污水处理过程的软测量技术

污水处理过程的软测量技术是为解决污水处理出水水质(如BOD5、COD等)难以在线实时检测而提出的,它为污水处理质量参数的在线预测和闭环控制创造必要的前提条件,并提供可行的解决方案,从而稳定出水水质和提高污水处理的效率.介绍软测量技术的概念,研究污水处理软测量建模方法,以及工程设计方法.     

基于多模型模糊核聚类方法的污水处理过程软测量建模

针对污水处理过程高度非线性及强耦合性的特点,基于多个模型的组合可以提高模型精度和鲁棒性的思想,提出了一种基于模糊核聚类的多最小二乘支持向量机的软测量建模方法。该方法根据不同工况使用模糊核聚类算法对输入数据进行聚类划分,针对每个聚类子集用最小二乘支持向量机方法建立子模型,最终通过子模型切换策略得到系统输出。在污水处理过程仿真平台展开验证工作,对生化需氧量BOD的软测量进行建模,获得了良好的实验结果。     

基于支持向量机与遗传算法的发酵过程软测量建模

提出了基于支持向量机的生物量浓度在线估计软测量建模方法,采用遗传算法进行模型输入的选择与支持向量机参数的选取,目的是找到对模型估计结果贡献最大的输入特征变量,降低了输入空间维数,缩小了求解问题的规模,从而减低计算方面的难度,减少了训练实际,同时又通过参数的调整,得到更好的决策函数,提高支持向量机的性能.模型的训练与验证数据都是取自实际的实验过程——诺西肽发酵.结果表明采用遗传算法进行优化的支持向量机软测量模型对生物量质量浓度具有好的预估性能.     

基于相关向量机的赖氨酸反应过程参数软测量

针对支持向量机(SVM)计算复杂度高、参数不容易确定等局限性,提出一种基于相关向量机(RVM)的赖氨酸反应过程关键参量的软测量方法.根据过程经验,确定发酵液的溶解氧浓度、pH值、二氧化碳释放率、氧吸收率和葡萄糖流加速率为辅助变量,利用相关支持向量机的拟合与泛化能力,建立了赖氨酸反应过程基质浓度、菌体浓度、产物浓度等不可直接测量参量的软测量模型.基于L-赖氨酸反应过程开展的试验研究表明:所建立的相关向量机软测量模型拟合精度高、泛化能力强,较好地满足了赖氨酸反应过程的控制要求.     

基于支持向量机的软测量建模方法的应用

利用基于最小二乘支持向量机(LS-SVM)的软测量建模方法,通过工业现场数据来对丁二烯精馏装置建立软测量模型.对于该软测量模型,支持向量机方法比BP神经网络方法具有更好的泛化能力.研究结果表明,基于最小二乘的支持向量机建模方法是一种有效的软测量建模方法.     

基于遗传支持向量机流量软测量研究

针对中国石油宁夏石化公司离心式CO2压缩机四段出口动态流量准确测量困难的问题,引入软测量方法对动态流量进行测量,实现了基于支持向量机的软测量技术对流量的间接测量．应用遗传算法对支持向量机的参数进行了优化,并将参数优化后的支持向量机得到的体积流量软测量模型的预测效果与实际测量值进行了对比,取得了良好的效果．     

基于RBF人工神经网络的生活污水处理软测量方法

为实现城市生活污水处理的在线控制,提出了基于RBF人工神经网络的软测量方法.运用大量实测数据对RBF神经网络进行了训练和仿真.结果表明,基于RBF神经网络的软测量模型对污水处理指标BOD的实时控制具有实用价值.     

基于PCA和LS-SVM的软测量建模与应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题,提出了将主元分析与最小二乘支持向量机相结合的软测量建模方法,并利用该方法建立了工业阿维菌素发酵过程中的菌丝浓度软测量模型.主元分析方法的引入,有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力.应用结果表明,该方法与基于径向基函数神经网络软测量模型相比具有有效性和优越性.     

基于支持向量机的软测量模型及应用

支持向量机(Support Vector machine, 简称SVM)是一种基于结构风险最小化原理,具有很高泛化性能的学习算法.针对软测量过程中,被测系数与相关参数之间存在有较大的非线性和模糊关系,提出了一种基于支持向量机的软测量模型及算法.为小样本、非线性、高维数一类软测量问题的建模提供了一种有效的途径.通过对"纸张水分在线测量系统"应用表明,基于SVM的软测量模型及算法在测量精度和推广性能上都具有一定的优越性.     

基于Elman神经网络的城市污水处理水质参数软测量

在介绍序批式活性污泥法(SBR)的城市生活污水处理工艺的基础上,针对反应过程所具有的多变量、非线性和动态复杂反应的特点,利用水质参数与多个过程可测参数间的关联关系,提出了基于Elman递归人工神经网络的水质参数软测量模型.以ORP,DO浓度和pH值作为输入参数,可实现对COD,NH3,TP水质参数的软测量.基于污水处理实验数据建立软测量模型,结果表明,上述软测量模型对污水处理水质指标COD,NH3,TP具有理想的预测效果.