По всем вопросам звоните:

+7 495 274-22-22

УДК: 628.316:519.248

Обеспечение эффективности функционирования системы водоочистки на основе прогнозирования качества воды (обзор)

Бубырь Д.С. канд. техн. наук, АО «Ульяновское конструкторское бюро приборостроения»
Клячкин В.Н. д-р техн. наук, Ульяновский государственный технический университет

Литература:

1. Айвазян С. А. Статистическое исследование зависимостей / С. А. Айвазян. — М.: Металлургия, 1968. — 227 с.

2. Айвазян С. А. Прикладная статистика и основы эконометрики / С. А. Айвазян, В. С. Мхитарян. — М.: ЮНИТИ, 1998. — 1024 с.

3. Андерсон Т. Статистический анализ временных рядов / Т. Андерсон. — М.: Мир, 1976. — 756 с.

4. Андреев Е. Б., Куцевич Н. А., Синенко О. В. SCADA-системы: взгляд изнутри.

5. Балдин А. В. Прикладной статистический анализ данных / А. В. Балдин, В. В. Криницин. — М.: ПРИОР, 1998. — 261 с.

6. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений. — М.: Финансы и статистика, 2004. — 176 с.

7. Бендат Дж. Прикладной анализ случайных данных / Дж. Бендат, А. Пирсол. — М.: Мир, 1989. — 540 с.

8. Бокс Лж., Дженкис Г. Анализ временных рядов, прогноз и управление. — М.: Мир, 1974. — Вып. 1. — 406 с.

9. Бокс Лж., Дженкис Г. Анализ временных рядов, прогноз и управление. — М.: Мир, 1974. — Вып. 2. — 197 с.

9. Бриллинджер Д. Временные ряды. Обработка данных и теория / Д . Бриллиджер. — М.: Мир, 1980. — 536 с.

10. Бубырь Д. С. Система раннего предупреждения о нарушении показателей качества питьевой воды // Программные продукты и системы. — 2015. — № 2 (110). — С. 119–123.

11. Бубырь Д.С. Контроль качества очистки воды с помощью системы раннего предупреждения / Бубырь Д.С.// Вестник Ульяновского государственного технического университета. — 2015. — № 3 (71). — C. 23–25.

12. Бубырь Д.С. Особенности работы системы управления водоочисткой при использовании программного блока обнаружения нарушений / Бубырь Д.С. // Вестник Ульяновского государственного технического университета. — 2016. — № 1 (73). — C. 40–42.

13. Бубырь Д.С. Раннее предупреждение в системе управления водоочисткой / Д. С. Бубырь // Актуальные направления научных исследований XXI века: теория и практика. — Воронеж: ФГБОУ ВО «ВГЛТУ», 2015. — № 7 (18-3). — С. 401–404.

14. Бубырь, Д.С. Разработка системы раннего предупреждения о нарушении показателей качества питьевой воды / Д.С. Бубырь // Молодежный инновационный форум Приволжского федерального округа (Ульяновск, УлГТУ, 13–15 мая 2015 года): Сборник аннотаций проектов. В 2 т. — Ульяновск: УлГТУ, 2015. — Т. 1. — С. 29–33.

15. Бубырь Д.С., Булыжев Е. М., Грехов Ю.А., Клячкин В.Н., Кувайскова Ю. Е., Орлов Г.А. Прогнозирование физико-химических показателей источника водоснабжения // Автоматизация. Современные технологии. 2015. — № 5. — С. 14–17.

16. Бубырь Д.С., Булыжев Е. М., Грехов Ю.А., Клячкин В.Н., Орлов Г.А. Система прогнозирования качества питьевой воды // Автоматизация. Современные технологии. — 2015. –№ 7. — С. 42–25

17. Бубырь Д.С. Управление дозами реагентов на станции очистки воды / Бубырь Д. С., Клячкин В.Н. // Вестник Ульяновского государственного технического университета. — Ульяновск: УлГТУ, — 2015. — №. 2. (70) — C. 46–50.

18. Бубырь Д.С. Разработка математических моделей и программ для обеспечения надежности функционирования системы управления водоочисткой / Бубырь Д. С., Клячкин В.Н. / Информатика, моделирование, автоматизация проектирования. — Ульяновск: УлГТУ, 2015. — С. 85–89.

19. Бубырь Д.С., Клячкин В.Н., Карпунина И.Н. Использование бинарных переменных при регрессионном моделировании состояния технического объекта // Известия Самарского научного центра РАН. — 2014. — № 6 (2). — С. 371–373.

20. Валеев С.Г. Регрессионное моделирование при обработке наблюдений. — М.: Наука, 1991. — 272 с.

21. Галушкин А.И. Теория нейронных сетей / А.И. Галушкин. — М.: ИПРРЖР, 2000. — 416 с.

22. Герасимов Г.Н. Технический справочник по обработке воды: в 2 т. Т. 1: пер. с фр. — СПб.: Новый журнал, 2007. — 1736 с.

23. Головко В.А. Нейроинтеллект: Теория и применения. Книга 1 Организация и обучение нейронных сетей с прямыми и обратными связями. — Брест: БПИ, 1999. — 260 с. Книга 2 Самоорганизация, отказоустойчивость и применение нейронных сетей. — Брест: БПИ, 1999. — 228 с.

24. Демиденко, Е.З. Линейная и нелинейная регрессии / Е. З. Демиденко. — М.: Финансы и статистика, 1981. — 302 с

25. Дрейпер Н., Смит Г. Прикладной регрессионный анализ, кн. 1–2 / Пер. с англ.; Под ред. Ю.П. Адлера и В. Г. Горского. — М.: Финансы и статистика, 1986. — 702 с.

26. Душкин С.С., Благодарная Г.И. Разработка научных основ ресурсосберегающих технологий подготовки экологически чистой питьевой воды: Монография; Харьк. Нац. Акад. Городск. Хоз-ва. — Х.: ХНАГХ, 2009. — 95 с.

27. Епанешников А.М. Локальные вычислительные сети / А. М. Епанешников, В. А Епанешников. — М.: Диалог-МИФИ, 2005. — 221 с.

28. Ермолаева С.В., Журавлев В.М., Смагин А.А., Липатова С.В. Система поддержки принятия решений для оценки воздействия факторов среды на здоровье населения на основе моделирования // Экология человека. — 2016. — № 3. — С. 9–17.

29. Журба М. Г., Соколов Л.И., Говорова Ж.М. Водоснабжение. Проектирование систем и сооружений: издание второе, переработанное и дополненное в 3-х томах. Том 2. — М.: Изд-во АСВ, 2004. — 496 с.

30. Ивахненко А. Г. Долгосрочное прогнозирование и управление сложными системами. — Киев: Технiка, 1975. — 312 с.

31. Клячкин В.Н. Модели и методы статистического контроля многопараметрического технологического процесса. — М.: ФИЗМАТЛИТ, 2011. — 196 с.

32. Клячкин В.Н. Статистические методы в управлении качеством: компьютерные технологии. — М.: Финансы и статистика, ИНФРА-М, 2009. 304 с.

33. Клячкин В.Н., Бубырь Д.С. Прогнозирование состояния технического объекта на основе кусочно-линейных регрессий // Радиотехника. — 2014. — № 7. — С. 137–140.

34. Клячкин В.Н., Кувайскова Ю. Е., Бубырь Д.С. Прогнозирование состояния объекта с использованием систем временных рядов // Радиотехника. № 6, 2015. — С. 45–47.

35. Крашенинников В.Р., Бубырь Д.С. Кусочно-квадратичное моделирование регрессионных зависимостей при оценке качества питьевой воды / Междисциплинарные исследования в области математического моделирования и информатики. Материалы 3-й научно-практической internet-конференции. 20–21 февраля 2014 г. / отв. ред. Ю.C. Нагорнов — Ульяновск. SIMJET, 2014. — 233–236 с.

36. Кувайскова Ю. Е., Бубырь Д.С., Клячкин В.Н. Оценка состояния объекта по регрессионным зависимостям при прогнозировании входных параметров // Известия Самарского научного центра РАН. — 2014. — № 6 (2). — С. 483–486.

37. Кувайскова Ю. Е. Прогнозирование состояния источника водоснабжения в целях обеспечения качества воды. / Кувайскова Ю. Е., Булыжев Е. М., Клячкин В.Н., Бубырь Д.С. / Справочник. Инженерный журнал с приложением. — 2016. — № 5 (230). — С. 37–42.

38. Кувайскова Ю. Е., Клячкин В.Н., Бубырь Д.С. Прогнозирование состояния технического объекта на основе мониторинга его параметров / ХII Всероссийское совещание по проблемам управления: Труды. — М.: Институт проблем управления им. В.А. Трапезникова РАН, — 2014. С. 7616–7626

39. Лукашин, Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов / Ю.П. Лукашин. — М.: Финансы и статистика, 2003. — 416 с.

40. Лукашин Ю.П., Рахлина Л.И. Современные направления статистического анализа взаимосвязей и зависимостей. — Отв. ред. — Ю.П. Лукашин. — М.: ИМЭМО РАН, 2012. — 54 с.

41. Магда Ю.С. Программирование последовательных интерфейсов. — СПб.: БХВ-Петербург, 2009. — 304 с.

42. Метод главных компонент [Электронный ресурс] // URL: http://chemometrics.ru/materials/textbooks/pca. htm (дата обращения: 28.10.2014).

43. Носко В.П. Эконометрика. Кн. 2. Ч. 3, 4: учебник / В.П. Носко. — М.: Издат. дом «Дело» РАНХ и ГС, 2011. — 576 с.

44. Рассел С. Искусственный интеллект: современный подход / С. Рассел, П. Норвинг; пер. с англ. — М: Издат. дом «Вильямс», 2006. — 1408 с.

45. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга / Ф. Розенблатт. — М.: Мир, 1965. — 302 с.

46. Рульнов А.А., Евсафьев К.Ю. Автоматизация систем водоснабжения и водоотведения. — М.: ИНФРА-М, 2010. — 280 с.

47. СанПиН 2.1.4.1074–01 «Питьевая вода. Гигиенические требования к качеству воды централизованных систем питьевого водоснабжения. Контроль качества».

48. Себер Дж. Линейный регрессионный анализ / Дж. Себер. — М.: Мир, 1980. — 456 с.

49. Соколов Э.М., Шейнкман Л.Э., Дергунов Д.Н. Применение нейронных сетей для прогноза уровня концентрации фенольных соединений в сточных водах горных предприятий // Тульский государственный университет, 2012. — 210–215 с.

50. Харабрин С.В. Экологический мониторинг тригалогенметанов в питьевой воде и воде водоисточника: Автореф. дисс. …канд. техн. наук. Уфа,2004,24 с.

51. Хайкин Саймон. Нейронные сети: полный курс, 2-е изд.: Пер. с англ. — М.: Издат. дом «Вильям», — 2006. — 1104 с.

52. Четыркин Е.М. Статистические методы прогнозирования / Е. М. Четыркин. — М.: Статистика, 1977. — 200 с.

53. Шагапов А.П. Автоматизация и диспетчеризация систем водоснабжения // Сантехника. — 2015. — № 1. — С. 46–48.

54. Шитиков В.К., Розенберг Г.С., Зинченко Т.Д. Количественная гидроэкология: методы системной идентификации. — Тольятти: ИЭВБ РАН, 2003. — 463 с.

55. Ясницкий Л.Н. Искусственный интеллект. Элективный курс: Учебное пособие. — М.: БИНОМ. Лаборатория знаний, 2011. — 240 c.

56. Cajendra C. Water quality assessment and prediction modeling of Nambiyar River Basin, Tamil Nadu, India: A thesis… Dr. of philosophy, Anna University, June 2011, 206 p.

57. Daneels A., Salter W. What is SCADA?, International Conference on Accelerator and Large Experimental PhysicsControl Systems, 1999, pp. 339–343.

58. Faris Gorashi, Alias Abdullah, Prediction of water quality index using back propagation network algorithm. Case study: Gombak River, Journal of Engineering Science and Technology, Vol. 7, No. 4 (2012), pp. 447–461.

59. Han Yan, Zhihong Zou. Application of a Hybrid ARIMA and Neural Network Model to Water Quality Time Series Forecasting, Journal of Convergence Information Technology (JCIT), Vol. 8, No. 4, pp. 59–70, 2013.

60. Janelcy Alferes, John B. Copp, Peter A. Vanrolleghem, Forecasting techniques applied to water quality time series in view of water quality assessment», 11th International Conference on Hydroinformatics HIC 2014, New York City, USA, 5 p.

61. Lange T. Intelligent SCADA Systems// Engineer IT. Automation and Technical. Control April 2007. — P. 26–30.

62. Majid Heydari, Ehsan Olyaie, Hamid Mohebzadeh and Özgür Kisi. Development of a Neural Network Technique for Prediction of Water Quality Parameters in the Delaware River, Pennsylvania, Middle-East Journal of Scientific Research 13 (10) ISSN: 1990–9233, 2013, pp. 1367–1376.

63. Mohd Fahmi Mohd Nasir, Munirah Abdul Zali, Hafizan Juahir, Hashimah Hussain, Sharifuddin M Zain and Norlafifah Ramli. Application of receptor models on water quality data in source apportionment in Kuantan River Basin, Iranian Journal of Environmental Health Science & Engineering, 2012, pp. 9–18.

64. Sundarambal Palani, Shie-Yui Liong, Pavel Tkalich. An ANN application for water quality forecasting, Marine Pollution Bulletin 56, pp. 1586–1597, 2008.

65. Thair S.K., Abdul Hameed M. J., and Ayad S.M. Prediction of water quality of Euphrates river by using artificial neural network model (spatial and temporal study, International Research Journal of Natural Sciences, Vol. 2, No. 3, pp. 25–38, September 2014.

66. Wenyan Wu, Graeme C. Dandy and Holger R. Maier, Application of artificial neural networks to forecasting water quality in a chloraminated water distribution system, 19th International Congress on Modelling and Simulation, Perth, Australia, 12–16 December 2011, pp. 1112–1118.

67. Wooldridge J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013, 886 p.

Усложнившаяся экологическая ситуация, возникшая в результате воздействия на промышленном и бытовом уровне, привела к росту интереса к процедуре очистки воды. Загрязнение воды оказывает, в частности, существенное влияние на заболеваемость населения [28].

Для получения воды требуемого качества используется комплекс сооружений в виде современных водопроводных очистных станций, который реализует ряд специальных технологических процессов [22,53].

Первоначально вода выкачивается из источника водоснабжения с помощью водозаборных сооружений для подачи в систему водоочистки. Перед началом очистки проводится измерение основных физико-химических параметров, характеризующих состояние полученной воды из водоисточника (температура, мутность, цветность, значение pH и другие). Важным этапом очистки является дозирование реагентов: обычно используют коагулянты и флокулянты, вызывающие образование хлопьев из загрязнений и выпадение осадка, который удаляется на станции. Дозы этих реагентов оказывают непосредственное влияние на качество очистки.

После очистки измеряются показатели качества питьевой воды. К важным показателям относятся мутность, цветность, содержание остаточного хлора и другие. Полученные значения показателей проверяют на соблюдение допустимых граничных значений, установленных СанПиН 2.1.4.1074–01 [47]. При выходе контролируемых показателей качества очищенной питьевой воды за допустимые границы (что является нештатной ситуацией) в систему водоотведения подается питьевая вода, хранящаяся в резервуарах, а сама система водоочистки временно останавливается для выяснения причин нарушения и, при необходимости, внесения корректировок. Таким образом, реагирование на возникающее нарушение осуществляется по факту его наступления.

Как следствие постоянно меняющейся экологической обстановки и роста уровня загрязнения водоемов, станциям водоочистки становится все сложнее поддерживать качество очищенной воды на требуемом уровне. Повышению эффективности системы водоочистки, то есть уменьшению времени на ликвидацию нештатных ситуаций, способствует своевременное реагирование на прогнозируемое нарушение качества очистки воды.

Для Цитирования:
Бубырь Д.С., Клячкин В.Н., Обеспечение эффективности функционирования системы водоочистки на основе прогнозирования качества воды (обзор). Водоочистка. 2018;12.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: