軟測(cè)量技術(shù)論文

　　軟測(cè)量技術(shù)的研究主要是基于人工神經(jīng)網(wǎng)絡(luò)，它對(duì)非線性問(wèn)題有較好的處理能力，對(duì)求解結(jié)果有較好的泛化能力，下面是學(xué)習(xí)啦小編為大家整理的軟測(cè)量技術(shù)論文，希望你們喜歡。

　　軟測(cè)量技術(shù)論文篇一

　　軟測(cè)量技術(shù)在污水處理中的應(yīng)用

　　摘要：近年來(lái)軟測(cè)量技術(shù)的研究主要是基于人工神經(jīng)網(wǎng)絡(luò)，它對(duì)非線性問(wèn)題有較好的處理能力，對(duì)求解結(jié)果有較好的泛化能力，由于實(shí)際生活中嚴(yán)格意義上的線性系統(tǒng)并不多見(jiàn)，故對(duì)神經(jīng)網(wǎng)絡(luò)技術(shù)的改進(jìn)和提高仍將是推動(dòng)軟測(cè)量技術(shù)發(fā)展的重要因素。本文主要探討了軟測(cè)量技術(shù)在污水處理中的應(yīng)用。

　　關(guān)鍵詞:污水處理;軟測(cè)量;技術(shù)

　　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(hào)：TU74文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：

　　0 引言

　　污水生化處理中存在著多變量耦合、強(qiáng)非線性、參數(shù)時(shí)變、大滯后等特點(diǎn)，這些復(fù)雜性和不確定性給污水的生化處理的監(jiān)視和控制帶來(lái)了極大的挑戰(zhàn)。在此復(fù)雜工況下，通過(guò)機(jī)理模型、人工智能和統(tǒng)計(jì)回歸多種方法相結(jié)合構(gòu)建軟測(cè)量模型，有效地對(duì)難以測(cè)量或不易在線測(cè)量的重要參數(shù)進(jìn)行“測(cè)量”，進(jìn)而更加有效地優(yōu)化和診斷污水生化處理過(guò)程，是當(dāng)前軟測(cè)量在污水生化處理過(guò)程的發(fā)展趨勢(shì)。盡管軟測(cè)量技術(shù)已經(jīng)有多年的發(fā)展，但在污水生化處理過(guò)程中的應(yīng)用才剛剛起步，尚有許多問(wèn)題亟待在未來(lái)研究中取得突破：(1)污水生化反應(yīng)過(guò)程復(fù)雜，干擾無(wú)處不在，由此帶來(lái)的數(shù)據(jù)離群對(duì)精確建模產(chǎn)生極大的挑戰(zhàn)，因此，構(gòu)建魯棒型自適應(yīng)軟測(cè)量模型是一個(gè)亟待解決的問(wèn)題;(2)污水處理軟測(cè)量模型得不到有效的校正一直阻礙著軟測(cè)量實(shí)際應(yīng)用，特別是當(dāng)傳感器發(fā)生故障的情況下如何實(shí)現(xiàn)軟測(cè)量自校正;(3)污水生化機(jī)理模型與機(jī)器學(xué)習(xí)等建模方法有機(jī)結(jié)合也是重要議題;(4)有效地利用軟測(cè)量?jī)?yōu)化和診斷污水生化處理過(guò)程，特別是診斷污泥膨脹、泡沫等異?，F(xiàn)象。

　　1 軟測(cè)量技術(shù)的基本原理

　　軟測(cè)量技術(shù)是依據(jù)某種最優(yōu)化準(zhǔn)則，利用由輔助變量構(gòu)成的可測(cè)信息通過(guò)軟件計(jì)算實(shí)現(xiàn)對(duì)主導(dǎo)變量的測(cè)量引。軟儀表的核心是表征輔助變量和主導(dǎo)變量之間的數(shù)學(xué)關(guān)系的軟測(cè)量模型。軟測(cè)量技術(shù)原理基本框架圖如圖1所示。因此構(gòu)造軟儀表的本質(zhì)就是如何建立軟測(cè)鼉模型，即數(shù)學(xué)建模問(wèn)題。軟測(cè)量模型注重的是通過(guò)輔助變量來(lái)獲得對(duì)主導(dǎo)變量的最佳估計(jì)，而不是強(qiáng)調(diào)過(guò)程各輸入/輸出變量彼此之間的關(guān)系。軟測(cè)量模型本質(zhì)上是要完成由輔助變量構(gòu)成的可測(cè)信息集θ到主導(dǎo)變量估計(jì)Y的映射，用數(shù)學(xué)公式表示即為：Y=f(θ)。

　　圖l 軟測(cè)量技術(shù)原理基本框架圖

　　2 軟測(cè)量的概述

　　軟測(cè)量本質(zhì)上是一種建模的方法，即通過(guò)構(gòu)造某種數(shù)學(xué)模型，描述輸入量、被控變量、擾動(dòng)變量與待測(cè)量之間的函數(shù)關(guān)系，即通過(guò)容易獲取的輔助變量，來(lái)推斷某些難以測(cè)量或不易在線精確測(cè)量的待測(cè)量，數(shù)學(xué)描述如式: y=f(xk ,xo)+ξ,其中，xk為易檢測(cè)變量，xo為可控的操作變量，ξ為污水生化處理中的擾動(dòng)。

　　2.1軟測(cè)量輔助變量的選擇

　　污水處理中軟測(cè)量輔助變量的選擇包括了數(shù)量、類型和檢測(cè)點(diǎn)位置的選擇。特別是輔助變量的選擇要緊密結(jié)合污水中硝化菌、絲狀菌等生物的生化反應(yīng)原理。

　　2.2軟測(cè)量數(shù)據(jù)的選擇與處理

　　為了保證所采集信息的準(zhǔn)確性和有效性，應(yīng)注意數(shù)據(jù)的信息量(特別是污水處理中的海量信息)，均勻分配采集點(diǎn)，盡量拓寬數(shù)據(jù)的涵蓋范圍，減少信息重疊，避免信息冗余。因此，對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)轉(zhuǎn)換和誤差處理的預(yù)處理是不可缺少的。其中數(shù)據(jù)轉(zhuǎn)換包括標(biāo)度、轉(zhuǎn)換和全函數(shù)3部分。而誤差處理包括了隨機(jī)誤差和過(guò)失誤差處理兩大類。

　　2.3軟測(cè)量建模

　　模型辨識(shí)是軟測(cè)量的核心。為了達(dá)到對(duì)污水處理這個(gè)非線性、大時(shí)滯對(duì)象的測(cè)量和控制效果，國(guó)內(nèi)外專家提出了多種非線性軟測(cè)量方法，有基于工藝機(jī)理模型的方法、基于回歸模型的方法、基于狀態(tài)估計(jì)的方法和基于知識(shí)的方法。其中以神經(jīng)網(wǎng)絡(luò)為建模工具的基于知識(shí)的方法研究最為活躍。為了確認(rèn)模型是否能夠滿足預(yù)期的使用要求，軟測(cè)量模型辨識(shí)出來(lái)以后需進(jìn)行模型驗(yàn)證。

　　3 軟測(cè)量技術(shù)在污水處理中的應(yīng)用

　　軟測(cè)量的核心問(wèn)題是建立待估計(jì)主導(dǎo)變量與直接測(cè)量輔助變量間的關(guān)聯(lián)模型。污水處理過(guò)程中，生物化學(xué)需氧量BOD、化學(xué)耗氧量COD、總氮TN以及總磷TP等是衡量出水水質(zhì)的重要參數(shù)，也是難以直接測(cè)量的關(guān)鍵指標(biāo)。目前所采用的軟測(cè)量方法，多是通過(guò)建立易測(cè)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(cè)變量間的關(guān)系，間接實(shí)現(xiàn)主導(dǎo)變量的測(cè)量。其中，機(jī)理分析與回歸分析相結(jié)合的方法具有一定的代表性，但回歸分析所需大量訓(xùn)練樣本和模型的在線校正問(wèn)題限制了該方法的實(shí)時(shí)應(yīng)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(jì)規(guī)律和泛化能力引起了眾多學(xué)者的關(guān)注，已經(jīng)成為污水處理軟測(cè)量技術(shù)的研究熱點(diǎn)，其開(kāi)發(fā)流程如圖l所示。

　　圖1 污水處理軟測(cè)量開(kāi)發(fā)流程

　　3.1 基于GA的污水處理軟測(cè)量技術(shù)

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

　　圖2 典型遺傳算法的計(jì)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(shù)，運(yùn)用遺傳算法同時(shí)對(duì)隸屬函數(shù)和模糊規(guī)則進(jìn)行優(yōu)化，以期提升模糊控制器的自適應(yīng)能力。DO輸出曲線的仿真結(jié)果顯示，超調(diào)量與穩(wěn)態(tài)誤差顯著減小，模糊規(guī)則對(duì)人工經(jīng)驗(yàn)的依賴性有所降低。選取與出水水質(zhì)關(guān)鍵參數(shù)BOD耦合、關(guān)聯(lián)度最大的COD、DO、pH值、Ss(Suspended Substance，水中懸浮物)等易測(cè)參量作為神經(jīng)網(wǎng)絡(luò)的輸入，運(yùn)用遺傳算法優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和最優(yōu)權(quán)、閾值的分布范圍，再用BP(Back Propagation，反向傳播)算法訓(xùn)練網(wǎng)絡(luò)，進(jìn)而建立起基于GABP神經(jīng)網(wǎng)絡(luò)的軟測(cè)量模型。仿真結(jié)果顯示，該模型對(duì)BOD參數(shù)具有較高的預(yù)測(cè)精度。結(jié)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(cè)算法，對(duì)污水處理歷史數(shù)據(jù)進(jìn)行了聚類分析，成功找出了其中的異常數(shù)據(jù);并根據(jù)聚類結(jié)果進(jìn)行了故障規(guī)則的建立，對(duì)污水處理工藝故障診斷系統(tǒng)知識(shí)庫(kù)的建立具有一定的實(shí)用參考價(jià)值。

　　3.2基于ANN的污水處理軟測(cè)量技術(shù)

　　ANN是以簡(jiǎn)單非線性神經(jīng)元作為處理單元，通過(guò)廣泛連接構(gòu)成的、具有大規(guī)模分布式并行處理能力的非線性動(dòng)力學(xué)系統(tǒng);自組織、自學(xué)習(xí)、分布式聯(lián)想記憶以及非線性逼近的特點(diǎn)引起了控制界的普遍重視?；贏NN的軟測(cè)量方法可在不具備對(duì)象先驗(yàn)知識(shí)的條件下，根據(jù)對(duì)象的I/0數(shù)據(jù)直接建模，且具有較強(qiáng)的在線校正能力。應(yīng)用于污水處理領(lǐng)域，多是將COD、DO、TN、TP、SS及pH值等輔助變量作為網(wǎng)絡(luò)輸人，BOD作為網(wǎng)絡(luò)輸出，通過(guò)各類學(xué)習(xí)算法的訓(xùn)練來(lái)解決污水水質(zhì)的軟測(cè)量問(wèn)題。近年來(lái)，通過(guò)改進(jìn)學(xué)習(xí)算法、優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)以及改進(jìn)神經(jīng)元結(jié)構(gòu)來(lái)提升ANN的計(jì)算性能和泛化能力，業(yè)已成為解決復(fù)雜系統(tǒng)過(guò)程參數(shù)軟測(cè)量問(wèn)題的有效探索途徑。一種典型的BOD軟測(cè)量神經(jīng)網(wǎng)絡(luò)分層結(jié)構(gòu)如圖3所示。

　　輸入層隱層 輸出層

　　圖3 典型的BOD軟測(cè)量神經(jīng)網(wǎng)絡(luò)分層結(jié)構(gòu)

　　建立了一種5層結(jié)構(gòu)的模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)，利用ANN的學(xué)習(xí)能力來(lái)優(yōu)化模糊邏輯規(guī)則和比例因子的調(diào)節(jié)，力圖控制SBR處理過(guò)程中的D0濃度，以期達(dá)到最優(yōu)。仿真結(jié)果顯示出該系統(tǒng)具有響應(yīng)迅速和運(yùn)行平穩(wěn)的特點(diǎn)。提出了一種改進(jìn)的自適應(yīng)遺傳算法，用以優(yōu)化ANN的權(quán)值和閾值。針對(duì)活性污泥法處理過(guò)程，建立了(9-15-1)3層結(jié)構(gòu)的污泥容積指數(shù)(SVI)預(yù)測(cè)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(guò)分析有毒污水對(duì)生化池相關(guān)參數(shù)的影響，提出了基于徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)的軟測(cè)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(gòu)建了一種面向工程應(yīng)用的軟測(cè)量模型，應(yīng)用結(jié)果表明了該方法的有效性。

　　從優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)、提升實(shí)時(shí)數(shù)據(jù)處理能力的角度出發(fā)，近年來(lái)出現(xiàn)了一種基于主元分析(Principal Component Analysis，PCA)的人工神經(jīng)網(wǎng)絡(luò)軟測(cè)量方法，并在污水處理系統(tǒng)中得以應(yīng)用。在對(duì)PCA.ANN算法進(jìn)行研究和分析的過(guò)程中，列舉了大量的典型范例來(lái)說(shuō)明該方法在污水處理數(shù)據(jù)分析和模擬仿真方面的優(yōu)越性。另有一種被稱為過(guò)程神經(jīng)網(wǎng)絡(luò)的軟測(cè)量方法。其神經(jīng)元由加權(quán)、聚合和激勵(lì)運(yùn)算3部分構(gòu)成，輸入與連接權(quán)值均可以是一個(gè)時(shí)間變化過(guò)程，并在傳統(tǒng)神經(jīng)元空間聚合計(jì)算的基礎(chǔ)上增加了一個(gè)時(shí)間聚合算子。在系統(tǒng)闡述過(guò)程神經(jīng)元計(jì)算方法的同時(shí)，提出了能夠加速網(wǎng)絡(luò)收斂速度的改進(jìn)算法，建立了出水BOD的軟測(cè)量計(jì)算模型。分析結(jié)果表明，采用動(dòng)量項(xiàng)調(diào)整和自適應(yīng)學(xué)習(xí)率相結(jié)合的算法有效提升了ANN的訓(xùn)練速度。

　　3.3基于SVM的污水處理軟測(cè)量技術(shù)

　　Vapnik提出的支持向量機(jī)(SVM)是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的新型機(jī)器學(xué)習(xí)方法。依據(jù)泛函的相關(guān)理論，只要一種核函數(shù)K(Xi，Yi)滿足Mercer條件，就會(huì)對(duì)應(yīng)某一變換空間的內(nèi)積。因此，在最優(yōu)分類面中采用適當(dāng)?shù)膬?nèi)積函數(shù)就可以實(shí)現(xiàn)某一非線性變換后的線性分類，而計(jì)算的復(fù)雜度并未增加。對(duì)應(yīng)的分類函數(shù)即為支持向量機(jī)，其一般表達(dá)式為：

　　SVM的基本思想是將有限的訓(xùn)練樣本從輸入空間非線性地映射到一個(gè)高維特征空問(wèn)，通過(guò)求解二次凸規(guī)劃問(wèn)題得到全局唯一最優(yōu)解。該方法解決了一般學(xué)習(xí)方法難以解決的問(wèn)題，諸如ANN易陷入局部最小的問(wèn)題、過(guò)學(xué)習(xí)及算法結(jié)構(gòu)、類型選擇過(guò)分依賴經(jīng)驗(yàn)等問(wèn)題，從而提高了模型的泛化能力。應(yīng)用于污水處理過(guò)程，多以進(jìn)水水質(zhì)參數(shù)pH值、COD、BOD、SS等為輸入向量，出水水質(zhì)參數(shù)COD、BOD、SVI等為輸出向量，結(jié)合參數(shù)特性分析、懲罰參數(shù)與核函數(shù)的優(yōu)化或知識(shí)約簡(jiǎn)等方法，以期確保預(yù)測(cè)精度和出水品質(zhì)軟測(cè)量的實(shí)時(shí)性。

　　設(shè)計(jì)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(jī)與參數(shù)特性混合建模，利用BOD與COD的相關(guān)性預(yù)估出水COD，進(jìn)而實(shí)現(xiàn)對(duì)BOD參數(shù)的軟測(cè)量。通過(guò)現(xiàn)場(chǎng)調(diào)試運(yùn)行，系統(tǒng)表現(xiàn)出較強(qiáng)的魯棒性和可擴(kuò)展性。分別運(yùn)用GA和粒子群算法優(yōu)化懲罰參數(shù)與核函數(shù)，以期通過(guò)最優(yōu)參數(shù)建立SVM軟測(cè)量模型，并以靜態(tài)和動(dòng)態(tài)兩種方式來(lái)預(yù)測(cè)未來(lái)時(shí)刻的BOD參數(shù)。通過(guò)仿真分析，一方面顯示SVM軟測(cè)量的估計(jì)值較好地跟蹤了BOD的變化趨勢(shì);再者，粒子群算法優(yōu)化后的SVM預(yù)測(cè)結(jié)果在精度和響應(yīng)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(jié)合的出水水質(zhì)參數(shù)軟測(cè)量方法。利用RS作為模型的前件對(duì)屬性進(jìn)行約簡(jiǎn)，再利用SVM優(yōu)越的泛化能力進(jìn)行回歸建模、預(yù)測(cè)。在出水TP、COD、SVI的預(yù)測(cè)效果方面，通過(guò)與BP、RS―RBP等方法的比較，證明了RS―SVM系統(tǒng)具有更佳的預(yù)測(cè)精度和實(shí)時(shí)響應(yīng)特征。

　　3.4虛擬儀器的應(yīng)用

　　虛擬現(xiàn)實(shí)(Virtual Reality)技術(shù)和虛擬儀器(Virtual Instruments)的出現(xiàn)為智能算法在軟測(cè)量過(guò)程中的實(shí)現(xiàn)提供了平臺(tái)支撐。典型的產(chǎn)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(jīng)典算法外，還包括神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)、混沌理論以及小波算法等技術(shù)，為軟測(cè)量模型預(yù)測(cè)與評(píng)價(jià)處理提供了充分的資源條件;Lab―VIEW則是一種基于G語(yǔ)言(Graphics Language)的虛擬儀器軟件開(kāi)發(fā)工具，前面板相當(dāng)于傳統(tǒng)檢測(cè)儀器的操控面板，而框圖程序相當(dāng)于傳統(tǒng)儀表的內(nèi)部硬件電路，可用于軟測(cè)量模型與實(shí)時(shí)監(jiān)測(cè)系統(tǒng)的開(kāi)發(fā)。除此之外，針對(duì)污水處理過(guò)程而開(kāi)發(fā)的仿真器還有美國(guó)Clemson大學(xué)開(kāi)發(fā)的SSSP(Simulation of Single Sludge Processes)、丹麥DHI水動(dòng)力研究所的EFOR、瑞士環(huán)境科學(xué)與技術(shù)聯(lián)邦協(xié)會(huì)的AQUASIM等。

　　以MATLAB為開(kāi)發(fā)環(huán)境，基于國(guó)際水協(xié)會(huì)(International Water Association，IWA)發(fā)布的Benchmark仿真模型，設(shè)計(jì)了一種名為WTPS(Wastewater Treatment Plant Simulator)的污水處理過(guò)程仿真器，采用最小二乘支持向量機(jī)回歸(Least Squares Support Vectro Regression，LS-SVR)方法對(duì)出水水質(zhì)參數(shù)(TN、COD、BOD)進(jìn)行軟測(cè)量預(yù)報(bào)，仿真分析論證了模型的預(yù)報(bào)精度;與此同時(shí)，還以WTPS為平臺(tái)，對(duì)定值控制、溶解氧PI控制、氨氮與硝酸鹽PI控制等方案進(jìn)行了性能比較。通過(guò)MATLAB和LabVIEW的無(wú)縫鏈接，利用污水處理過(guò)程大時(shí)滯的特點(diǎn)，設(shè)計(jì)了一種基于ANN的出水水質(zhì)插值和多步記憶結(jié)構(gòu)的軟測(cè)量模型。結(jié)果表明，該模型對(duì)A2/0工藝污水處理出水水質(zhì)BOD，濃度具有良好的預(yù)測(cè)效果。

　　4 結(jié)論與展望

　　相比較而言，基于GA的軟測(cè)量方法在并行優(yōu)化參數(shù)方面具有一定優(yōu)勢(shì);ANN的自組織和自學(xué)習(xí)特點(diǎn)使其具備了較強(qiáng)的非線性逼近能力;SVM的應(yīng)用使得全局唯一最優(yōu)解的獲取成為可能。但是，面對(duì)污水處理過(guò)程的時(shí)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(zhì)參數(shù)軟測(cè)量技術(shù)都存在著一定的缺陷。隨著人工智能技術(shù)、虛擬儀器和智能儀表技術(shù)的日新月異，多算法融合業(yè)已成為研究與應(yīng)用的主要方向。此外，從增強(qiáng)軟測(cè)量模型的魯棒性、實(shí)時(shí)性以及預(yù)測(cè)精度的角度出發(fā)，過(guò)失誤差處理技術(shù)和在線校正技術(shù)也應(yīng)成為研究的重點(diǎn)。

點(diǎn)擊下頁(yè)還有更多>>>軟測(cè)量技術(shù)論文