本站小編為你精心準備了軟測量在污水處理中的研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

污水處理指的就是通過設立一項有效、可靠的體系治理與改善水質，并且依據切實可行的自主監控體系維護其正常運行，此體系涉及參數比較多，在必要的情況下需要給予及時檢測，這樣才可以確保污水排放指標符合我國有關部門的規定。在實際操作過程中，因為處理過程的繁瑣、復雜、非線性，需要進行有效、準確的檢測與數據傳輸，為此，需要加大軟測量技術的應用力度。

1軟測量技術

軟測量技術指的就是根據可以測量、容易測量過程的變量與無法直接測量的待測變量之間的關系，遵照相關原則，利用新型網絡計算機技術開展檢測與評估變量的手段。一般而言，軟測量技術內容主要有：數據信息的收集與處理、輔助變量的選取、軟測量模型構建及在線校正等。首先，數據信息收集指的就是對原始輔助變量與主導變量歷史數據的收集，使其具備代表性、均衡、精簡的特點，以此來對污水處理過程的所有情況進行體現；數據信息處理主要為數據變換處理、誤差處理，其目的就是保證數據的一致性，降低污水處理過程的非線性，減少產生誤差的因素。其次，輔助變量選取主要就是類型、檢測點方位、數量等內容的選取，需要基于靈活性、準確性、特異性的原則展開。最后，軟測量模型構建及在線校正，模型構建形式有很多，主要有人工神經網絡構建法、回歸分析構建法等。其中對于人工神經網絡構建法的研究最多。在構建模型的時候，需要將模型辨識作為核心要素，并且對其進行全面檢驗，確保模型滿足預設標準要求，為污水處理的有序進行奠定堅實的基礎。

2污水處理過程中軟測量的具體應用

2.1故障診斷中的應用在污水處理過程中，需要大量傳感器對運行狀態進行監測，以此來保證處理過程的有序進行。運行狀態監測本質就是一種模式識別過程，指的就是將系統運行狀態分成兩種情況，即正常運行、異常運行。所以，在污水處理過程中，需要利用模式分類方法，實現對處理過程的狀態監測，為污水處理的有序進行提供可靠保障。在有關研究[1]中，主要就是用SOM+PCA進行多維數據的處理，用K均值算法予以模式識別，之后根據數據模式展開故障診斷。針對基于結構風險最小化準則的支持向量機方法因為結構簡單，具有良好的全局性與推廣能力，使得軟測量故障診斷得到了有效研究。在有關研究中，主要就是借助SVM+BP軟測量模型進行二沉池SVI的預測，從而對污泥膨脹進行判斷。然而，在實際運用中，還是存在著一些不足，在運用SVI的同時，忽視了SV、ZSV、絲狀菌長度等因素，在判定污泥膨脹的時候，容易出現偏差。除此之外，在運用支持向量機方法的時候，因為各類別樣本數大小不同，針對樣本數較大的類別來說，其訓練誤差與預測誤差相對較小；針對樣本數較小的類別來說，其訓練誤差與預測誤差相對較大。在具體情況中，特別是污水處理過程的狀態監測而言，異常情況樣本數一直少于正常情況樣本數，所以，一定要盡量消除此種偏差，要不然就會增大異常情況的預測誤差，致使出現錯誤判斷。有關研究顯示，為了對傳感器偏移情況進行檢驗，需要對比傳感器的實測值和軟傳感器的預測值，之后利用余差進行故障驗證。在用NLPCA、NNPLS模型進行氮氧化物預測的時候，需要在傳感器失效之后，重構數據，展開軟冗余。在用PLS模型進行磷濃度與轉換率預測的時候，將其和羥基指標進行結合，對復雜間歇聚類過程故障予以診斷。在用KPLS模型進行出水指標預測的時候，還可以將其在毒性物質流入優化與現報過程中予以應用。然而，用出水水質預報毒性物質流入的時候，會導致水力停留時間內毒性物質處在監視盲區，并且出現異常漏報狀態。對此情況，需要進行深入研究，進一步拓展軟測量的應用范圍。

2.2污水處理優化中的應用

2.2.1曝氣優化應用在污水生化處理中，好氧反應是非常重要的組成環節，在反應過程中，大功率鼓風機曝氣耗能與污水成本要求之間存在著很大的矛盾，一直以來都困擾著污水處理企業。尤其是污水中微生物對氧需求量隨環境、時間不斷變化的形勢下，氧少就會導致污泥膨脹與出水水質降低，氧多不僅無法確保出水水質，還會出現極大的資源浪費現象。所以，需要對不同工況條件下的污水生化處理過程溶解氧模型進行研究，尤其是優化過程中難以測量變量的精確與實時測量，需要根據此變量及模型對鼓風量予以低能耗優化控制。

2.2.2藥品投放及其它優化應用污水在經過一級、二級處理之后，水質改善情況相對明顯，細菌含量也會大幅度下降，但是其絕對值依然非?？捎^，并且可能存在著很多病原菌，所以，在排放污水之間，需要對其進行嚴格的消毒。然而，在投放氯的時候，必須保證適量。針對此類問題，有關研究表明，將PH、ORP當成是輸入神經網絡軟測量，對大腸桿菌群數進行預測，并且在氯化反應與反氯化反應中加入適當的氯，以此來實現節約成本的目的。除了在優化加氯中應用軟測量之外，還可以在SBR工藝循環時間估計中運用軟測量。通過有關研究發現，在SBR工藝循環時間估計中運用軟測量能夠彌補時間固定的缺陷，并且利用軟測量得到SBR各階段的最優處理時長，對整個SBR處理工藝進行優化。同時，有關研究結果顯示，將入水組分與流量當成是輸入神經網絡軟測量模型，之后對入水組分變化進行預測，將其運用在污水處理過程優化中。除此之外，充分利用軟測量對出水水質參數進行預測，并且將其成本與其它運行成本建成評價函數，借助最優化理論與方法，明確代價函數取最優值，對污水處理過程參數予以優化，保證污水處理過程的有序完成。

3MW-LSSVR污水處理過程中的軟測量探析

污水處理作為環境保護的重要組成部分，COD、BOD等是污水處理效果的主要衡量指標，因為傳感器技術的制約，導致這些參數大部分需要人工化驗得知，不僅影響了污水處理效果，還制約了污水處理過程的自動化發展。軟測量技術作為工業過程分析、控制、優化的重要工具，是現階段工業傳感器數量與品種還不足的一種補充，在污水處理過程中，軟測量技術得到了一定的應用，并且取得了良好的處理效果。1995年，CorinnaCortes、Vapnik等提出了支持向量機的概念，其在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢，并能夠推廣應用到函數擬合等其他機器學習問題中。最小二乘支持向量機（LSSVR）作為一種標準支持向量機，實現了計算機復雜性的簡化，加快了求解速度，在智能控制中的應用越來越普遍。然而，在實際應用中，因為基的不完備性，造成分類支持向量機無法接近任意分類界面，同時也無法接近任意目標函數。在此基礎上，提出了多尺度小波最小二乘支持向量回歸機（MW-LSSVR），通過對二次優化問題的求解，得到不同尺度參數，進而構建軟測量模型，實現對出水COD濃度、出水BOD濃度的在線預測，有效解決了COD、BOD的在線監測問題。

3.1選擇輸入輸出變量在構建COD、BOD軟測量模型的時候，需要對系統的過程輔助變量予以明確。輔助變量較多能夠更好的包涵污水處理信息，然而輸入變量太多就會增加數據處理工作量。根據經驗因素與有關文獻研究，將進水COD濃度、進水流量、進水pH值、進水溫度、好氧反應區溶解氧濃度、污泥濃度當做是模型的輔助變量，輸出變量為出水COD濃度、出水BOD濃度。

3.2數據預處理在明確重要輔助變量之后，展開預處理與尺度變換工作。在開展尺度變換工作的時候，主要將其轉變為[0,1]或者[-1,1]的范圍。

3.3建立模型輸入進水COD濃度、進水流量、進水pH值、進水溫度、好氧反應區溶解氧濃度、污泥濃度向量，輸出COD濃度、BOD濃度向量，構建簡化模型，如圖1所示。

3.4實驗結果分析在運用MW-LSSVR軟測量的時候，采集200組數據，將其中150組當做訓練樣本，50組當做測試樣本。通過對訓練數據的了解與支持向量參數的調整，得到優化MW-LSSVR參數。為了方便比較，在同樣訓練與測試條件下，分別用LSSVR、W-LSSVR、MW-LSSVR對出水BOD濃度進行建模測量。在運用LSSVR進行建模的時候，可以選用徑向基核函數，借助訓練，在誤差符合要求的情況下，明確模型有關參數；在運用W-LSSVR進行建模的時候，可以選用小波核函數，借助訓練，得到模型的有關參數。通過LSSVR、W-LSSVR、MW-LSSVR三種模型的訓練與測試，得到誤差結果如下表1所示。從表1可知，雖然標準LSSVR的訓練時間最少，但是其誤差最大。在樣本測試中，進行擬合預測的時候，MW-LSSVR模型比W-LSSVR模型均方誤差性能指標提高約11%，平均預測誤差提高約2%，在很大程度上，增加了模型訓練時間。這是因為：MW-LSSVR模型采用的是多尺度方法測試。從而證明，MW-LSSVR模型的泛化能力、建模速度均要強于單尺度模型。由上述分析可知，在污水處理中建模的時候，多尺度模型要比單尺度模型的精度更高，更能滿足污水處理多工況的要求,與此同時，從計算時間角度分析，多尺度模型所需要的時間要遠遠少于單尺度模型，充分體現了多尺度模型省時的優勢，極大的增強了預測的實時性。針對污水處理這種隨天氣、晝夜變化而頻繁改變的工況系統而言，采用MW-LSSVR模型具有更好的實用價值。

4結語

總而言之，在污水處理過程中，存在著很多變量耦合、非線性等問題，為污水處理監控工作帶來了很大的難度，必須予以深入分析。所以，在污水處理過程中，進行軟測量的針對性應用，可以實現對處理故障的診斷，并且對處理過程予以優化，在一定程度上，提高了污水處理的社會效益與經濟效益，促進了污水處理企業的可持續發展。

作者：趙利軍 單位：北京市懷柔區環境保護監測站