软测量在污水处理中的研究

 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SOM+PCA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。在有关研究中，主要就是借助SVM+BP软测量模型进行二沉池SVI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SVI的同时，忽视了SV、ZSV、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NLPCA、NNPLS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KPLS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，有关研究表明，将PH、ORP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SBR工艺循环时间估计中运用软测量。通过有关研究发现，在SBR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SBR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。

3MW-LSSVR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，COD、BOD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，CorinnaCortes、Vapnik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。最小二乘支持向量机（LSSVR）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（MW-LSSVR），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COD浓度、出水BOD浓度的在线预测，有效解决了COD、BOD的在线监测问题。

3.1选择输入输出变量在构建COD、BOD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COD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。

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。

3.3建立模型输入进水COD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COD浓度、BOD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MW-LSSVR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LSSVR、W-LSSVR、MW-LSSVR对出水BOD浓度进行建模测量。在运用LSSVR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-LSSVR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。通过LSSVR、W-LSSVR、MW-LSSVR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LSSVR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，MW-LSSVR模型比W-LSSVR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：MW-LSSVR模型采用的是多尺度方法测试。从而证明，MW-LSSVR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MW-LSSVR模型具有更好的实用价值。

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。