软测量技术论文
软测量技术论文
软测量技术的研究主要是基于人工神经网络，它对非线性问题有较好的处理能力，对求解结果有较好的泛化能力，下面是学习啦小编为大家整理的软测量技术论文，希望你们喜欢。
软测量技术论文篇一
软测量技术在污水处理中的应用
摘要：近年来软测量技术的研究主要是基于人工神经网络，它对非线性问题有较好的处理能力，对求解结果有较好的泛化能力，由于实际生活中严格意义上的线性系统并不多见，故对神经网络技术的改进和提高仍将是推动软测量技术发展的重要因素。本文主要探讨了软测量技术在污水处理中的应用。
关键词:污水处理;软测量;技术
Abstract: in recent years the soft measurement technology research mainly is based on artificial neural network, it to nonlinear problem have good processing power, for the method has good generalization ability, with real life strictly linear system does not see more, so the neural network technology improvement will still is to promote the development of the soft measurement technology important factors. This paper mainly discussed the soft measurement technology in wastewater treatment of application.
Keywords: sewage treatment; The soft measurement; technology
中图分类号：TU74文献标识码：A 文章编号：
0 引言
污水生化处理中存在着多变量耦合、强非线性、参数时变、大滞后等特点，这些复杂性和不确定性给污水的生化处理的监视和控制带来了极大的挑战。在此复杂工况下，通过机理模型、人工智能和统计回归多种方法相结合构建软测量模型，有效地对难以测量或不易在线测量的重要参数进行“测量”，进而更加有效地优化和诊断污水生化处理过程，是当前软测量在污水生化处理过程的发展趋势。尽管软测量技术已经有多年的发展，但在污水生化处理过程中的应用才刚刚起步，尚有许多问题亟待在未来研究中取得突破：(1)污水生化反应过程复杂，干扰无处不在，由此带来的数据离群对精确建模产生极大的挑战，因此，构建鲁棒型自适应软测量模型是一个亟待解决的问题;(2)污水处理软测量模型得不到有效的校正一直阻碍着软测量实际应用，特别是当传感器发生故障的情况下如何实现软测量自校正;(3)污水生化机理模型与机器学习等建模方法有机结合也是重要议题;(4)有效地利用软测量优化和诊断污水生化处理过程，特别是诊断污泥膨胀、泡沫等异常现象。
1 软测量技术的基本原理
软测量技术是依据某种最优化准则，利用由辅助变量构成的可测信息通过软件计算实现对主导变量的测量引。软仪表的核心是表征辅助变量和主导变量之间的数学关系的软测量模型。软测量技术原理基本框架图如图1所示。因此构造软仪表的本质就是如何建立软测鼍模型，即数学建模问题。软测量模型注重的是通过辅助变量来获得对主导变量的最佳估计，而不是强调过程各输入/输出变量彼此之间的关系。软测量模型本质上是要完成由辅助变量构成的可测信息集θ到主导变量估计Y的映射，用数学公式表示即为：Y=f(θ)。
图l 软测量技术原理基本框架图
2 软测量的概述
软测量本质上是一种建模的方法，即通过构造某种数学模型，描述输入量、被控变量、扰动变量与待测量之间的函数关系，即通过容易获取的辅助变量，来推断某些难以测量或不易在线精确测量的待测量，数学描述如式: y=f(xk ,xo)+ξ,其中，xk为易检测变量，xo为可控的操作变量，ξ为污水生化处理中的扰动。
2.1软测量辅助变量的选择
污水处理中软测量辅助变量的选择包括了数量、类型和检测点位置的选择。特别是辅助变量的选择要紧密结合污水中硝化菌、丝状菌等生物的生化反应原理。
2.2软测量数据的选择与处理
为了保证所采集信息的准确性和有效性，应注意数据的信息量(特别是污水处理中的海量信息)，均匀分配采集点，尽量拓宽数据的涵盖范围，减少信息重叠，避免信息冗余。因此，对数据进行数据转换和误差处理的预处理是不可缺少的。其中数据转换包括标度、转换和全函数3部分。而误差处理包括了随机误差和过失误差处理两大类。
2.3软测量建模
模型辨识是软测量的核心。为了达到对污水处理这个非线性、大时滞对象的测量和控制效果，国内外专家提出了多种非线性软测量方法，有基于工艺机理模型的方法、基于回归模型的方法、基于状态估计的方法和基于知识的方法。其中以神经网络为建模工具的基于知识的方法研究最为活跃。为了确认模型是否能够满足预期的使用要求，软测量模型辨识出来以后需进行模型验证。
3 软测量技术在污水处理中的应用
软测量的核心问题是建立待估计主导变量与直接测量辅助变量间的关联模型。污水处理过程中，生物化学需氧量BOD、化学耗氧量COD、总氮TN以及总磷TP等是衡量出水水质的重要参数，也是难以直接测量的关键指标。目前所采用的软测量方法，多是通过建立易测变量(如曝气池溶解氧量DO、水温T、曝气池pH值及氧化还原电位ORP等)与上述难测变量间的关系，间接实现主导变量的测量。其中，机理分析与回归分析相结合的方法具有一定的代表性，但回归分析所需大量训练样本和模型的在线校正问题限制了该方法的实时应用。相比较而言，GA的全局并行搜索能力、ANN的广义非线性映射能力、SVM良好的统计规律和泛化能力引起了众多学者的关注，已经成为污水处理软测量技术的研究热点，其开发流程如图l所示。
图1 污水处理软测量开发流程
3.1 基于GA的污水处理软测量技术
GA是一类模拟生物进化机制(遗传与自然选择)的高效启发式随机搜索算法。种群进化、编码搜索和并行寻优的特点使其具备了全局优化的能力。在污水处理过程中，运用或改进遗传算子(选择、交叉、变异)后，多与模糊逻辑(FuzzyLogic)、人工神经网络相结合，优化控制器的运算效率和全局收敛能力;也可与K-means等算法结合，形成混合聚类算法，以提高收敛速度并改善分类效果，进而提升污水处理的性能指标。典型遗传算法的计算流程如图2所示。
图2 典型遗传算法的计算流程
以曝气溶解氧DO作为序列间歇式活性污泥法(Sequencing Batch Reactor ActivatedSludge Process，SBR)的主控参数，运用遗传算法同时对隶属函数和模糊规则进行优化，以期提升模糊控制器的自适应能力。DO输出曲线的仿真结果显示，超调量与稳态误差显著减小，模糊规则对人工经验的依赖性有所降低。选取与出水水质关键参数BOD耦合、关联度最大的COD、DO、pH值、Ss(Suspended Substance，水中悬浮物)等易测参量作为神经网络的输入，运用遗传算法优化网络结构和最优权、阈值的分布范围，再用BP(Back Propagation，反向传播)算法训练网络，进而建立起基于GABP神经网络的软测量模型。仿真结果显示，该模型对BOD参数具有较高的预测精度。结合K―means算法的研究，提出了一种基于最近邻聚类算法和遗传算法的异常检测算法，对污水处理历史数据进行了聚类分析，成功找出了其中的异常数据;并根据聚类结果进行了故障规则的建立，对污水处理工艺故障诊断系统知识库的建立具有一定的实用参考价值。
3.2基于ANN的污水处理软测量技术
ANN是以简单非线性神经元作为处理单元，通过广泛连接构成的、具有大规模分布式并行处理能力的非线性动力学系统;自组织、自学习、分布式联想记忆以及非线性逼近的特点引起了控制界的普遍重视。基于ANN的软测量方法可在不具备对象先验知识的条件下，根据对象的I/0数据直接建模，且具有较强的在线校正能力。应用于污水处理领域，多是将COD、DO、TN、TP、SS及pH值等辅助变量作为网络输人，BOD作为网络输出，通过各类学习算法的训练来解决污水水质的软测量问题。近年来，通过改进学习算法、优化网络结构以及改进神经元结构来提升ANN的计算性能和泛化能力，业已成为解决复杂系统过程参数软测量问题的有效探索途径。一种典型的BOD软测量神经网络分层结构如图3所示。
输入层隐层 输出层
图3 典型的BOD软测量神经网络分层结构
建立了一种5层结构的模糊神经网络控制系统，利用ANN的学习能力来优化模糊逻辑规则和比例因子的调节，力图控制SBR处理过程中的D0浓度，以期达到最优。仿真结果显示出该系统具有响应迅速和运行平稳的特点。提出了一种改进的自适应遗传算法，用以优化ANN的权值和阈值。针对活性污泥法处理过程，建立了(9-15-1)3层结构的污泥容积指数(SVI)预测模型;克服了BP算法收敛较慢的缺陷，且有效提高了收敛精度。通过分析有毒污水对生化池相关参数的影响，提出了基于径向基函数(Radial Basis Function，RBF)神经网络的软测量方法。选取COD、DO、pH值、混合液悬浮固体浓度(Mixed Liquor Suspended Solids，MLSS)作为输入，生化池污水毒性(以致死率表示，单位为%)为输出，构建了一种面向工程应用的软测量模型，应用结果表明了该方法的有效性。
从优化网络结构、提升实时数据处理能力的角度出发，近年来出现了一种基于主元分析(Principal Component Analysis，PCA)的人工神经网络软测量方法，并在污水处理系统中得以应用。在对PCA.ANN算法进行研究和分析的过程中，列举了大量的典型范例来说明该方法在污水处理数据分析和模拟仿真方面的优越性。另有一种被称为过程神经网络的软测量方法。其神经元由加权、聚合和激励运算3部分构成，输入与连接权值均可以是一个时间变化过程，并在传统神经元空间聚合计算的基础上增加了一个时间聚合算子。在系统阐述过程神经元计算方法的同时，提出了能够加速网络收敛速度的改进算法，建立了出水BOD的软测量计算模型。分析结果表明，采用动量项调整和自适应学习率相结合的算法有效提升了ANN的训练速度。
3.3基于SVM的污水处理软测量技术
Vapnik提出的支持向量机(SVM)是一种基于结构风险最小化原则的新型机器学习方法。依据泛函的相关理论，只要一种核函数K(Xi，Yi)满足Mercer条件，就会对应某一变换空间的内积。因此，在最优分类面中采用适当的内积函数就可以实现某一非线性变换后的线性分类，而计算的复杂度并未增加。对应的分类函数即为支持向量机，其一般表达式为：
SVM的基本思想是将有限的训练样本从输入空间非线性地映射到一个高维特征空问，通过求解二次凸规划问题得到全局唯一最优解。该方法解决了一般学习方法难以解决的问题，诸如ANN易陷入局部最小的问题、过学习及算法结构、类型选择过分依赖经验等问题，从而提高了模型的泛化能力。应用于污水处理过程，多以进水水质参数pH值、COD、BOD、SS等为输入向量，出水水质参数COD、BOD、SVI等为输出向量，结合参数特性分析、惩罚参数与核函数的优化或知识约简等方法，以期确保预测精度和出水品质软测量的实时性。
设计了一套基于InTouch―v9.5的污水处理控制系统。利用支持向量回归机与参数特性混合建模，利用BOD与COD的相关性预估出水COD，进而实现对BOD参数的软测量。通过现场调试运行，系统表现出较强的鲁棒性和可扩展性。分别运用GA和粒子群算法优化惩罚参数与核函数，以期通过最优参数建立SVM软测量模型，并以静态和动态两种方式来预测未来时刻的BOD参数。通过仿真分析，一方面显示SVM软测量的估计值较好地跟踪了BOD的变化趋势;再者，粒子群算法优化后的SVM预测结果在精度和响应速度方面优于GA―SVM模型。提出一种粗糙集(Rough Set，RS)理论与SVM相结合的出水水质参数软测量方法。利用RS作为模型的前件对属性进行约简，再利用SVM优越的泛化能力进行回归建模、预测。在出水TP、COD、SVI的预测效果方面，通过与BP、RS―RBP等方法的比较，证明了RS―SVM系统具有更佳的预测精度和实时响应特征。
3.4虚拟仪器的应用
虚拟现实(Virtual Reality)技术和虚拟仪器(Virtual Instruments)的出现为智能算法在软测量过程中的实现提供了平台支撑。典型的产品是Math Works公司的MATLAB和NI(National In―strument)公司的LabVIEW(Laborotory Virtual In―strument Engineering Workbench)。其中，MATLAB是目前功能最为齐全的仿真软件之一，除傅里叶变换和PID经典算法外，还包括神经网络、模糊系统、混沌理论以及小波算法等技术，为软测量模型预测与评价处理提供了充分的资源条件;Lab―VIEW则是一种基于G语言(Graphics Language)的虚拟仪器软件开发工具，前面板相当于传统检测仪器的操控面板，而框图程序相当于传统仪表的内部硬件电路，可用于软测量模型与实时监测系统的开发。除此之外，针对污水处理过程而开发的仿真器还有美国Clemson大学开发的SSSP(Simulation of Single Sludge Processes)、丹麦DHI水动力研究所的EFOR、瑞士环境科学与技术联邦协会的AQUASIM等。
以MATLAB为开发环境，基于国际水协会(International Water Association，IWA)发布的Benchmark仿真模型，设计了一种名为WTPS(Wastewater Treatment Plant Simulator)的污水处理过程仿真器，采用最小二乘支持向量机回归(Least Squares Support Vectro Regression，LS-SVR)方法对出水水质参数(TN、COD、BOD)进行软测量预报，仿真分析论证了模型的预报精度;与此同时，还以WTPS为平台，对定值控制、溶解氧PI控制、氨氮与硝酸盐PI控制等方案进行了性能比较。通过MATLAB和LabVIEW的无缝链接，利用污水处理过程大时滞的特点，设计了一种基于ANN的出水水质插值和多步记忆结构的软测量模型。结果表明，该模型对A2/0工艺污水处理出水水质BOD，浓度具有良好的预测效果。
4 结论与展望
相比较而言，基于GA的软测量方法在并行优化参数方面具有一定优势;ANN的自组织和自学习特点使其具备了较强的非线性逼近能力;SVM的应用使得全局唯一最优解的获取成为可能。但是，面对污水处理过程的时变性、非线性和大纯滞后特性，基于单一智能算法的出水水质参数软测量技术都存在着一定的缺陷。随着人工智能技术、虚拟仪器和智能仪表技术的日新月异，多算法融合业已成为研究与应用的主要方向。此外，从增强软测量模型的鲁棒性、实时性以及预测精度的角度出发，过失误差处理技术和在线校正技术也应成为研究的重点。
点击下页还有更多>>>软测量技术论文