一種基于集成神經網絡的污水處理軟測量方法技術

一種基于集成神經網絡的污水處理軟測量方法屬于污水處理領域。污水處理過程是一個高度非線性、時變性及復雜性的過程，關鍵水質指標的測量對控制水污染有著至關重要的作用，本發明專利技術針對污水處理軟測量過程中多個關鍵水質參數同時軟測量精度的問題，提出了一種集成神經網絡模型對出水COD、出水BOD、出水TN進行測量，模型中充分利用三個出水關鍵水質參數之間的耦合關系，建立了包含三個子前饋神經網絡的集成神經網絡模型，同時運用粒子群算法對各個子神經網絡進行訓練，得到各個子神經網絡的最佳結構。最后用已訓練好的神經網絡對出水COD、出水BOD、出水TN進行預測，預測結果精確。

【技術實現步驟摘要】

軟測量是檢測技術及儀表研究的主要發展趨勢之一，是先進制造
的重要分支，本專利技術涉及污水處理過程中出水水質指標的軟測量方法，屬于污水處理領域。
技術介紹
隨著我國國民經濟的迅猛發展，城市規模不斷擴大，人口數目增長迅速，隨之而來的是城市污水的水量不斷加大，水質也越來越復雜，并且有繼續惡化的趨勢。我國大部分城 市95%的污水未經處理排放入水體，僅僅依靠稀釋及水體自浄作用已經無法使污水滿足達標排放的要求，并且會對下游水體產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城市污水的處理カ度，以改善不斷惡化的水環境污染趨勢。污水處理過程中關鍵水質參數的及時準確測量反應了污水處理效果，因此，本專利技術的研究成果具有廣闊的應用前景。污水排放標準中，衡量污水是否達標的參數指標有出水化學需氧量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的準確測量對控制水體污染具有重要的意義。由于軟測量的方法僅需檢測ー些易測變量，其它工作則只要通過軟件即可實現，無需多少投資和時間，并且，軟測量的方法具有響應迅速，易于保養和維護等優點，所以采用軟測量方法對污水處理關鍵水質參數進行測量是當今污水處理領域應用最廣的ー種方法。軟測量技術的核心就是建立數學模型。由于污水處理過程是ー個強耦合的多輸入、多輸出的動態系統，具有時變、高度非線性、不確定性、滯后等特點。傳統的數學建模的方法受到了挑戰。智能建模是當前エ業領域中倍受關注的研究熱點，它可根據對象的輸入輸出數據直接進行建摸。智能建模中，基于人工神經網絡的軟測量建模方法是近年來研究較多、發展很快和應用范圍廣泛的一種軟測量建模方法。通過神經網絡的學習來解決不可測變量的軟測量問題，使得模型的在線校正能力強，井能應用于高度非線性和嚴重不確定性系統。近年來，多種神經網絡模型應用于污水處理軟測量中，就神經網絡的輸出個數而言，可分為多輸入單輸出的神經網絡，多輸入多輸出的神經網絡，由于污水處理過程需要測量多個關鍵水質參數，多輸入多輸出神經網絡是目前的研究趨勢，但是此種網絡也存在很大的問題，比如神經網絡學習算法選擇的問題，輸出精度的問題等等，針對這些問題，本專利技術提出了一種基于集成神經網絡的污水處理關鍵水質參數的軟測量方法，是ー種精度更高的多輸入多輸出神經網絡模型。
技術實現思路
本專利技術獲得了一種基于集成神經網絡的污水處理關鍵水質參數的軟測量方法。該方法通過分析出水C0D、出水B0D、出水TN之間的耦合關系，建立ー種包含三個子前饋神經網絡的集成神經網絡模型，同時運用粒子群算法對各個子神經網絡進行訓練，繼而完成了三個關鍵出水水質參數的軟測量。本專利技術采用了如下的技術方案及實現步驟，其特征在于能夠利用各個子網絡之間的耦合關系建立集成神經網絡，使測量結果更加精確，包括以下步驟(I).輸入輸出變量的選擇；本專利技術的目的是預測出水COD、出水BOD、出水TN，所以集成神經網絡的輸出為出水C0D、出水B0D、出水TN。在污水處理過程中，流量Q、進水濁度、進水固體懸浮物濃度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等參數對關鍵水質參數出水C0D、出水BOD影響較大。流量Q、進水濁度、進水SS及NH4+-N、曝氣池溶解氧D0、T、PH、0RP、MLSS、N(V以及出水SS、NH4+_N對出水TN影響較大。由于以上的參量過多，若都作為神經網絡的輸入輔助變量，會造成神經網絡結構過于復雜，為了使網絡結構簡單精確化，需要精簡輸入變量與輸出變量，具體的步驟包括變量數據的歸一化處理、對變量異常數據的剔除、變量的主元分析，具體如下①.變量數據的歸一化處理在對數據進行主元分析之前，首先要對樣本數據進行歸ー化處理，歸ー化的公式如下權利要求1.，其特征在于包括以下步驟 (1).輸入輸出變量的選擇； 在污水處理過程中，流量Q、進水濁度、進水固體懸浮物濃度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對關鍵水質參數出水COD、出水BOD影響較大；流量Q、進水濁度、進水SS及NH4+_N、曝氣池溶解氧D0、T、pH、0RP、MLSS、N(V以及出水SS、NH4+_N對出水TN影響較大；將以上的參量精簡輸入變量與輸出變量，具體的步驟包括變量數據的歸一化處理、變量的主元分析，具體如下 ①.變量數據的歸一化處理在對數據進行主元分析之前，首先要對樣本數據進行歸一化處理，歸ー化的公式如下全文摘要屬于污水處理領域。污水處理過程是一個高度非線性、時變性及復雜性的過程，關鍵水質指標的測量對控制水污染有著至關重要的作用，本專利技術針對污水處理軟測量過程中多個關鍵水質參數同時軟測量精度的問題，提出了一種集成神經網絡模型對出水COD、出水BOD、出水TN進行測量，模型中充分利用三個出水關鍵水質參數之間的耦合關系，建立了包含三個子前饋神經網絡的集成神經網絡模型，同時運用粒子群算法對各個子神經網絡進行訓練，得到各個子神經網絡的最佳結構。最后用已訓練好的神經網絡對出水COD、出水BOD、出水TN進行預測，預測結果精確。文檔編號G01N33/18GK102854296SQ20121034301公開日2013年1月2日 申請日期2012年8月30日 優先權日2012年8月30日專利技術者喬俊飛, 任東紅, 韓紅桂 申請人:北京工業大學本文檔來自技高網...

【技術保護點】
一種基于集成神經網絡的污水處理軟測量方法，其特征在于包括以下步驟：(1).輸入輸出變量的選擇；在污水處理過程中，流量Q、進水濁度、進水固體懸浮物濃度SS、曝氣池溶解氧DO、水溫T、污水酸堿度pH、氧化還原電位ORP、混合液懸浮固體濃度MLSS以及出水固體懸浮物濃度SS對關鍵水質參數出水COD、出水BOD影響較大；流量Q、進水濁度、進水SS及NH4+？N、曝氣池溶解氧DO、T、pH、ORP、MLSS、NO3？以及出水SS、NH4+？N對出水TN影響較大；將以上的參量精簡輸入變量與輸出變量，具體的步驟包括變量數據的歸一化處理、變量的主元分析，具體如下：①.變量數據的歸一化處理：在對數據進行主元分析之前，首先要對樣本數據進行歸一化處理，歸一化的公式如下：Dij*=Dij-Dj‾σj---(1)其中表示歸一化后的樣本數據，其中i為樣本數，j為樣本分量，Dij表示第i個樣本的第j個分量，為第j個樣本分量的均值，σj為變量Dj的標準差，其中表示為：Dj‾=1mΣi=1mDij---(2)式中m表示第j個樣本分量的樣本數，σj表示第j個樣本分量的偏差，表示為：σj=1m-1Σi=1m(Dij-Dj‾)2---(3)通過以上的歸一化處理，樣本數據被歸一化到[？1,+1]之間；②.變量的主元分析：下面對經過歸一化后的樣本數據進行主元分析，通過主元分析法，將子神經網絡的輸入樣本個數減少，得到的最終輸入變量的結果是：測量出水COD的輸入輔助變量是進水流量Q、進水SS、曝氣池DO、MLSS；測量出水BOD的輸入輔助變量是進 水流量Q、曝氣池DO、MLSS、pH；測量出水TN的輸入輔助變量是進水流量DO、NH4？N、NO3？、進水濁度；(2).建立各個子神經網絡模型；此集成神經網絡包含三個子神經網絡，每個子神經網絡為一個三層的前饋神經網絡，三個子神經網絡的輸出分別為出水COD、出水BOD、出水TN；建立三個三層前饋神經網絡模型，三個子神經網絡的結構為l？k？1結構，根據實際情況，三個子神經網絡中l，k取不同的值；首先要對網絡進行初始化，若網絡選擇l？k？1結構，則表示網絡輸入層有l個神經元，隱含層有k個神經元，輸出層有1個神經元，x1,x2，...，xl表示網絡的輸入，則對于輸入層第p個神經元而言，其輸出為：YpI=XpI---(5)其中，表示網絡輸入層的輸入，表示網絡輸入層的輸出；隱含層共有k個神經元，隱含層第q個神經元的輸入為：XqH=Σq=1wpqYpI---(6)其中，表示網絡隱含層的輸入，wpq表示輸入層與隱含層之間的連接權值；隱含層第q個神經元的輸出為：YqH=fqH(XqH)---(7)其中，表示隱含層的輸出，表示隱含層神經元的轉換函數，在此選為sigmoid函數，其形式為：fqH(XqH)=11+e-XqH---(8)輸出層神經元的凈輸入為：XO=Σq=1wqYqH---(9)其中，XO表示輸出層的輸入，wq為第q個神經元與輸出層神經元之間的連接權值；輸出層神經元的輸出，即網絡的實際輸出為：yO=fO(XO)？？？？？？？？？？？？？？？？(10)其中，yO表示網絡輸出層的輸出，fO(XO)為輸出層神經元的線性作用函數，在此yO表示為：yO=Σq=1wqYqH---(11)定義誤差函數為：E=1MΣt=1M(yO(t)-y(t))T(yO(t)-y(t))---(12)其中，式中yO(t)表示第t個樣本的實際輸出，y(t)為第t個樣本的期望輸出，M表示神經網絡的樣本數，T表示轉置，訓練神經網絡的目的是使得式(12)定義的誤差函數達到最小；(3).子神經網絡結構的確定及子網絡的集成；①.出水COD子神經網絡軟測量模型；在集成神經網絡中，對于出水COD的軟測量采用一個三層的前饋神經網絡，網絡的輸入輔助變量為進水流量Q、進水SS、曝氣池DO、MLSS，網絡的隱含層神經元個數選為10，輸出神經元個數為1，輸出為出水COD；②.出水BOD子神經網絡的軟測量模型；在污水處理過程中，出水BOD與出水COD之間存在著大的耦合關系，在多輸入多輸出神經網絡對出水BOD的軟測量中，充分利用這一耦合關系，即在測量出水BOD時其輸入輔助變量在原先的輸入變量基礎上加入出水COD，這樣測量的出水BOD比輸入變量中單純的只有流量Q、曝氣池DO、MLSS、pH更加精確，同時隱含層神經元個數取12，輸出層神經元個數為1，輸出為出...

【技術特征摘要】

【專利技術屬性】
技術研發人員：喬俊飛，任東紅，韓紅桂，
申請(專利權)人：北京工業大學，
類型：發明
國別省市：