軟測量技術論文

軟測量技術論文

　　軟測量技術的研究主要是基于人工神經網絡，它對非線性問題有較好的處理能力，對求解結果有較好的泛化能力，下面是學習啦小編為大家整理的軟測量技術論文，希望你們喜歡。

　　軟測量技術論文篇一

　　軟測量技術在污水處理中的應用

　　摘要：近年來軟測量技術的研究主要是基于人工神經網絡，它對非線性問題有較好的處理能力，對求解結果有較好的泛化能力，由于實際生活中嚴格意義上的線性系統(tǒng)并不多見，故對神經網絡技術的改進和提高仍將是推動軟測量技術發(fā)展的重要因素。本文主要探討了軟測量技術在污水處理中的應用。

　　關鍵詞:污水處理;軟測量;技術

　　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

　　中圖分類號：TU74文獻標識碼：A 文章編號：

　　0 引言

　　污水生化處理中存在著多變量耦合、強非線性、參數時變、大滯后等特點，這些復雜性和不確定性給污水的生化處理的監(jiān)視和控制帶來了極大的挑戰(zhàn)。在此復雜工況下，通過機理模型、人工智能和統(tǒng)計回歸多種方法相結合構建軟測量模型，有效地對難以測量或不易在線測量的重要參數進行“測量”，進而更加有效地優(yōu)化和診斷污水生化處理過程，是當前軟測量在污水生化處理過程的發(fā)展趨勢。盡管軟測量技術已經有多年的發(fā)展，但在污水生化處理過程中的應用才剛剛起步，尚有許多問題亟待在未來研究中取得突破：(1)污水生化反應過程復雜，干擾無處不在，由此帶來的數據離群對精確建模產生極大的挑戰(zhàn)，因此，構建魯棒型自適應軟測量模型是一個亟待解決的問題;(2)污水處理軟測量模型得不到有效的校正一直阻礙著軟測量實際應用，特別是當傳感器發(fā)生故障的情況下如何實現軟測量自校正;(3)污水生化機理模型與機器學習等建模方法有機結合也是重要議題;(4)有效地利用軟測量優(yōu)化和診斷污水生化處理過程，特別是診斷污泥膨脹、泡沫等異?，F象。

　　1 軟測量技術的基本原理

　　軟測量技術是依據某種最優(yōu)化準則，利用由輔助變量構成的可測信息通過軟件計算實現對主導變量的測量引。軟儀表的核心是表征輔助變量和主導變量之間的數學關系的軟測量模型。軟測量技術原理基本框架圖如圖1所示。因此構造軟儀表的本質就是如何建立軟測鼉模型，即數學建模問題。軟測量模型注重的是通過輔助變量來獲得對主導變量的最佳估計，而不是強調過程各輸入/輸出變量彼此之間的關系。軟測量模型本質上是要完成由輔助變量構成的可測信息集θ到主導變量估計Y的映射，用數學公式表示即為：Y=f(θ)。

　　圖l 軟測量技術原理基本框架圖

　　2 軟測量的概述

　　軟測量本質上是一種建模的方法，即通過構造某種數學模型，描述輸入量、被控變量、擾動變量與待測量之間的函數關系，即通過容易獲取的輔助變量，來推斷某些難以測量或不易在線精確測量的待測量，數學描述如式: y=f(xk ,xo)+ξ,其中，xk為易檢測變量，xo為可控的操作變量，ξ為污水生化處理中的擾動。

　　2.1軟測量輔助變量的選擇

　　污水處理中軟測量輔助變量的選擇包括了數量、類型和檢測點位置的選擇。特別是輔助變量的選擇要緊密結合污水中硝化菌、絲狀菌等生物的生化反應原理。

　　2.2軟測量數據的選擇與處理

　　為了保證所采集信息的準確性和有效性，應注意數據的信息量(特別是污水處理中的海量信息)，均勻分配采集點，盡量拓寬數據的涵蓋范圍，減少信息重疊，避免信息冗余。因此，對數據進行數據轉換和誤差處理的預處理是不可缺少的。其中數據轉換包括標度、轉換和全函數3部分。而誤差處理包括了隨機誤差和過失誤差處理兩大類。

　　2.3軟測量建模

　　模型辨識是軟測量的核心。為了達到對污水處理這個非線性、大時滯對象的測量和控制效果，國內外專家提出了多種非線性軟測量方法，有基于工藝機理模型的方法、基于回歸模型的方法、基于狀態(tài)估計的方法和基于知識的方法。其中以神經網絡為建模工具的基于知識的方法研究最為活躍。為了確認模型是否能夠滿足預期的使用要求，軟測量模型辨識出來以后需進行模型驗證。

　　3 軟測量技術在污水處理中的應用

　　軟測量的核心問題是建立待估計主導變量與直接測量輔助變量間的關聯(lián)模型。污水處理過程中，生物化學需氧量BOD、化學耗氧量COD、總氮TN以及總磷TP等是衡量出水水質的重要參數，也是難以直接測量的關鍵指標。目前所采用的軟測量方法，多是通過建立易測變量(如曝氣池溶解氧量DO、水溫T、曝氣池pH值及氧化還原電位ORP等)與上述難測變量間的關系，間接實現主導變量的測量。其中，機理分析與回歸分析相結合的方法具有一定的代表性，但回歸分析所需大量訓練樣本和模型的在線校正問題限制了該方法的實時應用。相比較而言，GA的全局并行搜索能力、ANN的廣義非線性映射能力、SVM良好的統(tǒng)計規(guī)律和泛化能力引起了眾多學者的關注，已經成為污水處理軟測量技術的研究熱點，其開發(fā)流程如圖l所示。

　　圖1 污水處理軟測量開發(fā)流程

　　3.1 基于GA的污水處理軟測量技術

　　GA是一類模擬生物進化機制(遺傳與自然選擇)的高效啟發(fā)式隨機搜索算法。種群進化、編碼搜索和并行尋優(yōu)的特點使其具備了全局優(yōu)化的能力。在污水處理過程中，運用或改進遺傳算子(選擇、交叉、變異)后，多與模糊邏輯(FuzzyLogic)、人工神經網絡相結合，優(yōu)化控制器的運算效率和全局收斂能力;也可與K-means等算法結合，形成混合聚類算法，以提高收斂速度并改善分類效果，進而提升污水處理的性能指標。典型遺傳算法的計算流程如圖2所示。

　　圖2 典型遺傳算法的計算流程

　　以曝氣溶解氧DO作為序列間歇式活性污泥法(Sequencing Batch Reactor ActivatedSludge Process，SBR)的主控參數，運用遺傳算法同時對隸屬函數和模糊規(guī)則進行優(yōu)化，以期提升模糊控制器的自適應能力。DO輸出曲線的仿真結果顯示，超調量與穩(wěn)態(tài)誤差顯著減小，模糊規(guī)則對人工經驗的依賴性有所降低。選取與出水水質關鍵參數BOD耦合、關聯(lián)度最大的COD、DO、pH值、Ss(Suspended Substance，水中懸浮物)等易測參量作為神經網絡的輸入，運用遺傳算法優(yōu)化網絡結構和最優(yōu)權、閾值的分布范圍，再用BP(Back Propagation，反向傳播)算法訓練網絡，進而建立起基于GABP神經網絡的軟測量模型。仿真結果顯示，該模型對BOD參數具有較高的預測精度。結合K―means算法的研究，提出了一種基于最近鄰聚類算法和遺傳算法的異常檢測算法，對污水處理歷史數據進行了聚類分析，成功找出了其中的異常數據;并根據聚類結果進行了故障規(guī)則的建立，對污水處理工藝故障診斷系統(tǒng)知識庫的建立具有一定的實用參考價值。

　　3.2基于ANN的污水處理軟測量技術

　　ANN是以簡單非線性神經元作為處理單元，通過廣泛連接構成的、具有大規(guī)模分布式并行處理能力的非線性動力學系統(tǒng);自組織、自學習、分布式聯(lián)想記憶以及非線性逼近的特點引起了控制界的普遍重視?；贏NN的軟測量方法可在不具備對象先驗知識的條件下，根據對象的I/0數據直接建模，且具有較強的在線校正能力。應用于污水處理領域，多是將COD、DO、TN、TP、SS及pH值等輔助變量作為網絡輸人，BOD作為網絡輸出，通過各類學習算法的訓練來解決污水水質的軟測量問題。近年來，通過改進學習算法、優(yōu)化網絡結構以及改進神經元結構來提升ANN的計算性能和泛化能力，業(yè)已成為解決復雜系統(tǒng)過程參數軟測量問題的有效探索途徑。一種典型的BOD軟測量神經網絡分層結構如圖3所示。

　　輸入層隱層 輸出層

　　圖3 典型的BOD軟測量神經網絡分層結構

　　建立了一種5層結構的模糊神經網絡控制系統(tǒng)，利用ANN的學習能力來優(yōu)化模糊邏輯規(guī)則和比例因子的調節(jié)，力圖控制SBR處理過程中的D0濃度，以期達到最優(yōu)。仿真結果顯示出該系統(tǒng)具有響應迅速和運行平穩(wěn)的特點。提出了一種改進的自適應遺傳算法，用以優(yōu)化ANN的權值和閾值。針對活性污泥法處理過程，建立了(9-15-1)3層結構的污泥容積指數(SVI)預測模型;克服了BP算法收斂較慢的缺陷，且有效提高了收斂精度。通過分析有毒污水對生化池相關參數的影響，提出了基于徑向基函數(Radial Basis Function，RBF)神經網絡的軟測量方法。選取COD、DO、pH值、混合液懸浮固體濃度(Mixed Liquor Suspended Solids，MLSS)作為輸入，生化池污水毒性(以致死率表示，單位為%)為輸出，構建了一種面向工程應用的軟測量模型，應用結果表明了該方法的有效性。

　　從優(yōu)化網絡結構、提升實時數據處理能力的角度出發(fā)，近年來出現了一種基于主元分析(Principal Component Analysis，PCA)的人工神經網絡軟測量方法，并在污水處理系統(tǒng)中得以應用。在對PCA.ANN算法進行研究和分析的過程中，列舉了大量的典型范例來說明該方法在污水處理數據分析和模擬仿真方面的優(yōu)越性。另有一種被稱為過程神經網絡的軟測量方法。其神經元由加權、聚合和激勵運算3部分構成，輸入與連接權值均可以是一個時間變化過程，并在傳統(tǒng)神經元空間聚合計算的基礎上增加了一個時間聚合算子。在系統(tǒng)闡述過程神經元計算方法的同時，提出了能夠加速網絡收斂速度的改進算法，建立了出水BOD的軟測量計算模型。分析結果表明，采用動量項調整和自適應學習率相結合的算法有效提升了ANN的訓練速度。

　　3.3基于SVM的污水處理軟測量技術

　　Vapnik提出的支持向量機(SVM)是一種基于結構風險最小化原則的新型機器學習方法。依據泛函的相關理論，只要一種核函數K(Xi，Yi)滿足Mercer條件，就會對應某一變換空間的內積。因此，在最優(yōu)分類面中采用適當的內積函數就可以實現某一非線性變換后的線性分類，而計算的復雜度并未增加。對應的分類函數即為支持向量機，其一般表達式為：

　　SVM的基本思想是將有限的訓練樣本從輸入空間非線性地映射到一個高維特征空問，通過求解二次凸規(guī)劃問題得到全局唯一最優(yōu)解。該方法解決了一般學習方法難以解決的問題，諸如ANN易陷入局部最小的問題、過學習及算法結構、類型選擇過分依賴經驗等問題，從而提高了模型的泛化能力。應用于污水處理過程，多以進水水質參數pH值、COD、BOD、SS等為輸入向量，出水水質參數COD、BOD、SVI等為輸出向量，結合參數特性分析、懲罰參數與核函數的優(yōu)化或知識約簡等方法，以期確保預測精度和出水品質軟測量的實時性。

　　設計了一套基于InTouch―v9.5的污水處理控制系統(tǒng)。利用支持向量回歸機與參數特性混合建模，利用BOD與COD的相關性預估出水COD，進而實現對BOD參數的軟測量。通過現場調試運行，系統(tǒng)表現出較強的魯棒性和可擴展性。分別運用GA和粒子群算法優(yōu)化懲罰參數與核函數，以期通過最優(yōu)參數建立SVM軟測量模型，并以靜態(tài)和動態(tài)兩種方式來預測未來時刻的BOD參數。通過仿真分析，一方面顯示SVM軟測量的估計值較好地跟蹤了BOD的變化趨勢;再者，粒子群算法優(yōu)化后的SVM預測結果在精度和響應速度方面優(yōu)于GA―SVM模型。提出一種粗糙集(Rough Set，RS)理論與SVM相結合的出水水質參數軟測量方法。利用RS作為模型的前件對屬性進行約簡，再利用SVM優(yōu)越的泛化能力進行回歸建模、預測。在出水TP、COD、SVI的預測效果方面，通過與BP、RS―RBP等方法的比較，證明了RS―SVM系統(tǒng)具有更佳的預測精度和實時響應特征。

　　3.4虛擬儀器的應用

　　虛擬現實(Virtual Reality)技術和虛擬儀器(Virtual Instruments)的出現為智能算法在軟測量過程中的實現提供了平臺支撐。典型的產品是Math Works公司的MATLAB和NI(National In―strument)公司的LabVIEW(Laborotory Virtual In―strument Engineering Workbench)。其中，MATLAB是目前功能最為齊全的仿真軟件之一，除傅里葉變換和PID經典算法外，還包括神經網絡、模糊系統(tǒng)、混沌理論以及小波算法等技術，為軟測量模型預測與評價處理提供了充分的資源條件;Lab―VIEW則是一種基于G語言(Graphics Language)的虛擬儀器軟件開發(fā)工具，前面板相當于傳統(tǒng)檢測儀器的操控面板，而框圖程序相當于傳統(tǒng)儀表的內部硬件電路，可用于軟測量模型與實時監(jiān)測系統(tǒng)的開發(fā)。除此之外，針對污水處理過程而開發(fā)的仿真器還有美國Clemson大學開發(fā)的SSSP(Simulation of Single Sludge Processes)、丹麥DHI水動力研究所的EFOR、瑞士環(huán)境科學與技術聯(lián)邦協(xié)會的AQUASIM等。

　　以MATLAB為開發(fā)環(huán)境，基于國際水協(xié)會(International Water Association，IWA)發(fā)布的Benchmark仿真模型，設計了一種名為WTPS(Wastewater Treatment Plant Simulator)的污水處理過程仿真器，采用最小二乘支持向量機回歸(Least Squares Support Vectro Regression，LS-SVR)方法對出水水質參數(TN、COD、BOD)進行軟測量預報，仿真分析論證了模型的預報精度;與此同時，還以WTPS為平臺，對定值控制、溶解氧PI控制、氨氮與硝酸鹽PI控制等方案進行了性能比較。通過MATLAB和LabVIEW的無縫鏈接，利用污水處理過程大時滯的特點，設計了一種基于ANN的出水水質插值和多步記憶結構的軟測量模型。結果表明，該模型對A2/0工藝污水處理出水水質BOD，濃度具有良好的預測效果。

　　4 結論與展望

　　相比較而言，基于GA的軟測量方法在并行優(yōu)化參數方面具有一定優(yōu)勢;ANN的自組織和自學習特點使其具備了較強的非線性逼近能力;SVM的應用使得全局唯一最優(yōu)解的獲取成為可能。但是，面對污水處理過程的時變性、非線性和大純滯后特性，基于單一智能算法的出水水質參數軟測量技術都存在著一定的缺陷。隨著人工智能技術、虛擬儀器和智能儀表技術的日新月異，多算法融合業(yè)已成為研究與應用的主要方向。此外，從增強軟測量模型的魯棒性、實時性以及預測精度的角度出發(fā)，過失誤差處理技術和在線校正技術也應成為研究的重點。

點擊下頁還有更多>>>軟測量技術論文