt

(2.9)

2.4. Netiesinių ir nestacionarių procesų technologinių parametrų valdymo metodai Kaip jau minėta anksčiau, biologinio nuotekų valymo procesų valdymas yra sudėtingas uždavinys. Biologiniam nuotekų valymui valdyti taikoma daug skirtingų valdymo sistemų ir metodų. 2.4 pav. pateikta realiai sukurtų ir taikomų vandenvalos valdymo sistemų klasifikacija.

25


BIOLOGINIO NUOTEKŲ VALYMO PROCESO VALDYMO METODAI IR SISTEMOS

Grįžtamojo ir tiesioginio ryšio valdymo sistemos

Modeliu paremtos valdymo sistemos

Tiesioginio ryšio

Prognozuojamas (MPC)

Relinės (on-of)

Bendrojo modelio (GMC)

P / PI / PID

Adaptyvios

Pakopinės (kaskadinės)

Vidinio modelio

Kontūrų su kintančia dinamika: Stiprinimo numatymas Automatinis derinimas

Neraiški (fuzzy) logika

Intelektinės (hibridinės)

Optimizacija paremtos valdymo sistemos

Ekspertinės Hierarchinės

2.4 pav. Valdymo sistemų ir metodų klasifikacija

2.4.1. Grįžtamojo ir tiesioginio ryšio valdymo sistemos Principinė šios valdymo metodikos iliustracija pateikta 2.5 pav. Trikdys Triukšmas Triukšmas

Tiesioginis ryšys D

V è Vykdiklis D è Jutiklis

V

Procesas

D Grįžtamasis ryšys

2.5 pav. Tiesioginis ir grįžtamasis valdymo sistemos ryšys

26

Triukšmas


Šių valdymo sistemų pavadinimas kildinamas iš to, kaip perduodama informacija valdymo kontūruose, susijusiuose su konkrečiu valdomu procesu . Labiausiai paplitusios neigiamojo grįžtamojo ryšio valdymo sistemos, nes jos leidžia tiksliai sekti nuostatą ir užtikrinti gerą valdymo kokybę. Kuo labiau netiesiškas ir nestacionarus yra procesas, tuo sunkiau šias sistemas taikyti. Tiesioginio neigiamojo grįžtamojo ryšio automatinio reguliavimo schema pavaizduota 2.6 pav. Triukšmas

yd

+

e

u PI / PID

Procesas

y

Matavimas Reguliatorius yd - nuostatas e - paklaida u - valdantis kintamasis y - proceso išėjimas 2.6 pav. Neigiamojo grįžtamojo ryšio valdymo sistemos schema

Pagrindinis automatinio reguliavimo sistemos (ARS) uždavinys – iš anksto nustatytu dėsniu (P / PI / PID ar įjungta / išjungta (reliniu) principu) reguliuoti technologinio proceso režimą, tiesiogiai nedalyvaujant žmogui. Kiekviena ARS susideda iš reguliavimo objekto ir atitinkamų techninių automatizavimo priemonių [4, 5, 76, 109, 126]. Pakopinės valdymo sistemos Pakopinės ARS taikomos objektams, kurie turi vieną įėjimą ir greta pagrindinio išėjimo dar turi tarpinį išėjimą, kurio vėlavimas ir inertiškumas yra mažesni nei pagrindinio išėjimo. Pakopinių ARS veikimo principą iliustruoja 2.7 pav., kuriame pavaizduota IDK valdymo sistema: pagrindinis IDK reguliatorius užduoda nuostatą tarpiniam kontūrui, kuris valdo oro srauto tiekimą į reaktorių (FC valdymo sistema) [33, 142, 150].

27


Nuostatas Pagrindinis kontūras

IDK

FC

Tarpinis kontūras

Vykdiklis Oro padavimas 2.7 pav. Pakopinė valdymo sistema

Kontūrų su kintančia dinamika grįžtamojo ryšio sistemos Šios valdymo sistemos taikomos tada, kai priklausomai nuo darbo sąlygų keičiasi proceso dinamika ir būtina iš naujo suderinti reguliatorių. Galima išskirti du pagrindinius metodus: stiprinimo numatymą (Gain Scheduling) ir automatinį derinimą (Self Tuning), kurie dar vadinami adaptyviuoju valdymu. Automatinis derinimas taikomas norint valdyti procesus, kurių dinamika nežinoma, bet pastovi. Tai yra metodas, kai reguliatorius operatoriaus nurodymu suderinamas automatiškai. Automatinis derinimas dar vadinamas derinimu pagal poreikį arba vieno bandymo derinimu. Principinė automatinio derinimo schema pateikta 2.8 pav. Derinimo parametrų perskaičiavimas

Nuostatas

Parametrų įvertinimas

Reguliatoriaus derinimo parametrai

Išėjimas y Reguliatorius

Valdantis poveikis u

Procesas

2.8 pav. Automatinis derinimas

28


Įprastinės automatinio reguliavimo sistemos projektuojamos remiantis prielaida, kad valdomas procesas darbo taško aplinkoje yra tiesinis. Pagrindinis ištiesinimo trūkumas – valdymo sistemos, suprojektuotos remiantis ištiesinta proceso dinamika, neužtikrina geros reguliavimo kokybės, o kai kuriais atvejais net stabilumo, kai sistemos būsena nukrypsta nuo pusiausvyros taško, pagal kurį suderintas reguliatorius. Vienas iš būdų pagerinti reguliavimo kokybę – ištiesinti proceso dinamiką pagal proceso būsenų trajektoriją, kuri nėra apribota lokalia funkcionavimo sritimi. Projektuojant valdymo sistemą, tokia trajektorija turėtų būti žinoma iš anksto, tačiau praktikoje proceso būsenų kitimo trajektorijos retai būna žinomos. Vienas iš būdų spręsti su ištiesinimu susijusias valdymo problemas – taikyti projektavimo procedūrą, vadinamą stiprinimo numatymu. Stiprinimo numatymo principu veikiančios sistemos reguliatoriaus parametrai keičiami priklausomai nuo realiuoju laiku įvertinamų funkcionavimo sąlygų. Stiprinimo numatymo idėja pradžioje buvo naudojama skrydžių valdymo sistemose, tačiau šiuo metu vis plačiau taikoma technologiniams procesams valdyti. Dėl istorinių priežasčių vartojamas terminas stiprinimo numatymas, net jei koreguojami ir kiti reguliatoriaus parametrai – integravimo ir diferencijavimo laiko pastoviosios. Taikant stiprinimo numatymą, žymus valdymo kokybės gerėjimas gali būti pasiektas net ir tada, kai panaudojami tik keli reguliatoriaus parametrų deriniai. Stiprinimo numatymo algoritmų sudarymo metodikos esmė tokia: reguliatoriaus projektavimo procedūra padalijama į du etapus. Pirmajame etape nustatomi lokaliniai tiesinio reguliatoriaus derinimo parametrai, kurie yra optimalūs atskirų valdomo proceso stacionarių būsenų taškų aplinkoje. Antrajame etape interpoliuojami lokalinių reguliatorių derinimo rezultatai ir taip gaunamas globalusis reguliatorius, kurio derinimo parametrai koreguojami automatiškai, atsižvelgiant į proceso būseną. Vienas iš kintamųjų, lengvai matuojamų realiuoju laiku, naudojamas norint nustatyti stacionarios būsenos tašką, kurio aplinkoje yra sistema. Tokiu kintamuoju gali būti reguliatoriaus išėjimo signalas, proceso būsenos kintamasis ar išorinis kintamasis (pvz., proceso apkrova), jei jis vienareikšmiškai atspindi dinaminių valdomo proceso parametrų pokyčius. Stiprinimo numatymo sistemų projektavimas Stiprinimo numatymo valdymo sistemos projektavimas tradiciškai pradedamas nustatant netiesinės sistemos ištiesinimų šeimą, indeksuojamą stiprinimo numatymo parametru (kintamuoju) p. Netiesinis vieno įėjimo ir vieno išėjimo procesas išreiškiamas tokiomis lygtimis:

dx  f (x, u ), dt

(2.10)

y  h(x),

(2.11)

29


čia x – būsenos kintamieji x   x1 xm  , u – manipuliuojamasis kintamasis (valdantysis poveikis), y – valdomasis išėjimas, f ir h – netiesinės diferencijuojamosios funkcijos. Tariama, kad egzistuoja galimų valdomo proceso pusiausvyros taškų šeima (xp)i, (up)i: T

f x p ( pi ), u p ( pi )  0, i  1,, n;

(2.12)

čia pi yra stiprinimo numatymo parametro vertė, atitinkanti i pusiausvyros tašką. Parenkant valdymo sistemos stiprinimo numatymo parametrą p, atsižvelgiama į tokius reikalavimus: a) vienareikšmė priklausomybė tarp proceso pusiausvyros taško ir parametro vertės, b) galimybė matuoti jo vertę realiuoju laiku. Parametras p valdymo sistemoje naudojamas norint nustatyti proceso būsenos pusiausvyros tašką, kurio aplinkoje sistema yra funkcionavimo metu. Ištiesinus (2.10) ir (2.11) lygtis pusiausvyros taškų aplinkoje, gaunama tiesinių lygčių šeima:

d xi  A( pi )xi  B( pi )ui , dt

(2.13)

yi  C ( pi )xi , i  1, n;

(2.14)

čia xi , ui ir yi yra mažas kintamųjų x, u ir y nuokrypis nuo i pusiausvyros taško,

 ( x1 )i   ( x p ,1 )i  x1    xi        ;   ( xm )i  ( x p ,m )i  xm  ui  u p i  u;

yi  y p i  y;

 k11( pi )  k1m ( pi )  f f A( pi )      , kij  ; x ( x p )i  x u ( u )  x ux (( ux p ))i p i p i km1 ( pi )  kmm ( pi )  ku1 ( pi )  f f B( pi )     , kui  ; x ( x p )i  u u ( u )  u ux (( ux p ))i p i p i kum ( pi )

30


C ( pi ) 

h h  kh1 ( pi )  khm ( pi ), khm  . x ( x p )i x u ( u ) x x ( x p )i p i

Ištiesintoms (2.13) ir (2.14) lygtims pritaikius Laplace transformaciją, i pusiausvyros taškui galima užrašyti perdavimo funkciją, kurios parametrai vienareikšmiškai susiję su stiprinimo numatymo parametru p:

Yi ( s)  C ( pi )(sI  A( pi )) 1 B( pi ), i  1,, n, (2.15) U i ( s) čia s – Laplace operatorius, Yi (s) , U i (s) – išėjimo ir įėjimo kintamųjų Wi ( s) 

nuokrypio nuo i pusiausvyros taško Laplace transformacijos. Projektuojant valdymo sistemos reguliatorių, kiekvienam iš n proceso pusiausvyros taškų, remiantis (2.15) perdavimo funkcijomis ir reguliatorių derinimo taisyklėmis, galima nustatyti atitinkamas reguliatoriaus parametrų vertes. Taip gaunama n reguliatoriaus parametrų rinkinių. Kiekvienam rinkiniui priskiriama konkretų pusiausvyros tašką atitinkanti parametro p vertė. Pvz., jei sistemoje naudojamas PID reguliatorius, tai sudaromas reguliatoriaus parametrų rinkinys K r ( pi ), Ti ( pi ), Td ( pi ), i  1,, n . Taigi nepertraukiamai matuojant parametrą p, galima tiesiogiai adaptuoti reguliatoriaus derinimo parametrus. Stiprinimo numatymu paremtos valdymo sistemos struktūra parodyta 2.9 pav. Adaptacijos algoritmas

K reg Išėjimas y

Nuostatas +

Reguliatorius

Valdantysis poveikis u

Procesas

2.9 pav. Stiprinimo numatymu paremtos valdymo sistemos struktūra

Valdymo sistemoje gali būti realizuota šuolinė arba nepertraukiama reguliatoriaus parametrų adaptacija. Pirmuoju atveju proceso būseną identifikuojančio parametro p kitimo diapazonas padalijamas į intervalus apie kiekvieną iš n stacionarios būsenos taškų ( pmin,i  pi  pmax,i , i  1,, n ), naudotų projektuojant reguliatorių. Reguliatoriaus parametrai K reg  [Kr Ti Td] T sistemai funkcionuojant nustatomi taip:

K reg (t )  K reg ( pi ), kai pmin,i  p(t )  pmax,i .

(2.16)

31


Antruoju atveju optimalių reguliatoriaus parametrų verčių sekos taškai K reg ( pi ), i  1,, n interpoliuojami ir reguliatoriaus parametrai apskaičiuojami, remiantis interpoliacinėmis formulėmis Fint (p):

Kreg (t )  Fint ( p(t )).

(2.17)

Kai kuriuose komerciniuose valdikliuose PID reguliatorių stiprinimo numatymas įdiegtas kaip standartinė valdymo sistemos projektavimo galimybė [63, 65, 128]. 2.4.2. Modeliu paremtos valdymo sistemos Šio tipo valdymo sistemos veikia, naudodamos vienokią ar kitokią matematinio modelio formą, aprašančią valdomą procesą. Neatsiejama šio metodo problema yra ta, kad modeliu paremtiems reguliatoriams reikia kur kas daugiau informacijos apie procesą, palyginti su paprastu tiesioginio ir grįžtamojo ryšio valdymu. Vandenvalos srityje šios sistemos plačiau pradėtos taikyti sąlyginai neseniai, atsiradus komercinių būdų matuoti deguonies ir substratų tiekimo ar sunaudojimo greitį, nes tik šios sistemos leidžia efektyviai pagerinti valdymo kokybę ir amortizuoti nemažas investicijas, susijusias su komercinių jutiklių įsigijimu. Modeliu prognozuojamas valdymas (Model Predictive Control, MPC) Modeliu prognozuojamas valdymas yra vienas sėkmingiausių metodų, taikomų valdant pramoninius procesus. Jo populiarumą lemia paprastas diegimas, nes veikimo principas paremtas matricų algebra, taikomas paprastos formos tiesinis arba netiesinis modelis, galima nesunkiai įtraukti praktinių apribojimų, veikimo principas yra lengvai suprantamas. Metodo veikimo principas yra toks: pasirenkamas numatytas kiekis galimų valdančiojo poveikio reikšmių (pokyčių) iš galimo veikimo diapazono ir paskui minimizuojama kiekvienos pasirinktos vertės paklaidos tarp nuostato ir valdomojo kintamojo vertė, remiantis prognozuojama proceso reakcija. Prognozuojamai proceso reakcijai prognozuoti taikomas modelis arba realūs eksperimentai. Tokiu būdu realizuojami vienas ar du valdymo veiksmai ir procedūra kartojama tol, kol baigiami viso diapazono skaičiavimai. Kadangi valdymo veiksmai iš anksto prognozuojami, galima nesunkiai įvertinti procesų technologinius apribojimus ir parinkti tokius valdymo veiksmus, kad apribojimams jie turėtų kuo mažiau įtakos. Modeliui realizuoti taikomas dinaminės matricos (dynamic matrix) modelis, kuris sudaromas iš daugelio eksperimentų, atliekamų skirtinguose proceso darbo taškuose. Jeigu procesas turi gerai jį aprašantį mechanistinį modelį, tai eksperimentus galima atlikti imitacinio modeliavimo būdu. 2.10 pav. pavaizduota proceso reakcija į šuolinį valdančiojo poveikio pokytį.

32


yk 5

yk 6

yk 7

yk 4

Valdantysis poveikis

Valdomas išėjimas

yk 3 yk2

y k 1

yk

a1

a2

a3

a4

a6

a5

a7

u k k

k+1

k+2

k+3

k+4

k+5

k+6

k+7

2.10 pav. Proceso reakcija į šuolinį valdančiojo poveikio pokytį

Valdomasis parametras skirtingais diskretizavimo momentais gali būti aprašytas taip: y1  a1  u1 , y 2  a2  u1  a1  u 2 , y3  a3  u1  a2  u 2  a1  u3 ,

(2.18)

arba matricos forma:

y  A  u ;

(2.19)

čia y – valdomo proceso išėjimo nuokrypis nuo darbo taško aplinkos, u – valdančiojo poveikio pokytis, o dinaminė matrica aprašoma taip:

 a1 A  a2  a3

0 a1 a2

0 0 . a1 

(2.20)

A paprastai parenkama tokių matmenų, kad aprašytų lėčiausias (mažiausias) dominančio kintamojo reakcijas. Jeigu įtraukiama daugiau proceso kintamųjų, tai tiesiog išplečiamos y ir u matricos ir taip gaunama tokios išraiškos dinaminė matrica: 33


 A11 A   A21  

A12  A22 .  

(2.21)

Remiantis šiuo modeliu, prognozuojami ateities valdymo veiksmai. Remiantis prognozuojamais proceso išėjimais, galima apskaičiuoti prognozuojamą paklaidą, skirtumą tarp pageidaujamos ir prognozuojamos valdomojo parametro vertės. Remiantis šia paklaida, reikia suprojektuoti reguliatorių, kad šis apskaičiuotų keletą valdančiojo poveikio žingsnių:

u  f (e).

(2.22)

Literatūroje galima rasti įvairių f(e) algoritmų. Vienas iš pačių paprasčiausių ir labiausiai paplitusių yra mažiausių kvadratų metodas:

u  ( AT QA  R) 1 AT Qe

(2.23)

Šis algoritmas taip pat įtraukia diagonalines svorines paklaidos matricas Q ir valdančiojo poveikio žingsnių matricas R [16, 46, 86, 108]. Bendruoju modeliu paremtas valdymas (General Model Control, GMC) Bendruoju modeliu paremto valdymo metodika leidžia taikyti proceso netiesinį modelį. GMC algoritmas pirmą kartą buvo aprašytas 1989 m. ir nuo to laiko sukurta daug modifikacijų, tačiau jų veikimo principas yra tas pats: jeigu procesas yra nutolęs nuo pageidaujamos būsenos (kitaip tariant, egzistuoja paklaida), pageidaujamas būsenos pokyčio greitis aprašomas kaip paklaidos funkcija. Taip pat siekiama, kad reikalingas pokyčio greitis būtų proporcingas paklaidai: kuo labiau nukrypta nuo pageidaujamos būsenos, tuo greičiau į ją sugrįžtama, ir kad paklaida visuomet būtų minimizuojama – artėtų prie 0 (analogiškai kaip integralinė dedamoji). Tokias algoritmo sąlygas atitinka ši išraiška:

 dy     K1 ( yd  y)  K 2  ( yd  y)dt .  dt  d

(2.24)

Tarkim, turime apibendrintą netiesinį proceso būsenos modelį:

dy  f ( x, u, d ); dt

(2.25)

čia x – būsenos kintamieji, u – valdantysis poveikis, d – trikdantieji poveikiai. Atitinkamai galima užrašyti:

f ( x, u, d )  K1 ( yd  y)  K 2  ( yd  y)dt  0.

(2.26)

Valdymo algoritmas yra paremtas (2.26) lygties sprendimu valdančiojo poveikio atžvilgiu. 34


GMC metodo kūrėjai taip pat pateikia rekomendacijų, kaip parinkti reguliatoriaus parametrus K1 ir K2, priklausomai nuo to, kokios dinamikos tikimasi:

K1 

2

ir K 2 

1

2

;

(2.27)

čia  bendruoju atveju atitinka kontūro laiko pastoviąją,  – slopinimo faktorius, laisvai pasirenkamas iš intervalo nuo 0 (geresnė valdymo kokybė) iki 1 (stabilesnė valdymo sistema) [2, 59]. Neraiškiosios (fuzzy) logikos valdymas Neraiškusis reguliatorius veikia remdamasis žinių apie sistemą vertėmis. Žinios gali būti sugeneruotos jutiklių ar tiesiog neautomatizuotų stebėjimų. Tiesioginiai matavimai turi būti aprašyti tokiais terminais kaip žemas, aukštas ir t. t. – jiems turi būti suteiktas tam tikras priklausomybės funkcijos laipsnis. Šis veiksmas vadinamas neraiškumo įvedimu. Tuomet valdymas atliekamas taisyklių pagrindu, kurios nustatytos neraiškiosios (fuzzy) logikos nuostatuose ir išvadose, tokiose kaip: jeigu įėjimas e yra mažas, tada išėjimas u yra didelis; jeigu įėjimas e yra didelis, tada išėjimas u yra mažas. Tada apibendrinamoji taisyklė turi būti išversta iš neraiškiosios logikos valdymo veiksmo (kuris vis dar tebėra priklausomybės funkcija) į raiškųjį (skaliarinį) signalą. Šis veiksmas vadinamas neraiškumo eliminavimu. Skirtingi neraiškiosios logikos valdymo etapai parodyti 2.11 pav. Raiškusis valdymo signalas Neraiškiosios logikos valdymo veiksmas

Neraiškumo eliminavimas

Procesas

Taisyklių bazė

Neraiškumo įvedimas

Matavimai Stebėjimai

Žinios apie procesą 2.11 pav. Uždarojo kontūro neraiškiosios logikos valdymo schema

Kad būtų galima taikyti neraiškiosios logikos valdymo veiksmus, būtina apibrėžti, ką reiškia mažas ir didelis. Priklausomybės funkcijų sudarymas (neraiškumo įvedimas) iliustruotas 2.12 pav. Piramidės šiame paveiksle yra grafinės matematinių priklausomybių iliustracijos ir jos reprezentuoja priklausomybės funkcijas. Gali būti pasirenkama ir kitokia priklausomybių funkcijų forma (matematinė išraiška). Apibrėžiamos mažas ir didelis vertės. Priklausomybės funkcija sudaroma iš piramidžių sankirtos projekcijų e-u koordinačių plokštumoje. Gauta projekcija ir yra reguliatoriaus išėjimo taisyklė (2.13 pav.). 35


e

e2

Didelis

Mažas

e1

u2

u1 Mažas

u

Didelis

2.12 pav. Neraiškiojo reguliatoriaus išėjimo taisyklės sudarymas iš priklausomybės funkcijų

e

e2 e1

u1

u2

u

2.13 pav. Neraiškiojo reguliatoriaus išėjimo skaičiavimas

Gautą neraiškųjį reguliatoriaus išėjimo signalą reikia paversti skaliariniu signalu (neraiškumo eliminavimas). Iš principo ši procedūra yra interpoliacija. Ji atliekama įvairiais metodais (tokiais kaip ploto centro ir kt.). Galiausiai gaunamas įprastas valdantysis poveikis. Neraiškieji reguliatoriai taikomi ten, kur:  nėra proceso analitinio modelio,  proceso modelis yra per sudėtingas naudoti valdymo algoritmuose,  valdymo tikslai nėra aiškiai apibrėžti [17, 50, 55, 90, 102, 106, 152]. Adaptyviosios valdymo sistemos Adaptyvusis yra toks reguliatorius, kurio parametrai derinami nepertraukiamai, 36


prisitaikant prie proceso dinamikos ir trikdančiųjų poveikių pokyčių. Reguliatoriaus parametrai gali būti derinami, naudojant realiuoju laiku netiesiogiai arba tiesiogiai įvertinamus proceso kintamuosius. Gali būti naudojama tiek grįžtamojo ryšio, tiek tiesioginio ryšio valdymo sistemų reguliatorių derinimo parametrų adaptacija. Netiesioginis derinimas dažniausiai paremtas proceso modelių taikymu. Netiesioginio derinimo sistemos gali būti atvaizduotos apibendrinta blokine schema, pateikta 2.14 pav.

Reguliatoriaus parametrų adaptacija

ynuostatas +

-

Reguliatorius

Modelio parametrų įvertinimas

u

y

Procesas

2.14 pav. Netiesioginio derinimo sistemos blokinė schema

Šio tipo sistemose naudojamas parametrų įvertinimo blokas, kuris nustato proceso modelio parametrus, remdamasis proceso įėjimų ir išėjimų matavimais. Taip pat yra reguliatoriaus adaptacijos blokas, kuris pagal proceso modelį apskaičiuoja reguliatoriaus parametrus. Modelio parametrai gali būti įvertinami rekurentiniu (recursively) arba vienkartiniu (batch-wise) būdu. Pagrindiniai tiesioginių metodų uždaviniai yra rasti tinkamus požymius, kurie apibūdina svarbias uždarosios sistemos savybes, ir rasti atitinkamus reguliatoriaus parametrų keitimo būdus, kuriais galima gauti pageidaujamus sistemos kokybės rodiklius. Dažnai reguliavimo kokybės rodiklius gerina paprasti euristiniai reguliatorių parametrų adaptacijos metodai, pvz., reguliatoriaus stiprinimo koregavimas, atsižvelgiant į nuokrypio dydį:

Kr (t )  Kro 1  b e(t ) ;

(2.28)

čia Kro – reguliatoriaus stiprinimas, kai reguliuojamojo parametro nuokrypis lygus 0, e – absoliučioji nuokrypio vertė, b – derinimo parametras. (2.28) priklausomybe nustatomas mažesnis reguliatoriaus stiprinimas, kai sistema yra arti nuostato taško, ir todėl pagerinamas sistemos stabilumas nuostato taško aplinkoje. Procesui nukrypus nuo nuostato taško, reguliatoriaus stiprinimas didinamas, todėl didesnis valdantysis poveikis greičiau sugrąžina sistemą į nuostato taško sritį. Mažas stiprinimas nuostato taško aplinkoje taip pat sumažina grįžtamojo 37


ryšio signalo triukšmo įtaką. Jei proceso netiesiškumas yra skirtingas skirtingų krypčių valdantiesiems poveikiams, tai teigiamiems ir neigiamiems nuokrypiams gali būti nustatytas skirtingas derinimo parametras b. Dauguma PID reguliatorių, įdiegtų pramonėje, derinami rankiniu būdu. Dažnai automatikos inžinieriai reguliatoriaus parametrus parenka euristiniu būdu (paremtu ankstesnės patirties analize), stebėdami uždarosios sistemos reakciją į šuolinius nuostato pokyčius. Euristinė patirtis kaupiama analizuojant sistemos, kurioje buvo nustatyti skirtingos derinimo parametrų vertės, reakciją, taip pat pasinaudojant sistemos darbo modeliavimo pavyzdžiais. Euristinės derinimo taisyklės gali būti sukauptos duomenų bazėse deterministinių ir neraiškiosios logikos taisyklių forma. Šio tipo taisykles taiko komerciniai adaptyvieji reguliatoriai [24, 30, 65, 120, 132, 143]. Vidiniu modeliu paremtas valdymas Terminas vidiniu modeliu paremtas valdymas vartojamas valdymo sistemoms apibrėžti, kad jų reguliatoriuje taikomas proceso modelis. Vidiniu modeliu paremto valdymo principu paremtas bendras valdymo sistemų projektavimo metodas, kuris gali būti pritaikytas PID dėsniu paremtam valdymui. Tokios sistemos blokinė schema parodyta 2.15 pav. Laikoma, kad procesą veikiantys trikdantieji poveikiai gali būti pakeičiami ekvivalentiniu trikdžiu, veikiančiu proceso išėjime. Schemoje (2.15 pav.) Wm yra proceso modelis, Wm* – apytikslė modelio inversija, Wf – eksponentinis filtras. Proceso modelis jungiamas lygiagrečiai su procesu. Jei modelis sutampa su procesu, t. y. Wm = Wpr, tai nuokrypio signalas e lygus trikdžiui d, esant visiems valdantiesiems poveikiams u. Jei Wf = 1 ir Wm* yra tiksli proceso perdavimo funkcijos inversija, tai trikdys d sistemoje bus gerai kompensuojamas. Filtras Wf įdedamas, kad būtų pasiektas mažesnis sistemos jautrumas modeliavimo paklaidoms ir užtikrintas sistemos, kurios perdavimo funkcija W f Wm* , realizuojamumas (atvirkštinė perdavimo funkcija Wm* nerealizuojama).

dažnai būna fiziškai

Reguliatorius d

y nuost +

-

Wf (s)

u

Wm* ( s )

Wpr (s)

Wm (s)

e -+ 2.15 pav. Vidinio modelio valdymo sistemos struktūra

38

y +


Paprastai naudojamas eksponentinis filtras, kurio perdavimo funkcija

W f ( s) 

1 ; Tf s  1

(2.29)

čia Tf – filtro laiko pastovioji (derinimo parametras). Reguliatorius, sudarytas vidiniu modeliu paremto valdymo principu, turi tokią perdavimo funkciją:

Wr ( s) 

W f ( s) Wm* ( s) 1  W f ( s) Wm* ( s) Wm ( s)

.

(2.30)

Išnagrinėjus atvirosios sistemos perdavimo funkciją Watv (s)  Wr (s) Wpr (s) , iš (2.30) išraiškos gaunama, kad šio tipo reguliatoriai

panaikina proceso nulius ir polius. Paprastai tokio reguliatoriaus perdavimo funkcija yra aukštos eilės. Vis dėlto taikant paprastus modelius, galima gauti PI ar PID reguliatorius. Tai galima parodyti nagrinėjant procesą, aprašomą pirmosios eilės perdavimo funkcija su vėlavimu [53, 54, 56, 65]. 2.4.3. Intelektinės (hibridinės) valdymo sistemos Intelektinės valdymo sistemos apibrėžiamos kaip sistemos, turinčios tam tikrų žmogiškos elgsenos savybių, tokių kaip lygiagretusis informacijos apdorojimas, prisitaikymas prie aplinkos, asociatyvioji atmintis, mokymasis, apibendrinimas ir saviorganizavimas. Kita vertus, intelektinės valdymo sistemos gali būti apibrėžiamos kaip intelektinių sistemų metodologijos taikymas procesams valdyti, suteikiant anksčiau minėtų elgsenos savybių. Kitaip tariant, intelektinės valdymo sistemos yra šiuolaikinio valdymo, sistemų inžinerijos ir intelektinių sistemų derinys. Būtina pabrėžti, kad intelektinės sistemos nepaneigia matematiniais modeliais paremtų valdymo sistemų, tačiau suteikia papildomų galimybių ir priemonių sudėtingiems procesams valdyti. Ekspertinės valdymo sistemos Ekspertinės sistemos – tai programinės sistemos, sudarytos iš žmogaus ir mašinos sąsajos, naudojančios žinių ir simbolinius (skaitinius) samprotavimus vykdyti sudėtingus uždavinius: ekspertinių sistemų aukščiausią vadovavimo lygį paprastai užima ekspertas. Proceso stebėjimas ir valdymas yra nuo žinių priklausomas ir patirtimi paremtas uždavinys, kuris esant labai sudėtingiems procesams gali viršyti operatorių ir inžinierių kompetenciją. Ekspertinės sistemos gali suteikti būtinąją pagalbą: skubiai aptikti ir lokalizuoti proceso trikdį lygiai taip, kaip tai daro realaus laiko adaptyvusis ar prognozuojamas valdymas. Vis dėlto iš esmės ekspertinės sistemos yra aukštesnio automatizavimo lygmens nei klasikinės sistemos. Kaip ir klasikinės sistemos, ekspertinės sistemos taip pat stebi proceso parametrus, turi įdiegtus valdymo algoritmus, tačiau šalia viso to jos remiasi ir 39


žiniomis paremtomis sistemomis, kurios nuolat kaupia euristinę projektavimo ir eksploatacinę patirtį. Ekspertinės sistemos gali būti interpretuojamos kaip natūrali klasikinių automatinių sistemų tąsa su žiniomis paremtais reguliatoriais, tokiais kaip fuzzy, neuroniniais, fuzzy neuroniniais ir nuosekliąja logika pagrįstais reguliatoriais. Ekspertines valdymo sistemas galima suklasifikuoti į 2 pogrupius: tiesioginį (jam priklauso sistemos, kurios ekspertinę sistemą taiko kaip reguliatorių) ir netiesioginį ekspertinį valdymą (kada sistemos projektuotojas sudaro smulkų valdymo veiksmų planą (plan, planning), kuris vykdomas viso proceso mastu). Principinė tiesioginio ekspertinio valdymo sistemos schema pateikta 2.16 pav.

Įėjimas (nuostatas arba gautos žinios),

yin

Žinių bazė

Valdantysis poveikis u

Valdomas procesas

Išėjimas y

Išvadų mechanizmas

2.16 pav. Principinė tiesioginio ekspertinio valdymo sistemos schema

Šiuo atveju ekspertinė valdymo sistema taikoma kaip tiesioginio grįžtamojo ryšio reguliatorius. Iš esmės, ekspertinis reguliatorius yra panašus į neraiškųjį reguliatorių, tačiau jo žinių bazė, nustatydama, kurios taikylės turi būti vykdomos, gali naudotis arba bendresnėmis, arba priešingai – kur kas konkretesnėmis priklausomybėmis. Taip pat ekspertinis reguliatorius gali naudoti pats save kaip tolesnio mokymosi bazę. 2.17 pav. parodytas žinių bazės plano kaip grįžtamojo ryšio reguliatoriaus naudojimas.

40


Žinių bazės planas

Plano generavimas Plano žingsnis

Problemos (projektas)

Nurodymų planas Tikslai (nuostatai) g k

Problemų ieškojimas

Planų rinkinys Plano sprendimai

Trikdžiai

dk

Vienas planas Plano vykdymas Valdomas procesas

Stebimi išėjimai

yk

Vykdymo stebėjimas Plano klaida

Valdantieji poveikiai

uk

2.17 pav. Žinių bazės plano kaip grįžtamojo ryšio reguliatoriaus panaudojimas

Sistemos projektuotojas yra pateikęs uždarojo kontūro specifikacijas su pageidaujamomis charakteristikomis. Valdymo sistema (planner) stebi nuostatus, išėjimus ir generuoja tokius valdančiuosius poveikius, kad šie kompensuotų trikdžių poveikį ir palaikytų valdomo proceso parametrus pagal nurodytas uždarojo kontūro specifikacijas. Kad tai padarytų, valdymo sistema generuoja (paprastai taikydama proceso modelį) sąrašą potencialių valdymo planų, iš kurių galiausiai atrenkamas vienas geriausias planas (pagal iš anksto nustatytus kokybinius parametrus) spręsti konkrečią problemą konkrečiu laiko momentu. Tada valdymo planas įvykdomas ir stebima bei vertinama proceso būsena [35, 37, 48, 103, 119]. Hierarchinės valdymo sistemos Hierarchinės valdymo sistemos yra tokios valdymo sistemos, kuriose prietaisų (įrenginių) ir valdymo sistemų grupės (elementai) yra tarpusavyje sujungtos hierarchinio medžio principu (2.18 pav.). Tokiu būdu sprendimų priėmimo atsakomybė padalijama skirtingiems mazgams. Kiekvienas hierarchijos elementas yra sujungtas su konkrečiu mazgu. Komandos, užduotys ir tikslai vykdomi iš viršaus į apačią nuo aukštesnio mazgo žemesniojo (pavaldžiojo) mazgo link. Mazgai, esantys tame pačiame sluoksnyje, gali tarpusavyje keistis informacija. Yra du hierarchinių valdymo sistemų sluoksnių skiriamieji bruožai:  kiekvienas aukštesnis sluoksnis dirba ilgesniais planavimo ir vykdymo intervalais nei iškart po jo einantys sluoksniai;  žemesnieji sluoksniai turi savo vietinius planus, užduotis, tikslus ir jų veiksmai planuojami koordinuotai su aukštesniais sluoksniais, kurie bendruoju atveju jų nekeičia [47, 92, 119]. 41


Aukščiausio lygmens mazgas Užduotys Tikslai Būsenos stebėjimai, rezultatai

Mazgas

Jutiklis

Mazgas

Jutiklis Vykdiklis

Vykdiklis

Būsenos stebėjimai

Veiksmai

Būsenos stebėjimai

Veiksmai

Valdomas procesas

2.18 pav. Hierarchinės valdymo sistemos schema

2.4.4. Optimizacija paremtos valdymo sistemos Šias valdymo sistemas santykinai galima suskirstyti į du pogrupius: 1) optimalus valdymas, 2) optimizuojantis valdymas. Optimalus valdymas Optimalus valdymas įprastai nustato optimalią valdymo kintamųjų trajektoriją, kuri optimizuoja proceso dinamiką pagal iš anksto nustatytus kriterijus ar apribojimus. Tarkim, valdomas procesas aprašomas tokiomis lygtimis:

xk 1  f ( xk , uk ); yk  g ( xk , uk );

(2.31)

čia x – būsenos kintamieji, u – valdantysis poveikis, y – proceso išėjimas. Tada optimalus valdymas gali būti aprašytas kaip tikslo funkcijos minimizavimas būsenos modelio ar proceso apribojimų atžvilgiu:

min J ( xk , uk , k ) .   Uk

(2.32)

k

Pramoninėse valdymo sistemose tikslo funkcija gali būti pasirinkta minimizuojanti energetines sąnaudas, perkėlimo iš pradinės sistemos būsenos į pageidaujamą sistemos būseną laiką ar tiesiog valdymo paklaidą. Optimizuojantis valdymas Skirtingai nuo optimalaus valdymo, optimizuojantis valdymas generuoja stabilius būsenos valdymo sprendinius daugiaparametrėje valdymo kintamųjų 42


erdvėje. Pageidaujami darbiniai kriterijai yra optimizuojami atsižvelgiant į sistemos apribojimus. Būtina atkreipti dėmesį, kad daugelis pramoninių procesų valdymo uždavinių, tokių kaip identifikavimas, būsenos įvertinimas, adaptyvusis valdymas ir mokymasis, sprendžiami taikant optimizacijos metodus [3, 13, 24, 135]. 2.4.5. Metodų privalumai ir trūkumai Tiesioginio grįžtamojo ryšio valdymo sistemos plačiai taikomos įvairiuose vandenvalos procesuose, tačiau jų taikymo galimybės mažėja, jeigu didėja valdomo proceso netiesiškumas arba jeigu proceso dinamika dažnai keičiasi. Pakopinių valdymo sistemų taikymas leidžia sumažinti trikdžių poveikį, pagerinti uždarojo kontūro dinamines savybes. Vandenvaloje jos plačiai taikomos norint valdyti įvairias fizines sistemas, tokias kaip siurbliai, lygio palaikymas ir pan. Platesnį jų taikymą vandenvalos biotechnologiniams procesams valdyti stabdo apribojimai, pvz., kai valdantysis poveikis reguliuojamąjį parametrą turi veikti per tarpinį kintamąjį, kuris turi būti matuojamas ir analitiškai aprašomas būsenos lygtimi; sistemose naudojami keli reguliatoriai, kuriuos perderinant užtrunkama daug laiko ir kt. Praeityje grįžtamojo ryšio su kintančia kontūro dinamika ARS buvo labai plačiai taikytos vandenvalos biologiniams procesams valdyti. Ir šiais laikais jos gana plačiai taikomos biologiniams procesams valdyti, tačiau sudėtingiems biologiniams procesams tiksliai valdyti jos netinka, nes įvertina per mažai procesą veikiančių parametrų ir kintamųjų. Vis dėlto ši metodika niekur nedingo, sėkmingai evoliucionavo ir labai sėkmingai taikoma sudarant adaptyviąsias modeliu pagrįstas valdymo sistemas. Modelio prognozuojamas valdymas leidžia žymiai pagerinti biologinių vandenvalos procesų valdymą, tačiau pagrindinis jo trūkumas yra priklausomybė nuo dinaminės matricos modelio. Jeigu procesas yra netiesinis, o metodo esmė – sudaryti ilgalaikes prognozes, tai modelis turės atitikti blogiausias prognozes. Tai neišvengiamai veda prie konservatyvių valdymo veiksmų ir sumažina valdymo kokybę. Bendrojo modelio valdymas taip pat yra puiki priemonė netiesiniams ir nestacionariems procesams valdyti, šis metodas yra pasiteisinęs. Metodo trūkumai yra būtinybė nuolat matuoti ar įvertinti būsenos kintamuosius ir reikalavimas, kad (2.26) lygtyje nurodytą išraišką būtų galima išspręsti valdančiojo poveikio u atžvilgiu. Jeigu lygties negalima tiesiogiai išspręsti, reikia taikyti iteracinius metodus, kurie žymiai padidina skaičiavimo apimtį. Taip pat kai kuriais atvejais (labai pasikeitus proceso būsenai nuo vidutinės) problemų kelia (2.27) derinimo parametrų parinkimas. Neraiškieji reguliatoriai gali būti jungiami su dinaminiais elementais, tokiais kaip integratoriai. Vis dėlto net sujungtas su integratoriumi, neraiškusis reguliatorius nerodo ypač geros valdymo kokybės. Bendruoju atveju bet kuris valdantysis poveikis, gautas neraiškiuoju reguliatoriumi, gali būti gautas ir klasikiniais metodais. Skirtumas tarp neraiškiojo ir klasikinio netiesinio reguliatoriaus yra ne galutinis rezultatas, o kaip jis buvo pasiektas. Yra plačiai paplitusi nuomonė, kad neraiškiųjų 43


reguliatorių naudojimas suteikia valdymui daugiau patikimumo. Tačiau, vieno labiausiai patyrusio biologinio nuotekų valymo valdymo specialistų Gustaf Olsson nuomone, tai neturi nieko bendro su realybe. Vis dėlto neraiškiosios logikos valdymo sistemos taikomos mažai ištirtiems arba sunkiai perprantamiems biologiniams procesams valdyti. Dauguma taikomų adaptacijos algoritmų pasyviai laukia nuostato pokyčių ar pagrindinės apkrovos trikdančiųjų poveikių. Kai tai įvyksta, įvertinami sistemos savybes apibūdinantys parametrai: slopimo laipsnis, perreguliavimas, svyravimų periodas ir statinis stiprinimo koeficientas. Remiantis įvertintais sistemos parametrais ir parinktomis derinimo taisyklėmis, nustatomi reguliatoriaus derinimo parametrai, kurie palaiko pageidaujamus sistemos kokybės rodiklius. Adaptacija tiesioginio ryšio reguliatoriams (trikdžių kompensatoriams) ypač reikalinga. Tiesioginio ryšio valdymo sistemoms realizuoti taip pat reikia sudaryti adekvačius proceso dinamikos modelius. Šias valdymo sistemas sunku suderinti pagal poreikį, nes operatorius paprastai negali manipuliuoti adaptacijai reikalingais išoriniais trikdžiais. Norint suderinti tiesioginio ryšio reguliatorių, reikia sulaukti tinkamo trikdančiojo poveikio. Naudinga vidinio modelio valdymo sistemų savybė: sistemos nejautrumas modelio netikslumui yra aiškiai įvertinamas projektuojant. Nejautrumas gali būti derinamas, tinkamai parenkant filtrą Wf. Pageidaujamas kompromisas tarp sistemos nejautrumo ir greitaveikos pasiekiamas naudojant filtro laiko pastoviąją kaip derinimo parametrą. Vidinio modelio valdymo metodu galima suprojektuoti sistemas, kurios pasižymi ypač kokybišku valdymu sekant nuostato pokyčius. Kiek blogesnė reguliavimo kokybė gaunama kompensuojant apkrovos trikdžius. Reikia atkreipti dėmesį, kad reguliavimo kokybė vidinio modelio valdymo sistemose ypač priklauso nuo modelio tikslumo (proceso atitikimo) ir nuo modelio inversijos tikslumo. Optimizacija paremtos valdymo sistemos dažniausiai yra natūrali prieš tai buvusių valdymo sistemų evoliucija. Jos dažniausiai taikomos kartu su kitomis valdymo sistemomis, pvz., optimizacija paremta valdymo sistema suskaičiuoja nuostatą, o kita, adaptyvioji, valdymo sistema jį labai tiksliai palaiko. Bendruoju atveju optimizuojančios valdymo sistemos rodo gerus valdymo rezultatus. Žymesnis šių sistemų trūkumas yra būtinybė kiekvienu diskretiniu laiko momentu atlikti didelį kiekį skaičiavimų, tačiau sparčiai didėjant aparatiniam skaičiavimų pajėgumui, ši problema tampa vis mažiau aktuali. Labai sudėtinga intelektines valdymo sistemas lyginti su klasikinėmis valdymo sistemomis, nes dažniausiai klasikinės valdymo sistemos yra viena iš sudedamųjų intelektinių valdymo sistemų dalių. Vis dėlto galima vienareikšmiškai teigti, kad intelektinės sistemos yra svarbus žingsnis pirmyn kuriant valdymo sistemas, nes jos leidžia panaudoti įvairius šaltinius sprendimams (nuostatams) priimti, gali būti arba visiškai autonominės, arba surinkti, apdoroti ir pateikti operatoriui ar technologui jau suformuluotus galimus problemos sprendimo būdus su visomis iš to išplaukiančiomis pasekmėmis. Intelektinių sistemų pažangą galima iliustruoti pavyzdžiu iš aviacijos srities: kuo lėktuvas naujesnis, tuo piloto kabinoje yra mažiau mygtukų, informacinių tablo ir t. t. Jų skaičiaus mažėjimą lemia intelektinių sistemų 44


tobulėjimas: jos jungia vis daugiau procesų, didina automatizavimo lygį, kartu didindamos skrydžių saugumą, paprastindamos lėktuvo valdymą ir mažindamos eksploatacijos išlaidas. Todėl atsakingai galima teigti, kad intelektinių valdymo sistemų plėtra labai priklauso nuo kokybiškų klasikinių valdymo sistemų – jeigu pastarosios dirbs blogai, tai tinkamai nefunkcionuos ir visa intelektinė sistema. 2.5. Vandenvalos procesų valdymo sistemų apžvalga Šiame skyriuje apžvelgiamos ir aktyviojo dumblo proceso, ir anaerobinio pūdymo valdymo sistemos. 2.5.1. Aktyviojo dumblo proceso valdymo sistemos Optimizacija paremtos valdymo sistemos B. Chachuat et al. aeracijos sistemai pritaikė optimalų valdymą, siekdami pagerinti aktyviojo dumblo proceso efektyvumą bei patikimumą ir panaudodami besikeičiančio aktyviojo dumblo (ASS) valykloje. Formuluojami du uždaviniai: pirmasis apima azoto kiekio ištekėjime minimizavimą, o antrasis susijęs su energijos sąnaudų minimizavimu. Abiem atvejais ypatingas dėmesys skiriamas ilgalaikiam objekto veikimui, siekiant įsitikinti, kad sistemos generuojami valdantieji poveikiai yra saugūs ir patikimi technologinio proceso atžvilgiu. Rezultatai parodė žymų pagerėjimą, palyginti su esama aeracijos sistema: 37 % pagerino pirmojo uždavinio sprendimą ir apie 27 % – antrojo uždavinio sprendimą. Žymus darbo pagerėjimas taip pat pastebėtas lyginant optimalios aeracijos strategiją su įprastu ištirpusio deguonies koncentracijos valdymu [20]. B. G. Plosz tyrė veiksnius, lemiančius aktyviojo dumblo denitrifikacijos reaktorių optimalias konfigūracijas. Optimalioms stadijoms bioreaktoriuose prieš ir po denitrifikacijos įvertinti buvo taikomi kinetinio optimizavimo metodai. Taikant sukurtą metodą, buvo atliktas modeliavimas ir tiriama įtekančio lengvai skaidomo substrato ir lėtai skaidomo substrato santykio su deguonies, tiekiamo į denitrifikacijos zoną, įtaka optimaliai anoksinio reaktoriaus konfigūracijai. Be to, straipsnyje aprašoma lėtai skaidomo substrato įtaka denitrifikacijos efektyvumui, kai naudojamas išorinis substrato dozavimas, įvertinantis hidrolizės procesų kinetiką. Buvo parodyta, kad, priklausomai nuo biologiškai skaidomo substrato sudėties, sistema su trimis optimizuotais reaktoriaus rezervuarais gali efektyviai padidinti reakcijų greitį denitrifikacijos zonoje ir užtikrinti lankstumą kintant darbo sąlygoms [93]. S. Revollar et al. darbe pateikti du stochastiniai optimizavimo metodai, kuriais atliekama integruota aktyviojo dumblo proceso sintezė ir projektavimas. Proceso sintezė ir projektavimas atliekami kartu su valdymo sistemos projektavimu, siekiant gauti ekonomiškai efektyviausią objektą, kuris užtikrina reikiamą valdymo sistemos darbo kokybę. Matematiškai suformulavus šį tikslą, sudėtinga proceso struktūra transformuojama į integruotą optimizavimo uždavinį su netiesiniais apribojimais ir dinaminiais darbo kokybės rodiklių įverčiais. Siūlomi stochastiniai optimizavimo algoritmai – imituojamo atkaitinimo (Simulated Annealing) ir realaus kodo genetinis 45


algoritmas – yra tinkamos alternatyvos klasikiniams optimizavimo metodams, sprendžiant tokius sudėtingus uždavinius. Rezultatai skatina tolesnius tyrimus, nes įgyvendinimo paprastumas ir gauta sprendimo kokybė integruoto sintezės ir projektavimo uždavinio sprendimą daro ne tik įmanomą, bet ir praktiškai įgyvendinamą [98]. V. Turmel et al. pateikė modeliavimo rezultatus, kuriais remdamiesi palygino trijų skirtingų valdymo metodų (PID, neraiškiųjų aibių logika ir susiderinantis valdymas) reguliatorių darbą nuotekų valymo procesuose su tipiniais įtekančio srauto režimais. Dumblo srauto valdymo sistemos nuostatas optimizuojamas naudojant tikslo funkciją, kuri įvertina išleidžiamo vandens kokybę ir eksploatavimo kainą. Susiderinantis reguliatorius, taikantis bendrojo modelio valdymo metodą, rodo tinkamą jautrumą ir gerą reakciją į kintančias darbo sąlygas. Straipsnyje pastebėtas patikimų matavimų, reikalingų valdymo sistemai realizuoti, trūkumas [118]. Q. Chai ir B. Lie pristatė biologinio nuotekų valymo proceso su pertraukiama aeracija modeliu paremtą optimalų valdymą ir prognozuojantį valdymą (MPC). Valdymo tikslas buvo sukurti tokį aeracijos algoritmą, kuris minimizuoja aeracijos sistemos sunaudojamą energiją ir kartu užtikrina Europos Sąjungos reikalavimų ištekančiam vandeniui vykdymą ir technologinius apribojimus. Sudarytas optimizavimo uždavinys sprendžiamas naudojant slenkančio horizonto netiesinį MPC su pilnu ASM3 modeliu. MPC aeracijos trajektorija užtikrina, kad įrenginys atitiks išleidžiamo vandens reikalavimus bet kuriuo laiko momentu. MPC ir trijų tradicinių taisyklėmis paremtų valdymo metodų palyginimo rezultatai rodo žymų energijos sąnaudų sumažėjimą [21]. Tiesioginio ryšio kompensatorius H. O. Mendez-Acosta et al. pritaikė tiesinį grįžtamojo tiesioginio ryšio valdymą priešpriešiniam sluoksniuotam (fixed bed) aerobiniam pūdytuvui, kuriame valomos pramoninės vyno distiliavimo nuotekos. Metodo naujumas pasireiškia tuo, kad nuostatas užduodamas tiesioginio ryšio signalu, o sekimo paklaidą formuoja grįžtamasis ryšys; toks metodas susijęs su kinetiniais neapibrėžtumais ir sumažina veikiančius trikdžius. Be to, pasiūlytai sistemai nereikalingi nei trikdžių matavimai, nei žinios apie jų struktūrą. Remiantis fizinėmis proceso savybėmis, analizuojamos kai kurios atviro kontūro stabilumo savybės. Galiausiai įsisotinimo kompensavimo schema (ARW) atsižvelgia į vykdančio mechanizmo konstrukcinius apribojimus. Rezultatai rodo, kad ARW kontūro taikymas pagerina uždarojo kontūro dinamiką [76]. Relinis valdymas F. J. S. Silva et al. pasiūlė OUR (deguonies sunaudojimo greičio) įvertinimo programinį jutiklį, naudojantį Kalmano filtrą ir IDK valdymą, keičiant aeratorių įjungimo ir išjungimo ciklų laiką. Modeliavimo ir eksperimentiniai tyrimai atlikti naudojant bandomąjį aerobinį reaktorių. Remiantis modeliavimo ir eksperimentiniais rezultatais padaryta išvada, kad galima nepertraukiamai skaičiuoti OUR įvertį, taikant apytikslį deguonies perdavimo modelį ir IDK matavimus 46


Kalmano filtro algoritme. Palyginti su kitais metodais, siūlomas metodas pasižymi geresniu atsako laiku ir atsparumu triukšmui [109]. P / PI / PID valdymas J. A. Ramirez et al. pasiūlė tiesinio grįžtamojo ryšio reguliatoriaus, valdančio anaerobinio pūdymo sistemą, projektavimo metodą. Cheminio deguonies sunaudojimo (COD) koncentracija ištekėjime ir skiedimo greitis yra atitinkamai valdomasis ir valdantysis kintamieji. Projektavimo metodas remiasi paprastais proceso šuolinės reakcijos modeliais su papildomu įėjimo vėlinimu, įvertinančiu matavimo prietaisų vėlavimo laiką. Gautas grįžtamojo ryšio reguliatorius turi tradicinę proporcinio intergralinio (PI) valdymo struktūrą, todėl gali būti nesunkiai realizuojamas naudojant tipinę valdymo įrangą. Kadangi lakiųjų riebalų rūgščių koncentracija gali būti lengviau ir greičiau pamatuota nei COD koncentracija, ji naudojama kaip antrinis matavimas grįžtamojo ryšio kontūre, taip padidinamas valdymo sistemos nejautrumas veikiantiems trikdžiams. Pasiūlytos valdymo sistemos darbas iliustruojamas daugeliu modeliavimo rezultatų ir eksperimentiniais darbais [4]. J. A. Ramirez et al. nagrinėja sluoksniuotus (fixed bed) bioreaktorius. Tokių procesų dinamika aprašoma dalinių išvestinių lygčių sistema, kuri suprastinama iki diferencialinių lygčių, naudojant baigtinių skirtumų metodą. Šio darbo tikslas buvo parodyti, kad standartinis proporcinio integralinio (PI) valdymo dėsnis, kuris remiasi bioreaktoriaus išėjimo dinamika, gali būti taikomas sluoksniuotiems bioreaktoriams (pvz.: fermentatoriams, biofiltrams ir pan.) valdyti. Gauto valdymo dėsnio darbas iliustruojamas sluoksniuoto bioreaktoriaus anaerobinio nuotekų valymo proceso modeliavimo rezultatais [5]. R. Vilanova et al. pasiūlė diskretinį valdymą su decentralizuoto reguliatoriaus sudarymu. Naudojamas PI reguliatorius, suderintas remiantis archyviniais duomenimis ir taikant virtualios grįžtamosios informacijos (Virtual-Reference Feedback) derinimo metodą. Pagrindinis pasiūlyto metodo privalumas – nesiremiama įprasta valdomosios sistemos aproksimacija tiesiniu modeliu, o tik eksperimentiniais sistemos įėjimo ir išėjimo duomenimis. Derinimo metodas buvo išbandytas su netiesine keleto kintamųjų sistema ir rezultatai palyginti su IMC metodu suderinta sistema. Nors projektavimas ir sudėtingesnis, tačiau gauta valdymo sistema parodo geresnius rezultatus nei IMC sistema [126]. Kontūrų su kintančia dinamika valdymo sistemos T. T. Lee et al. tyrinėja sudėtingesnius biologinio nitratų šalinimo (BNR) valdymo metodus, taikomus aktyviojo dumblo proceso metu. Remiantis anksčiau patikrintu paskirstytų parametrų BNR aktyviojo dumblo modeliu, pristatytas robustinis keleto kintamųjų reguliatoriaus projektavimas su grįžtamaisiais ryšiais, robustiniu stabilumu ir darbo kokybės analize. Trijų projektavimo pavyzdžių rezultatai parodė, kad naudojant keleto kintamųjų reguliatorių, gaunami geriausi rezultatai, atitinkantys valdymo kokybės reikalavimus. Reguliatorius patikimai stabilizuoja teršalų kiekį ištekėjime, esant neapibrėžtumų fosforą kaupiančių organizmų elgsenoje ir efektyviai kompensuoja pagrindinius šuoliškai kintančius 47


trikdančius poveikius. Šis tyrimas taip pat atskleidė, kad keleto kintamųjų robustinio reguliatoriaus darbo kokybė ir stabilumas geresni nei keleto kontūrų SISO (ang. SISO – single input single output – vieno įėjimo ir vieno išėjimo) PI reguliatoriaus, valdančio BNR aktyviojo dumblo procesą [63]. N. A. Wahab et al. tyrinėjo keleto kintamųjų PID (MPID) reguliatorių taikymą nuotekų valymo įrenginiuose (WWTP) su priešdenitrifikaciniais procesais ir siūlė naują paprastą derinimo metodą bei tris jau egzistuojančius metodus, kuriems reikia tik šuolinės arba dažninės reakcijos eksperimento. Šių metodų veikimas yra palyginamas, o parametrai suderinami taikant pasiūlytą optimizavimo metodiką, leidžiančią minimalia kaina užtikrinti kokybę ištekėjime. Optimalios reguliatoriaus parametrų vertės randamos taikant netiesinį ASM1 modelį. Rezultatai rodo, kad tinkamai suderinus MPID reguliatorių pagerėja vandenvalos įmonės nepertraukiamas darbas, galima potencialiai sumažinti energijos sąnaudas ir kartu pagerinti azoto šalinimą [128]. Pakopinės valdymo sistemos P. Zhang et al. pasiūlė tiesioginio ryšio pakopinį reguliatorių, skirtą ištirpusio deguonies koncentracijai valdyti aktyviojo dumblo procese ir leidžiantį minimalia kaina pasiekti griežtus ištekančio vandens reikalavimus. Įprasta proporcinio integralinio (PI) veikimo valdymo sistema su pastoviu ištirpusio deguonies koncentracijos nuostatu ir tiesioginio ryšio pakopinė ištirpusio deguonies koncentracijos nuostato valdymo sistema buvo įvertintos, taikant supaprastintą aktyviojo dumblo modelį ir sumažintą IWA modeliavimo įvertį. Tiesioginio ryšio pakopinis valdymas remiasi hierarchine struktūra: aukštesnio lygio, arba pakopinis valdymas, užduoda nuostatą žemesnio lygio įprastiniam reguliatoriui, kuris tiesiogiai valdo ištirpusio deguonies koncentraciją. Tiesioginis ryšys valdymo sistemoje leidžia kompensuoti apkrovos įtaką valdymo sistemai. Pateikti rezultatai rodo, kad tiesioginio ryšio pakopinis aktyviojo dumblo proceso valdymas geriau užtikrina reikalavimus, susijusius su ištekėjimu, ir sumažina darbo sąnaudas, palyginti su įprastine PI valdymo sistema [150]. M. Ekman et al. aukštesnio lygio aeracijos tūrio valdymo strategijai panaudojo priešnitrifikacinio aktyviojo dumblo proceso modeliuojamą įvertį. Aeracijos tūrio valdymo strategija taip pat buvo išbandyta pilotiniame Hammarby Sjostad objekte Stokholme, Švedijoje. Pagrindinė idėja – leisti vienose aeracijos talpose nustatyti ištirpusio deguonies koncentraciją (IDK) aukštesnio lygio reguliatoriui, valdomam pagal ištirpusio deguonies koncentraciją kitose talpose. Tokiu atveju kintamam IDK nuostatui keisti naudojami tik IDK matuokliai. Didelis tokių jutiklių patikimumas užtikrina patikimą įėjimo signalą pasiūlytai valdymo strategijai. Be to, žinoma, kad deguonies sunaudojimo greitis priklauso nuo substrato ir azoto kiekio talpose, todėl atliekami IDK nuostato pakeitimai netiesiogiai apskaičiuojami remiantis esamos valymo įrenginių apkrovos vertėmis. Palyginus pastovaus IDK valdymą su aukštesnio lygio IDK nuostato valdymo strategija pagal amonio matavimus paskutinėje aerobinėje talpoje, pasiūlyta aeracijos talpos valdymo strategija gali sumažinti nitratų ir amonio koncentraciją ištekėjime nepadidinant aeracijai sunaudojamos energijos [33]. 48


M. Yong et al. pasiūlė šešias skirtingas strategijas, jungiančias nitratų recirkuliavimo srauto ir papildomo anglies šaltinio tiekimo į priešdenitrifikacinę biologinio nuotekų valymo sistemų valdymą, bei įvertino jas naudodami COST lyginamąjį įvertį. Pasiūlyta valdymo metodika susideda iš dviejų ar trijų grįžtamojo ryšio valdymo kontūrų, kurie valdo nitratų recirkuliaciją ir anglies dozavimo srautą taip, kad papildomo anglies šaltinio sąnaudos minimizuojamos, o išleidžiamų nitratų kiekis neviršija nustatytų ribų. Valdymo sistemai reikalingi nitratų koncentracijos matavimai anoksinės ir aerobinės zonos gale. Buvo atlikta modeliavimo bandymų, kurių rezultatai parodė, kad valdymo sistema gali palaikyti reikiamą kokybę ištekėjime veikiant išoriniams trikdžiams, kartu pasiekti puikių rezultatų, naudoti papildomą anglies šaltinį, užtikrinti bendrą įrengimų darbą ir valdymo kokybę [142]. Modeliu prognozuojamas valdymas M. O'Brien et al. detaliai aprašė modeliu prognozuojamo valdymo taikymą nuotekoms valyti Lankasteryje, Šiaurės Anglijoje. Valdymo sistema buvo taikoma realiuoju laiku kartu su įrenginių stebėjimo sistema. Įdiegus modelio prognozuojamą valdymą pastebėta daug privalumų, palyginti su anksčiau taikyta valdymo sistema. Daugiau nei 25 % sumažintos energijos sąnaudos ir panašiu dydžiu padidintas įrenginių efektyvumas. Todėl tokia sistema gali būti naudinga vandenvalos srityje, siekiant sumažinti bendrąją taršą [86]. B. Holenda et al. tyrė naują metodą ir jį pritaikė sumodeliuotoje situacijoje: modeliu prognozuojamas valdymas (MPC) buvo pritaikytas ištirpusio deguonies koncentracijai valdyti nuotekų valymo įrenginių aerobiniuose rezervuaruose. Valdymo metodika buvo išbandyta ir palyginta dviem atvejais: valdymo algoritmams palyginti aerobiniame rezervuare buvo palaikoma nustatyto lygmens deguonies koncentracija, o keičiamos deguonies koncentracijos periodinis aktyviojo dumblo procesas buvo valdomas taikant MPC metodiką. Taip pat ištirta kai kurių MPC derinimo parametrų (numatymo horizonto, įėjimo svorių, diskretizavimo dažnio) įtaka. Rezultatai parodė, kad MPC gali būti taikomas norint efektyviai valdyti ištirpusio deguonies koncentraciją nuotekų valymo įrenginiuose [46]. S. Caraman et al. pristatė prognozuojantį reguliatorių, tinkamą nuotekų valymo procesui. Nagrinėjamas procesas, kai valomos nuotekos, kuriose substrato koncentracija ištekėjime turi būti sumažinama iki įstatymų nustatytų ribų (mažiau nei 20 mg l-1). Tikslas pasiekiamas valdant ištirpusio deguonies koncentraciją. Prognozuojantis reguliatorius kaip vidinį proceso modelį naudoja neuroninį tinklą ir keičia skiedimo greitį valdymo tikslui pasiekti. Valdymo algoritmą galima derinti keičiant įvairius parametrus: numatymo horizontą, valdymo horizontą, paklaidų ir poveikio svorius. Prognozuojančiojo valdymo struktūra buvo išbandyta trimis režimais, kurie dažniausiai taikomi praktikoje. Modeliavimo rezultatai parodė gerą valdymo sistemos darbą. Reguliatorius keitė skiedimo greitį ir užtikrino ištirpusio deguonies koncentracijos atitiktį nuostatui. Tai leido išlaikyti leistinų ribų substrato koncentraciją. Valdymas buvo efektyvus esant įvairiems aeracijos intensyvumo režimams. Be to, buvo kompensuoti substrato koncentracijos įtekėjime pasikeitimo trikdžiai [16].

49


W. Shen et al. pritaikė modeliu prognozuojamą valdymą (MPC) nuotekų valymo proceso pavyzdinio imitacinio modelio 1 (BSM1) programiniam įvertinimui, palaikant ištekančio vandens nustatytų ribų kokybę. Ištyrus atvirojo kontūro reakcijas į valdančiųjų kintamųjų ir matuojamų trikdžių pokyčius, buvo išbandytas grįžtamojo ryšio tiesinės dinaminės matricos valdymas (DMC), kvadratinės dinaminės matricos valdymas (QDMC) ir netiesiniu modeliu prognozuojamas valdymas (NLMPC) su tiesioginiu ryšiu pagal įtekėjimo srautą arba amonio koncentraciją. Modeliavimo rezultatai parodė gerą sistemos darbą esant stabilioms įtekėjimo charakteristikoms, ypač susijusioms su azoto sudėtimi. Palyginti su DMC ir QDMC, NLMPC rodo nedidelį pagerėjimą. Du matuojami trikdžiai – įtekėjimo srautas ir amonio koncentracija jame – buvo panaudoti tiesioginio ryšio valdymo sistemoje. Parodyta, kad tiesioginis ryšys pagal įtekančio amonio koncentraciją yra daug svarbesnis nei tiesioginis ryšys pagal įtekėjimo srautą, nors pastaroji sistema truputį geresnė už grįžtamojo ryšio DMC. Geriausia valdymo kokybė gaunama, kai naudojami abu tiesioginio ryšio reguliatoriai, reguliuojantys pagal įtekančio amonio koncentraciją ir įtekėjimo srautą. Visais atvejais darbo pagerėjimas susijęs su didelėmis energijos sąnaudomis aeracijai [108]. Bendruoju modeliu paremtas valdymas F. N. Koumboulis et al. pasiūlė dviejų etapų robustinio valdymo schemą, pagerinančią aktyviojo dumblo proceso (ASP) kokybę. Pirmajame etape vykdomas nuoseklus substrato koncentracijos valdymas kartu su ištirpusio deguonies koncentracijos reguliavimu. Pirmajame etape taikomas tik dinaminis valdymas. Antrajame etape naudojamas PID reguliatorius. Geras pasiūlytos valdymo sistemos darbas su minėtu netiesiniu ASP modeliu iliustruojamas daugeliu imitacinių eksperimentų. Svarbiausias rezultatas, apibendrinantis tyrimo rezultatus, yra tiesinio robustinio reguliatoriaus panaudojimas norint tiksliai valdyti substrato koncentraciją ištekėjime, nenaudojant jo matavimo [59]. R. Aguilar-Lopez daugiausia dėmesio savo tyrime skyrė norėdama sudaryti SISO robustinio valdymo dėsnį, kuris valdo ištirpusio deguonies koncentraciją pramoniniame aktyviojo dumblo nuotekų valymo įrenginyje, keičiant paduodamo oro srautą. Valdymo dėsnis remiasi neapibrėžtumų įvertinimu pagal bendrojo modelio valdymą (GMC). Norima ištirpusio deguonies trajektorija apibrėžiama proporcine integraline forma pagal reguliavimo ir modeliavimo paklaidas, priklausančias nuo deguonies sunaudojimo greičio ir perdavimo koeficiento, kurie nuolat įvertinami sumažintos eilės modeliu. Tokia struktūra sudaro tiesioginio grįžtamojo ryšio reguliatorių, kuris yra nejautrus modelio neapibrėžtumams ir trikdžiams. Sistemos uždarojo kontūro veikimas patikrintas analizuojant įvertinimo ir valdymo paklaidų dinamiką. Pasiūlyto valdymo algoritmo darbas iliustruojamas modeliavimo rezultatais, palyginant siūlomą reguliatorių su gerai suderintu PI reguliatoriumi [2].

50


Neraiškiąja logika paremtas valdymas G. Zhu et al. sukūrė neraiškųjį reguliatorių, skirtą anoksiniam / aerobiniam periodiškai pamaitinamo aktyviojo dumblo procesui, kai įtekėjime yra pakankamai anglies šaltinio arba jo trūksta. Neraiškusis modelis buvo sudarytas, remiantis ankstesniais eksperimentais surinktais ir išanalizuotais duomenimis. Įėjimo kintamuoju buvo pasirinktas C ir N santykis įtekėjime, o įtekėjimo srautas ir tūrinis pasiskirstymas kiekviename etape buvo išėjimo kintamieji. Valdymo modelio kalibravimas ir taikymas buvo ištirtas atliekant sumažinto mastelio eksperimentus (1000 l d-1) su namų ūkio nuotekomis. Gerai atlikus modelio kalibravimo darbus, metodą galima taikyti ir praktikoje. Per trijų mėnesių eksperimentinį laikotarpį pasiektas 95,1 % azoto bendro išvalymo efektyvumas, kai įtekėjime C ir N santykis buvo 8,16–12,3, vidutiniškai 9,78 [152]. Adaptyviosios valdymo sistemos T. S. Wang et al. sukūrė techniškai realizuojamą ir ekonomiškai pagrįstą dinaminę proceso valdymo (DPC) metodiką, tinkamą kintamai aktyviojo dumblo sistemai (AAS), laboratoriniam nuolatinio veikimo aerobiniam ir anoksiniam reaktoriui, valančiam azotą iš namų ūkio nuotekų, dirbusiam su įvairiais valdymo algoritmais penkis mėnesius. Fiksuoto laiko valdymo (FTC) taikymas parodė, kad pH ir oksidacijos-redukcijos potencialo kreivių lūžio taškai tiksliai sutampa su žymiu biologiniu aktyvumu. Amoniako plato pH kreivėje rodo nitrifikacijos pabaigą, o nitratų lūžis ORP kreivėje ir nitratų viršūnė pH kreivėje rodo denitrifikacijos pabaigą. Todėl buvo sukurtas naujas patikimas ir efektyvus realaus laiko valdymo metodas, kaip valdymo parametrus naudojantis pH ir ORP, pagerinantis AAS proceso darbą. Nuolat taikant tokį valdymo metodą galima pasiekti 87 % vidutinį azoto išvalymo efektyvumą ir sutaupyti apie 20 % aeracijai sunaudojamos energijos, palyginti su įprastine valdymo sistema. Be to, stabili nitrifikacija ir denitrifikacija buvo gauta vidutiniškai sukaupiant per 95 % nitratų [132]. C. K. Yoo et al. pasiūlė netiesinio valdymo schemą, palaikančią ištirpusio deguonies koncentraciją aktyviojo dumblo sistemoje. Netaikius modelio ištiesinimo ar supaprastinimo, joje tiesiogiai taikomas netiesinis IDK proceso modelis su realiuoju laiku atliekamu deguonies sunaudojimo greičio OUR ir deguonies perdavimo koeficiento (kLa) įvertinimu. Modeliavimo rezultatai buvo geresni nei naudojant PID reguliatorių. Kadangi į reguliatoriaus struktūrą integruojami proceso trikdžiai ir netiesiškumas, siūlomas metodas gali efektyviai reaguoti į kintančias darbo sąlygas, kurios dažnai sutinkamos nuotekų valymo procesuose [143]. R. Tzoneva aprašė dviejų standartinių PID reguliatorių derinimo metodų pritaikymą netiesiniam ištirpusio deguonies koncentracijos procesui valdyti kaip dalį adaptyviosios optimalios valdymo strategijos. Aprašytas derinimo procedūros pritaikymas darbui realiuoju laiku ir valdančiojo poveikio skaičiavimas aplinkoje Androit SCADA naudojant programinį paketą Matlab / Simulink. Skaičiavimai atlikti naudojant COST įvertį ir ASM1 biologinį modelį. Geresnį proceso darbą galima pastebėti, kai naudojamas PID reguliatorius, suderintas pagal pasikartojančią optimalią adaptyviojo valdymo strategiją. Ištirpusio deguonies koncentracija greitai 51


pasiekia nuostatą, o nusistovėjusi paklaida uždarajame kontūre lygi nuliui. Realiuoju laiku derinamas PID reguliatorius su optimaliu nuostatu geriau tinka ištirpusio deguonies koncentracijai valdyti aerotankuose nei vieną kartą suderintas PID su pastoviu nuostatu. Procedūra leidžia valdyti procesą, atsižvelgiant į įėjime veikiančius trikdžius. Pasiūlyta metodika leidžia operatoriui keisti PID parametrus ir nuostatą automatiškai arba rankiniu būdu. Metodika yra lengvai pritaikoma ir sumažina proceso eksploatacines išlaidas [120]. A. de Leon et al. paskelbė straipsnį apie du naujus bedimensius parametrus (Φ ir Ω), kuriuos pasiūlė naudoti skaičiuojant proporcingumo, integravimo ir diferencijavimo konstantas, naudojamas ištirpusio deguonies koncentracijos valdymo PID grįžtamojo ryšio algoritme, nes jie susiję su augimo greičio, bioreaktorių projektiniais ir darbiniais parametrais. Φ ir Ω vertės buvo apskaičiuotos imant platų Reinoldso skaičių diapazoną (1000–40000), vykstant dviejų labai skirtingų procesų eksponentinio augimo fazei: Escherichia coli ir žmogaus kraujodaros ląstelių kultūrų fermentacijose. Aprašomas Φ ir Ω tinkamumas ištirpusio deguonies koncentracijos susiderinančiam adaptyviajam valdymo algoritmui. Rezultatai rodo, kad tokie bedimensiai parametrai gali būti integruoti į paprastą adaptyviojo valdymo strategiją, nepakenkiant vykstantiems procesams [30]. Vidiniu modeliu paremtos valdymo sistemos I. Jubany et al. aprašė didelio efektyvumo nitrifikacijos sistemai paleisti tinkamą automatinio valdymo kontūrą, leidžiantį susidaryti efektyviam biomasės tūriui net esant mažai užterštam dumblui, naudojant išvestinius įrankius. Taikytas modelis, kuriame nitrifikacija aprašoma dviejų pakopų modeliu su substratu ir neutraliu slopinimu. Buvo sudarytos, išbandytos ir palygintos dvi valdymo strategijos (su reliniu (on-off) reguliatoriumi ir PI reguliatoriumi). Valdymo kontūre matuojamasis kintamasis buvo amonio ir nitratų koncentracijų suma ištekėjime, o valdantysis kintamasis buvo įtekantis srautas. Derinant abu reguliatorius buvo siekiama kuo greičiau padidinti įtekantį srautą neviršijant maksimalios amonio ir nitratų koncentracijos ištekėjime. Reguliatoriai su optimizuotais parametrais buvo naudojami modeliuojant 40 dienų paleidimo periodą. Abiem atvejais gauti panašūs rezultatai, nors PI reguliatorius buvo pranašesnis, nes juo valdant biomasė augo truputį greičiau ir mažiau svyravo [53]. I. Jubany et al. pristatė teorinius tyrimus, kuriuose OUR valdyti taikė įtekančio srauto keitimą kartu su T, pH ir IDK pokyčiais ir pasiekė stabilią dalinę nitrifikaciją. Buvo modeliuojamos dvi struktūros: struktūra A susidėjo iš trijų nuosekliai sujungtų nuolatinio maišymo reaktorių su sėsdintuvu, o struktūroje B buvo vienas tokio pat bendro tūrio reaktorius su sėsdintuvu. Sudaryta valdymo sistema leido pasiekti dalinę nitrifikaciją abiem atvejais. Vis dėlto struktūra A parodė geresnius rezultatus, o dalinė nitrifikacija buvo pasiekta net esant teoriškai nepalankios sąlygoms, kai T = 15 °C, pH = 8,3 ir IDK = 3 mg l-1 [54]. Y. H. Kim et al. sukūrė būsenos modelį pagal aktyviojo dumblo modelį (ASM) ir iteracinį besimokantį valdymo (ILC) algoritmą, pritaikomą periodinio veikimo reaktoriuje (SBR) siekiant optimaliai šalinti azotą. Sumažintos eilės ASM būsenos modelis buvo sudarytas jungiant kai kuriuos ASM komponentus aerobinėje 52


ir anoksinėje fazėse, paskui taikomas ILC algoritmas norint periodiškai valdyti SBR, taikant sumažintos eilės būsenos modelį. Naujas ILC algoritmas buvo pasiūlytas siekiant aerobinėje fazėje valdyti ištirpusio deguonies koncentraciją ir ieškant optimalaus papildomo anglies šaltinio kiekio, kuris pridedamas į SBR anoksinėje fazėje. Naudojant ankstesnių laiko momentų informaciją, tinkamas ILC valdantysis poveikis buvo randamas iteraciniu būdu. Modeliavimas parodė, kad aerobinėje fazėje ILC algoritmas dirbo daug geriau nei įprastas PID valdymas ir galėjo apskaičiuoti minimalų papildomo anglies šaltinio kiekį, pridedamą į SBR anoksinėje fazėje, ir tai sumažino bendrą kainą 35,6 %. Rezultatai parodė, kad ILC modelis buvo gautas remiantis mikrobiologiniais ASM dėsniais, o ILC galimybė mokytis gali sumažinti reguliavimo paklaidą [56]. Intelektinės valdymo sistemos Y.-Z. Feng et al., atsižvelgdami į aktyviojo dumblo nuotekų valymo procesų valdymo sunkumus, pasiūlė intelektinio valdymo metodą, kuris remiasi programiniais jutikliais. Programiniai jutikliai sudaromi naudojant neuroninius tinklus. Analizuojant aktyviojo dumblo mikroorganizmų augimą ir dauginimąsi, eksperimentiniai rezultatai rodo, kad programinių jutiklių tikslumas yra gana aukštas ir jie yra tinkami naudoti [35].

Hierarchinės valdymo sistemos R. Piotrowski et al. ištyrė ir pasiūlė ištirpusio deguonies koncentracijos (IDK) etaloninei trajektorijai sekti aktyviojo dumblo procese naudoti pakopinį reguliatorių. Paprastai pati aeracijos sistema yra sudėtingas hibridinės netiesinės dinamikos objektas, pasižymintis greitesne dinamika nei vidinė IDK dinamika biologiniame reaktoriuje. Dažnai šios dinamikos nevertinamos kartu su kitais svarbiais darbiniais sistemos apribojimais, tokiais kaip leidžiamas orapūčių įjungimo dažnumas ar jų našumas. Straipsnyje siūlomas dviejų lygių reguliatorius, sekantis etaloninę IDK trajektoriją. Aukštesnio lygio valdymas formuoja norimą oro tiekimo į biologinio reaktoriaus aerobines zonas kreivę. Tam naudojamas netiesinis modelio prognozuojamas valdymo algoritmas. Žemesnio lygio reguliatorius užtikrina, kad aeracijos sistema sektų šias nuostato kreives. Tam taip pat taikomas prognozuojamas valdymas, kuris remiasi atkarpomis ištiesinta aeracijos sistemos dinamika. Bendras pakopinio reguliatoriaus darbas patikrinamas naudojant realių duomenų archyvus [92]. Ekspertinės valdymo sistemos M. Galluzzo et al. pasiūlė ekspertinio valdymo strategiją ištirpusio deguonies koncentracijai (IDK) valdyti biologiniame nitrifikacijos, denitrifikacijos ir perteklinio fosforo pašalinimo (NDBEPR) įrenginyje; ši strategija įvertina keletą procesų, kuriuos veikia IDK aerotankuose. Valdymo sistemoje naudojamas aukštesnio lygio neraiškusis reguliatorius, skaičiuojantis nuostatą vidiniam IDK valdymo kontūrui, kuriame naudojamas adaptyvusis robustinis bendrojo modelio valdymo (ARGMC) reguliatorius. Neraiškusis aukštesnio lygio valdymas turi pakopinę struktūrą. Netiesioginiai biologinių parametrų matavimai įtekančiame ir 53


ištekančiame srautuose gali būti panaudoti norint periodiškai keisti neraiškiųjų reguliatorių nuostatus. Galutinė valdymo sistema buvo sukurta realiam objektui ir išbandyta imitacinio modeliavimo būdu, naudojant antrąjį IAWQ biologinio reaktoriaus modelį su skirtingais sėsdintuvų modeliais. Modeliavimo ir eksperimentiniai rezultatai parodė gerą valdymo kokybę [37]. Hibridinės valdymo sistemos A. M. A. Husein ir K. B. Ramachandran aprašė neuroniniais tinklais (NN) paremto reguliatoriaus sudarymo metodiką, pritaikant jį aktyviojo dumblo procesui periodinio veikimo reaktoriuje (SBR). Palyginamos įvairios neuroninių reguliatorių schemos, pvz., tiesioginis invertuotasis valdymas, vidinio modelio valdymas (IMC) ir hibridinis NN valdymas, kurie palaiko ištirpusio deguonies koncentraciją aktyviojo dumblo sistemose keičiant paduodamo oro srautą. NN inversijos modeliu paremtas reguliatorius su modeliu paremta schema remiasi vien tik paprastu NN modelio invertavimu. IMC atveju abu – tiesioginis ir invertuotasis – modeliai taikomi kaip elementai grįžtamojo ryšio kontūre. Hibridinis NN valdymas susideda iš paprasto NN reguliatoriaus, prie kurio lygiagrečiai prijungtas proporcinis integralinis (PI) reguliatorius. Šių reguliatorių darbui įvertinti atlikta įvairių modeliavimo bandymų, per kuriuos buvo keletą kartų keičiamas nuostatas, paduodami trikdantieji poveikiai ir triukšmas. Iš rezultatų matyti, kad sekant nuostato pokyčius, veikiant trikdžiams ir triukšmui, geriausiai veikė hibridinis reguliatorius [48]. E. N. Sanchez et al. pateikė neuroninio tinklo, kuris įvertina substrato, biomasės ir ištirpusio deguonies koncentraciją, identifikavimo schemą. Naudojamas diskretinis aukštos eilės neuroninis tinklas (RHONN), realiuoju laiku apmokomas su išplėstiniu Kalmano filtro (EKF) algoritmu. Tada identifikavimo schema susiejama su neraiškiuoju valdymu, reguliuojančiu substrato ir biomasės koncentracijos santykį. Gauti modeliavimo rezultatai teikia daug vilčių, bet reikalauja tolesnių tyrimų [103]. 2.5.2. Anaerobinio pūdymo proceso valdymo sistemos Valdymo sistemos, sukurtos pastaraisiais metais, pasižymi sudėtinga struktūra. Vyrauja adaptyviosios, neraiškiosios logikos ir hibridinės valdymo sistemos. A. J. Ward et al. apžvelgė esamus optimizavimo metodus, skirtus anaerobiniam pūdymui, ir pasiūlė sritis, kurias galima pagerinti tinkamai pasirenkant vienos ar keleto pakopų reguliatoriaus konfigūraciją, maišymo režimo tipą, galią, laiką ir aktyviųjų mikroorganizmų biomasės išlaikymą reaktoriuje. Taip pat išnagrinėtas pūdytuvo darbo sąlygų, tokių kaip temperatūra, pH, buferinės talpos dydis ir riebiųjų rūgščių koncentracija, optimizavimas. Buvo ištirta: įvairių žemės ūkio žaliavų panaudojimas metano gamybai ir jų maišymo privalumai siekiant pagerinti anglies ir azoto santykį, papildomo paruošimo ir priedų panaudojimas, pagerinantis hidrolizės greitį ar pridedantis maisto medžiagų, kurių gali trūkti. Gaminant biodujas labiausiai trūksta patikimos matavimo įrangos, galinčios matuoti svarbiausius parametrus, ir tinkamų valdymo sistemų, užtikrinančių nuolatinį 54


proceso vyksmą optimaliomis sąlygomis. Modernūs metodai, pvz., programiniai jutikliai, ir galingi, lankstūs valdikliai gali išspręsti šias problemas [135]. K. Brazauskas ir D. Levišauskas pritaikė būsenos modeliu paremtą perdavimo funkciją tiesinio reguliatoriaus adaptacijai ir trikdžių kompensatoriui netiesinei tiesioginio grįžtamojo ryšio valdymo sistemai. Tokios pasiūlytos sistemos privalumai: išvengiama dirbtinių trikdžių ir iteracinių identifikavimo procedūrų, vertinant proceso dinamiką realiuoju laiku. Adaptacija paremta proceso modelio ištiesinimu kiekvieno diskretinio laiko momentu apie konkretų būsenos tašką, nepriklausomai nuo to, ar procesas yra stabilios, ar pereinamosios stadijos. Tiesinis, nuo laiko priklausantis ištiesintas modelis yra atnaujinamas realiuoju laiku, remiantis proceso kintamųjų matavimų vertėmis, ir supaprastinamas iki pirmosios eilės su vėlavimu modelio, kad būtų galima tiesiogiai taikyti žinomas reguliatoriaus derinimo taisykles. Adaptyvioji tiesioginio grįžtamojo ryšio valdymo sistema buvo pritaikyta temperatūrai valdyti pramoniniame metantanke (pūdytuve), kurio dinaminiai parametrai kinta plačiu diapazonu dėl pūdytuvo apkrovos ir išorės sąlygų. Buvo sukurtas ir patikrintas šilumos balansu paremtas proceso būsenos modelis. Kompiuterinis sistemos imitacinis modeliavimas, procesą veikiant ekstremaliems trikdžiams, parodė greitą reguliatoriaus derinimo parametrų adaptaciją, patikimą elgesį ir didžiulį valdymo kokybės pagerėjimą, palyginti su fiksuotų parametrų reguliatoriais [13]. P. Holubar et al. savo darbe sukūrė ir apmokė kelis dirbtinius FFBP neuroninius tinklus, kad galėtų modeliuoti ir vėliau valdyti metano gamybą anaerobiniame pūdytuve. Kad sugeneruotų neuroninių tinklų mokymui reikalingus duomenis, paleido keturis nepertraukiamo maišymo anaerobinius pūdytuvus, kurie dirbo stabiliu režimu – organinė apkrova buvo apie 0,002 kg m-3 cheminio deguonies poreikio per dieną ir nuolat buvo veikiami impulsinio trikdžio – organinės apkrovos padidėjimo. Impulsams – cheminiam deguonies poreikiui – sukurti buvo panaudoti papildomi organiniai anglies šaltiniai prie pagrindinio maitinančio nuotekų srauto iš vietinės nuotekų valymo įmonės, būtent miltai, sacharozė, 1,2dietileno glikolis ar augalinis aliejus. Matuojami parametrai buvo: dujų sudėtis, metano gamybos greitis, kintanti riebiųjų rūgščių koncentracija, pH, redukcijosoksidacijos potencialas, kintančių pakibusių dalelių skaičius ir cheminis deguonies poreikis įtekančiame ir ištekančiame vandenyje. Buvo sukurta hierarchinė tinklų sistema ir integruota į sprendimų priėmimo palaikymo sistemą, siekiant išsiaiškinti iš anksto, koks yra geriausias kitas pamaitinimo profilis. Tokiu būdu valdomas laboratorinis nepertraukiamo maišymo reaktorius palaikė apie 60 % metano koncentraciją, esant gana dideliam – apie 5–5,6 m3 m-3 d-1 biodujų gamybos greičiui [47]. P. Scherer et al. Hamburgo Taikomųjų mokslų universitete sukūrė neraiškiosios logikos valdymo sistemą, tinkamą (FLC) biodujų reaktoriams, veikiantiems energetinių pasėlių pagrindu. Buvo naudojami trys komercinėmis priemonėmis matuojami parametrai: pH, metano (CH4) kiekis ir santykinis dujų gamybos greitis (spec. GPR = m3 (kg VS)-1 d-1). Tikslas buvo išvengti pH destabilizacijos, panaudojant buferinius priedus, tokius kaip kalkės ir mėšlas. 55


Sukurtoji FLC sistema gali tinkamai veikti daugeliu darbo režimų, tokių kaip švelnus paleidimas, laipsniškas darbinio režimo atkūrimas po staigaus reaktoriaus sustojimo, taip pat palaikyti procesus su dideliu organiniu apkrovimu (OLR) ir žemu hidrauliniu išbuvimo laiku (HRT), kitaip tariant, aukšto našumo anaerobinio pūdymo procesą su stabiliu pH ir CH4 kiekiu. Sistema buvo pritaikyta didelio apkrovimo procesui, panaudojant periodinio pamaitinimo koncepciją, pvz., 8 valandų intervalais. FLC sistema veikė stabiliai ilgą laiką – daugiau nei 3 tyrinėjimų metus, visą laiką valdydama nepertraukiamo maišymo reaktorių (CSTR) su rūgštiniu runkelių siloso pamaitinimu (pH 3,3–3,4). Visos metano fermentacijos iš rūgštinio runkelių siloso (FBS) metu buvo pasiekti stabilūs HRT = 6 dienos, esant OLR iki 15 kgVS m-3 d-1, ir pasiektas dujų gamybos greitis GPR = 9 m3 m-3 d-1. FLC sistema atkūrė normalią reaktoriaus veiklą po dviejų visiško reaktoriaus sustojimų. Per kitą sistemos tinkamumo bandymą FBS substratas buvo pakeistas į cukrinių runkelių substratą (SBS), kuris yra žymiai žemesnės buferinės talpos nei FBS. Dirbdama naudojant SBS, FLC sistema pasiekė stabilią fermentaciją, esant pH 6,5–6,6, ir kintančių riebiųjų rūgščių lygį (VFA) žemiau 500 mg l-1, tačiau FLC sistema nuolat turėdavo perskaičiuoti substrato dozavimo intensyvumą ir kiekį. Per kitą eksperimentą reaktoriaus temperatūra buvo pakelta nuo 41 oC iki 50 oC. Viso to rezultatas – tiek GPR, tiek pH ir CH4 nukrito. Galiausiai FLC sistema per 16 dienų sugebėjo automatiškai atsikurti [106]. S. Carlos-Hernandez et al. pristatė neraiškiosios logikos valdymo sistemą (FCS), taikomą anaerobinio nuotekų valymo procese ir skirtą dideliems įtekančio substrato trikdžiams kompensuoti, kartu palaikant aukštą metano gamybos lygį. Ši valdymo sistema sudaryta iš: 1) būsenos stebėjimo, kuris paremtas pagrindinių komponentų analize (PCA) ir Takagi-Sugeno (TS) algoritmu; ji pritaikyta sunkiai išmatuojamiems kintamiesiems – biomasei ir substratui – įvertinti; 2) proporcinio integralinio reguliatoriaus (PI), paremto L / A (logaritmavimo / antilogaritmavimo) ir neraiškiosios logikos taikymo kombinacijomis; šis reguliatorius turi kintantį stiprinimą ir sukurtas bikarbonatui reaktoriuje reguliuoti pagal tokius valdančiuosius poveikius: keičiant pamaitinimo arba skiedimo greitį; 3) TS algoritmas seka proceso būseną, pasirenka ir pritaiko labiausiai tinkamą valdantįjį poveikį, taip leisdamas be kliūčių persijungti tarp atvirojo ir uždarojo kontūrų. Sistemos pritaikomumas idealiai maišomam reaktoriui (CSTR) buvo ištyrinėtas kompiuterinio modeliavimo būdu. Gauti rezultatai rodo, kad procesas veikia atviruoju kontūru veikiant mažiems trikdžiams. Veikiant dideliems trikdžiams, sistema persijungia į uždarojo kontūro režimą, kad būtų išvengta biomasės išplovimo, ir paskui vėl grįžta dirbti atvirojo kontūro režimu. Apskritai neraiškiosios logikos valdymo sistema pagerina anaerobinio proceso darbą ir tinkama diegti realaus laiko sistemose, nes valdymo schema išlaiko gerą santykį tarp efektyvumo ir sudėtingumo [17]. R. B. Izquierdo et al. sukūrė anaerobinio proceso neuro-neraiškiają (neurofuzzy) valdymo sistemą. Rekurentinis aukštesnės eilės neuroninis tinklas (RHONO) sukurtas norint įvertinti sunkiai išmatuojamus kintamuosius (biomasę ir substratą) idealiai maišomame reaktoriuje (CSTR). Rekurentinė aukštesnės eilės neuroninių tinklų sistema (RHONN) buvo apmokyta išplėstiniu Kalmano filtru. Neraiškioji (fuzzy) dalis naudoja biomasės ir metano gamybos įverčius biologiniam aktyvumui 56


aptikti reaktoriaus viduje, kad pritaikytų L / A (logaritminius / antilogaritminius) valdančiuosius poveikius siekiant išvengti išplovimo. Sukurtos sistemos veiksmingumas buvo ištirtas kompiuterine imitacija. Neraiškioji sistema aptinka biologinę veiklą reaktoriaus viduje, remdamasi biodujų įverčiais, ir pritaiko valdantįjį poveikį. Gauti daug žadantys kompiuteriniai imitacinio modeliavimo rezultatai. Kadangi vienas iš ribojančių faktorių diegiant įvairias valdymo strategijas yra realaus laiko jutiklių trūkumas, neuroninių tinklų panaudojimas yra labai įdomi alternatyva [102]. 2.5.3. Išnagrinėtų valdymo sistemų privalumai ir trūkumai 1. Dauguma apžvelgtų šiuolaikinių valdymo sistemų yra lyginamos su klasikinėmis pastoviųjų reguliatorių derinimo parametrų valdymo sistemomis ir visuomet gaunami geresni rezultatai, tačiau atlikta labai nedaug tyrimų, tarpusavyje lyginančių šiuolaikines valdymo sistemas. S. Isaacs et al. [50] palygino modelio prognozuojamą ir neraiškiosios logikos IDK valdymą; rezultatai parodė, kad jokio esminio skirtumo tarp šių dviejų valdymo metodų nėra. E. Kalker et al. [55] taip pat lygino neraiškiosios logikos valdymą, tik šį kartą su PI reguliatoriumi. Rezultatai parodė, kad neraiškiosios logikos valdymas tik šiek tiek geresnis nei PI, ir šie rezultatai pasiekiami tik žymiai išplėtus žinių bazę. Autoriai taip pat konstatuoja, kad neraiškiosios logikos valdymą tikslinga diegti tik tokiu atveju, jeigu valdymas atliekamas įvertinant daugiau proceso parametrų nei naudojant PI reguliatorių. E. Akyurek et al. [3] tyrė 6 skirtingas IDK aktyviojo dumblo proceso valdymo strategijas: paprastą PID valdymą, modelio prognozuojamą valdymą su tiesiniu, netiesiniu ir neuroninių tinklų modeliais bei 2 optimizacija paremtais metodais – netiesinį autoregresinį judančio lango (Autoregressive-Moving Average) ir nuosekliojo kvadratinio programavimo (Sequential Quadratic Programming). Tyrimo rezultatai vienareikšmiškai parodė, kad optimizacija paremtas valdymas buvo geriausias. V. J. Turmel et al. [118] tyrinėjo IDK valdymo aktyviojo dumblo procese neraiškiojo (fuzzy), paprasto PID ir automatinio derinimo (su adaptyviuoju bendrojo modelio prognozuojamu valdymu paremtu reguliatoriumi, kuris taikė ištiesintą proceso modelį ir nuolat atsinaujindavo tam, kad sektų proceso netiesiškumus) metodus. Rezultatai parodė, kad geriausiai procesą valdė adaptyvusis automatinio derinimo reguliatorius, šiek tiek prasčiau – PID, o blogiausią valdymo kokybę parodė neraiškusis (fuzzy) reguliatorius. Apibendrinant visus 4 aprašytus tyrimus galima teigti, kad neraiškiosios logikos valdymo sistemos IDK valdyti kol kas nepasiteisino, modelio prognozuojamas valdymas duoda labai panašius rezultatus kaip ir klasikinis PI / PID valdymas ir kad reikia kurti tokias valdymo sistemas, kurios sektų proceso dinamikos pokyčius ir jai pasikeitus parinktų optimalią valdymo strategiją. Šio teiginio iliustracija gali būti H. R. Concepción et al. [24] tyrimas, kuriame analizuojama net 10 skirtingų PI reguliatoriaus parametrų adaptacijos būdų, kokybės kriterijais nustatant ištekančio vandens kokybę ir vandenvalos įmonės eksploatacines sąnaudas. 2. Iš aprašytų valdymo sistemų taip pat galima apibendrinti, kad straipsnių autoriai tiria naujus, iki tol netaikytus valdymo būdus, kuriuos neretai sieja su 57


konstrukciniais, technologiniais pakeitimais, taip pat su naujų jutiklių įsisavinimu arba randa būdų, kaip pritaikyti jau esamus šiuolaikinius, tačiau vandenvaloje dar netaikytus valdymo metodus. Iš imitacinio modeliavimo ir tikrų bandomųjų eksperimentų rezultatų analizės galima daryti išvadą, kad geresne valdymo kokybe pasižymi tos sistemos, kurios naudoja daugiau proceso valdymo parametrų. 3. Kai kurios aprašytos valdymo sistemos yra ankstyvos tyrimų stadijos ir reikės tolesnių tyrimų. 4. Taip pat darytina išvada, kad pradėjus diegti šiuolaikines valdymo sistemas susiduriama su patikimų matavimų trūkumu. Vis dėlto modernizavus senas valdymo sistemas, galima žymiai pagerinti valdymo kokybę. 5. Aprašytas valdymo sistemas tarpusavyje lyginti ypač sudėtinga, nes jos visos kuo nors skiriasi, yra pritaikytos skirtingiems objektams ir testuojamos skirtingais režimais. 2.6. Apibendrinamosios išvados 1. Išanalizuoti procesą veikiantys trikdžiai. Dėl tokių savybių, kaip privalomas visų atitekančių nuotekų surinkimas ir griežti išvalyto vandens reikalavimai, šis procesas tarp kitų pramoninių procesų yra išskirtinis. 2. Valdančiųjų kintamųjų analizė parodė, kad nėra labai daug būdų, kaip valdyti procesą, todėl būtina kurti efektyvias valdymo sistemas, kad būtų išnaudotos visos galimybės valdyti procesą. 3. Ištirpusio deguonies koncentracija yra svarbiausias valdomasis technologinis parametras – jis veikia daugelį procesų, todėl jam valdyti reikalingos efektyvios valdymo sistemos, nes nuo to, kaip bus valdoma IDK, labai priklauso biocheminiai procesai, išvalyto vandens kokybė, likutinis dumblo kiekis, energijos sunaudojimas ir kt. Antra vertus, optimalus metano sintezės proceso valdymas gali žymiai sumažinti proceso sąnaudas ir tai leistų išlaikyti pastovią paslaugų kainą, taip pat pagerinti išvalyto vandens kokybę ir sumažinti likutinį dumblo kiekį. Kartu paėmus, efektyvi IDK valdymo sistema ir optimali metano sintezės valdymo sistema yra vienos svarbiausių biologiniame nuotekų procese. 4. Didėjant galimybei matuoti įvairius technologinius parametrus, didėja ir galimybė diegti modernias valdymo sistemas. Atitinkamai didėja ir valdymo sistemų darbo kokybės reikalavimai, nes dėl jutiklių ir matavimo būdų prieinamumo, jų didėjančių galimybių operatoriams ir technologams lengviau įvertinti sudėtingas procesų būsenas ir parinkti itin tikslius valdomųjų kintamųjų nuostatus. 5. Paskutinių kelerių metų sukurtų valdymo sistemų analizė parodė, kad vyrauja sudėtingos valdymo sistemos, dažniausiai pritaikytos IDK efektyviai valdyti, nitrifikacijai, denitrifikacijai, temperatūrai palaikyti, trikdžiams kompensuoti, metano sintezei optimaliai valdyti. 6. Remiantis atlikta analize galima teigti, kad nėra vieno universalaus visų valdymo problemų sprendimo būdo. Vienos sistemos geriau tinka temperatūrai valdyti, kitos – IDK ir pan. 7. Naujausių publikuotų straipsnių analizė rodo, kad aiški kryptis kuriant valdymo sistemas yra modeliu ir optimizacija paremtos sistemos ir kad ateityje 58


paprastų grįžtamojo ryšio valdymo sistemų su pastoviais derinimo parametrais bus atsisakoma dėl griežtėjančių išvalyto vandens kokybės reikalavimų ir augančių energijos sąnaudų.

59


3. ADAPTYVIOJI IŠTIRPUSIO DEGUONIES KONCENTRACIJOS VALDYMO SISTEMA 3.1. Įžanga Kaip jau minėta anksčiau, pagrindinis technologinis kintamasis nuotekų valymo aktyviojo dumblo metodu aeracijos talpoje yra ištirpusio deguonies koncentracija. Atitinkamai deguonies tiekimas yra pagrindinis parametras, aktyviai veikiantis biologinius valymo procesus. Minimalus deguonies poreikis yra toks, kad nitrifikacijos zonoje būtų palaikoma ne mažesnė nei technologiškai apibrėžta riba (0,002 kg m-3) [130]. Jeigu nitrifikacija ir denitrifikacija vyksta toje pačioje aeruojamoje talpoje (SND arba Symbio procesas), energijos sąnaudų ir efektyvumo balansas tarp dumblo dribsnių aerobinių / anoksinių zonų gali būti pasiektas, palaikant ištirpusio deguonies koncentraciją optimaliu technologiniu režimu, kuris paprastai yra 0,0015–0,005 kg m-3 [130]. Kadangi procesas yra netiesinis ir nestacionarus, klasikinė grįžtamojo ryšio valdymo sistema su PID valdymo dėsniu negali susidoroti su užduotimi tiksliai palaikyti reikalaujamą IDK. Esamą IDK reguliavimo kokybės problemą realiame pramoniniame aerotanke iliustruoja 3.1 pav., kuriame pateiktas grafikas iliustruoja, kaip keičiantis aerotanko proceso būsenai dėl reguliavimo kanalo „orapūtės našumas – IDK“ dinaminių savybių pokyčio reikšmingai pablogėja pastoviai suderinto PID reguliatoriaus darbo kokybės rodikliai: padidėja valdomojo parametro dinaminės nuokrypos ir sumažėja valdymo sistemos stabilumas. IDK Nuostatas

0.5 0.45

IDK, kg m-3 x 10-3

0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05

0

2

4

6

8

10

12

14

16

Laikas, h

3.1 pav. IDK reguliavimas aerotanke, naudojant valdymo sistemą su klasikiniu PID reguliatoriumi

60


Kuriant adaptyviąją valdymo sistemą, analizuotas Kauno miesto vandenvalos įmonės aerotanko technologinis procesas ir jo archyviniai parametrų stebėjimo duomenys. Valdymo sistemai sukurti buvo pasirinkti tokie parametrai, kurie šiuo metu naudojami ar galėtų būti naudojami minėtoje įmonėje veikiančiuose įrenginiuose. Būtina pabrėžti, kad minėtoje įmonėje taikoma SND (savalaikė nitrifikacijos ir denitrifikacijos) technologija, kuri reikalauja ypač tikslaus IDK valdymo. 3.2. Technologinis procesas Biologinio valymo proceso aktyviojo dumblo metodu technologinė schema pateikta 3.2 pav. Metanolis

Fov Biologiniai rezervuarai Fmet

Paskirstymo kamera

Fbypass, Sin Fin

Fbio

Sin Pirminiai Sėsdintuvai

Antriniai sėdintuvai

Sbio

Fsed Ssed

Fsl

Siurblinė (persipylimo kamera) Fret

Fair

Fexc

3.2 pav. Biologinio nuotekų valymo proceso technologinė schema

Atitekančių nuotekų srautas Fin, kurio substrato koncentracija Sin, prateka grotas, smulkintuvus, smėliagaudes ir patenka į surinkimo kamerą. Priklausomai nuo apvadinės sklendės padėties, srautas padalijamas į 2 dalis: viena teka į pirminius sėsdintuvus (Fsed), kita – tiesiai į persipylimo stotį, iš kurios galiausiai patenka į biologinio valymo rezervuarus (Fbypass). Aeracijos talpoje valomos nuotekos reaguoja su aktyviojo dumblo mase. Maišymo sistema užtikrina reikiamą mikroorganizmų ir teršalų sąveiką, paskirsto deguonį ir apsaugo nuo nuosėdų susidarymo. Srautų padalijimas įvertinamas koeficientu ksed, kuris parodo, kokia procentinė srauto dalis teka per pirminius sėsdintuvus. Ji priklauso nuo motorizuotos apvadinės sklendės padėties g (0 % – uždaryta, 100 % – iki galo atidaryta). Ši priklausomybė įvertinama interpoliuojant 3 taškus, pateikiamus surinkimo kameros dokumentacijoje (3.1 lent.). 3.1 lentelė. Apvadinės sklendės uždorio padėtis ir ksed taškai Apvadinės sklendės padėtis g, % 0 28,8 100

ksed, % 100 50 0

61


Priklausomybė aproksimuojama, panaudojant kvadratinį polinomą: ksed = a1 ·g2 - a2·g+a3;

(3.1)

Nuotekų srautas per pirminius sėsdintuvus: Fsed 

ksed Fin . 100

(3.2)

Dumblo srautas Fsl iš pirminių sėsdintuvų yra labai mažas, palyginti su atitekančiu nuotekų srautu (~1 %), todėl tolesniuose skaičiavimuose jis nevertinamas. Priklausomai nuo nuotekų srauto per pirminius sėsdintuvus, substrato koncentracija iš sėsdintuvų ištekančiame vandenyje gali sumažėti iki 15 % (esant dideliam srautui) arba iki 40 % (kai srautas mažas). Procentinis substrato koncentracijos sumažėjimas ištekančiame iš sėsdintuvo sraute įvertinamas tokia tiesine priklausomybe: kdec = b1·Fsed +b2;

(3.3)

čia kdec – procentinis substrato koncentracijos sumažėjimas ištekančiame sraute, %; Fsed – ištekantis srautas, m3 h-1. Atitinkamai substrato koncentracija iš pirminių sėsdintuvų ištekančiose nuotekose: S sed  Sin 

kdec Sin . 100

(3.4)

Abu atitekantys srautai vėl sumaišomi siurblinėje (persipylimo kameroje). Jeigu suminis srautas yra didesnis nei 5855 m3 h-1, perteklinis srautas Fov nukreipiamas į išorę, apeinant biologinius rezervuarus ir antrinius sėsdintuvus. Jei reikia pagerinti proceso eigą, gali būti pridedama šiek tiek metanolio (Fmet). Sumaišytų nuotekų srautas Fbio, kurio substrato koncentracija Sbio, patenka į keturis biologinio valymo rezervuarus. Kadangi metanolio nebuvo paduodama proceso tyrimo metu, substrato koncentracija Sbio į biologinius rezervuarus įtekančiame nuotekų sraute apskaičiuojama taip: k k   sin  Fin  sed Fin   ssed sed Fin  sret Fret 100  100 Sbio   ; Fin  Fret

(3.5)

čia Fret ir Sret – atitinkamai iš antrinių sėsdintuvų grąžinamo dumblo srautas ir substrato koncentracija. Išvalytas vanduo patenka į antrinius sėsdintuvus, kuriuose vanduo atskiriamas nuo mikroorganizmų masės. Biologinis dumblas iš sėsdintuvų grąžinamas į aeracijos talpas. Perteklinio dumblo srautas Fexc pašalinamas ir paskui perdirbamas. Oro srautas Fair iš orapūčių stoties paduodamas į visus 4 biologinius rezervuarus ir apskaičiuojamas matuojant orapūčių kompresorių energijos sunaudojimas P. Remiantis vandenvalos įmonės technine dokumentacija, bendras oro srautas apskaičiuojamas remiantis tokia tiesine priklausomybe: 62


Fair =c1 ·P - c2;

(3.6)

čia P – kompresorių galia, W. Šiame darbe naudojami vieno aerotanko stebėjimų duomenys. Oro srautas į pasirinktą aerotanką buvo apskaičiuotas, remiantis oro sklendžių padėtimis kiekviename aerotanke:

Fair4  Fair

4 ;  1  2  3  4

(3.7)

čia Fair4 – oro srautas pasirinktame (4-tame) aerotanke, m3 h-1; v1, v2, v3, v4 – aerotankų oro sklendžių padėtis, %. 3.2 lentelė. (3.1), (3.3) ir (3.6) lygčių parametrai Parametras a1 a2 a3 b1 b2 c1 c2

Vertė 0,01034 2,034 10 -0,0043 40 0,05455 1200

3.3. Adaptyvieji valdymo algoritmai Adaptyvieji valdymo algoritmai buvo sukurti, remiantis supaprastina proceso technologine schema, pavaizduota 3.3 pav.

u F

inlet

Aeratorius

F

bio

Paskirstymo kamera

F

ret

F

outlet

Antrinis sėsdintuvas Maišyklė

F

exc

3.3 pav. Atstojamoji biologinio nuotekų valymo proceso technologinė schema

IDK valdymo sistemoje naudojamo reguliatoriaus adaptacija remiasi adaptyviojo perdavimo funkcijos modelio taikymu, kuris seka bėgant laikui kintančius proceso dinaminius parametrus ir nuolat atnaujina grįžtamojo ryšio reguliatoriaus parametrus [110]. Perdavimo funkcijos modelis sudaromas remiantis pagrindiniais principais, aprašančiais ištirpusio deguonies masės balansą aerotankuose: 63


F dc  k L a  (c *  c)  cin  c  bio  OUR ; dt V

(3.8)

k L a    u ;

(3.9) 

čia c – ištirpusio deguonies koncentracija (IDK, valdomasis kintamasis), kg m-3; c – IDK soties vertė, kg m-3; k L a – tūrinis deguonies perdavimo koeficientas iš dujinės į skystą fazę, h-1; cin – IDK įtekančiose nuotekose, kg m-3; Fbio – įtekančių nuotekų srautas, m3 h-1, V – aerotanko tūris, m3, OUR – deguonies sunaudojimo greitis, kg m-3 h-1; u – oro srautas (valdantysis poveikis), m3 h-1;  ,  – modelio parametrai. Svarbiausias technologinis parametras, kurį keičiant gali būti veikiamas biologinio valymo procesas, yra ištirpusio deguonies koncentracija (IDK), kuri valdoma keičiant tiekiamo oro srautą. Siekiant užtikrinti efektyviausią biotechnologinį režimą, aerotankuose turi būti tiksliai palaikoma nustatyto optimalaus lygmens IDK. Tikslaus IDK valdymo svarba taip pat susijusi su ženkliomis energijos sąnaudomis aeracijai. Pagrindinė problema, apsunkinanti tikslų užduoto IDK lygio palaikymą, yra valdomo proceso dinamikos pokyčiai, kuriuos daugiausiai lemia neprognozuojami deguonies sunaudojimo greičio OUR pokyčiai, įtekančių nuotekų srauto svyravimai ir IDK įtekančiose nuotekose. Adaptyvioji IDK valdymo sistema su neigiamuoju grįžtamuoju ryšiu pavaizduota 3.4 pav., o adaptyvioji IDK valdymo sistema su papildomu adaptyviuoju trikdžio kompensatoriumi – 3.5 pav. Adaptyvioji IDK valdymo sistema su neigiamuoju grįžtamuoju ryšiu Adaptyviojoje IDK valdymo sistemoje naudojamo reguliatoriaus adaptacija remiasi adaptyviojo perdavimo funkcijos modelio taikymu, kuris seka laikui bėgant kintančius proceso dinaminius parametrus – nuotekų srautą Fbio, kurio IDK žymima cin, deguonies sunaudojimo greitį OUR ir IDK aerotanke – ir nuolat perskaičiuoja optimalius grįžtamojo ryšio reguliatoriaus derinimo parametrus, atitinkančius konkrečią proceso būseną [110]. OUR yra labai svarbus biologinių procesų indikatorius, nes parodo vykstančių biocheminių reakcijų ir mikroorganizmų būseną. Kita vertus, OUR taip pat teikia informaciją ir apie atitekančių nuotekų teršalų koncentraciją [9, 71, 79, 113]. Todėl OUR matavimų naudojimas leidžia išvengti sudėtingo kitų biocheminių parametrų vertinimo, kartu visiškai neprarandant vertingos informacijos apie proceso būseną. Adaptacija vykdoma diskretiniais laiko momentais tk, kur T = 0,01 h. Be dinaminių proceso kintamųjų, sistema įvertina ir konstrukcinius, nuo laiko nepriklausomus parametrus: Te, Tbm – atitinkamai IDK elektrodo ir orapūtės laiko pastoviąsias, τp ir τbm – oro pratekėjimo vamzdžiais ir pačios orapūtės transportinius vėlavimus, Vp – ortakio vamzdžio tūrį, c* – ištirpusio deguonies soties koncentraciją, γ – identifikuotą modelio parametrą. Visi šie parametrai buvo gauti remiantis Kauno vandenvalos įmonės technine dokumentacija arba identifikuoti naudojantis tos pačios įmonės stebėjimų archyviniais duomenimis. 64


Nuo laiko nepriklausomi parametrai * T e , Tbm, V p ,  bm,  , c

K (t ) pr

 (t ) pr

Derinimo taisyklės (3.18)-(3.20) lygtys

pr

K (t ) r

k

Ti (tk ) b ( t k) cset (tk)

PI reguliatorius (3.21)-(3.24) lygtys

k

T (t ) k

k

Perdavimo c( k ) funkcijos modelis (3.19) lygtis OUR( tk ) Fbio ( tk )

t

cin ( tk )

u ( tk )

c (t )

Aerotanko procesas

c( tk ) 3.4 pav. Adaptyviosios IDK valdymo sistemos su neigiamuoju grįžtamuoju ryšiu struktūrinė schema

Adaptyvioji IDK valdymo sistema su neigiamuoju grįžtamuoju ryšiu ir kompensatoriumi Nuo laiko nepriklausomi parametrai * Te , Tbm , Vp , bm ,  , c

K (t ) pr

k

T (t )

 (t ) pr

Derinimo taisyklės (3.18-3.20) lygtys

pr

k

k

KKomp(tk )

K (t ) r

k

T (t ) b( t ) i

k

Fbio

k

(3.19) lygtis Perdavimo funkcijų modeliai (3.42) lygtis

c( tk )

T (tk ) Kompensatoriaus algoritmas (3.43)-(3.47) lygtys

OUR( tk )

Fbio ( tk )

cin ( tk )

uKomp(tk )

cset (tk)

PI reguliatorius (3.21-3.24) lygtys

uReg (tk )

+

u ( tk )

Aerotanko procesas

c (t )

c( tk )

3.5 pav. Adaptyviosios IDK valdymo sistemos su papildomu adaptyviuoju trikdžio kompensatoriumi struktūrinė schema

Adaptyviojoje IDK valdymo sistemoje su neigiamuoju grįžtamuoju ryšiu ir adaptyviuoju trikdžio kompensatoriumi naudojama dviejų reguliatorių adaptacija: neigiamojo grįžtamojo ryšio reguliatoriaus ir tiesioginio ryšio trikdžio kompensatoriaus adaptacija. Ši ARS remiasi papildoma adaptyviąja tiesioginio ryšio 65


kompensatoriaus perdavimo funkcija, kuri seka bėgant laikui kintančius proceso dinaminius parametrus – nuotekų srautą Fbio, kurio IDK žymima cin, deguonies sunaudojimo greitį OUR ir IDK aerotanke – ir nuolat perskaičiuoja optimalius grįžtamojo ryšio reguliatoriaus derinimo parametrus ir kompensatoriaus stiprinimą, atitinkančius konkrečią proceso būseną [110]. 3.4. Adaptyviosios IDK valdymo sistemos su neigiamuoju grįžtamuoju ryšiu projektavimas Laikui bėgant kintanti valdomo proceso dinamika darbo taško aplinkoje gali būti aprašoma tiesine (3.10) lygtimi, gauta ištiesinus (3.8) lygtį kintamųjų c ir u atžvilgiu būsenos taško aplinkoje laiko momentu tk :

K  tk  d c 1   c   u ; dt T  tk  T  tk 

(3.10)

arba pirmosios eilės perdavimo funkcijos modeliu:

Gc u  s  

c  s  K  tk   ; u  s  T  tk  s  1

(3.11)

  u   c  c V   ; K  tk      u  u V  Fbio   t t k

(3.12)

  V T  tk      ;   u V  Fbio  t tk

(3.13)

čia s – Laplace operatorius; c , u – nedideli c ir u nuokrypiai nuo esamo būsenos taško; c  s  , u s  – c ir u Laplace transformacijos, K  tk  ,

T  tk  – atitinkamai proceso stiprinimo koeficientas ir laiko pastovioji laiko momentu tk [10]. Parametrai  ,  , c , nusakantys deguonies perdavimo sąlygas aerotankuose, kinta kartu su besikeičiančia aeracijos proceso būsena, todėl dinaminių parametrų K ir T įvertinimas pagal (3.12) ir (3.13) formules, naudojant pastovias jų vertes, neužtikrina norimo tikslumo. Dinaminių parametrų įvertinimas gali būti pagerintas esant kvazistacionariai būsenai IDK atžvilgiu ( dc dt  0 ), naudojant OUR parametrų įverčius. Esant nusistovėjusiai būsenai, deguonies koncentracijos kitimo 

66


greičio dėmuo k L a c*  c gali būti įvertintas, naudojant (3.8) lygtį ir Fbio , cin ir

OUR matavimus:

kL a c*  c V  OURV  Fbio cin  c ,

(3.14)

čia OURV – bendras deguonies sunaudojimo greitis ( OURV  V  OUR ). Įvertinus (3.14) lygtį, dinaminiai parametrai K ir T gali būti apskaičiuoti naudojant tokias lygtis:

  c*  c OURv  Fbio cin  c   K t k    ; *  u OURv  Fbio c  cin 



(3.15)

  V c*  c T t k    . *  OURv  Fbio c  cin 

(3.16)

Atnaujinant (3.11), (3.15) ir (3.16) perdavimo funkcijos modelio išraiškas naujomis valdančiojo poveikio u  tk  , IDK nuostato c  tk   cset  tk  , išmatuotomis

Fbio  tk  , cin  tk  ir apskaičiuota OURV  tk  vertėmis, modelis (3.11) seka proceso dinamikos pokyčius realiuoju laiku. Derinant grįžtamojo ryšio reguliatorių, greta kintančios modelio (3.11), (3.15) ir (3.16) lygčių dinamikos, įvertinama pastovi IDK elektrodo, orapūtės dinamika ir oro perdavimo transportinio vėlavimo priklausomybė nuo tiekiamo oro srauto. Priėmus prielaidą, kad IDK elektrodo ir orapūtės dinamiką galima aprašyti pirmosios eilės su vėlavimu modeliais, bendra valdomo proceso perdavimo funkcija gaunama tokia:

Gc u  s  

K  tk  1 1  s   t      e  p k m ; T  tk  s  1 Te s  1 Tbm s  1

 p  tk   Vp u  tk  ;

(3.17) (3.18)

Čia Te, Tbm atitinkamai IDK elektrodo ir orapūtės laiko pastovioji, h;  p ,  bm – atitinkamai oro perdavimo ir orapūtės vėlavimų laikas, h; Vp – oro tiekimo vamzdžio tūris, m3. Kad reguliatoriaus adaptacijai būtų galima pritaikyti derinimo taisykles, sukurtas pirmosios eilės su vėlavimu (FOPTD) modeliams [6], (3.17) perdavimo funkcija papildomai aproksimuojama iki FOPTD modelio:

G pr  s  

K pr  tk 

Tpr  tk  s  1

exp   pr  tk   ;

(3.19)

67


čia K pr  tk  , Tpr  tk  ir  pr  tk  – atitinkamai valdomo proceso atstojamasis stiprinimas, laiko pastovioji ir vėlavimas laiko momentu tk . Modelio parametrai

Tpr  tk 

ir

 pr  tk 

surandami

kiekviename

diskretizavimo

žingsnyje

aproksimuojant modeliuotą (3.17) perdavimo funkcijos šuolinę reakciją (3.19) FOPTD modeliu. Šuolinė reakcija gaunama panaudojant atvirkštinės Laplace transformacijos į vienetinį šuolį standartinius sprendinius, o FOPTD modeliui surasti naudojama Smith aproksimacija [6]. Atsižvelgiant į žymų proceso triukšmą, veikiantį grįžtamojo ryšio signalą iš IDK elektrodo, valdymo sistemoje bus naudojamas PI reguliatorius (vietoj PID), kuris yra mažiau jautrus įėjimo signalo triukšmams [64]. Modifikuotas diskretusis PI valdymo pokyčių algoritmas yra toks:

u  tk   u  tk 1   Du tk  ;

(3.20)

Du (t k )  K r t {bt k cset t k   ct k  

 bt k cset t k 1   ct k 1  

t et k } ; Ti t k 

(3.21)

e  tk   cset  tk   c  tk  ;

(3.22)

čia Du – oro srauto padidėjimas / sumažėjimas, m3 h-1; K r – reguliatoriaus stiprinimo koeficientas, (m3 h-1) / (kg m-3); Ti – reguliatoriaus integravimo laikas, h;

b – nuostato svorinis koeficientas; t – valdančiojo poveikio diskretizavimo žingsnis, h; c – išmatuota IDK vertė, kg m-3. Reguliatoriaus parametrai K r (t ) , Ti  ti  , b  ti  perskaičiuojami kiekviename diskretizavimo žingsnyje, naudojant atnaujinamus (3.17) FOPTD modelio parametrus K c u  tk  , Tpr  tk  ,  pr  tk  ir Kappa-Tau maksimalaus jautrumo Ms = 2,0 derinimo taisykles, kurios sudarytos FOPTD modeliui [52]:

K r  0,44

Tpr (tk ) K pr (tk ) (tk )

2

2

exp  4,1   (tk )  5,7 (tk )

Ti (tk )  0,79  Tpr (tk )  exp  1,4  (tk )  2,4 (tk )

b(tk )  0,44  exp 0,78  (tk )  0,45 (tk ) ;

 (tk ) 

 pr (tk )  pr (tk )  Tpr (tk )

Valdymo kokybės pagerinimo algoritmas 68

2

.

(3.23)

(3.24) (3.25) (3.26)


Valdantysis poveikis adaptacijos algoritme, apskaičiuotas laiko momentu tk pagal intervalą tk  t  tk 1 , atitinka proceso būseną laiko momentu tk . Preliminarūs adaptyviosios valdymo sistemos bandymai parodė, kad sistema veikia gerai, jeigu nėra žymių proceso būsenos pokyčių diskretizavimo intervalo metu. Nors proceso būsenos kintamųjų pokyčiai nėra staigūs, minėtą sąlygą pažeidžia pats valdantysis poveikis, nes proceso stiprinimas priklauso nuo valdančiojo poveikio vertės ((3.15) lygtis). Esant dideliam valdančiojo poveikio pokyčiui, kitame diskretizavimo taške apskaičiuotas valdantysis poveikis skiriasi nuo optimalaus, jei proceso dinaminių parametrų įvertinimas reguliatoriaus adaptacijos algoritme remiasi ankstesne valdančiojo poveikio verte. Ši problema sprendžiama proceso dinaminių parametrų įvertinimą atliekant pagal vidutinę buvusio ( uk 1 ) ir būsimo ( uk ) valdančiojo poveikio vertes. Ši skaičiavimo procedūra atliekama kiekviename diskretizavimo žingsnyje, taikant algoritmą, pateiktą 3.6 pav.

Duota:

u (t k 1 )

Duota: c(t k ), OUR(t k ), cin (t k ), Fbio (t k )

Nuo: t k  t  t k  1 Perskaičiuoti perdavimo funkcijos parametrus Suskaičiuoti u ( t k )

u (t k )  u (t k 1 )  u (t k 1 )

n

u(tk 1 ) 

u(tk )  u(tk 1 ) 2

t u (t k ) 3.6 pav. Valdančiojo poveikio perskaičiavimo algoritmas

3.5. Adaptyviosios IDK valdymo sistemos su neigiamuoju grįžtamuoju ryšiu ir adaptyviuoju trikdžio kompensatoriumi projektavimas

69


Pagerinti valdymo kokybę galima įvedus tiesioginio valdymo kontūrą – trikdžio (atitekančio nuotekų srauto) adaptyvųjį kompensatorių. Kaip jau minėta anksčiau, atitekantis nuotekų srautas Fbio – vienas iš svarbiausių technologinių kintamųjų, darančių įtaką IDK aerotanke. Vadovaujantis proceso modeliu, pateiktu (3.8)–(3.9) lygtyse, galima sudaryti adaptyvų nuotekų srauto Fbio kompensatorių. Tam tikslui visų pirma būtina sudaryti perdavimo funkciją, aprašančią, kaip keičiasi IDK veikiant trikdžiui Gc / Fbio ( s) . Antrasis žingsnis – sudaryti adaptyvią kompensatoriaus perdavimo funkciją iš sąlygos

GKomp ( s)  

Gc / Fbio ( s) G*c / u ( s)

.

(3.27)

Laikui bėgant kintanti valdomo proceso dinamika darbo taško aplinkoje gali būti aprašoma tiesine (3.28) lygtimi, gauta ištiesinus (3.8) lygtį kintamųjų c ir Fbio kintamųjų atžvilgiu būsenos taško aplinkoje laiko momentu t k :

K Fbio dc 1   c   Fbio , dt TFbio (tk ) TFbio (tk )

(3.28)

arba pirmosios eilės perdavimo funkcijos modeliu:

Gc / Fbio ( s) 

K Fbio (tk ) c ;  Fbio TFbio (tk ) s  1

(3.29)

 c c  K Fbio (tk )    in  ; u V  Fbio  t t k

(3.30)

  V TFbio (tk )     ; u V  Fbio  t  t k

(3.31)

čia s – Laplace operatorius; c , Fbio – nedideli c ir Fbio nuokrypiai nuo esamo būsenos taško; c  s  , Fbio (s) – c ir Fb io Laplace transformacijos;

K Fbio (t k ), TFbio (tk ) – atitinkamai proceso stiprinimo koeficientas ir laiko pastovioji laiko momentu tk . Įvertinus (3.14) lygtį, atitinkamai dinaminiai parametrai K Fbio (tk ) ir TFbio (tk ) gali būti apskaičiuoti naudojant tokias lygtis:

 cin  c  c*  c  , K Fbio (tk )    *  OURt  Fbio c  cin  t  t k 70

(3.32)


  V c*  c . TFbio (tk )    *  OURt  Fbio c  cin  t  t k

(3.33)

Atnaujinant perdavimo funkcijos modelio (3.29), (3.32) ir (3.33) išraiškas naujomis IDK nuostato c  tk   cset  tk  , išmatuotomis Fbio  tk  , cin  tk  ir apskaičiuota OURV  tk  vertėmis, modelis (3.27) kompensuoja proceso dinamikos pokyčius trikdančiojo poveikio atžvilgiu realiuoju laiku. Remiantis (3.27) išraiška, įvertinus orapūtės perdavimo funkciją ir (3.18) išraišką, gauname:

GKomp (s)  Kkomp (s)  Tbm (s)  1  e

s  p ( t k )  bm

;

(3.34)

čia

K Komp ( s) 

K Fbio ( s) Ku ( s)

.

(3.35)

Kaip matyti iš (3.34) išraiškos, kompensatorius turi du spartinančius elementus, kuriuos lemia orapūtės laiko pastovioji ir suminis orapūtės vėlavimas. Juos galima interpretuoti kaip du nuosekliai sujungtus PD reguliatorius, diferencialines laiko pastoviąsias Td pakeičiant atitinkamai orapūtės laiko pastoviąja Tbm ir suminiu vėlavimu T (tk )   p (tk )   bm :

GKomp (s)  K Komp (s)  Tbm (s)  1  T (s)  1 .

(3.36)

Atlikus matematinius veiksmus ir kompensatoriaus išraišką užrašius diskretine pokyčių forma, gaunama tokia galutinė adaptyviojo kompensatoriaus išraiška:

uKompn (tk )  GKompn1 (tk 1 )  K Komp (tk )  A  en  B  en 1  C  en  2  ; (3.37) čia

A

TbmT (tk ) Tbm  T (tk )  1; T2 T

B2

TbmT (tk ) Tbm  T (tk )  1; T2 T C

TbmT (tk ) ; T2

K Komp (tk ) 

K Fbio (tk ) Ku (tk )

(3.38) (3.39) (3.40)

;

(3.41)

71


čia en – įtekančio nuotekų srauto pokytis Fbio laiko momentu tk. Valdančiajam poveikiui perskaičiuoti taikoma ta pati schema, kaip ir 3.5 pav. pateiktame algoritme, susumavus reguliatoriaus ir kompensatoriaus išėjimus:

u(tk )  uRe g (tk )  uKomp (tk ) .

(3.42)

3.6. Matematinio modelio identifikavimas Kad būtų galima modeliuoti ankščiau aprašytas valdymo sistemas, remiantis Kauno vandenvalos įmonės archyviniais duomenimis, buvo identifikuotas pilnos struktūros biologinio nuotekų valymo proceso aktyviojo dumblo metodu matematinis modelis. Būsenos modelis biologinio nuotekų valymo procese yra sudarytas, remiantis ištirpusio deguonies koncentracijos ir substrato masių balansu [27, 28, 67, 145]:

dc F  k L a(c*  c)  (cin  c) bio  OUR; dt V

ds  s s s   max X  bio Fbio; dt Yx / s K s  s V OUR 

max s X; Yx / o K s  s

k La  N  Q ;

(3.43)

(3.44)

(3.45) (3.46)

čia c – ištirpusio deguonies koncentracija (valdomasis kintamasis), kLa – deguonies masės perdavimo koeficientas iš dujinės į skystąją fazę, c * – IDK soties vertė, cin – IDK atitekančiose nuotekose, Fbio – į aerotanką įtekančių nuotekų srautas, V – aerotanko tūris, OUR – deguonies sunaudojimo greitis, s – substrato koncentracija,  max – maksimalus santykinis biomasės augimo greitis, Ks – prisotinimo koeficientas, Yx/s – biomasės / substrato išeigos rodiklis, Yx/o – biomasės / deguonies išeigos rodiklis, X – biomasės koncentracija, Sbio – substrato koncentracija į aerotanką įtekančiose nuotekose, N – maišyklės sukimosi greitis, Q – oro srautas (valdantysis poveikis),  ,  ,  – parametrai, priklausantys nuo technologinių sąlygų. Modelio parametrų identifikavimas Kadangi vienintelis būsenos kintamasis c yra tiesiogiai matuojamas (s įvertina modelis), modelio parametrams identifikuoti buvo pasirinkta tikslo funkcija, minimizuojanti suminę integralinę kvadratinę paklaidą: T

S   cmod el  cdata  dt  min; 2

0

72

(3.47)


čia cmod el – modelio prognozuojama vertė, cdata – IDK realaus proceso matavimų duomenys, T – tyrimo laikotarpis. Modelio (3.43) ir (3.44) lygtims integruoti diskretiniai technologinių parametrų Fin , Fret , Q ir c matavimų duomenys buvo interpoliuojami naudojant Matlab įrankius (tiesinė Lagrange interpoliacija). Technologinių parametrų matavimų duomenys buvo gauti remiantis Kauno vandenvalos įmonės stebėjimų archyviniais duomenimis. Pradinė tiesiogiai nematuojamo būsenos kintamojo st 0 vertė buvo nustatyta proceso eksperto. Įtekančio į aerotanko substrato koncentracija Sbio apskaičiuojama iš (3.5) formulės. Biomasės koncentracija X įvertinama iš tokios tiesinės priklausomybės:

X  X 0  Fret  k ;

(3.48)

čia X0 ir k – identifikuojami parametrai. Modelio parametras cin yra matuojamas tiesiogiai, c* – IDK soties vertė, V – konstrukcinis parametras. Kadangi maišymo greitis tiriamajame procese yra pastovus, išraiška N  identifikuojama kaip parametras  * . Pradinės parametrų  * ,  , max , Ks, Yx/s, Yx/o vertės paimtos iš literatūros [28, 34, 97, 111]. Identifikavimo uždaviniui spręsti panaudotas modifikuotas evoliucinio programavimo algoritmas [95]. Paieškos metu identifikuojamų parametrų technologinės kitimo ribos yra griežtai apibrėžtos. Mutacijos laipsnis perskaičiuojamas po kiekvienos iteracijos. Dalis vektorių tėvų dirbtinai pakeičiama, siekiant kuo greičiau apeiti lokalius ekstremumus. Paieškos procedūra baigiama, kada pasiekiamas užduotas tikslumas. Skaičiavimo programa realizuota panaudojant Matlab įrankius. Pradinės būsenos kintamųjų ir identifikuotų modelio parametrų vertės pateikiamos 3.3 lent. Stebėjimų duomenys ir modelio prognozuojamos IDK vertės pateiktos 3.7–3.10 pav. 3.3 lentelė. Pradinės būsenos kintamųjų vertės ir identifikuotos modelio parametrų vertės Pradinės būsenos kintamųjų vertės Matavimo Kintamasis Vertė vienetas -3 c kg m 0,16 10 3 -3 s kg m 32,28 10 3 Identifikuotos modelio parametrų vertės – 5,09 *  – 0,138 h-1 0,10  max -3 Ks kg m 35,36 10 3 -1 Yx/s kg kg 2,80 Yx/o kg kg-1 0,052 X0 kg m-3 140 10 3 k – -0,0006

73


1020 Oro srautas

Paduodamas oro srautas, m 3 h-1

1000 980 960 940 920 900 880 860 840

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

Laikas, h

3.7 pav. Paduodamas oro srautas 1000 Atitekantis srautas Grąžinamas srautas Bendras srautas

900

Nuotekų srautai, m3 h-1

800 700

 Bendras sr. 600 500 400

 Atitekantis sr.

300 200 100

 Grąžinamas sr. 0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

Laikas, h

3.8 pav. Atitekantis, grąžinamas ir bendras nuotekų srautai

74

0.4


Įtekančių nuotekų substrato koncentracija, kg m-3 x 10-3

176 Sbio 175

174

173

172

171

170

169 0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

Laikas, h

3.9 pav. Įvertinta substrato koncentracija į biologinius rezervuarus atitekančiose nuotekose 0.3 Stebėta IDK Modelio prognozuojama IDK

IDK, kg m-3 x 10-3

0.25

0.2

0.15

0.1

0.05

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

Laikas, h

3.10 pav. Modelio prognozuojama ir reali IDK vertės

Šis dinaminis modelis iš esmės yra sudėtingo bioproceso tendencijos modelis (tendency model), kurio pagrindinė paskirtis yra sekti realiuoju laiku pagrindinių dinaminių savybių pokyčius ir panaudoti gautą informaciją reguliatoriaus parametrų adaptacijai. Kadangi realus valdomas procesas iš esmės yra nestacionarus, t. y. jo 75


dinaminės savybės varijuoja proceso metu, tai nėra prasmės kalbėti apie tendencijos modelio parametrų tikslumą, nes parametrų vertės gali varijuoti, kai identifikuoti naudojama viena ar kita eksperimentinių duomenų imtis. Kadangi šis modelis atspindi valdomo proceso parametrų esminius tarpusavio ryšius ir esmines dinamines savybes, modeliavimo eksperimente jis buvo panaudotas atliekant valdomo objekto imitacinį modeliavimą. Šio modeliavimo tikslas yra parodyti, kaip veikia reguliatoriaus adaptacijos algoritmas (paremtas tendencijos modeliu), keičiantis valdomo proceso dinaminėms savybėms. Kadangi tendencijos modelio parametrai koreguojami realiuoju laiku, adaptacijos algoritmas valdant realų procesą prisitaiko prie proceso dinaminių savybių pokyčių. Vienas sudėtingiausių iššūkių identifikuojant matematinį modelį buvo atrinkti informatyvius stebėjimų (matavimų) duomenis. Modeliui identifikuoti buvo parinkti stebėjimų laiko intervalai, per kuriuos stebimas reikšmingas IDK ir kitų technologinių parametrų kitimas, kad būtų galima kuo tiksliau identifikuoti modelį. Matavimai vandenvalos įmonėje atliekami kas 15 sekundžių, todėl, siekiant nufiltruoti jutiklių rodmenis, identifikuoti buvo naudotas minutės stebėjimų vidurkis. 0,4 valandos intervalas buvo parinktas atsižvelgiant į valdomojo parametro matavimo rezultatų kitimo dinamiką: šis intervalas yra tos pačios eilės kaip IDK elektrodo laiko pastovioji. Kitas svarbus dalykas – IDK jutiklių (matuoklių) rodmenys. Kadangi jie išdėstyti skirtingose aerotanko vietose, jų rodmenys skiriasi. Šiame darbe buvo naudotas aritmetinis rodmenų vidurkis, o kaip iš tikrųjų atrodo matuojama IDK, parodyta 3.11 pav. 0.4 IDK matavimų vidurkis Modelio prognozuojama IDK Apatinis IDK jutiklis Viršutinis IDK jutiklis

0.35

IDK, kg m-3 x 10-3

0.3

0.25

0.2

0.15

0.1

0.05 0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

Laikas, h

3.11 pav. Jutikliais išmatuotos, vidutinė ir modelio prognozuojama IDK vertės

Apskaičiuotas ištirpusio deguonies koncentracijos modelio prognozavimo vidutinis kvadratinis nuokrypis sudaro 14,3 %.

76


3.7. Adaptyviosios IDK valdymo sistemos su neigiamuoju grįžtamuoju ryšiu tyrimas imitacinio modeliavimo būdu Valdymo sistemos (3.4 pav.) darbas buvo tiriamas kompiuteriu, naudojant programinį paketą Matlab / Simulink. Imituotuose eksperimentuose valdomas procesas buvo modeliuojamas panaudojant (3.1)–(3.7) ir (3.43)–(3.46) lygtis. OUR profilis buvo sudarytas remiantis skirtingomis 5 archyvinių duomenų atkarpomis (nenaudotų nei identifikavimui, nei patikrai), panaudojant (3.45) lygtį, prieš tai sumodeliavus substrato profilį ir remiantis identifikuotais parametrais. Valdymo sistemos elementai – IDK elektrodas ir orapūtė – buvo modeliuojami pasitelkiant juos aprašantį pirmosios eilės dinaminį modelį. Taip pat buvo įvertinamas valdančiojo poveikio (aeracijos greičio) vėlavimas, kintantis dėl oro srauto transportavimo laiko priklausomybės nuo oro srauto greičio. Modelio parametrų vertės ir pradinės proceso kintamųjų vertės, naudotos imituojant, pateiktos 3.4 lent. [52]. 3.4 lentelė. Modelio parametrai ir proceso kintamųjų pradinės vertės Modelio parametrų vertės Matavimo Parametras vienetas Fiziniai parametrai

c*

kg m-3

Vertė 0,001

Pastovūs technologiniai parametrai

cin  

Vp Tbm Te

 bm

kg m-3

0,006

5,09 0,138 – Konstruktyviniai parametrai m3 3,31 h 3,33 102 2,22 102 h 1,11103 h

Proceso kintamųjų pradinės vertės c kg m-3 0,0015 uset m3 h-1 1197 OUR kg m-3 h-1 0,175

Fbio

m3 h-1

403

Proceso dinamikos pokyčiai buvo imituojami, keičiant deguonies sunaudojimo greitį (OUR) ir įtekančių nuotekų srautą ( Fbio ). Valdymo algoritmo (3.17)–(3.19) išraiškose buvo naudojamas diskretizavimo žingsnis t  0,01 h. Adaptyviosios valdymo sistemos reakcijos į IDK nuostato pokyčius, veikiant OUR ir nuotekų srauto trikdantiesiems poveikiams, pateiktos 3.12 pav. Nuostato ir trikdančiųjų poveikių grafikai pateikti atitinkamai 3.12 pav. (a–c). OUR pokyčiai 77


pateikti 3.12 pav. (c) ir apskaičiuoti naudojant realaus proceso stebėjimo duomenis. Adaptyviojo PI reguliatoriaus parametrų K r , Ti ir b adaptacija pavaizduota atitinkamai 3.12 pav. (d–f). Valdančiųjų poveikių grafikai pateikti 3.12 pav. (g), valdančiųjų poveikių pokyčių – 3.12 pav. (h). Valdančiųjų poveikių skirtumų grafikas pateiktas 3.12 pav. (i). Valdomosios IDK grafikas, reaguojant į nuostato pokyčius ir kompensuojant trikdančiuosius poveikius, pateiktas 3.12 pav. (j). Norint palyginti yra pateiktos standartinės valdymo sistemos su PI reguliatoriumi ir pastoviais parametrais ( K r = 665,8 (kg m-3)/(m3 h-1); Ti  0,0437 h;

b  0,5284) reakcijos kreivės, kai sistema suderinta pagal pradines technologinių parametrų vertes (grafikai pateikti punktyrinėmis linijomis) (3.12 pav., d–h, j).

IDK nuostatas, kg m-3 x 10-3

0.6

0.5

0.4

0.3

0.2

0.1

0

0

1

2

3

Laikas, h

(a)

78

4

5

6


1100

ÄŽtekantis nuotekĹł srautas, m3 h -1

1000 900 800 700 600 500 400 300

0

1

2

3

4

5

6

4

5

6

Laikas, h

(b) 215 210

OUR kg m-3 h -1 x 10-3

205 200 195 190 185 180 175 170

0

1

2

3

Laikas, h

(c)

79


1200

Adaptyvus Kr Pastovus Kr

Kr, (kg m-3)/(m 3 h-1)

1100

1000

900

800

700

600

0

1

2

3

4

5

6

Laikas, h

(d) 0.045

Adaptyvi Ti

0.044

Pastovi Ti

0.043

Ti, h

0.042 0.041 0.04 0.039 0.038 0.037 0

1

2

3

Laikas, h

(e)

80

4

5

6


Adaptyvus b Pastovus b

0.529

0.528

b

0.527

0.526

0.525

0.524

0.523

0

1

2

3

4

5

6

Laikas, h

(f) 4500

Adaptyvus PI Standartinis PI

4000

u, m 3 h -1

3500

3000

2500

2000

1500

1000

0

1

2

3

4

5

6

Laikas, h

(g)

81


Valdančiųjų poveikių pokyčių kitimo greitis, (m3 h-1) h-1

u/t 8000

 uAdaptyvus /  t  uStandartinis /  t

6000

4000

2000

0

-2000

-4000 0

1

2

3

4

5

6

Laikas, h

(h) uAdaptyvus - uStandartinis

Valdančiųjų poveikių skirtumai, m3 h-1

300

200

100

0

-100

-200

-300 0

1

2

3

Laikas, h

(i)

82

4

5

6


0.7

IDK, kg m-3 x 10-3

0.6

0.5

0.4

0.3

Nuostatas Adaptyvus PI Standartinis PI

0.2

0.1

0

1

2

3

4

5

6

Laikas,h

(j) 3.12 pav. Valdymo sistemos darbas, veikiant OUR ir įtekančio srauto trikdantiesiems poveikiams bei keičiant IDK nuostatą (adaptyviosios valdymo sistemos reakcijos į IDK nuostato pokyčius, veikiant OUR ir nuotekų srauto trikdantiesiems poveikiams: (a) – nuostatas, (b, c) – trikdantieji poveikiai atitinkamai Fbio ir OUR, (d, e, f) – adaptyviojo PI reguliatoriaus parametrų Kr, Ti ir b adaptacija, (g) – valdantieji poveikiai, (h) – valdančiųjų poveikių pokyčiai, (i) – valdančiųjų poveikių skirtumai, (j) – valdomoji IDK, reaguojant į nuostato pokyčius ir kompensuojant trikdančiuosius poveikius)

Kaip matyti iš modeliavimo rezultatų, pagrindinių PI reguliatoriaus derinimo parametrų – stiprinimo Kr ir laiko pastoviosios Ti – adaptacija vyksta efektyviai ir plačiu diapazonu: lyginant su pastoviais PI reguliatoriaus parametrais, atitinkamai 41,5 ir 13,8 %. Iš valdančiojo poveikio pokyčių grafiko matyti, kad adaptyvioji valdymo sistema greičiau reaguoja į proceso pokyčius ir visuomet anksčiau pradeda keisti oro srautą didesniu skirtumu, palyginti su įprasta valdymo sistema (3.12 pav., h). Didžiausias abiejų valdymo sistemų valdančiųjų poveikių skirtumas – 322 m3 h-1 (3.12 pav., i). Valdymo sistemos veikimo modeliavimas, veikiant procesą trikdantiems poveikiams ir šuoliniams nuostato pokyčiams, rodo pastebimai didesnį reguliavimo tikslumą, palyginti su pastoviai suderintu PI reguliatoriumi: adaptyviosios valdymo sistemos reguliatoriaus suminė absoliutinė paklaida yra 79,4 % mažesnė nei standartinės valdymo sistemos. 3.8. Adaptyviosios IDK valdymo sistemos su neigiamuoju grįžtamuoju ryšiu ir adaptyviuoju trikdžio kompensatoriumi tyrimas imitacinio modeliavimo būdu

83


Proceso dinamikos pokyčiai buvo imituojami keičiant įtekančių nuotekų srautą ( Fbio ). Valdymo algoritmo (3.37)–(3.41) išraiškose buvo naudojamas diskretizavimo žingsnis t  0,01 h. Trikdančiojo poveikio grafikas pateiktas 3.13 pav. (a). Adaptyviojo kompensatoriaus stiprinimo K Komp (tk ) grafikas pateiktas 3.13 pav. (b). Valdančiojo poveikio uKomp (tk ) grafikas pateiktas 3.13 pav. (c). Adaptyvios ir standartinės automatinio valdymo sistemų reakcijos į Fbio trikdančiojo pokyčio su kompensatoriumi ir be kompensatoriaus pateiktos 3.13 pav. (d, e). Adaptyviosios su kompensatoriumi ir standartinės su kompensatoriumi automatinio valdymo sistemų palyginimas pateiktas 3.13 pav. (f). Norint palyginti pateiktos standartinės valdymo sistemos su PI reguliatorium bei kompensatoriumi, su pastoviais parametrais ( K r =665,8 (kg m-3)/(m3 h-1); Ti  0,0437 h; b=0,5284, K Komp = -2,5857  104 ) reakcijos kreivės, kai sistema suderinta pagal pradines technologinių parametrų vertes. Modelio parametrų vertės ir pradinės proceso kintamųjų vertės, naudotos modeliavimui, pateiktos 3.4 lent. Trikdžio poveikis 2400

Atitekantis nuotekų srautas, m 3 h-1

2200 2000 1800 1600 1400 1200 1000 800 600 400

0

1

2

3 4 Laikas, h

(a)

84

5

6

7


-4

-2.4

x 10

Kompensatoriaus striprinimas K

Komp

-2.6 Adaptyvus K Komp Pastovus K Komp

-2.8

-3

-3.2

-3.4

-3.6

-3.8

0

1

2

3 4 Laikas, h

5

6

7

(b) 2

Oro srauto pokytis u

Komp

, m3 h-1

1.5 Adaptyviojo kompensatoriaus išėjimas Standartinio kompnesatoriaus išėjimas 1

0.5

0

-0.5

-1

-1.5 0

1

2

3 4 Laikas, h

5

6

7

(c)

85


Adaptyviosios AVS: su ir be trikdžio kompensatoriumi 0.1506

IDK, kg m-3 x 10-3

0.1504

0.1502

0.15

0.1498 Su trikdžių kompensatoriumi Be trikdžių kompnesatoriaus 0.1496

0.1494

0

1

2

3 4 Laikas, h

5

6

7

(d) Standartinės AVS: su ir be trikdžių kompensatoriumi 0.1506

IDK, kg m-3 x 10-3

0.1504

0.1502

0.15

0.1498 Su trikdžių kompensatoriumi Be trikdžių kompnesatoriaus 0.1496

0.1494

0

1

2

3 4 Laikas, h

(e)

86

5

6

7


Adaptyvios ir standartinės AVS su trikdžių kompensatoriais palyginimas 0.1502 Adaptyvioji AVS Standartinė AVS

0.1502

IDK, kg m-3 x 10-3

0.1502 0.1501 0.15 0.15 0.15 0.1499 0.1498 0.1498

0

1

2

3 4 Laikas, h

5

6

7

(f) 3.13 pav. Valdymo sistemos darbas, veikiant įtekančio srauto Fbio trikdančiajam poveikiui: (a) – trikdantysis poveikis, (b) – adaptyviojo kompensatoriaus stiprinimas K Komp (tk ) , (c) – valdantysis poveikis uKomp (tk ) , (d) – adaptyvios ir standartinės automatinio valdymo sistemų reakcijos į Fbio trikdančiojo poveikio pokyčius su kompensatoriumi ir (e) – be kompensatoriaus, (f) – adaptyviosios su kompensatoriumi ir standartinės su kompensatoriumi automatinių valdymo sistemų palyginimas

3.9. Apibendrinamosios išvados 1. Sukurta valdymo sistema, skirta ištirpusio deguonies koncentracijos nuostatui palaikyti pramoninėje aeravimo talpoje ir paremta PI reguliatoriaus adaptacija prie kintamų veikimo sąlygų. Reguliatoriaus adaptacijos algoritmas remiasi iš proceso būsenos modelio gaunama perdavimo funkcija, kuri atnaujinama naudojant būsenos kintamųjų matavimus ir geba sekti proceso dinamikos kitimą. Reguliatoriaus parametrai perskaičiuojami kiekviename valdymo diskretizavimo žingsnyje, taikant reguliatoriaus derinimo taisykles, sukurtas ir skirtas tipinės struktūros perdavimo funkcijos modeliams. 2. Valdymo sistemos veikimo modeliavimas, veikiant procesą trikdantiems poveikiams ir šuoliniams nuostato pokyčiams, rodo efektyvią PI reguliatoriaus parametrų adaptaciją ir pastebimai didesnį reguliavimo tikslumą, palyginti su pastoviai suderintu PI reguliatoriumi (3.12 pav.). 3. Adaptyviojo trikdžio kompensatoriaus įdiegimas pagerina valdymo kokybę, tačiau dėl itin didelės aerotanko talpos ir jos atžvilgiu santykinai mažo atitenkančio nuotekų srauto efektas nėra reikšmingas: maksimali dinaminė nuokrypa visais atvejais yra mažesnė nei leidžiamas liekamasis nuokrypis (statinė paklaida). 87


4. Modeliavimo rezultatai parodė, kad svarbiausias parametras, veikiantis valdomo proceso dinamiką, yra deguonies sunaudojimo greitis. 5. Sukurtas valdymo sistemas galima įdiegti naudojant standartinę automatizavimo įrangą. 6. Sukurtasis ištirpusio deguonies koncentracijos aerotanke matematinis modelis, skirtas aeracijos proceso dinaminėms savybėms prognozuoti, gali būti panaudotas įvairiems valdymo metodams ir algoritmams tirti.

88


4. ADAPTYVIOJI PRAMONINIO PŪDYTUVO EKSPLOATACIJOS SĄNAUDAS MINIMIZUOJANTI TEMPERATŪROS VALDYMO SISTEMA 4.1. Įžanga Metano fermentacija vyksta per anaerobinio pūdymo procesą. Pagrindinis technologinis kintamasis, kurį reikia valdyti – temperatūra. Temperatūros reakcijos kreivei būdinga pirmosios eilės dinamika. Dėl šios priežasties proceso valdymas nėra sudėtingas uždavinys: palaikyti tinkamą temperatūrą (32–40 oC) galima naudojant įprastus PI ir PID reguliatorius grįžtamojo ryšio valdymo sistemose, o jeigu temperatūrą reikia palaikyti labai tiksliai, galima taikyti sukurtas adaptyviąsias temperatūros valdymo sistemas [13]. Kitų technologinių parametrų, tokių kaip maišymo intensyvumo ar pH, palaikymą sėkmingai atlieka kitos nesudėtingos pagalbinės valdymo sistemos. Pagrindinis valdymo uždavinys – remiantis procesą veikiančiais trikdžiais (tokiais kaip atitekantis nuotekų srautas, aplinkos temperatūra, įtekančio dumblo temperatūra ir iš dalies jo sudėtis, energetinės ir konstrukcinės pūdytuvo savybės), apskaičiuoti optimalų temperatūros nuostatą, kad būtų išgauta kuo daugiau biodujų minimaliomis sąnaudomis, kartu užtikrinant būtiną minimalų išvalymo lygį. Kitaip tariant, valdymo uždavinys yra transformuojamas į optimizavimo uždavinį. Nuolatos brangstančių energetinių šaltinių kontekste šis uždavinys tampa vienas svarbiausių, nes leidžia žymiai sumažinti energijos išlaidas, išlaikyti tą pačią vandens valymo paslaugų kainą ir, uždavinį analizuojant kitu aspektu, sumažina likutinį dumblo kiekį. Apskaičiuota, kad norint visiškai išvalyti 1 m3 nuotekų reikia 160–220 Wh energijos (priklausomai nuo to, kokia technologija įdiegta valymo įmonėje). Atitinkamai iš kiekvieno kubinio metro suskystinto dumblo galima gauti 120– 170 Wh energijos deginant biodujas. Energija (įvairiomis formomis) išsiskiria ir kitose proceso stadijose. Atlikti apskaičiavimai rodo, kad įsisavinus visas šias formas įmanomas teigiamas energijos balansas [87]. Kad tai būtų pasiekta praktikoje, valdymo specialistai dar turi įdėti labai daug pastangų. Siekiant pagerinti pūdytuvo našumą ir ekonominę naudą, reikalinga biodujų gamybos proceso valdymo sistema [39]. Anaerobinio puvimo metu įvairių mikroorganizmų rūšių populiacijos nuolat perdirba tiek sudėtingus, tiek paprastus organinius junginius ir nepertraukiamai gamina metaną ir anglies dioksidą. Anaerobinis puvimas natūraliai gali atsirasti esant plačiam sąlygų diapazonui, nors optimaliam darbui reikalingas diapazonas kur kas siauresnis. Veiksniai, darantys įtaką biodegradacijos ir biodujų gamybos greičius pūdytuve, yra temperatūra, išbuvimo laikas, pūdytuvo masės maišymas, pH (dažniausiai savireguliuojanti), vandens ir medžiagos santykis ir t. t. Tarp išvardytų veiksnių svarbiausias yra temperatūra. Reguliuojant temperatūrą pagal griežtai apibrėžtą diapazoną, gali būti gaunamas pageidaujamas pūdymo procesas (mezofilinis ar termofilinis). Kita vertus, pūdytuvo šildymas šaltuoju metų laikotarpiu labai smarkiai padidina išlaidas. Ekonominis efektas, gaunamas palaikant optimalią temperatūrą pūdytuve maksimizuojant biodujų gamybą ir kartu minimizuojant eksploatacines išlaidas, gali būti pasiekiamas keičiant išorines ir vidines proceso sąlygas. 89


Šiame skyriuje aprašytas adaptyviosios temperatūros valdymo sistemos, minimizuojančios eksploatacijos sąnaudas, kūrimas ir tyrimas imitacinio modeliavimo būdu, naudojant Kauno vandenvalos įmonėje sukauptus vienų metų archyvinius duomenis. 4.2. Procesai pūdytuve (metantanke) Biodujų gamybos procesas anaerobinio pūdymo būdu vyksta uždaruose pūdytuvuose su šildymo ir maišymo sistemomis (4.1 pav.). Nuolatinio veikimo pramoninio pūdytuvo talpa yra apie 10000 m3, į jį tiekiamas dumblo srautas Fin , kurio temperatūra Tin . Ištekančio perpūdyto dumblo srautas yra Fout (nusistovėjus darbo sąlygoms Fout  Fin ), o pagamintų biodujų srautas – Fg . Recirkuliuojamas dumblo srautas Fh (valdantysis kintamasis) per šilumokaičius užtikrina pūdytuvo darbinę proceso temperatūrą Ts . Šildymo energija gaunama iš vandens, tekančio per šilumokaitį srautu Fw , kurio įtekėjimo ir ištekėjimo temperatūra yra atitinkamai

Tw,in ir Tw,out .

4.1 pav. Anaerobinio pūdytuvo proceso schema

Temperatūrai pūdytuve palaikyti reikalinga šildymo energija priklauso nuo įtekančio dumblo temperatūros ir srauto, taip pat nuo aplinkos temperatūros, kuri nusako šiluminius nuostolius per pūdytuvo sieneles. Dėl minėtų parametrų pokyčių šildymo energija gali kisti plačiu diapazonu, keičiantis metų laikams. 4.3. Valdymo algoritmo projektavimas Pūdytuve vykstančių procesų valdymo tikslas – minimalia kaina suskaidyti kuo didesnę dalį dumble esančių organinių medžiagų. 90


Procesai pūdytuve gali būti valdomi keičiant dumblo temperatūrą arba išbuvimo laiką pūdytuve. Išbuvimo laikas priklauso nuo dumblo srauto per pūdytuvą ir dumblo tūrio:

t ret 

Vs ; Fin

(4.1)

čia t ret – dumblo išbuvimo laikas pūdytuve; Fin – įtekančio dumblo tūrinis srautas;

Vs – dumblo tūris pūdytuve. Vis dėlto srauto arba tūrio valdymas dažnai neįmanomas praktikoje, nes įtekančio dumblo buferinės talpos yra per mažos dideliems dumblo tūriams sukaupti, o darbinio dumblo tūrio pūdytuve keitimosi diapazonas siauras. Todėl išbuvimo laikas paprastai nėra valdomas ir priklauso nuo pūdytuvo apkrovimo (įtekančio dumblo tūrinio srauto). Paprastai procesai pramoniniuose pūdytuvuose valdomi keičiant tik dumblo temperatūrą. Anaerobinio pūdymo proceso temperatūros valdymo strategija vienu metu siekiama dviejų tikslų: suskaidyti norimą kiekį organinių medžiagų dumble ir minimizuoti proceso kainą keičiantis technologinėms sąlygoms. Todėl temperatūros nuostato skaičiavimo algoritmas susideda iš dviejų žingsnių. Pirmajame žingsnyje įvertinamas norimos suskaidyti organinių medžiagų dalies reikalavimas. Antrajame žingsnyje skaičiuojamas reikalingas temperatūros nuostatas, kuris minimizuoja pūdymo proceso kainą suskaidant norimą dalį organinių medžiagų. Temperatūros adaptacijos algoritmo realizavimas remiasi pūdymo proceso prognozavimu keičiantis darbo sąlygoms. Pūdymo proceso prognozavimas Siekiant numatyti pūdymo proceso intensyvumą esant skirtingiems įtekantiems srautams ir skirtingai temperatūrai pūdytuve, reikalinga funkcinė priklausomybė, kuri susietų biodujų gamybą su minėtais kintamaisiais. Ši funkcinė priklausomybė gali būti identifikuota naudojant periodinio pūdymo proceso eksperimentinius duomenis, gautus tiriant dumblo bandinius. Identifikavimo procedūra susideda iš šių žingsnių: 1. Atliekami pūdymo proceso eksperimentai esant skirtingai temperatūrai  s,i ( i  1,..., n , n – temperatūros lygmenų skaičius) iš diapazono, kuriame pastebimas mezofilinių bakterijų augimas ir aktyvumas (32–40 oC). Eksperimentais matuojamas biodujų išsiskyrimo greitis Fg ,i iš tiriamo dumblo kiekio laiko momentais t j ( j  1,..., m , m – taškų skaičius). Procesas tęsiamas, kol nesibaigia biodujų gamyba. 2. Atliekamas eksperimentinių taškų aproksimavimas atitinkama funkcine priklausomybe. Šiame darbe buvo taikoma tokios struktūros funkcinė priklausomybė, kuri tiksliai aproksimuoja eksperimentines kreives: 91


p

Fg  s , t    a k  s t k ;

(4.2)

k 0

čia Fg  s , t  – periodinio pūdymo proceso biodujų išsiskyrimo greitis tūrio vienetui, esant temperatūrai  s laiko momentu t ; identifikuojami kaip temperatūros funkcija:

ak  s  – parametrai,

n

ak  s     ki si ;

(4.3)

i 0

čia  ki – parametrai. Parametrai a k ir  ki yra identifikuojami taikant mažiausių kvadratų metodą [80] ir eksperimentinius duomenis, gautus pirmajame žingsnyje. Bendras biodujų kiekis, gautas iš periodinio proceso tūrio vieneto, randamas integruojant (4.2) lygtį:

t k 1 Qg  s , t    Fg  s , t dt   a k  s  . k 1 k 0 0 t

p

(4.4)

3. Susijusių kintamųjų  ir t ekstreminių verčių sekos, kuriai esant suskaidomas norimas organinių medžiagų kiekis (gaunama norima dalis iš maksimalaus galimo biodujų kiekio iš turimo dumblo), skaičiavimas. Minėta izolinija apskaičiuojama (4.4) lygtimi, kuria fiksuojamas norimas pūdytuve pagamintų biodujų lygis:

Qg ,max

t uk 1 ;   a k  su  k 1 k 0 p

(4.5)

čia Qg ,max – maksimalus galimas biodujų kiekis iš tiriamo dumblo tūrio vieneto, apskaičiuotas pirmajame žingsnyje;  – norima maksimalaus biodujų kiekio dalis procentais;  su ir tu – susiję ekstreminės temperatūros ir proceso laiko vertės, kurioms esant pagaminama norima procentinė maksimalaus biodujų kiekio dalis. (4.5) lygtis toliau taikoma nuolatinio pūdymo proceso prognozei, periodinio proceso laiką t pakeičiant dumblo išbuvimo pūdytuve laiku tret (4.1). 4. Nuolatinio pūdymo proceso įvertinimas pūdytuve. Ekstreminis biodujų gamybos greitis, kai išbuvimo laikas yra tret , apskaičiuojamas (4.1) lygtimi, yra

Fgu 

92

Qg ,max tret

Vs  Qg ,max Fin .

(4.6)


Temperatūros nuostato skaičiavimas Temperatūros nuostato keitimas priklauso nuo apskaičiuoto ekstreminio biodujų gamybos greičio Fgu ir išmatuoto Fgm : 1. Jei Fgm  Fgu , biodujų gamybos greitį reikia padidinti, pakeliant proceso temperatūrą iki viršutinių leistinų ribų. Reikalingas temperatūros padidėjimas gali būti numatytas, skaičiuojant ekstreminę temperatūros vertę, atitinkančią esamą išbuvimo laiką (4.1), (4.4) lygtys)). 2. Jei Fgm  Fgu , norimas kiekis organinių medžiagų yra išskaidomas ir temperatūros nuostatas gali būti skaičiuojamas, siekiant minimizuoti pūdymo proceso kainą. Pagrindinės biotechnologinio proceso realizavimo pūdytuve išlaidos susijusios su energijos, naudojamos dumblui maišyti ir jo temperatūrai palaikyti, kaina. Ši kaina iš dalies kompensuojama pelnu, gautu pardavus biodujas. Sprendžiant pūdymo proceso optimizavimo uždavinį naudojama tokia tikslo funkcija: J  Cstir  Ctemp  Cgas ;

(4.7)

čia Cstir – maišymo energijos kaina per laiko vienetą; Ctemp – dumblo temperatūros palaikymo kaina per laiko vienetą; Cgas – per laiko vienetą pagamintų biodujų kaina. (4.7) lygties dėmenys yra susiję su valdomaisiais technologiniais parametrais tokiomis funkcinėmis priklausomybėmis:

Cstir  pe Pm ;

(4.8)

čia pe – elektrinės galios kaina; Pm – maišymo variklio galia.

Ctemp  ph

Am h  s  o   Fin  s cs  s  in 

he

;

(4.9)

čia ph – šildymo energijos kaina;  s – dumblo temperatūra pūdytuve;  o – aplinkos temperatūra;  in – įtekančio dumblo temperatūra; Fin – įtekančio dumblo tūrinis srautas; Am – pūdytuvo paviršiaus plotas; h – šilumos perdavimo per pūdytuvo sieneles koeficientas;  s – dumblo tankis; c s – savitoji dumblo šiluminė talpa;  he – šilumokaičio naudingumo koeficientas.

C gas  p gVs Fgc  s , t ret  ;

(4.10)

93


čia pg – biodujų tūrio vieneto kaina; Fgc  s , t ret  – biodujų išsiskyrimo greitis iš dumblo tūrio vieneto nuolatinio veikimo pūdytuve. Biodujų išsiskyrimo greičio prognozavimas remiasi (4.4) lygtimi, kurioje proceso laikas atitinka dumblo išbuvimo laiką dirbančiame nuolatiniu režimu pūdytuve:

Fgc  s , t ret  

Qg  s , t ret  t ret

k t ret   a k  s  . k 1 k 0 p

(4.11)

Optimizavimo tikslas – realiuoju laiku minimizuoti tikslo funkciją (4.7) manipuliuojant pūdytuve dumblo temperatūrą  s :

J min  min Cstir  Ctemp ( s )  Cgas( s ) . s

(4.12)

Remiantis (4.12) sąlyga kiekviename proceso diskretizavimo taške apskaičiuojama optimali temperatūros nuostato vertė. Kai pasiekiamas reikiamas temperatūros nuostatas, tikslo funkcijos vertė perskaičiuojama naudojant išmatuotas proceso kintamųjų vertes naujoje nusistovėjusio darbo taško būsenoje ir, jei reikia, valdantysis poveikis koreguojamas. Optimalaus temperatūros nuostato valdymo algoritmo blokinė schema pateikta 4.2 pav.

94


Žinoma:

F , F , , , gm

in

Suskaičiuoti

ne

F

  s

set

  max

gu

F F gm

ne

s

in

od

(4.6)

taip

gu

Suskaičiuoti  opt minimizuojant

taip

tikslo funkciją, (4.7)-(4.12)

max

 

Suskaičiuoti set  naudojant (4.5)

u

ne

 

, min jei  , set max jei set

  opt

min

  opt   max

taip

 

min

set

opt max

opt

set

4.2 pav. Temperatūros nuostato valdymo algoritmo blokinė schema

4.4. Valdymo sistemos tyrimas imitacinio modeliavimo būdu Temperatūros valdymo sistemos darbas buvo tiriamas kompiuteriu, naudojant programinį paketą Matlab / Simulink. Modeliuotos sistemos blokinė schema pateikta 4.3 pav. Proceso trikdžiai

F , , in

in

od

Temperatūros nuostato skaičiavimo algoritmas (pav. 4.2)

set

+

-

PI reguliatorius

Pūdytuvo procesas (4.12) – (4.15)

F

gm

s

4.3 pav. Temperatūros valdymo sistemos blokinė schema

95


Pūdymo proceso matematinis modelis, skirtas biodujų išsiskyrimo greičiui prognozuoti Pūdymo procesas gali būti aprašytas pūdytuvo ir šilumokaičio energijos balanso lygtimis. Priėmus prielaidą, kad šilumokaitis gali būti laikomas sutelktųjų parametrų procesu, o energijos kaupimas šilumokaityje nevertinamas, kintamųjų  s ,

 h ,  w,out energijos balanso lygtys yra tokios: d s Fh F Ah   h   s   in  s  in   m m  s   od  ; dt Vs Vs Vs  s cs d h Ah F  h hm  w,out   h  h  h   s  ; dt Vhs  s cs Vhs d w,out Fw  w,in   w,out   Am hm  w,out   h   EL,W ;  dt Vw Vw  wcw Vw  wcw

(4.13) (4.14) (4.15)

čia  s – temperatūra pūdytuve (valdomasis kintamasis),  h – šildomo dumblo temperatūra šilumokaičio išėjime,  w,out ,  w,in – ištekančio ir įtekančio vandens temperatūra,  in – įtekančio dumblo temperatūra,  od – aplinkos temperatūra, Fh – dumblo tūrinis srautas per šilumokaitį (valdantysis poveikis), Fin – įtekančio dumblo tūrinis srautas, Fw – vandens tūrinis srautas per šilumokaitį, Vs – dumblo tūris pūdytuve, Vhs , Vw – dumblo ir vandens tūris šilumokaityje, Am – pūdytuvo paviršiaus plotas, Ah – šilumokaičio šilumos perdavimo kontaktinis paviršius, hm – šilumos perdavimo per pūdytuvo paviršių koeficientas, hh – šilumos perdavimo per šilumokaičio sienelę koeficientas, c s , c w – dumblo ir vandens specifinės šiluminė talpa,  s ,  w – dumblo ir vandens tankis, E L ,W – šilumos nuostoliai šilumokaityje. Kiti energijos balanso pūdytuve dydžiai, tokie kaip biocheminių reakcijų ar maišymo energija, nėra vertinami, nes yra labai maži, palyginti su kitais balanso lygčių dydžiais. Šilumos perdavimo greičiai Ah hh , Am hm ir šilumos nuostoliai EL ,W buvo įvertinti naudojant pramoninio pūdytuvo stebėjimo duomenis, esant nusistovėjusioms darbo sąlygoms [14]. Pūdytuvo matematinis modelis papildomas biodujų išsiskyrimo greitį prognozuojančiomis lygtimis:

dF 1  Vs Fgc  s , tret   F  ; dt T

96

(4.16)


p

Fgc  s , t ret    a k  s  k 0

k n t ret i , ak  s     ki s , t ret  Vs Fin ; k 1 i 0

(4.17)

čia F – biodujų išsiskyrimo greitis, Fgc – biodujų išsiskyrimo greitis iš dumblo tūrio vieneto esant nusistovėjusioms darbo sąlygoms, T – laiko pastovioji. Laiko pastovioji T įvertinta, naudojant stebėjimų duomenis pereinamųjų procesų metu. (4.2), (4.3) ir (4.16) lygčių parametrai buvo identifikuoti naudojant eksperimentinius duomenis iš 3 periodinio pūdymo proceso eksperimentų, atliktų esant skirtingai temperatūrai (32 oC, 37 oC, 40 oC). Parenkant eksperimentinius duomenis aproksimuojančios polinominės funkcijos struktūrą, buvo ieškoma kompromiso tarp atskirų eksperimentinių ir modeliavimo taškų atitikimo ir modelio filtruojančio efekto. Kad ekstremumo taškai atitiktų geriau, reikia didinti polinominio modelio eilę, tačiau dėl to modeliavimo kreivėse esant didesnėms laiko vertėms atsiranda švytuojančios dedamosios, kurios blogina prognozavimo tikslumą. Kadangi prognozuojant dujų išsiskyrimą nepertraukiamo proceso metu naudojami periodinių procesų eksperimentų metu nustatytų išsiskyrimo greičių integralai (žr. (4.4), (4.11), (4.17) lygtis), greičio aproksimavimo nuokrypiai integravimo operacijos yra filtruojami ir neturi reikšmingos įtakos prognozuojant dujų išsiskyrimą nepertraukiamo proceso metu. Apskaičiuotas biodujų išsiskyrimo greičio prognozavimo vidutinis kvadratinis nuokrypis sudaro 2,4 %. 4.4 pav. pateikti eksperimentiniai duomenys ir jų aproksimacijos naudojant 8osios eilės ( k  8 ) funkcines priklausomybes (4.2). 4.1 lent. pateiktos skaitinės identifikuotų parametrų vertės. 4.1 lentelė. Polinomo ((4.2) lygtis) parametrų k 1 2 3 4 5 6 7 8

 ki skaitinės vertės

1

i 2

3.18

-0.187

 2.76 10 1 4.99 10 3  3.88 10 5 1.62 10 7  3.87 10 10 5.35 10 13  3.98 10 16

1.59 10 2  2.8110 4 2.15 10 6  8.78 10 9 2.07 10 11  2.82 10 14 2.06 10 17

3 2.8110 3  2.20 10 4 3.76 10 6  2.79 10 8 1.1110 10  2.53 10 13 3.35 10 16  2.38 10 19

Modelio (4.13)–(4.16) lygčių parametrai pateikti 4.2 lent. Modeliuojant buvo naudojami tokie (4.5)–(4.10) lygčių parametrai: Pm=16 kW;   0,6 ; he  0,7 ; pe  0,18 Lt kWh-1; ph  0,188 Lt kWh-1; pg  0,63 Lt m-3. Išbuvimo laikas įvertinamas, naudojant vidutinę įtekančio dumblo tūrinio srauto vertę iš slenkančio 14 dienų lango.

97


0.35

Biodujų gamybos greitis, m3 m -3 h-1

0.3

0.25

0.2

0.15

0.1

0.05

0

0

50

100

150

200

250

300

350

400

450

500

Laikas, h

4.4 pav. Biodujų išsiskyrimo eksperimentiniai duomenys (taškai) ir jų matematinė o o aproksimacija (linija), esant skirtingai temperatūrai (□ -   32 C, ○ -   37 C, +   40 0C) 4.2 lentelė. Modelio (4.13)–(4.16) lygčių parametrų vertės Fizikinės konstantos Matavimo Parametras vienetas

cs

J (kg oC)-1

4180

s cw w

kg m-3

1000

Vs Vhs Vw Ahhh

98

Vertė

o

J (kg C)

-1

-3

kg m

4180 1000

Konstrukciniai parametrai m3 8800 m3 3,98 m3 3,81 Įvertinti parametrai J (h oC)-1 1,016  106

EL ,W

J h-1

3,5 106

hm Am T

J (h oC)-1 m2 h

7934 2040 3


Grįžtamojo ryšio valdymo sistemos reguliatorius Proceso temperatūros pereinamieji procesai, šuoliu pakeitus valdantįjį poveikį (tūrinis dumblo srautas per šilumokaitį), rodo, kad atstojamasis vėlavimas yra daug mažesnis už laiko pastoviąją, todėl PI valdymo dėsnis yra tinkamas grįžtamojo ryšio valdymo sistemai. Diskretinis PI valdymo pokyčių algoritmas yra

u PI t k   u PI t k 1   u PI t k     t  u PI t k   K C  et k 1    et k 1  ;  TI   

(4.18) (4.19)

čia u PI t k  – PI reguliatoriaus valdantysis poveikis, u PI t k  – valdančiojo poveikio pokytis, et k  – valdomos temperatūros nuokrypis nuo užduotos vertės ( et k    s t k    set t k  ), t – valdančiojo poveikio diskretizavimo žingsnis, K r

ir TI – reguliatoriaus derinimo parametrai. Vidinio modelio valdymo derinimo taisyklės [99], kurios užtikrina gerą reguliatoriaus darbą sekant nuostatą, taikomos reguliatoriaus parametrams derinti:

Kr 

2Tpr   pr K prT f

, T f  0,25Tpr ;

TI  T pr   pr 2 ;

(4.20) (4.21)

čia K pr , T pr ,  pr – atitinkamai proceso stiprinimas, atstojamoji laiko pastovioji ir atstojamasis vėlavimo laikas. Šie parametrai apskaičiuojami iš temperatūros reakcijos kreivės, sumodeliavus eksperimentą, kai šuoliu keičiamas dumblo srautas per šilumokaitį ( Fh ), esant nominalioms darbo sąlygoms ( Fin  17 m3 h-1,

in  17,6 oC, od  6,2 oC). Apskaičiuoti proceso dinaminiai parametrai ir reguliatoriaus derinimo parametrai pateikti 4.3 lent. Kintantį temperatūros nuostatą norint sekti tiksliau, galima naudoti adaptyvųjį PI reguliatorių [13].

99


4.3 lentelė. Proceso dinaminiai ir reguliatoriaus derinimo parametrai Proceso dinaminiai parametrai Matavimo Parametras Vertė vienetas C h m-3

0,89

Tpr

h

8

 pr

h

2

K pr

o

PI reguliatoriaus derinimo parametrai

Kr TI

o

C h m-3

10,1

h

9

h

2

t

Proceso savikainos skaičiavimas Siekiant kokybiškai palyginti adaptyviąją ir įprastą valdymo sistemas, remiantis (4.22) formule buvo apskaičiuota proceso savikaina, atitinkamai jį valdant adaptyviąją ir įprasta valdymo sistemomis: t modeliavimo

Proceso savikaina 

 C

stir

 Ctemp ( s )  Cgas( s ) dt.

(4.22)

0

4.5. Modeliavimo rezultatai Atliekant modeliuotus eksperimentus buvo naudojami realūs trikdančiųjų poveikių (įtekančio dumblo tūrinis srautas ( Fin ), ištekančio dumblo temperatūra (

 in ) ir aplinkos temperatūra (  od )) archyviniai duomenys, užregistruoti pūdytuvo darbo metu Kauno nuotekų valykloje. Šių parametrų svyravimai metų laikotarpiu pateikti 4.5 pav. (a–c). Siūlomos temperatūros valdymo sistemos darbas minimizuojant tikslo funkciją (4.12), veikiant trikdžiams pateiktas 4.5 pav. (d). Parodyti temperatūros pokyčiai iliustruoja temperatūros adaptaciją keičiantis proceso kintamiesiems. Punktyrinė linija 4.5 pav. (d) rodo temperatūros nuostatą (   34,4 oC), kurį palaiko įprasta valdymo sistema, veikianti užduotu technologiniu režimu. 4.5 pav. (e) parodytos modeliuotos biodujų išsiskyrimo greičio kreivės, kai taikoma adaptyvioji valdymo sistema ir kai palaikoma pastovi proceso temperatūra. Prognozuojama organinių medžiagų suskaidymo procentinė dalis, kai naudojama adaptyvioji valdymo sistema ir kai palaikomas pastovus temperatūros nuostatas, pateikta 4.5 pav. (f). 4.5 pav. (g) pateikta tikslo funkcijos kreivė, kai naudojamas optimalus proceso temperatūros valdymas. Norint palyginti taškine linija pateiktas tikslo funkcijos grafikas, kai palaikoma pastovi temperatūra. 100


26

Įteknačio dumblo srautas, m3 h-1

24 22 20 18 16 14 12 10 8

0

50

100

150

200

250

300

350

250

300

350

Laikas, dienos

(a)

Įtekančio dumblo temperatūra, 0C

24

22

20

18

16

14

0

50

100

150

200

Laikas, dienos

(b)

101


Metinė vidutinė lauko temperatūra,0C

16 14 12 10 8 6 4 2 0 -2 -4 0

50

100

150

200

250

300

350

250

300

350

Laikas, dienos

(c) 37 36.5

Temperatūra pūdytuve, 0C

36 35.5 35 34.5 34 33.5 33 32.5 32

Adaptyvus temperatūros valdymas Fiksuotas temperatūros nuostatas 0

50

100

150

200

Laikas, dienos

(d)

102


320

Adaptyvus temperatūros valdymas Fiksuoto nuostato temperatūros valdymas

Biodujų gamybos greitis, m3 h-1

300 280 260 240 220 200 180 160 140 120

0

50

100

150

200

250

300

350

250

300

350

Laikas, dienos

(e)

Organinių medžiagų suskaidymo procentas,%

68

66

Adaptyvus temperatūros valdymas Pageidaujamas suskaidymo lygis Fiksuotas temperatūros nuostatas

64

62

60

58

56

54 0

50

100

150

200

Laikas, dienos

(f)

103


30 Adaptyvus temperatūros valdymas Fiksuoto nuostato temperatūros valdymas

20

Tikslo funkcijos vertė, Lt h-1

10 0 -10 -20 -30 -40 -50 -60 -70

0

50

100

150

200

250

300

350

Laikas, dienos (x24 h)

(g) 4.5 pav. Valdymo sistemos darbo modeliavimo rezultatai: (a) – įtekančio dumblo tūrinis srautas ( Fin ), (b) – įtekančio dumblo temperatūra (  in ), (c) – metinė aplinkos temperatūra (

 od ), (d) – adaptyvus ir fiksuotas temperatūros nuostatai, (e) – biodujų išsiskyrimo greičio kreivės, kai naudojama adaptyvioji valdymo sistema ir kai palaikoma pastovi proceso temperatūra, (f) – prognozuojama organinių medžiagų suskaidymo procentinė dalis, kai naudojama adaptyvioji valdymo sistema ir kai palaikomas pastovus temperatūros nuostatas, (g) – tikslo funkcijos kreivė, kai naudojamas optimalus proceso temperatūros valdymas. Norint palyginti taškine linija pateiktas tikslo funkcijos grafikas, kai palaikoma pastovi temperatūra

4.6. Apibendrinamosios išvados 1. Sudarytas pūdytuvo (metantanko) proceso matematinis modelis, skirtas biodujų išsiskyrimo greičiui prognozuoti. 2. Sukurta adaptyvioji temperatūros reguliavimo sistema, kuri minimizuoja pramoninio pūdymo proceso savikainą kintančiomis technologinėmis sąlygomis. Adaptacija pagrįsta proceso matematiniu modeliu ir tikslo funkcijos, nustatančios ryšį tarp savikainos ir proceso kintamųjų, minimizavimu realiuoju laiku. Matematinis biodujų gamybos proceso prognozavimo ir temperatūros reguliavimo proceso imitacinio modeliavimo modelis identifikuotas, remiantis eksperimentiniais duomenimis, gautais iš nuotekų valymo įmonės. Adaptyvioji temperatūros reguliavimo sistema ištirta imitacinio modeliavimo būdu, modeliuojant sistemos veikimą realaus pūdytuvo darbą atitinkančiomis sąlygomis vienų metų laikotarpiu.

104


3. Optimaliai valdomo proceso savikaina palyginta su savikaina, kai palaikoma pastovi proceso temperatūra. Apskaičiuotas procesų savikainų funkcijos (4.22) verčių skirtumas rodo, kad ekonominis efektas siekia 30000 Lt per metus. 4. Iš pateiktų modeliavimo rezultatų matyti, kad tiriamoji valdymo sistema užtikrina pagrindinius valdymo tikslus: palaikomas toks biodujų išsiskyrimo greitis, kuris užtikrina reikiamą organinių medžiagų suskaidymą, o valdomo proceso veiklos sąnaudos sumažinamos, palyginti su pastovaus temperatūros nuostato sistema. 5. Naudojant adaptyviąją valdymo sistemą, gaunama vidutinė 60,8 % organinių medžiagų suskaidymo procentinė dalis (mažiausia leidžiama yra 60 %). Taikant pastovaus temperatūros nuostato valdymo sistemą, vidutiniškai gaunamas 56 % suskaidymas. Tai 7,9 % mažiau, palyginti su adaptyviąja valdymo sistema.

105


IŠVADOS 1. Sukurtos adaptyviosios valdymo sistemos yra aktualios šiuolaikiniams poreikiams: atsižvelgiant į didėjančius išvalyto vandens kokybės reikalavimus ir augant energijos išlaidoms, sukurtų valdymo sistemų taikymas gali pagerinti vandenvalos procesų valdymą. 2. Sukurtoji adaptyvioji ištirpusio deguonies koncentracijos valdymo sistema kokybiškai prisitaiko prie pakitusių darbo sąlygų, įvertindama pagrindinius procesą veikiančius trikdžius, būsenos kintamuosius ir konstrukcinius bei technologinius parametrus. Sistemos imitacinis modeliavimas parodė, kad, palyginti su įprasta valdymo sistema, ištirpusio deguonies koncentracija valdoma kur kas geriau – adaptyviosios valdymo sistemos reguliatoriaus suminė absoliutinė paklaida yra 79,4 % mažesnė nei standartinės valdymo sistemos. Lyginant sukurtąją sistemą su kitomis šiuo metu taikomomis valdymo sistemomis, sukurtosios privalumai yra galimybė įvertinti didesnį skaičių svarbių adaptacijos parametrų, stabilus veikimas ir tai, kad ji sudaryta naudojant gerai žinomus matematinius metodus, todėl jos darbas yra aiškus ir lengvai prognozuojamas. 3. Adaptyviosios pramoninio pūdytuvo valdymo sistemos pagrindinis privalumas yra proceso realizavimo savikainos minimizavimas, reguliuojant proceso energetines sąnaudas ir biodujų gamybos greitį, kartu degraduojant reikalaujamą organinių teršalų dalį. Rezultatai rodo, kad per metus galima sutaupyti 30000 Lt. Taikant adaptyviąją valdymo sistemą, gaunama vidutinė 60,8 % organinių medžiagų suskaidymo procentinė dalis (mažiausia leidžiama yra 60 %). Taikant pastovaus temperatūros nuostato valdymo sistemą, suskaidymas vidutiniškai lygus 56 %. Tai 7,9 % mažiau, palyginti su sukurta adaptyviąja valdymo sistema. Palyginus sukurtą valdymo sistemą su kitomis optimizavimu paremtomis metano sintezės valdymo sistemomis, sukurtosios sistemos privalumas yra nesudėtinga ir aiški struktūra, efektyvus ir greitas nuostato perskaičiavimas, stabilus darbas, aiškūs ekonominiai kriterijai, įvertinantys daug ekonominių parametrų. Kita vertus, lengva atnaujinti taikomą biodujų išsiskyrimo matematinį modelį – tereikia atlikti paprastą bandomąjį tyrimą, bet tik tada, kai nuotekų / dumblo sudėtis smarkiai pasikeičia. 4. Abi sukurtos valdymo sistemos gali būti nesunkiai įdiegtos jau veikiančiose automatinio valdymo sistemose. Visi reikalingi prietaisai, būtini šioms sistemoms realizuoti, jau egzistuoja (deguonies sunaudojimo greičio fiziniai ir programiniai jutikliai, kLa programiniai jutikliai, biodujų išsiskyrimo pilotiniai bioreaktoriai). 5. Abi sukurtos valdymo sistemos leidžia valdyti procesą iš esmės neanalizuojant vykstančių biocheminių reakcijų ir procesų. Valdantieji poveikiai generuojami vertinant netiesioginius kintamuosius, tokius kaip deguonies sunaudojimo greitis, kuris gana gerai apibūdina vykstančius biocheminius procesus ir leidžia efektyviai valdyti procesus.

106


LITERATŪROS SĄRAŠAS

1.

2.

3.

4.

5.

6. 7.

8.

9.

10. 11.

12.

13.

14.

Abdul-Rahman, R.; Ozaki, H.; Zainola, N. Expanded bed column bioreactor performance and hydrodynamics. The Canadian Journal of Chemical Engineering, 2004, 81(3–4), p. 867–874. Aguilar-López, R. Robust Generic Model Control for Dissolved Oxygen in Activated Sludge Wastewater Plant. Chem. Biochem. Eng. Q., 2008, 22(1), p. 71–79. Akyurek, E.; Yuceer, M.; Atasoy, I.; Berber, R. Comparison of Control Strategies for Dissolved Oxygen Control in Activated Sludge Wastewater Treatment Process. 19th European Symposium on Computer Aided Process Engineering – ESCAPE19, Elsevier B. V., 2009, Vol. 26, p. 1197–1201. Alvarez-Ramirez, J.; Meraz, M.; Monroy, O.; Velasco, A. Feedback control design for an anaerobic digestion process. Society of Chemical Industry. J. Chem. Technol. Biotechnol., 2002, 77(6), p. 725–734. Alvarez-Ramirez, J.; Meraz, M.; Monroy, O. Mathematical analysis of proportional-integral control for fixed bed bioreactors. J. Chem. Technol. Biotechnol., 1999, 74(1), p. 78–84. Astrom, K. J.; Hagglund, T. PID control – Theory, Design and Tuning. Instrument Society of America, Research Triangle Park, NC, 2nd ed. 1995. Ayesa, E.; De la Sota, A.; Grau, P.; Sagarna, J. M.; Salterain, A.; Suescun, J. Supervisory control strategies for the new WWTP of Galindo-Bilbao: the long run from the conceptual design to the full-scale experimental validation. Water Science and Technology, 2006, 53(4–5), p. 193–201. Ayesa, E.; Goya, B.; Larrea, A.; Larrea, L.; Rivas, A. Selection of operational strategies in activated sludge processes based on optimization algorithms. Water Science and Technology, 1998, 37(12), p. 327–344. Baeza, J. A.; Gabriel, D; Lafuente, J. In line fast OUR (oxygen uptake rate) measurements for monitoring and control of WWTP. Water Science & Technology, 2002, 45(4–5), p. 19–28. Bastin, G.; Dochain, D. On-Line Estimation and Adaptive Control of Bioreactors. Amsterdam: Elsevier, 1990. 394 p. Benedetti, L.; Bixio, D.; Vanrolleghem, P. A. Benchmarking of WWTP design by assessing costs, effluent quality and process variability. Water Science & Technology, 2006, 54(10), p. 95–102. Benedetti, L.; De Baets, B.; Nopens, I.; Vanrolleghem, P.A. Multi - criteria analysis of wastewater treatment plant design and control scenarios under uncertainty. Environmental Modelling & Software, 2010, 25(5), p. 616–621. Brazauskas, K.; Levisauskas, D. Adaptive transfer function-based control of nonlinear process. Case study: Control of temperature in industrial methane tank. International Journal of Adaptive Control and Signal Processing, Wiley InterScience, 2007, 21(10), p. 871–884, DOI: 10.1002/acs.954. Brazauskas, K.; Levišauskas, D. Experimental investigation of temperature impact to anaerobic digestion process. ECT – 2008: Proceedings of the 3rd 107


15.

16.

17.

18.

19.

20.

21.

22.

23.

24.

25.

26.

27. 28. 108

International Conference on Electrical and Control Technologies. Book Series: Electrical and Control Technologies. ISSN 1822 5934. Kaunas, 2008, p. 136–139. Callado N. H.; Foresti E. Removal of organic carbon, nitrogen and phosphorus in sequential batch reactors integrating the aerobic / anaerobic processes. Water Science & Technology, 2001, 44(4), p. 263–270. Caraman S.; Sbarciog, M.; Barbu, M. Predictive Control of a Wastewater Treatment Process. International Journal of Computers, Communications & Control, 2007, Vol. II, No. 2, p. 132–142. Carlos-Hernandez, S; Sanchez, E. N.; Beteau, J. F. Fuzzy Control Strategy for an Anaerobic Wastewater Treatment Process. Chem. Biochem. Eng. Q., 2010, 24 (2), p. 235–245. Carrère, H.; Dumas, C.; Battimelli, A.; Batstone, D. J.; Delgenès, J. P.; Steyer, J. P.; Ferrer, I. Pretreatment methods to improve sludge anaerobic degradability: A review. Journal of Hazardous Materials, 2010, 183, p. 1– 15. Carstensen, J.; Nielsen, M. K.; Strandbok, H. Prediction of hydraulic load for urban storm control of a municipal WWT plant. Water Sci. Technol., 1998, 37(12), p. 363–370. Chachuat, B.; Roche, N.; Latifi, M. A. Optimal aeration control of industrial alternating activated sludge plants. Biochemical Engineering Journal, 2005, 23, p. 277–289. Chai, Q.; Lie, B. Predictive Control of an Intermittently Aerated Activated Sludge Process. American Control Conference, Seattle, Washington, USA, 2008, p. 2209–2014. Choi, S. S.; Yoo, Y. J. Removal of phosphate in a sequencing Batch Reactor by Staphylococcus auricularis. Biotechnology Letters, 2000, 22(19), p. 1549–1552. Coen, F.; Petersen, B.; Vanrolleghem, P. A.; Vanderhaegen, B.; Henze, M. Model-based characterisation of hydraulic, kinetic and influent properties of an industrial WWTP. Water Sci. Technol., 1998, 37(12), p. 317–326. Concepción, H. R.; Meneses, M.; Vilanova, R. Control Strategies and Wastewater Treatment Plants Performance: Effect of Controllers Parameters Variation. 16th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Toulouse, France, 2011, p. 1–7. Cooper, P. F.; Walker, I. H.; Crabtree, E.; Aldred, R. P. Evaluation of the CAPTOR process for uprating an overloaded sewage works. Process Engineering Aspects of Immobilized Cell Systems. Pergamon, Elmsford, NJ, 1986. Coskuner, G.; Jassim, M. S. Development of a correlation to study parameters affecting nitrification in a domestic wastewater treatment plant. J. Chem. Technol. Biotechnol., 2008, 83, p. 299–308. COST 624: Optimal Management of Wastewater Systems. Prieiga per internetą [žiūrėta 2012-05-15]: http://www.ensic.inpl-nancy.fr/COSTWWTP Daigger, G. T.; Buttz J. A. Upgrading wastewater treatment plants. Second


edition. Pennsylvania: Lancaster. 1998. 243 p. 29. De Araujo, A. C. B.; Gallani, S.; Mulas, M.; Olsson, G. Systematic Approach to the Design of Operation and Control Policies in Activated Sludge Systems. Ind. Eng. Chem. Res., 2011, 50, p. 8542–8557, DOI: 10.1021/ie101703s. 30. De Leon, A.; Barba-de la Rosa, A. P.; Mayani, H.; Galindo, E.; Ramirez, O. T. Two useful dimensionless parameters that combine physiological, operational and bioreactor design parameters for improved control of dissolved oxygen. Biotechnology Letters, 2001, 23, p. 1051–1056. 31. Eckenfelder, W. W.; Argaman, Y. Principles of biological and physical/chemical nitrogen removal. Phosphorus and Nitrogen removal from Municipal Wastewater, New York: Lewis Publishers, 1991, p. 3–42. 32. Eckenfelder W.W. Industrial Water Pollution Control. New York: McGraw-Hill, 2000. 416 p. 33. Ekman, M.; Björlenius, B.; Andersson, M. Control of the aeration volume in an activated sludge process using supervisory control strategies. Water Research, 2006, 40, p. 1668–1676. 34. Eswaramoorthi, S.; Dhanapal, K.; Chauhan, D.D. Application of membrane bioreactor for textile wastewater treatment: Pilot plant process modeling and scale-up, ECP Consulting, 2003. 35. Feng, Y.-Z.; Zhuo, M.; Tian, L-Q.; Zhao, H.-W. Study on Activated Sludge Wastewater Treatment Process Intelligent Control Based on Soft-sensing. IEEE International Conference on Control and Automation Guangzhou, China, IEEE, 2007, p. 1408–1413. 36. Fuerhacker, M.; Bauer, H.; Ellinger, R.; Sree, U.; Schmid, H.; Zibuschka, F.; Puxbaum, H. Approach for a novel control strategy for simultaneous nitrification/denitrification in activated sludge reactors. Wat. Res., 2000, 34(9), p. 2499–2506. 37. Galluzzo, M.; Ducato, R.; Bartolozzi, V.; Picciotto, A. Expert control of DO in the aerobic reactor of an activated sludge process. Computers and Chemical Engineering, 2001, 25, p. 619–625. 38. Garcia-Ochoa, F.; Gomez, E. Bioreactor scale-up and oxygen transfer rate in microbial processes: An overview. Biotechnology Advances, 2009, 27, p. 109–176. 39. Garnajeva, A. J.; Sedyx, L. G.; Kristapsons, M. Z.; Grinberg, A. P., Davids, V. E. Biological treatment of effluent water and agricultural waste. Dynamical models and optimal control. Riga: Zinatne, in Russian. 1991. 40. Gerardi, M. H. Nitrification and Denitrification in the Activated Sludge Process. New York: Wiley Inter-Science. 2001. 41. Giese, T. P. New wastewater treatment technologies. Public Works, 2001, 132(5), p. 326–332. 42. Guild, J.; Pollock, D.; Cameron, D. Refinery Wastewater Treatment Utilizing the VERTREAT™ Process. Technical Report, NORAM Engineering and Constructors, Ltd., Vancouver, BC, Canada, March, 2003, Vol. 23, p. 491–513. 109


43. Gut, L.; Plaza, E.; Hultman, B.Oxygen uptake rate (OUR) tests for assessment of nitrifying activities in the deammonification system. Wat. Sci. Tech., 2007, 29(10–11), p. 157–165. 44. Harwood, J. H.; Pirt, S. J. Quantitative aspects of growth of the methane oxidizing bacterium Methylococcus capsulatus on methane in shake flask and continuous chemostat culture. Journal of Applied Bacteriology, 1972, 35(4), p. 597–607. 45. Hatzinger, P. B., et al. Biological treatment of perchlorate-contaminated groundwater using fluidized bed reactors. Presented at the 2nd International Conference on Remediation of Chlorinated and Recalcitrant Compounds, Monterey, CA, 2000, p. 1–8. 46. Holenda, B.; Domokos, E.; Redey, A.; Fazakas, J. Dissolved oxygen control of the activated sludge wastewater treatment process using model predictive control. Computers and Chemical Engineering, 2008, 32, p. 1270–1278. 47. Holubar, P.; Zani, L.; Hager, M.; Froschl, W.; Radak, Z.; Braun, R. Advanced controlling of anaerobic digestion by means of hierarchical neural networks. Water Research, 2002, 36, p. 2582–2588. 48. Hussain, A. M. A.; Ramachandran K. B. The study of neural network-based controller for controlling dissolved oxygen concentration in a sequencing batch reactor. Bioprocess Biosyst. Eng., 2006, 28, p. 251–265, DOI: 10.1007/s00449-005-0031-2. 49. Isaacs, S. H.; Henze, M. Controlled carbon source addition to an alternating nitrification - denitrification wastewater treatment process including biological P removal. Water Research, 1994, 29, p. 77–89. 50. Isaacs, S. H.; Thornberg, D. A comparison between model and rule based control of a periodic activated sludge process. Water Science And Technology, 1998, 37(12), p. 343–351. 51. Jeppsson, U.; Alex, J.; Pons, M. N.; Spanjers, H.; Vanrolleghem, P. A. Status and future trends of ICA in wastewater treatment - a European perspective. Water Science & Technology, 2002, 45(4–5), p. 485–494. 52. Jonelis, K.; Levišauskas, D.; Brazauskas, K. Mathematical model for adaptive control of dissolved oxygen concentration in biological wastewater treatment process. In Proceedings of the Conference on Electrical and control technologies, 2009, p. 121–124, ISSN 1822-5934. 53. Jubany, I.; Baeza, J. A.; Carrera, J.; Lafuente, J. Model-based design of a control strategy for optimal start-up of a high-strength nitrification system. Environmental Technology, 2007, 28, p. 185–194. 54. Jubany, I.; Baeza, J. A.; Lafuente, J.; Carrera, J. Model-based study of nitrite accumulation with OUR control in two continuous nitrifying activated sludge configurations. Water source & Technology, 2009, 60(10), p. 2685– 2693, DOI: 10.2166/wst.2009.694. 55. Kalker, T.; van Goor, C.; Roeleveld, P.; Ruland, M. F.; Babuska, R. Fuzzy control of aeration in an activated sludge wastewater treatment plant: Design, simulation and evaluation. Water Science And Technology, 1999, 39(4), p. 71–78, DOI: 10.1016/S0273-1223(99)00058-X. 110


56. Kim, Y. H.; Yoo, C. K.; Kim, Y. S.; Lee, I.-B. Simulation and Activated Sludge Model-Based Iterative Learning Control for a Sequencing Batch Reactor. Environmental Engineering Science, 2009, 26(3), p. 661–671, DOI: 10.1089/ees.2007.0298. 57. Krasner, S. W.; Westerhoff, P.; Chen, B.; Rittmann, B. E.; Seong-Nam, N.; Gary, A. Impact of Wastewater Treatment Processes on Organic Carbon, Organic Nitrogen, and DBP Precursors in Effluent Organic Matter. Environ. Sci. Technol., 2009, 43, p. 2911–2918. 58. Kriger, C; Tzoneva, R. Neural networks for prediction of wastewater treatment plant influent disturbances. Africon, 2007, Vol. 1–3, p. 1378– 1383. 59. Koumboulis, F. N.; Kouvakas, N. D.; King, R. E.; Stathaki, A. Two-stage robust control of substrate concentration for an activated sludge process. ISA Transactions, 2008, 47, p. 267–278. 60. La Grega, M. D.; Buckingham, R. L.; Evan, J. C. Hazardous Waste Management, New York: McGraw-Hill. 2001. 1228 p. 61. Lawrence, A. W.; McCarty, P. L. Unified basis for biological treatment design and operation. Journal of Sanitary Engineering, 1970, 96(3), p. 757– 778. 62. Lee, D. S.; Jeon, C.O.; Park, J.M. Biological nitrogen removal with enhanced phosphate uptake in a sequencing batch reactor using single sludge system. Water Research, 2001, 35(16), p. 3968–3976. 63. Lee, T. T.; Wang, F. Y.; Newell, R. B. Robust multivariable control of complex biological processes. Journal of Process Control, 2004, 14, p. 193– 209. 64. Levišauskas, D. An Algorithm for Adaptive Control of Dissolved Oxygen Concentration in Batch Culture. Biotechnology Techniques, 1995, 9(2), p. 85–90. 65. Levišauskas, D. Automatinio reguliavimo sistemų derinimas. Vilnius: VPU leidykla, 2008. 118 p. 66. Liang, Z.; Liu, J. X. Control factors of partial nitritation for landfill leachate treatment. Journal of Environmental Sciences, 2007, 19, p. 523–529. 67. Lindberg, C. F. Multivariable Modeling and Control of an Activated Sludge Process. Wat. Sci. Tech., 1998, 37(12), p. 149–156. 68. Liu, Y.; Tay, J. H. Interaction between catabolism and anabolism in the oxidative assimilation of dissolved organic carbon. Biotechnology Letters, 2000, 22, p. 1521–1525. 69. Liu, Y.; Xu, H. L.; Show, K. Y.; Tay, J. H. Anaerobic granulation technology for wastewater treatment. World Journal of Microbiology and Biotechnology, 2002, 18, p. 99–113. 70. Lloyd, M. J.; Liehr, S. K.; Classed, J. J.; Robarge, W. Mechanisms of dinitrogen gas formation in anaerobic lagoons. Advances in Environmental Research, 2000, 4, p. 133–139. 71. Maas, C. L. A; Parker, W. J.; Legge, R. L. Oxygen Uptake Rate Tests to Evaluate Integrated Fixed Film Activated Sludge Processes. Water 111


72.

73. 74.

75. 76.

77.

78.

79.

80. 81.

82. 83.

84. 85.

86.

112

Environment Research, 2008, 80(12), p. 2276–2283, DOI: 10.2175/106143008X304604. Machado, V. C.; Gabriel, D.; Lafuente, J.; Baeza, J. A. Cost and effluent quality controllers design based on the relative gain array for a nutrient removal WWTP. Water Research, 2009, 43(20), p. 5129–5141. McCarty, P. L.; Smith, D. P. Anaerobic wastewater treatment. Environ. Sci. Technol., 1986, 20, p. 1200–1206. Mahendraker, V.; Mavinic, D. S.; Rabinowitz, B. Comparison of Oxygen Transfer Parameters from Four Testing Methods in Three Activated Sludge Processes. Water Qual. Res. J. Canada, 2005, 40(2), p. 164–176. Marinette, R.; Jes La Cour, J. Oxygen uptake rate measurements for application at wastewater treatment plants. Vatten, 2007, 63, p. 131–138. Mendez-Acosta, H.O.; Campos-Delgado, D. U.; Fematat, R.; GonzalezAlvarez, V. A robust feedforward / feedback control for an anaerobic digester. Computers and Chemical Engineering, 2005, 29, p. 1613–1623. Mesdaghinia, A. R.; Mahvi, A. H.; Saeedi, R.; Pishrafti, H. Upflow Sludge Blanket Filtration (USBF): an Innovative Technology in Activated Sludge Process. Iranian J. Publ. Health, 2010, 39(2), p.7–12. Mesquita, D. P.; Amaral, A. L.; Ferreira, E. C. Identifying different types of bulking in an activated sludge system through quantitative image analysis. Chemosphere, 2011, 85, p. 643–652. Mines, R. O., Jr.; Northenor, C. B.; Murchison, M. Oxidation and ozonation of waste activated sludge. Journal of Environmental Science And Health Part A-Toxic/Hazardous Substances & Environmental Engineering, 2008, 43(6), p. 610–618, DOI: 10.1080/10934520801893600. Montgomery, D.C. Design and Analysis of Experiments. John Wiley & Sons, Inc., 2001. 680 p. Moteleb, M. A.; Suidan, M. T.; Kim, J.; Davel, J. L.; Adrian, N. R. Anaerobic degradation of 2,4,6-trinitrotoluene in a granular activated carbon fluidized bed and batch reactors. Water Science and Technology, 2001, 43(1), p. 67–75. Muga, H. E.; Mihelcic, J. R. Sustainability of wastewater treatment technologies. Journal of Environmental Management, 2008, 88, p. 437–447. Nah, I. W.; Kang, Y. W.; Hwang, K. Y.; Song, W. K. Mechanical pretreatment of waste activated sludge for anaerobic digestion process. Water Res, 2000, 34, p. 2362–2368. Nidal, M.; Zeeman, G.; Gijzen, H.; Lettinga, G. Solids removal in upflow anaerobic reactors, a review. Bioresource Technology, 2003, 90(1), p. 1–9. Nuotekų valymas. Prieiga per internetą [žiūrėta 2012-05-15]: http://www.kaunovandenys.lt/lt/gyventojams/jusu_vanduo/nuoteku_valyma s/ O'Brien, M.; Mack J.; Lennox B.; Lovett D.; Wall A. Model predictive control of an activated sludge process: A case study. Control Engineering Practice, 2011, 19, p. 54–61.


87. Odegaard, H. An evaluation of cost efficiency and sustainability of different waste water treatment processes. Vatten, p. 1995, p. 291–299. 88. Olsson, G. Instrumentation, control and automation in the water industry – state-of-the-art and new challenges. Water Science & Technology, 2006, 53(4–5), p. 1–16. 89. Olsson, G.; Jeppsson, U. Establishing cause-effect relationships in activated sludge plants – What can be controlled. Proceedings of 8th Forum for Applied Engineering, 1994, Vol. 59(4a), p. 2057–2070. 90. Olsson, G.; Newell, B. Wastewater treatment systems. Modelling, Diagnosis and control. IWA Publishing, 2001. 750 p. 91. Park, J.; Takizawa, S.; Katayama, H.; Ohgaki, S. Biofilter pretreatment for the control of microfiltration membrane fouling. Water Supply, 2002, 2(2), p. 193–199. 92. Piotrowski, R.; Brdys, M. A.; Konarczak, K.; Duzinkiewicz, K.; Chotkowski, W. Hierarchical dissolved oxygen control for activated sludge processes. Control Engineering Practice, 2008, 16, p. 114–131. 93. Plosz, B. G. Optimization of the activated sludge anoxic reactor configuration as a means to control nutrient removal kinetically. Water Research, 2007, 41, p. 1763–1773. 94. Pollock, D. Long Vertical Shaft Bioreactors for Biosolids Treatment. Vancouver, BC, Canada. 2004. 95. Porto, V. W.; Fogel, D. B.; Fogel, L.J. Alternative neural networks training methods. IEEE Expert, 1995, p. 16–22. 96. Rajeshwari, K. V.; Balakrishnan, M.; Kansal, A.; Lata Kusum; Kishore, V. Y. N. State-of-the-art of anaerobic digestion technology for industrial wastewater treatment. Renewable and Sustainable Energy Reviews, 2000, 4, p. 135–156. 97. Repšytė, J.; Simutis, R. Mathematical model of biological wastewater treatment process. Information technologies and control, 2001, 4(21), p. 21– 30. 98. Revollar, S.; Francisco, M.; Vega, P.; Lamanna R. Stochastic optimization for the simultaneous synthesis and control system design of an activated sludge process. Latin American applied research, 2010, 40, p. 137–146. 99. Rivera, D. E.; Skogestad, S.; Morari, M. Internal model control 4: PID controller design. Industrial & Engineering Chemistry Process Design and Development, 1986, 25(1), p. 252–265. 100. Roeleveld, P. J.; van Loosdrecht, M. C. M. Experience with guidelines for wastewater characterisation in The Netherlands. Water Sci. Technol., 2002, 45(6), p. 77–87. 101. Rosen, C.; Lennox, J. A. Multivariate and multiscale monitoring of wastewater treatment operation. Water Res., 2001, 35, p. 3402–3410. 102. Rubén, B. I.; Salvador, C. H.; Nelson, S. E. Hybrid Intelligent Control Scheme for an Anaerobic Wastewater Treatment Process. Advances in Intelligent and Soft Computing, 2009, 116, p. 249–258, DOI: 10.1007/9783-642-03156-4_25. 113


103. Sanchez, E. N.; Hernandez, E. A.; Cadet, C.; Beteau, J. F. Hybrid Intelligent Control Scheme for Activated Sludge Wastewater Treatment. IEEE International Symposium on Intelligent Control, Part of 2008 IEEE Multiconference on Systems and Control San Antonio, Texas, USA, September 3– 5, IEEE, 2008, p. 156–161. 104. Shammas, N. K.; Wang, L. K.; Guild, J.; Pollock, D. Vertical shaft bioreactors. Advanced Biological Treatment Processes. Humana Press, Totowa, NJ. p. 59–108. 2009. 105. Sarioglu, M; Orhon, D.; Gorgun, E; Artan, N. Design procedure for carbon removal in contact stabilization activated sludge process. Water Science and Technology, 2003, 48(11-12), p. 285–292. 106. Scherer, P.; Lehmann, K.; Schmidt, O.; Demirel, B. Application of a Fuzzy Logic Control System for Continuous Anaerobic Digestion of Low Buffered, Acidic Energy Crops as Mono-Substrate. Biotechnol. Bioeng., 2008, 102(3), p. 736–748, DOI: 10.1002/bit.22108. 107. Schuchardt, A.; Libra, J. A.; Sahlmann, C.; Handschag, J.; Wiesmann, U.; Gnirss, R. Potential of OUR and OTR measurements for identification of activated sludge removal processes in aerated basins. Water Science and Technology, 2005, 52(12), p. 141–149. 108. Shen, W.; Chen, X.; Pons, M. N.; Corriou, J. P. Model predictive control for wastewater treatment process with feedforward compensation. Chemical Engineering Journal, 2009, 155, p. 161–174. 109. Silva, F. J. S.; Catunda, S. Y. C.; Fonseca Neto, J.V.; van Haandel, A.C. Dissolved Oxygen PWM Control and Oxygen Uptake Rate Estimation using Kalman Filter in Activated Sludge Systems. International Instrumentation and Measurement Technology Conference (I2MTC), IEEE, 2010, p. 579– 584. 110. Smith, C. A.; Corripio, A. B. Principles and Practice of Automatic Process Control. 3rd ed. Hoboken, N.Y.: John Wiley & Sons, 2006. 563 p. 111. Staniskis, J.; Levisauskas, D.; Simutis, R.; Viesturs, U.; Kristapsons, M. Automation of Biotechnological Processes: Automatic Monitoring, Optimization and Control. Riga: Zinatne, 1992. 348 p. ISBN 5-7968-05933. 112. Steffens, M. A.; Lant, P. A. Multivariable control of nutrient - removing activated sludge systems. Water Research, 1999, 33(12), p. 2864–2878. 113. Svardal, K.; Lindtner, S.; Winkler, S. Optimum aerobic volume control based on continuous in-line oxygen uptake monitoring. Water Science and Technology, 2003, 47(11), p. 305–312. 114. Szpyrkowicz, L.; Kaul, S. N. Biochemical removal of nitrogen from tannery wastewater: performance and stability of a full-scale plant. Journal of Chemical Technology and Biotechnology, 2004, 79(8), p. 879–888. 115. Tang, C.-C.; Kuo, J.; Weiss, J. S. Maximum nitrogen removal in the stepfeed activated sludge process. Water Environment Research, 2007, 79(4), p. 367–374, DOI: 10.2175/106143006X111808. 116. Tay, H.; Liu, Q. S.; Tay, S. T. L.; Moy, B. Y. P.; Liu, Y. Aerobic 114


granulation: an innovative biotechnology for industrial wastewater treatment. Proceeding of Sino-Singapore Joint Symposium on Environmental Protection Technologies and Environmental Hydraulics and First Asian Environmental Research Alliance Partnership Symposium, Taipei, Taiwan, 2003, p. 215–222. 117. Trivedi, H. K.; Weir, T. Simultaneous Nitrification and Denitrification Using NADH Fluorescence. Technical paper presented at the Industrial Wastes Technical and Regulatory Conference, Charleston, SC, 2001, Vol. 13, p. 159–171. 118. Turmel, V. J.; Williams, D.; Jones, K. O. Dissolved Oxygen Control Strategy Comparison for an Activated Sludge Process. UKACC International Conference on CONTROL '98, Conference Publication No. 455, 1998, p. 1102–1105. 119. Tzafestas, S. G. Control Systems, Robotics And Automation. Vol. XVII – Expert Control Systems. 2007. 120. Tzoneva, R. Optimal PID Control of the Dissolved Oxygen Concentration in the Wastewater Treatment Plant. Africon, IEEE, 2007, Vol. 1–3, p. 1116– 1121. 121. Vanrolleghem, P. A.; Gillot, S. Robustness and economic measures as control benchmark performance criteria. Water Science and Technology, 2002, 45(4–5), p. 117–126. 122. Vanrolleghem, P. A.; Jeppsson, U.; Carstensen, J.; Carlsson, B.; Olsson, G. Integration of wastewater treatment plant design and operation – a systematic approach to cost functions. Water Science and Technology, 1996, 34(34), p. 159–171. 123. Vanrolleghem, P. A.; Lee, D. S. On-line monitoring equipment for wastewater treatment processes: state of the art. Water Science and Technology, 2003, 47(2), p. 1–34. 124. Vasquez, N.; Rodriguez, J. A.; Torres L.P. Behavior of nitrogen in a contact stabilization activated sludge process in the treatment of domestic wastewater. Afinidad, 2010, 67(548), p. 283–288. 125. Vilanova, R.; Moreno, R.; Arrieta, O; Lafuente, J; Alfaro, V. PI tuning for disturbance attenuation control applied to a wastewater treatment plant. Mathematics and Computers in Science and Engineering, 2009, p. 47–52. 126. Vilanova, R.; Rojas, J. D.; Alfaro, V. Digital Control of a Waste Water Treatment Plant. Int. J. of Computers, Communications & Control, Vol. VI, No. 2, p. 367–374, 2011. 127. Vrecko, D.; Hvala, N.; Kocijan, J. Wastewater treatment benchmark: what can be achieved with simple control? Water Science and Technology, 2002, 45(4–5), p. 453–460. 128. Wahab, N. A.; Katebi, R.; Balderud, J. Multivariable PID control design for activated sludge process with nitrification and denitrification. Biochemical Engineering Journal, 2009, 45, p. 239–248. 129. Wang, L. K. An Emerging Technology for Phosphorus Removal from Wastewaters, Technical Report LIWT/1-2002/253; Lenox Institute of Water 115


Technology, Lenox, MA, 2002, 18 p. 130. Wang, L. K.; Shammas, N. K.; Hung, Y. T. Advanced biological treatment processes. Handbook of environmental engineering, Vol.9. 2009. 131. Wang L. K.; Wu Z. Activated sludge processes. Biological Treatment Processes. Humana Press, Totowa, NJ, 2009. 132. Wang, S.; Zhang, S.; Peng, C.; Akio, T. Intercross real-time control strategy in alternating activated sludge process for short-cut biological nitrogen removal treating domestic wastewater. Journal of Environmental Sciences, 2008, 20, p. 957–963. 133. Wang, X. L.; Peng, Y. Z.; Ma, Y.; Wang, S. Effects of Operational Variables on Nitrogen Removal Performances and Its Control in a PreDenitrification Plant. Chem. Eng. Technol., 2007, 30(2), p. 234–241. 134. Warda, A. J.; Brunib, E.; Lykkegaardc, M. K.; Feilberga, A.; Adamsena, A. P. S.; Jensen, A. P.; Poulsen, A. K. Real time monitoring of a biogas digester with gas chromatography, near-infrared spectroscopy and membrane-inlet mass spectrometry. Bioresource Technology, 2011, 102, p. 4098–4103. 135. Ward, A. J.; Hobbs, P. J.; Holliman, P. J.; Jones, D. L. Optimisation of the anaerobic digestion of agricultural resources. Bioresource Technology, 2008, 99, p. 7928–7940. 136. Water treatment handbook, Vol. 1. Degremont, France. 2007, 785 p. 137. Water treatment handbook, Vol. 2. Degremont, France. 2007, 931 p. 138. Weissenbachera, N.; Loderera, C.; Lenza, K.; Mahnika S. N.; Wettb, B.; Fuerhackera, M. NOx monitoring of a simultaneous nitrifying-denitrifying (SND) activated sludge plant at different oxidation reduction potentials. Water Research, 2007, 41, p. 397–405. 139. Wery, N.; Gerike, U.; Sharman, A.; Chaudhuri, B.; Hough, D. W.; Danson, M.J. Use of a packed column bioreactor for isolation of diverse protease producing bacteria from Antarctic soil. Applied Environmental Microbiology, 2003, 69(3), p. 1457–1464. 140. Woo, S. H.; Jeon, C. O.; Yun, Y. S.; Choi, H.; Lee, C. S.; Lee, D. S. On-line estimation of key process variables based on kernel partial least squares in an industrial cokes wastewater treatment plant. Journal of Hazardous Materials, 2009, 161(1), p. 538–544. 141. Yong, M.; Yongzhen, P.; Jeppsson, U. Dynamic evaluation of integrated control strategies for enhanced nitrogen removal in activated sludge processes. Control Engineering Practice, 2006, 14, p. 1269–1278. 142. Yong, M.; Yongzhen, P.; Xiaolianm W.; Shuying, W. Intelligent control aeration and external carbon addition for improving nitrogen removal. Environmental Modelling & Software, 2006, 21(6), p. 821–828. 143. Yoo, C. K.; Lee, J.-M.; Lee, I.-B. Nonlinear Model-based Dissolved Oxygen Control in a Biological Wastewater Treatment Process. Korean J. Chem. Eng., 2004, 21(1), p. 14–19. 144. Yoo, C. K.; Choi, S.; Lee, I. Disturbance detection and isolation in the activated sludge process. Water Science and Technology, 2002, 45(4–5), p. 116


217–226. 145. Yoo, C. K.; Cho, J. H.; Kwak, H. J.; Choi, S. K.; Chun, H. D.; Lee, I. Closed-Loop Identification and Control for Dissolved Oxygen Concentration in the Full-Scale Coke Wastewater Treatment Plant. Water Science and Technology, 2001, 43(7), p. 207–214. 146. Yuan, Z.; Bogaert, H.; Leten, J.; Verstraete, W. Reducing the size of a nitrogen removal activated sludge plant by shortening the retention time of inert solids via sludge storage. Water Res., 2000, 34, p. 539–549. 147. Zarrad, W.; Harmand, J.; Devisscher, M.; Steyer, J.P. Comparison of advanced control strategies for improving the monitoring of activated sludge processes. Control Engineering Practice, 2004, 12(3), p. 323–333. 148. Zhang, D.; Chen, Y.; Zhao, Y.; Ye, Z. A New Process for Efficiently Producing Methane from Waste Activated Sludge: Alkaline Pretreatment of Sludge Followed by Treatment of Fermentation Liquid in an EGSB Reactor. Environmental Science & Technology, 2011, 45(2), p. 803–808, DOI: 10.1021/es102696d. 149. Zhang, L. G.; Yin, J.; Liu, L. Characterization of metabolic activities of waste-activated sludge from the SBR process. Journal of environmental science and health part a-toxic/hazardous substances & environmental engineering. 2009, 44(8), p. 752–757, DOI: 10.1080/10934520902928255. 150. Zhang, P.; Yuan, M.; Wanga, H. Improvement of nitrogen removal and reduction of operating costs in an activated sludge process with feedforward-cascade control strategy. Biochemical Engineering Journal, 2008, 41, p. 53–58. 151. Zeng, R. J.; Lemaire, R.; Yuan, Z.; Keller, J. Simultaneous Nitrification, Denitrification, and Phosphorus Removal in a Lab-Scale Sequencing Batch Reactor. Biotechnol. Bioeng., 2003, 84(2), p. 170–078, DOI: 10.1002/bit.10744. 152. Zhu, G.; Peng, Y.; Ma, B.; Wang, Y.; Yin, C. Optimization of anoxic/oxic step feeding activated sludge process with fuzzy control model for improving nitrogen removal. Chemical Engineering Journal, 2009, 151, p. 195–201.

117


MOKSLINIŲ PUBLIKACIJŲ DISERTACIJOS TEMA SĄRAŠAS STRAIPSNIAI Mokslinės informacijos instituto (ISI) pagrindinio sąrašo leidiniuose 1. Levišauskas, Donatas, Jonelis Kęstutis, Brazauskas Kęstutis. Adaptive Control of Temperature for Minimization Operating Costs of Industrial Methane Tank Process. Information Technology and Control, ISSN 1392 - 124X. 2010, vol. 39, no. 3, p. 176–186. [IF 0,638 (2010)]. 2. Jonelis Kęstutis, Brazauskas Kęstutis, Levišauskas Donatas. A System for Dissolved Oxygen Control in Industrial Aeration Tank. Information Technology and Control, ISSN 1392 - 124X, 2012, vol. 41, no. 1, p. 46–52. [IF 0,638 (2010)]. Publikacijos kituose recenzuojamuose mokslo leidiniuose 3. Jonelis Kęstutis, Brazauskas Kęstutis. Control of Dissolved Oxygen Concentration in Aerated Tanks of Industrial Biological Treatment Process. Advances in Systems Science, Academic Publishing House EXIT, Warsaw 2010, ISBN 978-83-60434-77-2, p. 163–172. Publikacijos konferencijų pranešimų medžiagoje 4. Jonelis Kęstutis, Brazauskas Kęstutis. Ištirpusio deguonies koncentracijos matematinio modelio tyrimas. Mokslas – Lietuvos ateitis. Automatinio valdymo sistemos. ISSN 2029-2341 (print) / ISSN 2029-2252 (online) Nr. 2 (2), 2009. 5. Jonelis Kęstutis, Brazauskas Kęstutis, Levišauskas Donatas. Mathematical Model for Adaptive Control of Dissolved Oxygen Concentration in Biological Wastewater Treatment Process. Electrical and Control Technologies. Proceedings of 4th International Conference on Electrical and Control Technologies. ISSN 1822-5934, 2009, p.121–124. 6. Jonelis Kęstutis, Brazauskas Kęstutis, Levišauskas Donatas. Model for Prediction of Biogas Production in Industrial Methane Tank. Electrical and Control Technologies. Proceedings of 4th International Conference on Electrical and Control Technologies. ISSN 1822-5934, 2010, p. 138–141.

118

Daktaro disertacija. Kestutis Jonelis  

Daktaro disertacija Kestutis Jonelis

Read more
Read more
Similar to
Popular now
Just for you