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。     

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.     

基于递归RBF神经网络的出水氨氮预测研究

针对污水处理过程出水氨氮难以在线测量的问题,文中提出了一种基于递归RBF神经网络的软测量方法来预测氨氮。首先,提取与出水氨氮相关的主元变量,剔除主元变量的异常数据。其次,利用递归RBF神经网络建立主元变量与出水氨氮的蕴含关系,完成出水氨氮软测量模型的设计。最后,将提出的出水氨氮软测量方法应用于污水处理实际运行过程,结果表明,基于递归RBF神经网络的软测量方法能够实现出水氨氮的在线预测;同时,与其他方法的比较结果显示基于递归RBF神经网络的软测量方法具有较好的预测精度。     

生物发酵过程中SSVIP-NNI软测量方法

生物发酵过程中关键生化变量难以直接检测,提出了一种利用基于敏感性与特异性的变量投影重要性(SSVIP)方法优化神经网络逆系统(NNI)的软测量方法。根据逆系统理论建立软测量模型,采用VIP变量优选方法,对软测量模型中的辅助变量进行优化。为了进一步提高VIP方法优选变量的性能,利用模型敏感性与特异性的概念,重新定义了VIP筛选阈值,确定最优的发酵过程软测量模型的变量。构造神经网络近似最优逆系统软测量模型,实现对发酵过程中关键过程变量的估计。通过Pensim仿真平台进行实验研究,结果表明经过辅助变量优选的神经网络逆系统软测量模型具有更高的估计精度和泛化能力。     

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。     

软测量模型的建立

软件测量是采用过程中比较容易测量的辅助变量，构造推断估计器来推算出难以测量或根本无法测量的关键工艺参数；是根据某种最优准则，选择一组既与主导变量有密切联系又容易测量的变量，即辅助变量，通过构造某种数学关系，用计算机软件实现对主导变量的在线估计，介绍了软测量的核心技术，并重点阐述了软测量模型建立的方法，还给出了建立一个完整的软测量模型的步骤。     

基于Wiener结构的软测量模型及辨识算法

Wiener模型结构能有效地表征系统的动态和静态特性, 因此这里首先基于这一结构建立软测量模型, 利用动态与静态子模型分别建立辅助变量与主导变量间的动态与静态关系, 并说明该软测量模型的可行性, 给出模型具体表达式. 其次, 针对所提模型, 提出分步辨识方式获得最优模型参数, 说明其可行性. 再次, 为了减少计算和实现模型在线更新, 这里提出参数辨识递推算法, 并给出软测量模型参数的收敛性结论. 通过实例仿真, 可以看出本文提出模型的可行性, 以及分步辨识方式与递推算法的有效性.     

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.     

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。     

改进的PSO-FNN在发酵软测量中的应用

针对发酵过程中一些难以或者无法在线测量的关键物化参数和生物参数等变量,提出了改进的PSO-FNN软测量建模方案。通过改进的粒子群优化算法(PSO)寻优算法与模糊神经网络(FNN)相结合,建立发酵过程的软测量模型,再结合实际数据进行仿真研究。仿真结果表明,与传统PSO-FNN软测量相比,改进的模型测量精度更高,可以满足实际工程中的要求。     

Selective ensemble extreme learning machine modeling of effluent quality in wastewater treatment plants

Real-time and reliable measurements of the effluent quality are essential to improve operating efficiency and reduce energy consumption for the wastewater treatment process.Due to the low accuracy and unstable performance of the traditional effluent quality measurements,we propose a selective ensemble extreme learning machine modeling method to enhance the effluent quality predictions.Extreme learning machine algorithm is inserted into a selective ensemble frame as the component model since it runs much faster and provides better generalization performance than other popular learning algorithms.Ensemble extreme learning machine models overcome variations in different trials of simulations for single model.Selective ensemble based on genetic algorithm is used to further exclude some bad components from all the available ensembles in order to reduce the computation complexity and improve the generalization performance.The proposed method is verified with the data from an industrial wastewater treatment plant,located in Shenyang,China.Experimental results show that the proposed method has relatively stronger generalization and higher accuracy than partial least square,neural network partial least square,single extreme learning machine and ensemble extreme learning machine model.     

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。     

污水处理曝气池溶解氧智能优化控制系统

提出一种新的溶解氧优化控制方法,根据不同的进水水质,利用在线多输入多输出最小二乘支持向量机软测量模型预测出水参数值.将这些参数作为水质反馈信号,使用模糊神经网络动态优化与进水水质对应的溶解氧设定值.最后利用神经网络逆控制系统跟踪优化的溶解氧设定值,从而实现在达到出水指标的前提下,既能保证出水水质的稳定,又能有效消除曝气量冗余,实现曝气量的动态优化,有效减少电能消耗.     

污水处理过程出水水质稀疏鲁棒建模

污水处理过程中, 出水水质参数是衡量污水处理性能的最重要指标, 需要进行严格监测, 但现有传感技术难以对其进行实时准确地在线测量. 因此, 提出一种新型的基于随机权神经网络(Random vector functional-link networks, RVFLNs)与Schweppe型广义M估计(Generalized M-estimation, GM-estimation)的稀疏鲁棒建模方法, 用于水质指标的在线鲁棒预测. 首先, 针对常规RVFLNs隐含层矩阵存在多重共线性而导致最小二乘估计失效的问题, 利用稀疏偏最小二乘(Sparse partial least squares, SPLS)代替RVFLNs输出权值求解的最小二乘估计, 从而提出SPLS-RVFLNs. 该算法不仅可有效解决传统RVFLNs的多重共线性问题, 还可以进行建模变量选择, 提高模型的可解释性和最终的预测精度. 同时, 考虑到SPLS-RVFLNs在求解输出权值时会同时受到隐含层矩阵和输出层矩阵两个方向离群点的影响, 进一步采用Schweppe型广义M估计对SPLS-RVFLNs进行鲁棒改进, 从而提出GM-SPLS-RVFLNs, 可显著提高模型的稀疏鲁棒性能. 最后, 将提出的GM-SPLS-RVFLNs用于污水处理过程出水水质指标预测建模, 数据实验结果表明所提方法不仅解决了常规RVFLNs多重共线性和鲁棒性差的问题, 而且具有很好的预测精度和泛化性能.     

基于PSO优选参数的SVR水质参数遥感反演模型

为进一步提高多光谱图像水质反演的精度,提出了一种基于PSO优选参数的SVR水质参数遥感反演模型.该模型利用高分辨率多光谱遥感SPOT-5数据和水质实地监测数据,采用交叉验证CV(cross validation)估计模型推广误差并使用PSO优选SVR模型参数,实现了模型参数的自动全局优选,在训练好的SVR模型基础之上对水质进行反演.以渭河陕西段为例进行实证研究,实验结果表明,本文提出的水质反演模型较常规的线性回归模型有更高的反演精度,为内陆河流环境遥感监测提供了一种新方法.     

基于免疫粒子群神经网络的污水水质预测

针对污水处理过程所具有的多变量、非线性和大时滞的特点, 利用出水水质参数与多个可测过程参数间的相关关系,给出了基于RBF神经网络的出水水质参数预测模型.采用免疫粒子群优化算法来训练网络的隐层节点、径向基函数的中心点和网络权值.以反应时间、DO浓度、ORP和pH值作为输入参数,实现对COD,NH3-N,TP等水质参数的预测.仿真试验表明,该预测模型对污水处理出水水质参数COD,NH3-N,TP具有理想的预测效果.     

电厂化学水处理控制系统中 PLC 控制系统设计与预测控制研究

采用 PLC 与工业控制计算机共同构成控制系统的方法,解决了化学水处理控制系统自动化程度低的问题.实际运行表明,化学水处理过程可通过 PLC 控制系统进行有效的自动监控.针对再生后出水中磷酸盐含量过高问题,本文首先在 Matlab/simulink 环境下,对化学水处理系统进行建模仿真,其次本文采用模型预测控制算法,对出水磷酸盐浓度进行控制,并与传统 PID 算法进行对比,仿真结果证明模型预测控制(Model Predictive Control,MPC)算法控制效果优于传统 PID,使出水磷酸盐达到了工艺出水水质要求.     

基于改进DFTA的安全苛求系统可靠性分析

针对传统可靠性分析方法容易忽视冗余多态性、可修复性等安全苛求系统特性问题,在形式化的系统可靠性建模中引入可修复因子,提出一种模块化动态故障树分析方法。在动态和静态相结合的模块化定量分析过程中,利用马尔可夫模型和顶事件发生概率逼近算法,有效避免动态故障树分析过程中的状态组合爆炸问题,提高安全苛求系统可靠性分析的可行性和实践效率。     

水环境监测与评价系统设计及应用

近年来,水生态环境遭到巨大破坏,建立和完善系统的、专业的水环境监测与评价系统,对水体污染的控制与防治起重要指导作用。设计并开发水环境监测与评价系统,通过报表、图表等,结合在线和离线分析技术,对水质数据变化趋势进行直观展示。将机器学习运用到水质评价中,提高运算的效率及准确度。针对水质时间序列数据的不确定特性建立水质预测模型,对水质中参数在未来一段时间中的含量进行预测,解决水质时间序列多元性、时变性、非线性、耦合性等特点所导致的预测建模困难和管理难度增加的问题,并得到较高的预测精度。该系统集水质数据监测、管理、预警功能为一体,在长泰枋洋水利枢纽得到应用,取得良好的效果。