基于MPC5125实现改进EMD框架LSTM混合模型的智能脱氨系统研究

作     者：张兴纵 

作者单位：重庆理工大学 

学位级别：硕士

导师姓名：邱发成

授予年度：2024年

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081704[工学-应用化学] 08[工学] 0817[工学-化学工程与技术] 081701[工学-化学工程] 

主      题：负压脱氨 射流撞击强化 信号处理 深度学习 LSTM 

摘      要：目前,物化吹脱因其脱氨过程稳定,装置工艺流程简单,因而被国内外广泛应用。然而,在实际工程化中的吹脱塔,常采用Ca(OH)2作为p H调节剂,但易于空气中CO2反应生成Ca CO3,从而堵塞填料等多孔构件,影响着脱氨工艺的连续性进行。据此,负压脱氨被提出解决塔板易堵塞等问题,取得较好成效。值得一提的是,在目前的负压脱氨模式下,真空度需要维持在0.07-0.10 MPa,才能获得较好的脱氨效率,真空度无法得到进一步降低。 根据气液两相氨平衡理论,负压脱氨中真空度的变化主要影响着氨/水气液传质与分离过程。因而,课题组提出射流撞击强化负压脱氨过程,研发出了射流撞击-负压脱氨反应器(jet impingement-negative pressure deamination reactor,JINPDR),取得较好的脱氨效果。然而,负压条件下的多孔射流行为,蕴含着高度湍流、高剪切应变率的三维拟序流场结构,流态特征识别与表达较为困难。 据此,本工作先构建了一台完整流动信号采集平台。即引入了MPC5125芯片作为数据采集的核心,与压力传感器、流量计等传感器配合使用,实现实时采集和记录废水处理过程中的数据。随后采用快速傅里叶变换(FFT)技术对信号进行时频分析,滤除脱氨过程中的噪声数据,并构建随机森林(RF)算法对其精度进行优化提升。然后,采用了经验模态分解(EMD)对采集的流动数据进行时频分析,提取信号的特征分量,获得射流撞击-负压反应器内的流动特征。最后,以实际的氨氮废水为研究对象,提出经验模态分解耦合长短期记忆网络(EMDNet)方法,建立具有较高准确的氨氮浓度实时预测模型。 综上,本研究工作以高浓度氨氮废水为对象,建立了MPC5125芯片为核心的流动信号采集平台,结合深度学习法等手段,获得射流撞击-负压脱氨反应器内流态特征与氨氮浓度实时预测模式。该研究工作对射流撞击-负压脱氨反应器的结构优化与工程化应用研究具有重要的支撑。