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。     

基于RBF神经网络的出水氨氮预测研究北大核心CSCD

针对污水处理中关键水质参数氨氮(NH4+-N)难以在线实时准确检测且实验室取样检测时间长,精度低等问题,提出了基于RBF神经网络的出水氨氮软测量模型研究。首先,选择出对出水氨氮影响较大的辅助变量去预测氨氮的变化,然后,利用梯度下降算法优化RBF网络的结构和参数,结合北京市某污水处理厂的实测数据,对出水氨氮的预测进行仿真并与其他模型对比,结果显示,该模型具有预测误差相对较小,预测准确等优点,说明该预测模型对于氨氮的预测具有一定的实用价值。     

改进麻雀搜索算法的RBF神经网络水质预测

针对污水处理过程中化学需氧量(chemical oxygen demand, COD)难以在线测量的问题,提出了一种基于径向基函数(radial basis function, RBF)神经网络的软测量模型.首先,用污水处理厂实测数据挑选出与COD相关的过程变量作为输入变量;其次,基于RBF神经网络建立出水COD软测量模型,利用自适应遗传算法改进的麻雀搜索算法(adaptive genetic algorithm improved sparrow search algorithm, AGAISSA)优化RBF神经网络的中心值、宽度值以及权值,通过改进麻雀位置更新公式以及引入遗传算法中的自适应交叉和变异操作保证了软测量模型的精度;最后,将RBF神经网络的软测量模型应用于污水处理厂实测数据加以验证,结果表明:AGAISSA优化RBF神经网络模型能够对出水COD进行准确的预测,具有较高的预测精度.     

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。     

模糊粗集理论在污水参数软测量中的应用

出水水质的建模与预测是污水处理过程先进控制的基础,针对污水生化处理过程的非线性、大滞后等特点,提出一种基于模糊粗糙集和RBF神经网络的出水水质预测方法.先用模糊粗糙集理论约简属性消除冗余信息后,建立基于RBF神经网络软测量模型,并应用该模型对实际污水厂的出水氨氯预测进行仿真.结果表明了该软测量模型的可靠性和有效性.     

基于PCA-GABP神经网络的BOD软测量方法

针对污水处理过程中关键水质参数无法在线监测的问题．提出基于PCA-GABP神经网络的污水水质软测量方法。该方法由两部分组成：主元分析PCA和GABP神经网络。其中,GABP算法采用局部改进遗传算法优化神经网络权值。并采用自适应学习速率动量梯度下降算法对神经网络进行训练,建立软测量模型。仿真结果表明该软测量模型稳定性好、精度高,可用于污水处理厂对BOD进行在线预测。     

基于振动频谱的磨机负荷在线软测量建模

针对磨机负荷(ML)软测量模型难以适应磨矿过程的时变特性,模型需要依据工况实时在线更新的问题,基于磨机简体振动频谱,通过递归主元分析(RPCA)和在线最小二乘支持向量回归机(LSSVR)的集成,提出了ML参数(料球比、矿浆浓度、充填率)在线软测量方法.首先,针对训练样本,采用主元分析(PCA)分别提取振动频谱在低、中、高频段的谱主元;然后以串行组合后的谱主元为输入,采用LSSVR方法构造ML参数离线软测量模型;最后,采用旧模型完成预测后,应用RPCA及在线LSSVR算法分别递归更新模型的输入和模型的回归参数,从而实现了ML软测量模型的在线更新.实验结果表明,该软测量方法与其它常规方法相比具有较高的精度和更好的预测性能.     

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.     

浮选生产过程经济技术指标的软测量建模

依据浮选过程的工艺机理和操作经验,初选了浮选过程经济技术指标神经网络软测量模型的输入变量,运用主元分析法对输入变量进行主元分解,降低输入变量维数且消除了输入变量之间的线性相关性,再通过基于最近邻聚类学习算法的径向基函数神经网络进行建模。仿真结果表明,该模型具有较快的训练速率和较高的预测精度,可以满足浮选过程实时控制的在线软测量要求。     

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。     

基于因子回归模型的软测量方法

在工业过程中,有很多重要变量往往无法在线检测,通常通过软测量方法进行估计,主元回归是其中1种常用方法。相比于主元,因子更具广泛意义,更能反映数据的本质特征。基于此,提出1种基于因子回归模型的软测量方法,先对过程日常运行数据进行因子分析,建立因子生成模型,并提取因子信息,然后建立因子与关键变量间的因子回归模型,在线应用时先将可测变量代入生成模型得到因子变量,然后将因子代入到因子回归模型,软测量出关键变量。将该方法应用到化工吸附分离过程中,比较了因子回归模型与主元回归模型的软测量效果,结果表明前者优于后者。     

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。     

基于神经网络的污水处理软测量系统的研究

针对污水处理质量指标无法在线检测的问题,提出了基于人工神经网络的软测量方法。构造了污水处理质量软测量的神经网络结构,运用实际工业污水处理过程测量数据对BP神经网络进行了训练和仿真。结果表明,实能准确地进行污水处理质量的实时估计,实现污水处理质量的实时控制。     

基于自组织递归模糊神经网络的BOD软测量

生化需氧量是污水处理过程中评价水质的重要指标之一,神经网络软测量是解决其在线测量困难的主要方法。污水处理是一个动态的过程,而前馈神经网络由于缺乏动态性而难以保证对其的测量精度。本文提出了一种自组织递归模糊神经网络,建立了内部的反馈连接以增强网络动态性能,通过评估神经元的互信息关系和激活强度以增长或修剪规则层神经元,采用梯度下降学习算法进行参数更新,并结合自适应学习率以提高收敛精度。通过对实际污水厂数据的实验结果表明,本文提出的模型结构更紧凑,对出水生化需氧量的预测精度更高。     

基于HGA优化RBF网络的污水总氮软测量

污水处理系统是一个包含海量信息的非线性复杂系统.目的是对某污水处理厂生物脱氮系统的出水总氮(TN)进行软测量建模.先用主元分析方法实现输入变量的降维和去相关,简化径向基函数(RBF)网络的输入.再应用递阶遗传算法(HGA)确定合理的RBF网络隐层节点数、基函数宽度和中心.能够同时优化网络参数和拓扑结构,在全局范围内寻找RBF参数的最优解,实现了RBF网络的自适应优化.应用该模型对出水总氮软测量进行仿真,结果表明了该网络模型的可靠和有效,说明该软测量模型具有工业应用价值和意义.     

污水处理参数的小波神经网络软测量技术

采用序批式污泥法处理污水的过程存在一定的非线性、时变性、随机性和不确定性,为此提出了一种基于核主元分析和小波神经网络模型的污水处理参数软测量技术.在保证水质信息量损失较小的情况下,使用核主元分析法对输入变量进行降维.将小波神经网络软测量模型和在线测量仪表相结合,对氧化还原电位、溶解氧、pH值及COD等参数控制信息进行实时检测;PLC控制器输出控制信号,控制整个系统设备的运行.仿真结果表明,和传统方法相比,该技术动态性能好、误差少,具有很好的鲁棒性和稳定性.     

基于粒子群优化算法的熔融指数预报

针对丙烯聚合生产控制中聚丙烯熔融指数在线测量的控制要求,以及过程变量间相关性高的特点,提出一种实用高精度的软测量方法,以弥补传统的实验室分析严重滞后所导致的生产控制瓶颈问题。采用主元分析,提取少量主元反映多个变量的综合信息,以降低预报模型的复杂度。并在此基础上建立基于径向基函数神经网络的统计预报模型,提出利用粒子群优化算法优化神经网络的结构与参数,以减少人为因素对建模的影响,得到最优预报结果。通过对工厂实际生产过程进行详细的预报检测,并进一步与国内外相关研究报道进行比较,结果表明,所提出的预报方法具有更强的可靠性和更高的准确性。     

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.     

乙二醇生产过程中环氧乙烷浓度的软测量研究

环氧乙烷浓度是乙二醇生产过程中的1个重要指标,其浓度大小直接影响到后续水合反应生成乙二醇的过程。环氧乙烷浓度与多种因素之间存在着复杂的非线性关系,在软测量建模的过程中消除这些因素的相关性可以有效地降低计算复杂度。本文综合应用主元分析法,粒子群优化算法以及径向基函数神经网络建立了环氧乙烷浓度的软测量模型。首先分析了影响环氧乙烷浓度的因子,并对这些因子进行了主成分分析,得到1组新的输入因子。然后按照累积方差贡献率选取合适的输入因子,作为RBF神经网络的新的输入,有效降低了输入变量的维数,减少了输入变量之间的相关性,简化了神经网络的结构,建立了环氧乙烷浓度的软测量模型。最后利用粒子群算法来优化神经网络参数,求解RBF网络的径向基中心和输出层连接权值的最优值,减少了计算时间,提高了计算精度,获得了较好的拟合和预测效果。与只采用RBF网络建立软测量模型相比,本文采用的方法建模的误差较小,计算时间较短,计算精度较高,网络的预测效果较好。     

基于MIV-RBF神经网络的主蒸汽流量软测量方法

在城市固体废弃物焚烧(municipal solid waste incineration, MSWI)过程中,主蒸汽流量对锅炉机组运行状况、性能监测、过程控制起着至关重要的作用。针对主蒸汽流量难以实时检测的问题,提出了一种基于平均影响值(meanimpactvalue,MIV)和径向基函数(radial basis function, RBF)神经网络的主蒸汽流量软测量方法。首先,根据实际生产过程中锅炉的工艺特点,基于机理及经验知识选取与主蒸汽流量相关的变量;然后,采用MIV算法进行特征选择,确定软测量模型的辅助变量;最后,通过RBF神经网络建立主蒸汽流量软测量智能模型。实验结果表明,建立的MIV-RBF软测量模型能实时精准地检测主蒸汽流量,验证了所提方法的有效性和可行性。