軟測量技術論文

　　軟測量技術的研究主要是基於人工神經網路，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，下面是小編為大家整理的，希望你們喜歡。

　　篇一

　　軟測量技術在汙水處理中的應用

　　摘要：近年來軟測量技術的研究主要是基於人工神經網路，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，由於實際生活中嚴格意義上的線性系統並不多見，故對神經網路技術的改進和提高仍將是推動軟測量技術發展的重要因素。本文主要探討了軟測量技術在汙水處理中的應用。

　　關鍵詞:汙水處理;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

　　汙水生化處理中存在著多變數耦合、強非線性、引數時變、大滯後等特點，這些複雜性和不確定性給汙水的生化處理的監視和控制帶來了極大的挑戰。在此複雜工況下，通過機理模型、人工智慧和統計迴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線上測量的重要引數進行“測量”，進而更加有效地優化和診斷汙水生化處理過程，是當前軟測量在汙水生化處理過程的發展趨勢。儘管軟測量技術已經有多年的發展，但在汙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***汙水生化反應過程複雜，干擾無處不在，由此帶來的資料離群對精確建模產生極大的挑戰，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***汙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，特別是當感測器發生故障的情況下如何實現軟測量自校正;***3***汙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化和診斷汙水生化處理過程，特別是診斷汙泥膨脹、泡沫等異常現象。

　　1 軟測量技術的基本原理

　　軟測量技術是依據某種最優化準則，利用由輔助變數構成的可測資訊通過軟體計算實現對主導變數的測量引。軟儀表的核心是表徵輔助變數和主導變數之間的數學關係的軟測量模型。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數來獲得對主導變數的最佳估計，而不是強調過程各輸入/輸出變數彼此之間的關係。軟測量模型本質上是要完成由輔助變數構成的可測資訊集θ到主導變數估計Y的對映，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、被控變數、擾動變數與待測量之間的函式關係，即通過容易獲取的輔助變數，來推斷某些難以測量或不易線上精確測量的待測量，數學描述如式: y=f***xk ,xo***+ξ,其中，xk為易檢測變數，xo為可控的操作變數，ξ為汙水生化處理中的擾動。

　　2.1軟測量輔助變數的選擇

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

　　2.2軟測量資料的選擇與處理

　　為了保證所採集資訊的準確性和有效性，應注意資料的資訊量***特別是汙水處理中的海量資訊***，均勻分配採集點，儘量拓寬資料的涵蓋範圍，減少資訊重疊，避免資訊冗餘。因此，對資料進行資料轉換和誤差處理的預處理是不可缺少的。其中資料轉換包括標度、轉換和全函式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。為了達到對汙水處理這個非線性、大時滯物件的測量和控制效果，國內外專家提出了多種非線性軟測量方法，有基於工藝機理模型的方法、基於迴歸模型的方法、基於狀態估計的方法和基於知識的方法。其中以神經網路為建模工具的基於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後需進行模型驗證。

　　3 軟測量技術在汙水處理中的應用

　　軟測量的核心問題是建立待估計主導變數與直接測量輔助變數間的關聯模型。汙水處理過程中，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引數，也是難以直接測量的關鍵指標。目前所採用的軟測量方法，多是通過建立易測變數***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***與上述難測變數間的關係，間接實現主導變數的測量。其中，機理分析與迴歸分析相結合的方法具有一定的代表性，但迴歸分析所需大量訓練樣本和模型的線上校正問題限制了該方法的實時應用。相比較而言，GA的全域性並行搜尋能力、ANN的廣義非線性對映能力、SVM良好的統計規律和泛化能力引起了眾多學者的關注，已經成為汙水處理軟測量技術的研究熱點，其開發流程如圖l所示。

　　圖1 汙水處理軟測量開發流程

　　3.1 基於GA的汙水處理軟測量技術

　　GA是一類模擬生物進化機制***遺傳與自然選擇***的高效啟發式隨機搜尋演算法。種群進化、編碼搜尋和並行尋優的特點使其具備了全域性優化的能力。在汙水處理過程中，運用或改進遺傳運算元***選擇、交叉、變異***後，多與模糊邏輯***FuzzyLogic***、人工神經網路相結合，優化控制器的運算效率和全域性收斂能力;也可與K-means等演算法結合，形成混合聚類演算法，以提高收斂速度並改善分類效果，進而提升汙水處理的效能指標。典型遺傳演算法的計算流程如圖2所示。

　　圖2 典型遺傳演算法的計算流程

　　以曝氣溶解氧DO作為序列間歇式活性汙泥法***Sequencing Batch Reactor ActivatedSludge Process，SBR***的主控引數，運用遺傳演算法同時對隸屬函式和模糊規則進行優化，以期提升模糊控制器的自適應能力。DO輸出曲線的模擬結果顯示，超調量與穩態誤差顯著減小，模糊規則對人工經驗的依賴性有所降低。選取與出水水質關鍵引數BOD耦合、關聯度最大的COD、DO、pH值、Ss***Suspended Substance，水中懸浮物***等易測參量作為神經網路的輸入，運用遺傳演算法優化網路結構和最優權、閾值的分佈範圍，再用BP***Back Propagation，反向傳播***演算法訓練網路，進而建立起基於GABP神經網路的軟測量模型。模擬結果顯示，該模型對BOD引數具有較高的預測精度。結合K―means演算法的研究，提出了一種基於最近鄰聚類演算法和遺傳演算法的異常檢測演算法，對汙水處理歷史資料進行了聚類分析，成功找出了其中的異常資料;並根據聚類結果進行了故障規則的建立，對汙水處理工藝故障診斷系統知識庫的建立具有一定的實用參考價值。

　　3.2基於ANN的汙水處理軟測量技術

　　ANN是以簡單非線性神經元作為處理單元，通過廣泛連線構成的、具有大規模分散式並行處理能力的非線性動力學系統;自組織、自學習、分散式聯想記憶以及非線性逼近的特點引起了控制界的普遍重視。基於ANN的軟測量方法可在不具備物件先驗知識的條件下，根據物件的I/0資料直接建模，且具有較強的線上校正能力。應用於汙水處理領域，多是將COD、DO、TN、TP、SS及pH值等輔助變數作為網路輸人，BOD作為網路輸出，通過各類學習演算法的訓練來解決汙水水質的軟測量問題。近年來，通過改進學習演算法、優化網路結構以及改進神經元結構來提升ANN的計算效能和泛化能力，業已成為解決複雜系統過程引數軟測量問題的有效探索途徑。一種典型的BOD軟測量神經網路分層結構如圖3所示。

　　輸入層隱層 輸出層

　　圖3 典型的BOD軟測量神經網路分層結構

　　建立了一種5層結構的模糊神經網路控制系統，利用ANN的學習能力來優化模糊邏輯規則和比例因子的調節，力圖控制SBR處理過程中的D0濃度，以期達到最優。模擬結果顯示出該系統具有響應迅速和執行平穩的特點。提出了一種改進的自適應遺傳演算法，用以優化ANN的權值和閾值。針對活性汙泥法處理過程，建立了***9-15-1***3層結構的汙泥容積指數***SVI***預測模型;克服了BP演算法收斂較慢的缺陷，且有效提高了收斂精度。通過分析有毒汙水對生化池相關引數的影響，提出了基於徑向基函式***Radial Basis Function，RBF***神經網路的軟測量方法。選取COD、DO、pH值、混合液懸浮固體濃度***Mixed Liquor Suspended Solids，MLSS***作為輸入，生化池汙水毒性***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。

　　從優化網路結構、提升實時資料處理能力的角度出發，近年來出現了一種基於主元分析***Principal Component Analysis，PCA***的人工神經網路軟測量方法，並在汙水處理系統中得以應用。在對PCA.ANN演算法進行研究和分析的過程中，列舉了大量的典型範例來說明該方法在汙水處理資料分析和模擬模擬方面的優越性。另有一種被稱為過程神經網路的軟測量方法。其神經元由加權、聚合和激勵運算3部分構成，輸入與連線權值均可以是一個時間變化過程，並在傳統神經元空間聚合計算的基礎上增加了一個時間聚合運算元。在系統闡述過程神經元計算方法的同時，提出了能夠加速網路收斂速度的改進演算法，建立了出水BOD的軟測量計算模型。分析結果表明，採用動量項調整和自適應學習率相結合的演算法有效提升了ANN的訓練速度。

　　3.3基於SVM的汙水處理軟測量技術

　　Vapnik提出的支援向量機***SVM***是一種基於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，只要一種核函式K***Xi，Yi***滿足Mercer條件，就會對應某一變換空間的內積。因此，在最優分類面中採用適當的內積函式就可以實現某一非線性變換後的線性分類，而計算的複雜度並未增加。對應的分類函式即為支援向量機，其一般表示式為：

　　SVM的基本思想是將有限的訓練樣本從輸入空間非線性地對映到一個高維特徵空問，通過求解二次凸規劃問題得到全域性唯一最優解。該方法解決了一般學習方法難以解決的問題，諸如ANN易陷入區域性最小的問題、過學習及演算法結構、型別選擇過分依賴經驗等問題，從而提高了模型的泛化能力。應用於汙水處理過程，多以進水水質引數pH值、COD、BOD、SS等為輸入向量，出水水質引數COD、BOD、SVI等為輸出向量，結合引數特性分析、懲罰引數與核函式的優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。

　　設計了一套基於InTouch―v9.5的汙水處理控制系統。利用支援向量迴歸機與引數特性混合建模，利用BOD與COD的相關性預估出水COD，進而實現對BOD引數的軟測量。通過現場除錯執行，系統表現出較強的魯棒性和可擴充套件性。分別運用GA和粒子群演算法優化懲罰引數與核函式，以期通過最優引數建立SVM軟測量模型，並以靜態和動態兩種方式來預測未來時刻的BOD引數。通過模擬分析，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，粒子群演算法優化後的SVM預測結果在精度和響應速度方面優於GA―SVM模型。提出一種粗糙集***Rough Set，RS***理論與SVM相結合的出水水質引數軟測量方法。利用RS作為模型的前件對屬性進行約簡，再利用SVM優越的泛化能力進行迴歸建模、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系統具有更佳的預測精度和實時響應特徵。

　　3.4虛擬儀器的應用

　　虛擬現實***Virtual Reality***技術和虛擬儀器***Virtual Instruments***的出現為智慧演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模擬軟體之一，除傅立葉變換和PID經典演算法外，還包括神經網路、模糊系統、混沌理論以及小波演算法等技術，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則是一種基於G語言***Graphics Language***的虛擬儀器軟體開發工具，前面板相當於傳統檢測儀器的操控面板，而框圖程式相當於傳統儀表的內部硬體電路，可用於軟測量模型與實時監測系統的開發。除此之外，針對汙水處理過程而開發的模擬器還有美國Clemson大學開發的SSSP***Simulation of Single Sludge Processes***、丹麥DHI水動力研究所的EFOR、瑞士環境科學與技術聯邦協會的AQUASIM等。

　　以MATLAB為開發環境，基於國際水協會***International Water Association，IWA***釋出的Benchmark模擬模型，設計了一種名為WTPS***Wastewater Treatment Plant Simulator***的汙水處理過程模擬器，採用最小二乘支援向量機迴歸***Least Squares Support Vectro Regression，LS-SVR***方法對出水水質引數***TN、COD、BOD***進行軟測量預報，模擬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控制等方案進行了效能比較。通過MATLAB和LabVIEW的無縫連結，利用汙水處理過程大時滯的特點，設計了一種基於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工藝汙水處理出水水質BOD，濃度具有良好的預測效果。

　　4 結論與展望

　　相比較而言，基於GA的軟測量方法在並行優化引數方面具有一定優勢;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的應用使得全域性唯一最優解的獲取成為可能。但是，面對汙水處理過程的時變性、非線性和大純滯後特性，基於單一智慧演算法的出水水質引數軟測量技術都存在著一定的缺陷。隨著人工智慧技術、虛擬儀器和智慧儀表技術的日新月異，多演算法融合業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，過失誤差處理技術和線上校正技術也應成為研究的重點。

點選下頁還有更多>>>