论文部分内容阅读
在污水处理过程中,存在着强耦合性、不确定性、参数时变性以及强非线性等特点,国内污水处理厂目前广泛采用活性污泥法进行污水处理,主要是利用污泥中微生物的生长、繁殖和生物反应等过程清除有机污染物。污水处理过程中的一个重要指标就是曝气池的溶解氧浓度,溶解氧浓度的准确预测与控制是保证污水处理系统达到理想效果的前提。然而,碘量法、氧化电极法、分光光度法和荧光猝灭法等传统的测量算法不能满足溶解氧浓度测量的精度要求,将软测量技术应用于污水处理过程研究,能很好地解决了这一难题。本文针对当前污水处理过程溶解氧测量中存在的问题,在分析总结已有研究成果基础上,完成以下研究工作:(1)分析了本课题的研究意义,对污水处理方法的三个步骤与活性污泥法工艺进行了简单叙述,并对污水处理过程中软测量技术的国内外研究现状进行了综述。(2)对软测量技术的基本原理进行了系统描述,就软测量的建模步骤与建模方法进行逐一讲解,建模步骤主要分为过程变量的选择、数据采集和处理、软测量模型的建立和软测量模型的校正,建模方法围绕基于工艺机理、回归分析和状态估计等七种方法进行了描述。并介绍了BP神经网络、SVM算法、粒子群算法和遗传算法四种智能优化算法的基本原理,为后面针对污水处理过程中软测量与智能优化算法的结合做了铺垫。(3)在研究国际基准仿真模型BSM1的基础上,利用Simulink搭建了溶解氧浓度的自适应动态仿真模型,分析了曝气池的氧气容量和氧气必要消耗两大主要因素对溶解氧浓度的影响,对稳态和动态模型下的溶解氧浓度进行对比分析,得到动态模型下的溶解氧浓度更加精确和稳定,同时对溶解氧浓度的机理分析有了进一步的了解。(4)针对溶解氧浓度无法在线精确测量的问题,采用遗传算法优化BP神经网络的权值和阈值,建立了基于遗传算法优化BP神经网络的溶解氧软测量模型,成功实现了对溶解氧浓度的预测,通过优化前后的对比实验,发现优化后的模型预测精度得到了很大提高。(5)基于对粒子群优化算法的研究,通过粒子群优化支持向量回归机建立了溶解氧浓度模型,结合软测量思想,通过MATLAB软件分别对优化前后支持向量回归机的溶解氧浓度进行预测,同时增加RBF算法的预测对比实验,经过结论对比,验证了所搭溶解氧浓度模型的实用性与准确性,为进一步研究污水处理溶解氧浓度的预测与控制提供了保障。