申请日2011.10.19
公开(公告)日2012.06.13
IPC分类号G01N15/04; G01N9/00; G06N3/02
摘要
一种污泥沉降体积指数SVI的软测量方法属于水处理领域。污水处理过程的生产条件恶劣，随机干扰严重，具有强非线性、大时变、严重滞后的特点，我国几乎所有的城市污水处理厂和大部分工业污水处理厂每年都存在着不同程度的污泥膨胀，污泥膨胀的主要特征是污泥沉降性能恶化，污泥沉降体积指数SVI是表示污泥沉降性能的参数，但是SVI这一关键指标难以在线测量。本发明针对污水处理过程中污泥沉降体积指数SVI无法在线测量的问题，采用基于自组织RBF神经网络的软测量方法，利用自组织RBF神经网络对污水处理过程中污泥沉降体积指数SVI在线软测量，保证了污水处理的正常运行、降低成本，为污水处理过程实现闭环控制提供及时监测参数，促使污水处理厂高效稳定运行。
权利要求书
1.一种污泥沉降体积指数SVI的软测量方法：
(1)对样本数据进行校正;
设有N个初始数据样本(x(1)，x(2)，...，x(N))，均值为χ，每一个样本的偏差为D(j)=x(j)-χ，j=1，2，...，N，计算标准偏差：
若某一个样本x(j)的偏差满足：
|D(j)|≥3σ，，j=1，2，...，N，(2)
则认为样本x(j)是异常数据，应予以剔除，得到校正后的数据，该数据作为神经网络的训练样本和测试样本;
(2)设计用于SVI软测量的自组织RBF神经网络初始拓扑结构;网络分为三层：输入层、隐含层、输出层;输入为辅助变量，输出为污泥沉降体积指数SVI;
初始化神经网络：确定初始神经网络l-K-1的连接方式，即输入层神经元为l个，隐含层初始神经元为K个，输出层神经元为1个;对神经网络的权值进行随机赋值;神经网络的输入表示为x=(x1，x2，...，xl)T，(x1，x2，...，xl)T为(x1，x2，...，xl)的转置，神经网络的期望输出表示为yd;设共有M个训练样本，则第t个训练样本为x(t)=(x1(t)，x2(t)，...，xl(t))T，用第t个训练样本训练神经网络时，自组织RBF神经网络的输出可描述为：
其中，K是隐含层初始神经元数，x(t)=(x1(t)，x2(t)，...，xl(t))T是输入向量，wk是第k个隐含层神经元与输出层神经元的联结权值;θk是第k个隐含层神经元的输出，即
其中，μk是第k个隐含层神经元的中心值，σk是第k个隐含层神经元的方差，k=1，2，...，K;
定义误差函数为
yd(t)和y(t)分别是第t个训练样本的系统实测输出和神经网络输出，训练自组织RBF神经网络的目的是使得式(5)定义的误差函数达到期望误差值;
其特征在于还包括以下步骤：
(3)用校正后的训练样本训练神经网络，具体为：
①给定一个RBF神经网络，隐含层初始神经元数为K，K为正整数，初始化神经网络权值wk，其值为0到1的随机数;初始化中心值μk;，μk的维数是l，μk初始化中最大元素小于2，最小元素大于-2;期望误差值设为Ed;，Ed小于0.01;方差σk∈[0.01，2];
②根据误差函数公式(5)来调整神经网络隐含层神经元的权值wk、中心值μk和方差σk;通过调整权值wk、中心值μk和方差σk使得E(t)的值趋近Ed，wk、μk和σk调整一次后转向步骤③;
③计算隐含层神经元k与输出层神经元y间的连接强度m，
假设k和y是相互连接的神经元，交互信息的强度M(k;y)依赖于神经元k和y间的平均信息量，神经元k和y间的连接强度为：
M(k;y)=H(k)-H(k|y)=H(k)-H(y|k)，(6)
其中，H(k)为k的香农熵，H(y|k)为y在k条件下的香农熵;由公式(6)可知，当神经元k和y相互独立时，M(k;y)的值为0;否则，M(k;y)为正数;所以，M(k;y)≥0，并且
M(k;y)≤min(H(k)，H(y)).(7)
规则化交互信息的强度
其中0≤m(k;y)≤1，通过计算m(k;y)，能够确定神经元k和y间相关性，即连接强度;设定m0∈[0，0.01]，在RBF神经网络中，当m(k;y)≥m0时则说明神经元k和y间的信息交互较强，认为k和y间有连接，神经网络的结构不需要调整;当m(k;y) ④计算神经元i的活跃度NAi， 其中，假如第③步中神经网络结构没有调整，i=1，2，...，K;假如第③步中神经网络结构发生调整修剪，隐含层神经元为K-Ncut个，则调整，i=1，2，...，K-Ncut;NAi是隐含层第i个神经元的活跃度，θi是隐含层第i个神经元的输出，m(i;y)是隐含层第i个神经元的交互信息强度;如果活跃度NAi大于活跃度阈值NAo，NAo∈[0.01，0.2]，分裂神经元i，调整网络结构，Nnew是新增神经元数，其值是3;如果神经网络中有1个神经元分裂为Nnew个新神经元;假如第③步中神经网络结构没有调整，则神经网络隐含层神经元通过分裂后变为K+Nnew-1个;假如第③步中神经网络结构发生调整，则神经网络隐含层神经元通过分裂后变为K-Ncut+Nnew-1个; ⑤计算误差函数公式(5)中E(t)的值，如果E(t)达到小于或等于达到期望误差Ed时停止计算;否则转向步骤②继续训练; (4)对测试样本进行检测：将测试样本数据作为训练好的神经网络的输入，神经网络的输出即为SVI的软测量结果。 说明书 一种污泥沉降体积指数SVI的软测量方法 技术领域 本发明利用自组织RBF神经网络实现污水处理过程中污泥沉降体积指数SVI的软测量，SVI的浓度直接决定了污水处理过程中污泥沉降的信息，对污水处理的正常运行有着重要影响;将软测量方法应用于污水处理系统，既可节约投资和运行成本，又能及时监测污水处理相关参数，促使污水处理厂高效稳定运行;SVI的软测量作为污水处理的重要环节，是先进制造技术领域的重要分支，既属于水处理领域，又属于控制领域。 背景技术 水资源问题已成为世界各国政府首要关注的议题，联合国《世界水资源综合评估报告》指出：水问题将严重制约21世纪全球经济与社会发展，并可能导致国家间冲突;因此，建立污水处理厂，最大限度地保护水环境，实现淡水资源持续利用和良性循环，已经成为我国政府水资源综合利用的战略举措。 环保部2010年《中国环境状况公报》中指出2009年全国废水排放总量为589.2亿吨，比上年增加3.0%，而全年累计处理污水343.33亿立方米，水污染防治形势依然严峻。国务院2008年实施的《中华人民共和国水污染防治法》中明确提出：国家鼓励、支持水污染防治的科学技术研究和先进适用技术的推广应用，要求造成水污染的企业进行技术改造，采取综合防治措施，提高水的重复利用率。在此背景下，截至2010年底，在全国654个设市城市中，已有607个城市建有污水处理厂，占城市总数的92.8%，全国设市城市、县累计建成城镇污水处理厂2832座，日处理能力达1.25亿立方米。但是污水处理厂的运行状况却不容乐观：由于设施运行负荷率低、污水厂进水化学需氧量浓度低，水质监管、检测不完备等原因，在污水处理过程中，难以保证污水厂运行的稳定性和可靠性。目前，我国几乎所有的城市污水处理厂和大部分工业污水处理厂每年都存在着不同程度的污泥膨胀。污泥膨胀不仅使污泥流失，出水水质超标，甚至导致整个污水处理系统崩溃，危害巨大。因此，抑制污泥膨胀发生，确保污水处理质量达标是当前亟待解决的问题。 污泥膨胀的主要特征是污泥沉降性能恶化，SVI是表示污泥沉降性能的参数，通常当SVI高于150mL/g时发生污泥膨胀。SVI这一关键指标难以在线测量，实际应用中靠人工化验得到，其分析测定周期一般需要多个小时。大部分污水处理厂SVI的测量频率为每周1-2次，很难依靠SVI的测量值及时获取污泥膨胀信息。同时，由于引起污泥膨胀的原因是多方面的，而且这些因素相互影响，相互联系，相互制约，因此，污泥膨胀的建模问题是一个世界性的难题，对于普遍发生的污泥膨胀进行识别和预测，这既是一个工程问题又涉及到了微生物的相关知识，需要多个学科知识交叉结合。因此，研究新的测量方法解决SVI的实时测量问题，已成为污水控制工程领域研究的重要课题，并且具有重要的现实意义。 本发明提出一种SVI软测量方法，通过构建自组织RBF神经网络模型，选择一组既与SVI密切联系，又容易测量的辅助变量作为自组织RBF神经网络的输入，实现对SVI的实时测量，从而确保及时发现污泥膨胀，降低污泥膨胀发生，保证污水处理厂的正常运行。 发明内容 本发明获得了一种自组织RBF神经网络的污水处理过程中污泥沉降体积指数SVI的软测量方法;该方法通过分析污水处理过程，在众多可测变量中选择一组与SVI有密切联系且容易测量的变量作为辅助变量，通过构造自组织RBF神经网络，实现SVI的在线测量，解决了当前SVI无法实时准确获取的问题; 本发明采用了如下的技术方案及实现步骤： 一种污泥沉降体积指数SVI的软测量方法， (1)对样本数据进行校正; 设有N个初始数据样本(x(1)，x(2)， ...，x(N))，均值为χ，每一个样本的偏差为D(j)=x(j)-χ，j=1，2，...，N，计算标准偏差： 若某一个样本x(j)的偏差满足： |D(j)|≥3σ，，j=1，2，...，N，(2) 则认为样本x(j)是异常数据，应予以剔除，得到校正后的数据，该数据作为神经网络的训练样本和测试样本; (2)设计用于SVI软测量的自组织RBF神经网络初始拓扑结构;网络分为三层：输入层、隐含层、输出层;输入为辅助变量，输出为污泥沉降体积指数SVI; 初始化神经网络：确定初始神经网络l-K-1的连接方式，即输入层神经元为l个，隐含层初始神经元为K个，输出层神经元为1个;对神经网络的权值进行随机赋值;神经网络的输入表示为x=(x1，x2，...，xl)T，(x1，x2，...，xl)T为(x1，x2，...，xl)的转置，神经网络的期望输出表示为yd;设共有M个训练样本，则第t个训练样本为x(t)=(x1(t)，x2(t)，...，xl(t))T，用第t个训练样本训练神经网络时，自组织RBF神经网络的输出可描述为： 其中，K是隐含层初始神经元数，x(t)=(x1(t)，x2(t)，...，xl(t))T是输入向量，wk是第k个隐含层神经元与输出层神经元的联结权值;θk是第k个隐含层神经元的输出，即 其中，μk是第k个隐含层神经元的中心值，σk是第k个隐含层神经元的方差，k=1，2，...，K; 定义误差函数为 yd(t)和y(t)分别是第t个训练样本的系统实测输出和神经网络输出，训练自组织RBF神经网络的目的是使得式(5)定义的误差函数达到期望误差值; 其特征还包括以下步骤： (3)用校正后的训练样本训练神经网络，具体为： ①给定一个RBF神经网络，隐含层初始神经元数为K，K为正整数，初始化神经网络权值wk，其值为0到1的随机数;初始化中心值μk，μk的维数是l，μk中最大元素小于2，最小元素大于-2;期望误差值设为Ed，Ed一般小于0.01;方差σk∈[0.01，2]; ②根据误差函数(5)来调整神经网络隐含层神经元的权值wk、中心值μk和方差σk;通过调整权值wk、中心值μk和方差σk使得E(t)的值趋近Ed，wk、μk和σk调整一次后转向步骤③; ③计算隐含层神经元k与输出层神经元y间的连接强度m， 假设k和y是相互连接的神经元，交互信息的强度M(k;y)依赖于神经元k和y间的平均信息量，神经元k和y间的连接强度为： M(k;y)=H(k)-H(k|y)=H(k)-H(y|k)，(6) 其中，H(k)为k的香农熵，H(y|k)为y在k条件下的香农熵;由公式(6)可知，当神经元k和y相互独立时，M(k;y)的值为0;否则，M(k;y)为正数;所以，M(k;y)≥0，并且 M(k;y)≤min(H(k)，H(y)).(7) 规则化交互信息的强度 其中0≤m(k;y)≤1，通过计算m(k;y)，能够确定神经元k和y间相关性，即连接强度;设定m0∈[0，0.01]，在RBF神经网络中，当m(k;y)≥m0时则说明神经元k和y间的信息交互较强，认为k和y间有连接——图2.1，神经网络的结构不需要调整;当m(k;y) ④计算神经元i的活跃度NAi， 其中，假如第③步中神经网络结构发生修剪，隐含层神经元为K-Ncut个，则i=1，2，...，K-Ncut;NAi是隐含层第i个神经元的活跃度，θi是隐含层第i个神经元的输出，m(i;y)是隐含层第i个神经元的交互信息强度;如果活跃度NAi大于活跃度阈值NAo，NAo∈[0.01，0.2]，分裂神经元i，调整网络结构，Nnew是新增神经元数，其值是3;如果神经网络中有1个神经元分裂为Nnew个新神经元;则神经网络隐含层神经元通过分裂后变为K-Ncut+Nnew-1个; ⑤计算误差函数(5)中E(t)的值，如果E(t)小于或等于期望误差Ed时停止计算;否则转向步骤②继续训练; (4)对测试样本进行检测：将测试样本数据作为训练好的神经网络的输入，神经网络的输出即为SVI的软测量结果; 本发明的创造性主要体现在： (1)本发明首先通过计算交互信息相关性函数，分析RBF神经网络隐含层神经元与输出层神经元间的连接强度，从而根据交互信息强度对网络结构进行修剪;其次，利用神经元的活跃度函数判断神经元的活跃性，对活跃度较强的神经元进行分裂;该自组织RBF神经网络能够满足处理对象的信息需求，提高神经网络的计算速度和信息处理能力; (2)本发明针对当前污水处理过程中污泥沉降体积指数SVI测量周期长，不能在线检测的问题，根据神经网络可以逼近非线性函数的特点，采用了自组织RBF神经网络对SVI进行在线软测量，具有实时性好、稳定性好、精度高等特点;从而省去了研制传感器的复杂过程以及降低运行成本; (3)本发明通过采用了自组织RBF神经网络实现辅助变量入水流量Qin、溶解氧浓度DO、酸碱度pH、生化需氧量BOD、化学需氧量COD、总氮TN与SVI之间的映射，获得了一种SVI与Qin、DO、pH、BOD、COD、TN的特征关系，从而解决了SVI难以用数学模型描述的问题; 特别要注意：本发明只是为了描述方便，采用的是对SVI进行软测量，同样该发明也适用于污泥密度指数——SDI，只要采用本发明的原理进行软测量都应该属于本发明的范围。