论文部分内容阅读
论文针对建立污水处理过程控制参数及水质参数的软测量模型进行了研究,为进一步实现污水处理过程的自动控制和参数在线检测创造条件。文章在分析了各种软测量模型的基础上,提出了一种基于改进神经网络的污水处理软测量模型,并用该模型对COD、TN、TP 及SVI 等难以在线测量的参数或虽能在线测量但检测费用高的参数进行了软测量。通过主元分析(Principal Component Analysis 简称PCA)及粗糙集(Rough Sets 简称RS)的方法对数据进行预处理,并用Matlab 进行了仿真。结果表明,有PCA 或RS 预处理的软测量模型的测量效果明显优于无预处理的模型。论文主要工作和结论如下: 1. 研究了各种软测量方法并分析了它们的适用范围,在分析了污水处理系统的特征后,选定了适用于污水处理的软测量模型——神经网络软测量模型。2. 对两种常用的神经网络模型做了分析,即误差反向传播(Back Propagation 简称BP)网络模型和径向基函数(Radial Basis Function 简称RBF)网络模型,并指出了各自的优缺点及改进措施。3. 由于神经网络对误差数据及线性相关数据的比较敏感,而污水处理中常常存在这两种数据,为此,提出以PCA 或RS 对神经网络数据输入进行预处理。当采用PCA 方法时,可以降低误差数据影响,去除数据的线性相关性以及降低输入数据的维数;而采用RS 方法,则可剔除无关变量并起到降维作用。二者均可使神经网络结构简化并提高神经网络的预测效果,但RS 方法还减少了输入变量,进而减少了在线检测的仪表数。4. 以重庆市某污水厂的实测数据为例,检验所提出的模型的有效性。针对该污水厂的难以在线测量(或在线仪表昂贵)的变量COD、TN、TP 及SVI,分别以不同的方法(BP、PCA+BP、RS+BP、RBF、PCA+RBF 以及RS+RBF)建立了相应的软测量模型,并对各模型测量效果做了详细比较,选出一理想模型作为最终理想模型。