專利名稱：一種基于集成神經(jīng)網(wǎng)絡(luò)的污水處理軟測(cè)量方法
技術(shù)領(lǐng)域：
軟測(cè)量是檢測(cè)技術(shù)及儀表研究的主要發(fā)展趨勢(shì)之一，是先進(jìn)制造技術(shù)領(lǐng)域的重要分支，本發(fā)明涉及污水處理過(guò)程中出水水質(zhì)指標(biāo)的軟測(cè)量方法，屬于污水處理領(lǐng)域。
背景技術(shù)：
隨著我國(guó)國(guó)民經(jīng)濟(jì)的迅猛發(fā)展，城市規(guī)模不斷擴(kuò)大，人口數(shù)目增長(zhǎng)迅速，隨之而來(lái)的是城市污水的水量不斷加大，水質(zhì)也越來(lái)越復(fù)雜，并且有繼續(xù)惡化的趨勢(shì)。我國(guó)大部分城 市95%的污水未經(jīng)處理排放入水體，僅僅依靠稀釋及水體自浄作用已經(jīng)無(wú)法使污水滿足達(dá)標(biāo)排放的要求，并且會(huì)對(duì)下游水體產(chǎn)生較大的污染和影響。在這種情況下，就不得不采取措施加大對(duì)城市污水的處理カ度，以改善不斷惡化的水環(huán)境污染趨勢(shì)。污水處理過(guò)程中關(guān)鍵水質(zhì)參數(shù)的及時(shí)準(zhǔn)確測(cè)量反應(yīng)了污水處理效果，因此，本發(fā)明的研究成果具有廣闊的應(yīng)用前景。污水排放標(biāo)準(zhǔn)中，衡量污水是否達(dá)標(biāo)的參數(shù)指標(biāo)有出水化學(xué)需氧量C0D、出水生化需氧量BOD、懸浮物、氨氮、磷等。其中出水COD、出水BOD、出水TN的準(zhǔn)確測(cè)量對(duì)控制水體污染具有重要的意義。由于軟測(cè)量的方法僅需檢測(cè)ー些易測(cè)變量，其它工作則只要通過(guò)軟件即可實(shí)現(xiàn)，無(wú)需多少投資和時(shí)間，并且，軟測(cè)量的方法具有響應(yīng)迅速，易于保養(yǎng)和維護(hù)等優(yōu)點(diǎn)，所以采用軟測(cè)量方法對(duì)污水處理關(guān)鍵水質(zhì)參數(shù)進(jìn)行測(cè)量是當(dāng)今污水處理領(lǐng)域應(yīng)用最廣的ー種方法。軟測(cè)量技術(shù)的核心就是建立數(shù)學(xué)模型。由于污水處理過(guò)程是ー個(gè)強(qiáng)耦合的多輸入、多輸出的動(dòng)態(tài)系統(tǒng)，具有時(shí)變、高度非線性、不確定性、滯后等特點(diǎn)。傳統(tǒng)的數(shù)學(xué)建模的方法受到了挑戰(zhàn)。智能建模是當(dāng)前エ業(yè)領(lǐng)域中倍受關(guān)注的研究熱點(diǎn)，它可根據(jù)對(duì)象的輸入輸出數(shù)據(jù)直接進(jìn)行建摸。智能建模中，基于人工神經(jīng)網(wǎng)絡(luò)的軟測(cè)量建模方法是近年來(lái)研究較多、發(fā)展很快和應(yīng)用范圍廣泛的一種軟測(cè)量建模方法。通過(guò)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)來(lái)解決不可測(cè)變量的軟測(cè)量問(wèn)題，使得模型的在線校正能力強(qiáng)，井能應(yīng)用于高度非線性和嚴(yán)重不確定性系統(tǒng)。近年來(lái)，多種神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于污水處理軟測(cè)量中，就神經(jīng)網(wǎng)絡(luò)的輸出個(gè)數(shù)而言，可分為多輸入單輸出的神經(jīng)網(wǎng)絡(luò)，多輸入多輸出的神經(jīng)網(wǎng)絡(luò)，由于污水處理過(guò)程需要測(cè)量多個(gè)關(guān)鍵水質(zhì)參數(shù)，多輸入多輸出神經(jīng)網(wǎng)絡(luò)是目前的研究趨勢(shì)，但是此種網(wǎng)絡(luò)也存在很大的問(wèn)題，比如神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法選擇的問(wèn)題，輸出精度的問(wèn)題等等，針對(duì)這些問(wèn)題，本發(fā)明提出了一種基于集成神經(jīng)網(wǎng)絡(luò)的污水處理關(guān)鍵水質(zhì)參數(shù)的軟測(cè)量方法，是ー種精度更高的多輸入多輸出神經(jīng)網(wǎng)絡(luò)模型。

發(fā)明內(nèi)容
本發(fā)明獲得了一種基于集成神經(jīng)網(wǎng)絡(luò)的污水處理關(guān)鍵水質(zhì)參數(shù)的軟測(cè)量方法。該方法通過(guò)分析出水C0D、出水B0D、出水TN之間的耦合關(guān)系，建立ー種包含三個(gè)子前饋神經(jīng)網(wǎng)絡(luò)的集成神經(jīng)網(wǎng)絡(luò)模型，同時(shí)運(yùn)用粒子群算法對(duì)各個(gè)子神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，繼而完成了三個(gè)關(guān)鍵出水水質(zhì)參數(shù)的軟測(cè)量。本發(fā)明采用了如下的技術(shù)方案及實(shí)現(xiàn)步驟一種基于集成神經(jīng)網(wǎng)絡(luò)的污水處理軟測(cè)量方法，其特征在于能夠利用各個(gè)子網(wǎng)絡(luò)之間的耦合關(guān)系建立集成神經(jīng)網(wǎng)絡(luò)，使測(cè)量結(jié)果更加精確，包括以下步驟(I).輸入輸出變量的選擇；本發(fā)明的目的是預(yù)測(cè)出水COD、出水BOD、出水TN，所以集成神經(jīng)網(wǎng)絡(luò)的輸出為出水C0D、出水B0D、出水TN。在污水處理過(guò)程中，流量Q、進(jìn)水濁度、進(jìn)水固體懸浮物濃度SS、曝氣池溶解氧D0、水溫T、污水酸堿度PH、氧化還原電位0RP、混合液懸浮固體濃度MLSS以及出水固體懸浮物濃度SS等參數(shù)對(duì)關(guān)鍵水質(zhì)參數(shù)出水C0D、出水BOD影響較大。流量Q、進(jìn)水濁度、進(jìn)水SS及NH4+-N、曝氣池溶解氧D0、T、PH、0RP、MLSS、N(V以及出水SS、NH4+_N對(duì)出水TN影響較大。由于以上的參量過(guò)多，若都作為神經(jīng)網(wǎng)絡(luò)的輸入輔助變量，會(huì)造成神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)過(guò)于復(fù)雜，為了使網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單精確化，需要精簡(jiǎn)輸入變量與輸出變量，具體的步驟包括變量數(shù)據(jù)的歸一化處理、對(duì)變量異常數(shù)據(jù)的剔除、變量的主元分析，具體如下①.變量數(shù)據(jù)的歸一化處理在對(duì)數(shù)據(jù)進(jìn)行主元分析之前，首先要對(duì)樣本數(shù)據(jù)進(jìn)行歸ー化處理，歸ー化的公式如下
權(quán)利要求
1.一種基于集成神經(jīng)網(wǎng)絡(luò)的污水處理軟測(cè)量方法，其特征在于包括以下步驟 (1).輸入輸出變量的選擇； 在污水處理過(guò)程中，流量Q、進(jìn)水濁度、進(jìn)水固體懸浮物濃度SS、曝氣池溶解氧DO、水溫T、污水酸堿度pH、氧化還原電位0RP、混合液懸浮固體濃度MLSS以及出水固體懸浮物濃度SS對(duì)關(guān)鍵水質(zhì)參數(shù)出水COD、出水BOD影響較大；流量Q、進(jìn)水濁度、進(jìn)水SS及NH4+_N、曝氣池溶解氧D0、T、pH、0RP、MLSS、N(V以及出水SS、NH4+_N對(duì)出水TN影響較大；將以上的參量精簡(jiǎn)輸入變量與輸出變量，具體的步驟包括變量數(shù)據(jù)的歸一化處理、變量的主元分析，具體如下 ①.變量數(shù)據(jù)的歸一化處理在對(duì)數(shù)據(jù)進(jìn)行主元分析之前，首先要對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，歸ー化的公式如下
全文摘要
一種基于集成神經(jīng)網(wǎng)絡(luò)的污水處理軟測(cè)量方法屬于污水處理領(lǐng)域。污水處理過(guò)程是一個(gè)高度非線性、時(shí)變性及復(fù)雜性的過(guò)程，關(guān)鍵水質(zhì)指標(biāo)的測(cè)量對(duì)控制水污染有著至關(guān)重要的作用，本發(fā)明針對(duì)污水處理軟測(cè)量過(guò)程中多個(gè)關(guān)鍵水質(zhì)參數(shù)同時(shí)軟測(cè)量精度的問(wèn)題，提出了一種集成神經(jīng)網(wǎng)絡(luò)模型對(duì)出水COD、出水BOD、出水TN進(jìn)行測(cè)量，模型中充分利用三個(gè)出水關(guān)鍵水質(zhì)參數(shù)之間的耦合關(guān)系，建立了包含三個(gè)子前饋神經(jīng)網(wǎng)絡(luò)的集成神經(jīng)網(wǎng)絡(luò)模型，同時(shí)運(yùn)用粒子群算法對(duì)各個(gè)子神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到各個(gè)子神經(jīng)網(wǎng)絡(luò)的最佳結(jié)構(gòu)。最后用已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)出水COD、出水BOD、出水TN進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果精確。
文檔編號(hào)G01N33/18GK102854296SQ20121034301
公開(kāi)日2013年1月2日 申請(qǐng)日期2012年8月30日 優(yōu)先權(quán)日2012年8月30日
發(fā)明者喬俊飛, 任東紅, 韓紅桂 申請(qǐng)人:北京工業(yè)大學(xué)