污水处理过程出水水质多模型在线软测量方法

针对污水处理过程出水水质参数难以在线监测的问题,提出了一种多模型在线软测量方法。该方法根据污水处理过程中实时工况数据具有聚类和迁移属性的特点,利用在线减法聚类算法将实时工况数据样本进行划分,并根据实时工况数据在样本空间中的分布,采用模糊策略将相应子空间的实时工况数据分配给不同的子模型进行学习,最后通过动态集成各子模型的输出而得到最终软测量结果。以某污水处理厂实际运行数据对污水处理过程出水水质氨氮进行预测,实验结果表明,该方法确实能够以实时工况数据为驱动自组织构建多模型软测量模型,且用该方法构建出的多模型软测量模型无论在建模精度、建模速度以及跟踪实时工况的能力等方面都有所提高。     

基于模糊神经网络的出水总磷和氨氮软测量方法研究

针对污水处理运行过程的重要指标出水总磷(Total Phosphorous,TP)和出水氨氮(Ammonia Nitrogen,NH4-N)难以实时测量的问题,文中提出了一种基于模糊神经网络的多变量软测量方法。首先,利用主元分析法对污水处理过程运行数据进行分析,获得TP和NH4-N的相关主元变量;其次,设计了一种基于模糊神经网络的多输入多输出软测量方法,利用自适应二阶算法对模型参数进行调整,提高了软测量方法的精度;最后,将设计的软测量方法进行封装,并将其应用于污水处理过程中试平台。实验结果表明:基于模糊神经网络的软测量方法能够同时实现TP和NH4-N的实时测量,并且具有较好的测量精度。     

MIMO最小二乘支持向量机污水处理在线软测量研究

污水处理系统是一个包含海量信息的非线性复杂系统。针对污水处理出水水质BOD（生物化学需氧量）、COD（化学需氧量）、TN（总含氮量）等难以在线实时检测等问题,建立了基于在线MIMO-LSSVM（多输入多输出最小二乘支持向量机）和PSO（微粒子群算法）的污水处理软测量模型。仿真结果表明,建立的软测量模型精度高、速度快,能很好地实现污水处理出水指标COD、BOD、TN等参数的实时测量和估计,为污水处理的实时在线控制创造必要的前提条件。     

污水处理出水水质软测量建模研究

污水水质参数监测技术是限制实时在线控制的一个重要因素。本论文进行了基于神经网络软测量技术的污水处理出水水质软测量建模的研究,目标是解决污水处理厂重要出水水质指标因人工化验检测而产生的严重滞后问题,以实现污水处理出水水质的预测及控制。     

支持向量机和神经网络联合软测量SBR污水处理中COD的方法

为了实时测量序批式活性污泥法(SBR)污水处理系统中的化学需氧量(COD),提出了一种支持向量机和神经网络联合软测量SBR污水处理中COD的方法.针对COD软测量建模中有限种类辅助变量造成的矛盾数据问题和神经网络学习的局部最小问题,该方法通过引入支持向量机对COD值进行预估计,再根据COD的变化规律使用两种神经网络模型分别估计污水COD值.实验表明:本文方法的软测量结果优于单一神经网络的软测量结果.     

基于模糊神经网络的出水总磷软测量方法研究

在污水处理过程中,出水总磷(Total Phosphorus,TP)是衡量污水处理效果的关键参数之一。本文针对目前出水TP难以实时测量的问题,提出了一种基于模糊神经网络(FNN)的出水TP软测量方法。该软测量方法通过实际运行数据,利用偏最小二乘法(Partial Least Squares,PLS)筛选出与出水TP相关性强的过程变量;同时,利用FNN建立了出水TP与相关性变量之间的软测量模型,并将该方法嵌入到污水处理运行系统。实验结果显示该软测量方法能够实现出水TP的实时预测,并且具有较好的预测精度。     

基于支持向量机的污水处理软测量算法的研究

针对污水处理过程中生化需氧量BOD难以实时在线测量的问题,建立了用于预估BOD的支持向量机（SVM）的软测量模型。考虑到该支持向量机模型的测量精度取决于其两个参数C、σ能否获得最优值,采用遗传算法和粒子群优化算法,实现对这两个参数的寻优。仿真结果表明：该软测量模型的测量精度较高,可用于污水处理厂对BOD进行在线测量。     

基于RBF神经网络的污水处理软测量算法研究

分析了软测量技术在污水处理问题上的可行性，建立了径向基（RBF）神经网络软测量模型，对污水处理过程中的各种污染物质进行监控和预测。结果表明：应用软测量技术能较好的克服污水处理过程中由随机干扰、强非线性、大时变、严重滞后等因素带来的一系列问题，具有广阔的应用前景。     

基于类脑模块化神经网络的污水处理过程关键出水参数软测量

针对城市污水处理过程关键出水参数难以实时检测的问题，文中提出了一种基于类脑模块化神经网络（Brain-like modular neural network，BLMNN）的关键出水参数软测量方法.首先，基于互信息和专家知识进行任务分解，分析关键出水参数的相关变量，获取各出水参数的辅助变量.其次，通过模拟大脑皮层模块化分区结构，构建软测量子模型对各水质参数进行同步测量，降低软测量模型复杂度的同时保证了其精度.最后，通过基于实际数据的仿真实验验证了所提出方法的准确性和有效性.     

基于XGBoost的出水氨氮和总磷浓度的软测量研究

针对污水处理过程中出水氨氮(NH4-N)和总磷(TP)浓度两个重要指标难以在线测量的问题,提出了一种基于极端梯度提升(eXtreme Gradient Boosting,XGBoost)算法的软测量方法.首先,针对数据预处理,采取K-邻近(K-Near-est-Neighbor,KNN)方法进行缺失值填充;其次,使用XGBoost算法进行软测量建模;最后,使用网格搜索方法调整XGBoost的参数.仿真结果表明,该软测量方法可以用于实时预测出水NH4-N和TP的浓度,并有较好的预测精度.