污水处理软测量技术研究进展

污水处理需要检测大量的水质参数用于判断反应器的运行状态、辅助反应器的操作以及检测出水水质。人工检测水质参数的过程复杂且工作量巨大。在线仪器虽然能减轻人工检测的负担,但是也存在价格昂贵、维护费用高等问题。同时,部分指标例如化学需氧量的在线测量仍然比较耗时,故难以满足实时反应水质情况的需求。软测量技术可以建立目标指标与相关指标之间的相关关系,并从相关指标推断目标指标的数值。近年来,国内学者在污水处理软测量领域做了大量的研究工作,开发了大量的软测量模型,取得了准确的预测效果。但是,与国外情况相比,污水处理软测量技术在运用方面显得相对滞后。污水处理软测量技术作为一种成本低、智能化的水质检测技术,在水环境监测、污水处理,尤其是农村及工业污水处理领域有较大的运用前景。文中综述了近年来国内软测量技术在污水处理领域的研究进展,并探讨了未来应该关注的研究领域。     

基于软测量的SBR污水处理自控系统的设计与实现

针对SBR污水处理工艺中控制系统不能有效控制除磷剂投加量的问题,设计了基于软测量的SBR污水处理自控系统。通过对水质参数的分析,确定适合的辅助变量,利用GA-BP神经网络软测量技术实现对总磷含量的实时预测,基于软测量的SBR污水处理控制系统以预测总磷含量作为系统反馈值,实现对除磷剂投加量的闭环控制。实验结果表明:该系统可以减少除磷剂的投加量,避免了过量投加试剂的危害,使SBR工艺稳定运行。     

基于SOM-RBF神经网络的COD软测量方法

污水处理是一个复杂的非线性过程,化学需氧量(chemical oxygen demand,COD)是评价污水处理效果的关键指标之一。COD的传统测量方法耗时长、成本高,基于传统神经网络的软测量方法提高了COD参数的测量速度但精度较差。针对这些问题,设计一种结合自组织特征映射(self-organizing map, SOM)和径向基函数(radial basis function, RBF)神经网络的COD参数软测量方法。该方法利用SOM网络聚类数据样本,根据所得聚类结果确定RBF网络的隐层节点数及节点的数据中心,综合提高RBF网络的收敛速度和拟合精度。利用污水处理厂部分水样数据建立COD软测量模型,模型仿真和硬件在线测试结果表明,相对于传统的BP、RBF等网络,基于SOM-RBF神经网络的COD软测量方法测量时间短、预测精度较高,具有较为广阔的应用前景。     

基于SOM-RBF神经网络的COD软测量方法

污水处理是一个复杂的非线性过程,化学需氧量（chemical oxygen demand,COD）是评价污水处理效果的关键指标之一。COD的传统测量方法耗时长、成本高,基于传统神经网络的软测量方法提高了COD参数的测量速度但精度较差。针对这些问题,设计一种结合自组织特征映射 (self-organizing map, SOM)和径向基函数(radial basis function, RBF)神经网络的COD参数软测量方法。该方法利用SOM网络聚类数据样本,根据所得聚类结果确定RBF网络的隐层节点数及节点的数据中心,综合提高RBF网络的收敛速度和拟合精度。利用污水处理厂部分水样数据建立COD软测量模型,模型仿真和硬件在线测试结果表明,相对于传统的BP、RBF等网络,基于SOM-RBF神经网络的COD软测量方法测量时间短、预测精度较高,具有较为广阔的应用前景。     

基于苯乙烯过程生产数据驱动的软测量模型研究

针对苯乙烯生产过程的特点,引入软测量技术在线预测苯乙烯生产过程的一些关键参数,介绍了人工智能BP神经网络和部分最小二乘方法的软测量建模方法,基于企业生产数据研究了乙苯脱氢转化率、第一脱氢反应器脱氢转化率、第二脱氢反应器脱氢转化率和苯乙烯选择性等关键变量的软测量方法,对比了BP神经网络和部分最小二乘方法建模优缺点,应用结果表明,基于BP神经网络所建立的关键参数的软测量模型可真实再现实际苯乙烯生产过程,为安全可靠监控苯乙烯生产过程及未来实施先进及优化控制技术奠定了基础。     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。     

污水处理过程中软测量技术的研究及应用

由于污水处理过程的非线性、时变性和复杂性，致使污水处理系统的参数检测很难实现在线传感器检测，而软测量技术很好地弥补了这一技术缺陷。软测量技术作为一门新型的工业测量技术，是对商用传感器不足的一个重要补充，既能及时方便检测污水水质，还能大幅降低成本，在当前污水处理过程有着良好的技术价值和经济价值。本文笔者结合多年的污水处理技术研究，从介绍软测量技术及其与污水处理过程的技术结合点出发。重点阐述了软测量技术在污水处理过程中的应用，并展望了软测量技术的未来发展前景。     

污水处理过程的模糊神经网络控制

模糊神经网络(FNN)技术的迅速发展及其理论的不断完善为其在各个领域的应用奠定了基础。分析了FNN用于污水处理系统过程控制的可行性和必要性。简述了模糊系统和神经网络在污水处理中应用的现状。指出针对不同污水处理工艺建立不同综合(集成)智能控制系统是污水生物处理过程控制的主要研究方向,同时应加强对污水处理的活性污泥数学模型、通用性预测与故障分析系统、“软测量”技术及在线生物传感器等相关理论与技术的研究。     

基于改进BP神经元网络的软测量技术

针对基本BP神经元网络建立软测量模型所存在的几个问题：例如基本BP算法收敛速度较慢而且泛化能力较低等。本文尝试提出了变尺度与变步长相结合的改进BP神经网络软测量建模方法,以提高软测量模型的训练速度和外推能力,为软测量技术的在线应用提供更大的方便。实验结果表明：该改进BP神经元网络软测量建模方法在训练速度和外推能力方面有较大改善。     

Developmental studies of an adaptive on-line softsensor for biological wastewater treatments

Efficient monitoring and automatic control systems for biological wastewater treatment processes, especially those dealing with bioinhibitory pollutants, such as phenol, are urgently required in order to meet increasingly stringent environmental regulations. Practical on-line sensors of variables that describe water quality, such as BOD or individual toxic pollutants such as phenol, are not commercially available; e.g. phenol is generally monitored off-line by spectrofluorometry. Inference software sensors could be an attractive alternative for on-line monitoring of these variables. As a first step towards the development of inferential sensors for biological wastewater treatment processes, we consider in this study, a simplistic version of such a process which consists of a continuous culture of Pseudomonas putida Q5 degrading phenol. In this work, we propose a neural network based inferential sensor for phenol monitoring using on-line biomass concentration measurements by spectrophotometry. The network was built with wavelets as the basis functions and the adaptive algorithm for the weights was based on a Lyapunov stability analysis. Predicted phenol output of the network showed good agreement with experimental data, over fairly broad ranges of inlet phenol concentration and dilution rate step changes. Simulations were conducted to find convergence conditions and to investigate possible sources for errors in phenol estimates.     

基于小波神经网络的循环冷却水腐蚀预测研究

利用某石化企业40个月的循环冷却水实际生产数据,基于小神经网络进行了腐蚀预测研究。经过对比分析,得出了小波神经网络预测精度最高的网络模型为6-7-1结构。在相同输入参数向量下,对含有相同隐层节点个数的小波神经网络和BP神经网络进行腐蚀预测对比,小波神经网络比BP神经网络预测精度高。     

基于SVR误差补偿技术的神经网络城市污水厂水质预测

城市污水处理是一个复杂的生化处理过程,现在的神经网络技术无法做到对此过程精准建模。为了解决该问题,提出了一种基于SVR误差补偿技术的神经网络水质预测算法。该算法先利用BP神经网络对水质处理过程进行映射,再利用SVR误差补偿模型获得BP网络的预测补偿,进行预测数据校正。为了验证补偿模型的性能,还组织了马尔科夫补偿模型的对比试验。试验结果表明,SVR误差补偿模型可有效提高模型预测的精度,且模型性能优于马尔科夫补偿模型。     

蚁群算法优化BP神经网络在主汽温控制中的应用

针对火电厂主汽温被控对象的不确定性及大延迟、大惯性及非线性等特点,设计了一种基于蚁群算法、BP神经网络的智能PID串级控制系统.采用蚁群算法对BP神经网络的初始权值进行优化,再利用BP神经网络算法对PID参数进行在线调整,从而实现了对主蒸汽温度的动态控制.仿真结果表明：该系统在控制品质、鲁棒性方面都明显优于常规PID控制系统.     

混合神经网络在污水毒性预测中的应用

分析了污水处理厂污水毒性对其它工艺参数的影响,选取DO、0RP、NH4-N及COD等过程参数为毒性测量的辅助变量.介绍了粒子群算法和混沌算法,运用混沌粒子群算法和BP算法相结合的混合神经网络,对生化池污水毒性进行预测,实现毒性的定量测量和报警.仿真结果表明,混合神经网络的泛化性能和时间复杂度要优于BP神经网络.     

基于子波能量特征的气液两相流流型辨识方法

气液两相流的流型影响着两相流的流动特性和传热特性，同时也影响着流动参数的准确测量以及两相流系统的运行特性。针对压差信号的非平稳和非线性特点，尝试利用Hilbert-Huang变换(HHT)和小波包分解对差压波动信号进行信号处理，进而建立流型的子波能量（IMF能量和小波包能量）特征，并以此特征向量作为Elman神经网络的输入量，从而实现对流型的智能识别。实验结果表明：这两种特征向量与Elman神经网络结合都能够较准确地识别出4种流型，并且各自都有不同的优缺点。另外与BP神经网络相比，采用Elman神经网络进行流型识别可以获得更高的识别率。     

基于递归模糊神经网络的污水处理控制方法

针对污水处理过程具有非线性、大时变等问题,提出了一种基于递归模糊神经网络的多变量控制方法。该方法通过递归模糊神经网络控制器自适应地获得对操作变量的控制精度,控制器在常规BP学习算法的基础上采用学习率自适应学习算法且引入了动量项来训练网络参数,避免网络陷入局部最优,提高了网络对系统的控制精度。最后,基于仿真基准模型(BSM1)平台对第五分区中的溶解氧和第二分区中的硝态氮控制进行动态仿真实验,结果表明,与PID、前馈神经网络和常规递归神经网络相比,该方法能有效提高系统的自适应控制精度。     

INFERENTIAL SENSORS FOR ON-LINE MONITORING OF TISSUE MACHINE QUALITY PROPERTIES

There are many processes in a pulp and paper mill where an on-line parameter analyzer cannot be used due to several reasons

•The analyzer is very expensive

•It cannot survive in the environment we want to use it

•It is not operational due to hardware problems, maintenance etc

•Such an analyzer does not exist in the market

In all these situations it would be great for the mill to have an alternative way of measuring those parameters in real-time. Neural network models can serve as virtual sensors that infer process parameters from other variables, which can be measured on-line. One excellent application of inferential sensors in the pulp and paper industry is the on-line prediction of paper properties, like tensile, stretch, brightness, opacity etc. In tissue machines, the most important quality parameter is softness, which is usually measured in a very subjective manner by the touch of a human finger. In this work we examine how neural networks can be deployed in order to build online virtual sensors for softness and other tissue quality properties. The results are promising and show that neural network technology can improve productivity and minimize out of specs production in a tissue machine, by providing accurate real time monitoring ofquality parameters.     

基于BP神经网络的臭氧精确投加控制系统

自来水厂采用臭氧化工艺时臭氧投加量通常由生产经验判断确定,缺乏一定的准确性和时效性。根据浙江省T水厂150组实际运行样本数据,选用BP神经网络构建臭氧投加系统的前馈控制模型,能够在给定的工艺参数条件下较好地预测出水水质情况,也可根据进水水质情况和预期出水水质目标对所需的臭氧投加量进行预测。结果表明:基于BP神经网络的臭氧投加模型可以满足不同的水质变化,模拟精度较高,具有明显的优越性,对进一步提高供水安全性、节约制水成本具有重要的推动作用,也为臭氧-活性炭深度处理运行的自动化控制提出了新的理论思路。