分析软测量在污水处理过程中的研究与应用

生态环境与农业
科技创新导报 Science and Technology Innovation Herald
142
污水处理指的就是通过设立一项有效、可靠的体系治理与改善水质，并且依据切实可行的自主监控体系维护其正常运行，此体系涉及参数比较多，在必要的情况下需要给予及时检测，这样才可以确保污水排放指标符合我国有关部门的规定。

在实际操作过程中，因为处理过程的繁琐、复杂、非线性，需要进行有效、准确的检测与数据传输，为此，需要加大软测量技术的应用力度。

1 软测量技术
软测量技术指的就是根据可以测量、容易测量过程的变量与无法直接测量的待测变量之间的关系，遵照相关原则，利用新型网络计算机技术开展检测与评估变量的手段。

一般而言，软测量技术内容主要有：数据信息的收集与处理、辅助变量的选取、软测量模型构建及在线校正等。

首先，数据信息收集指的就是对原始辅助变量与主导变量历史数据的收集，使其具备代表性、均衡、精简的特点，以此来对污水处理过程的所有情况进行体现；数据信息处理主要为数据变换处理、误差处理，其目的就是保证数据的一致性，降低污水处理过程的非线性，减少产生误差的因素。

其次，辅助变量选取主要就是类型、检测点方位、数量等内容的选取，需要基于灵活性、准确性、特异性的原则展开。

最后，软测量模型构建及在
线校正，模型构建形式有很多，主要有人工神经网络构建法、回归分析构建法等。

其中对于人工神经网络构建法的研究最多。

在构建模型的时候，需要将模型辨识作为核心要素，并且对其进行全面检验，确保模型满足预设标准要求，为污水处理的有序进行奠定坚实的基础。

2 污水处理过程中软测量的具体应用
2.1 故障诊断中的应用
在污水处理过程中，需要大量传感器对运行状态进行监测，以此来保证处理过程的有序进行。

运行状态监测本质就是一种模式识别过程，指的就是将系统运行状态分成两种情况，即正常运行、异常运行。

所以，在污水处理过程中，需要利用模式分类方法，实现对处理过程的状态监测，为污水处理的有序进行提供可靠保障。

在有关研究[1]中，主要就是用S O M +P C A 进行多维数据的处理，用K均值算法予以模式识别，之后根据数据模式展开故障诊断。

针对基于结构风险最小化准则的支持向量机方法因为结构简单，具有良好的全局性与推广能力，使得软测量故障诊断得到了有效研究。

在有关研究[2]中，主要就是借助S V M +B P 软测量模型进行二沉池S V I 的预测，从而对污泥膨胀进行判断。

然而，在实际运用中，还是存在着一些不足，在运用S V I的同时，忽视了S V、Z S V、丝状菌长
度等因素，在判定污泥膨胀的时候，容易出现偏差。

除此之外，在运用支持向量机方法的时候，因为各类别样本数大小不同，针对样本数较大的类别来说，其训练误差与预测误差相对较小；针对样本数较小的类别来说，其训练误差与预测误差相对较大。

在具体情况中，特别是污水处理过程的状态监测而言，异常情况样本数一直少于正常情况样本数，所以，一定要尽量消除此种偏差，要不然就会增大异常情况的预测误差，致使出现错误判断。

有关研究[3]显示，为了对传感器偏移情况进行检验，需要对比传感器的实测值和软传感器的预测值，之后利用余差进行故障验证。

在用N L P C A、N N P L S 模型进行氮氧化物预测的时候，需要在传感器失效之后，重构数据，展开软冗余。

在用PLS模型进行磷浓度与转换率预测的时候，将其和羟基指标进行结合，对复杂间歇聚类过程故障予以诊断。

在用K PLS 模型进行出水指标预测的时候，还可以将其在毒性物质流入优化与现报过程中予以应用。

然而，用出水水质预报毒性物质流入的时候，会导致水力停留时间内毒性物质处在监视盲区，并且出现异常漏报状态。

对此情况，需要进行深入研究，进一步拓展软测量的应用范围。

2.2 污水处理优化中的应用
2.2.1 曝气优化应用
在污水生化处理中，好氧反应是非常重要的组成环节，在反应过程中，大功率鼓风机曝气耗能与污水成本要求之间存在着很大的矛盾，一直以来都困扰着污水处理企业。

尤其是污水中微生物对氧需求量随环境、时间不断变化的形势下，氧少就会导致污泥膨胀与出水水质降低，氧多不仅无法确保出水水质，还会出现极大的资源浪费现象。

所以，需要对不同工况条件下的污水生化处理过程溶解氧模型进行研究，尤其是优化过程中难以测量变量的精确与实时测量，需要根据此变量及模型对鼓风量予以低能耗优化控制。

2.2.2 药品投放及其它优化应用污水在经过一级、二级处理之后，水质改善情况相对明显，细菌含量也会大幅度下降，但是其绝对值依然非常可观，并且可
分析软测量在污水处理过程中的研究与应用
赵利军
(北京市怀柔区环境保护监测站 北京 101400)
摘 要：污水处理是一个变化多样、复杂繁琐、非线性的过程，致使在污水处理中，无法对所涉及的所有动态数据进行在线检测，而软测量作为
一种先进的测量技术，可以对污染水质状况予以准确、及时的分析，是一种非常实用的污水处理技术。

该文在介绍软测量技术的基础上，阐述软测量在污水处理过程中的具体应用，最后探讨MW-LSSVR污水处理过程的软测量。

关键词：软测量 污水处理 应用
中图分类号：TK302.1 文献标识码：A
文章编号：1674-098X(2015)07(c)-0142-02
图1 软测量模型结构
模型类型最大预测误差平均预测误差均方误差训练时间（s）LSSVR 0.23610.10360.2561 5.8259W-LSSVR 0.20340.09270.123610.8364MW-LSSVR
0.1674
0.0720
0.0145
6.0320
表1 LSSVR、W-LSSVR、MW-LSSVR三种模型的BOD误差比较
Copyright©博看网 . All Rights Reserved.
生态环境与农业
科技创新导报 Science and Technology Innovation Herald
143
能存在着很多病原菌，所以，在排放污水之间，需要对其进行严格的消毒。

然而，在投放氯的时候，必须保证适量。

针对此类问题，有关研究
[4]
表明，将P H、O R P当成是输
入神经网络软测量，对大肠杆菌群数进行预测，并且在氯化反应与反氯化反应中加入适当的氯，以此来实现节约成本的目的。

除了在优化加氯中应用软测量之外，还可以在S B R 工艺循环时间估计中运用软测量。

通过有关研究发现，在S B R 工艺循环时间估计中运用软测量能够弥补时间固定的缺陷，并且利用软测量得到S B R各阶段的最优处理时长，对整个SBR处理工艺进行优化。

同时，有关研究结果显示，将入水组分与流量当成是输入神经网络软测量模型，之后对入水组分变化进行预测，将其运用在污水处理过程优化中。

除此之外，充分利用软测量对出水水质参数进行预测，并且将其成本与其它运行成本建成评价函数，借助最优化理论与方法，明确代价函数取最优值，对污水处理过程参数予以优化，保证污水处理过程的有序完成。

3 M W-L S S V R 污水处理过程中的软测
量探析
污水处理作为环境保护的重要组成部分，C O D、B O D 等是污水处理效果的主要衡量指标，因为传感器技术的制约，导致这些参数大部分需要人工化验得知，不仅影响了污水处理效果，还制约了污水处理过程的自动化发展。

软测量技术作为工业过程分析、控制、优化的重要工具，是现阶段工业传感器数量与品种还不足的一种补充，在污水处理过程中，软测量技术得到了一定的应用，并且取得了良好的处理效果。

1995年，C ori n n a C or tes、Va p nik 等提出了支持向量机的概念，其在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中[5]。

最小二乘支持向量机（L S S V R）作为一种标准支持向量机，实现了计算机复杂性的简化，加快了求解速度，在智能控制中的应用越来越普遍。

然而，在实际应用中，因为基的不完备性，造成分类支持向量机无法接近任意分类界面，同时也无法接近任意目标函数。

在此基础上，提出了多尺度小波最小二乘支持向量回归机（M W -L S S V R ），通过对二次优化问题的求解，得到不同尺度参数，进而构建软测量模型，实现对出水C O D 浓度、出水B O D 浓度的在线预测，有效解决了C O D、BOD的在线监测问题[6]。

3.1 选择输入输出变量
在构建C O D 、B O D 软测量模型的时
候，需要对系统的过程辅助变量予以明确。

辅助变量较多能够更好的包涵污水处理信息，然而输入变量太多就会增加数据处理工作量。

根据经验因素与有关文献研究，将进水C O D 浓度、进水流量、进水p H 值、进水温度、好氧反应区溶解氧浓度、污泥浓度当做是模型的辅助变量，输出变量为出水COD浓度、出水BOD浓度[7]。

3.2 数据预处理
在明确重要辅助变量之后，展开预处理与尺度变换工作。

在开展尺度变换工作的时候，主要将其转变为[0,1]或者[-1,1]的范围[8]。

在具体应用中，可以根据公式（1）进行数据变换。

（1）
式中D i ＇
表示变换后得到的归一化值，
D i 表示实际值，D m i n 表示实际最小值，D m a x 表示实际最大值。

3.3 建立模型
输入进水C O D 浓度、进水流量、进水pH值、进水温度、好氧反应区溶解氧浓度、污泥浓度向量，输出C O D 浓度、B O D 浓度向量，构建简化模型，如图1所示。

3.4 实验结果分析
在运用M W -L S S V R 软测量的时候，采集200组数据，将其中150组当做训练样本，50组当做测试样本。

通过对训练数据的了解与支持向量参数的调整，得到优化MW-LSSVR参数。

为了方便比较，在同样训练与测试条件下，分别用L S S V R 、W -L S S V R 、M W -L S S V R 对出水B O D 浓度进行建模测量。

在运用L S S V R 进行建模的时候，可以选用径向基核函数，借助训练，在误差符合要求的情况下，明确模型有关参数；在运用W -L S S V R 进行建模的时候，可以选用小波核函数，借助训练，得到模型的有关参数[9]。

通过L S S V R、W -L S S V R、M W -L S S V R 三种模型的训练与测试，得到误差结果如下表1所示。

从表1可知，虽然标准L S S V R 的训练时间最少，但是其误差最大。

在样本测试中，进行拟合预测的时候，M W -L S S V R 模型比W -L S S V R 模型均方误差性能指标提高约11%，平均预测误差提高约2%，在很大程度上，增加了模型训练时间。

这是因为：M W -L S S V R 模型采用的是多尺度方法测试。

从而证明，M W -L S S V R 模型的泛化能力、建模速度均要强于单尺度模型。

由上述分析可知，在污水处理中建模的时候，多尺度模型要比单尺度模型的精度更高，更能满足污水处理多工况的要求,与此同时，从计算时间角度分析，多尺度模型所
需要的时间要远远少于单尺度模型，充分体现了多尺度模型省时的优势，极大的增强了预测的实时性。

针对污水处理这种随天气、昼夜变化而频繁改变的工况系统而言，采用M W -L S S V R 模型具有更好的实用价值[10]。

4 结语
总而言之，在污水处理过程中，存在着很多变量耦合、非线性等问题，为污水处理监控工作带来了很大的难度，必须予以深入分析。

所以，在污水处理过程中，进行软测量的针对性应用，可以实现对处理故障的诊断，并且对处理过程予以优化，在一定程度上，提高了污水处理的社会效益与经济效益，促进了污水处理企业的可持续发展。

参考文献
[1] 黄道平,刘乙奇,李艳,等.软测量在污
水处理过程中的研究与应用[J].化工学报,2011,62(1):1-9.
[2] 刘乙奇,黄道平,李艳,等.基于改进JIT
算法的软测量建模及其在污水处理中的应用[J].华南理工大学学报:自然科学版,2011,39(5):55-60,67.
[3] 石芳.软测量在污水处理过程中
的研究与应用[J ].中国高新技术企业,2013(18):76-77.
[4] 张昭昭.污水处理过程出水水质多
模型在线软测量方法[J ].控制工程,2014,21(1):88-93.
[5] 宋剑杰.污水处理过程生化需氧量
智能集成软测量模型[J ].自动化仪表,2011,32(10):42-45.
[6] 丛秋梅,苑明哲,王宏,等.基于稳
定H a m m e r s t e i n 模型的在线软测量建模方法及应用[J ].化工学报,2015(4):1380-1387.
[7] 赖惠鸽,朱学军,俞金寿,等.基于智能算
法的污水处理软测量技术及其展望[J].化工自动化及仪表,2011,38(3):241-244,278.
[8] 丛秋梅,赵立杰,柴天佑,等.一类污
水处理过程水质多模型在线软测量方法[J].东北大学学报:自然科学版,2010,31(9):1221-1225.
[9] 马军爽.污水处理出水水质软测量建模
研究[J].微计算机信息,2010,26(1):154-
156.
[10]
黄银蓉,张绍德.MIMO最小二乘支持向量机污水处理在线软测量研究[J].自动化与仪器仪表,2010(4):15-17.Copyright©博看网 . All Rights Reserved.。