（检测技术与自动化装置专业论文）污水处理出水水质软测量预测预报系统开发.pdf

昆明理工大学硕士学位论文摘要 捅姜 本论文是围绕如何采用软测量技术解决目前城市污水处理出水水质参数难 以用硬仪表在线测量这一现实问题而展开的。研究目标是设计基于软测量技术的 计算机软件系统，实现污水处理出水水质的预测预报。 本论文的研究方法是：首先，借助于污水处理过程历史数据，建立出水水质 参数的软测量模型；然后将该模型嵌入应用系统中，开发出基于软测量技术的污 水处理过程出水水质参数的计算机预测预报系统。 本论文的研究成果主要有以下两方面： 一、获取了污水处理出水水质预测软测量模型 1 、建立了昆明市第二污水处理厂运行多年的历史数据库； 2 、选取历史数据库中较为完整的数据加以预处理作为软测量建模样本和预 测评价样本，并由此设计了大量的多元线性回归、人工神经网络预测算法； 3 、结合污水处理工艺特点，创造性地提出了“样本数据插值和多步记忆” 的污水处理出水水质预测软测量模型结构，使预测质量大为改善。 二、成功开发了基于软测量技术的污水处理出水水质预测预报软件系统 本系统的前端应用软件采用v i s u a lc + + 6 0 开发；软预测器由m a t l a b 实 现；数据由m i c r o s o f ts q ls e r v e r2 0 0 0 或a c c e s s 管理。即： l 、采用m f co d b c ( 开放式数据库互联) 技术访问数据库，实现应用程序 与污水处理数据库的信息集成： 2 、采用m a t l a b 提供的引擎( e n g i n e ) 技术，结合c + + 编程技巧。实现了 v i s u a lc + + 和m a t l a b 的信息集成，即由此将软预测器“捆绑”到应用系统。 总之，本文的研究不仅验证了软测量技术应用于城市污水处理过程出水水质 参数预测的可行性，还提供了采用m a t l a b 、v i s u a lc + + 、s q ls e r v e r ( 或 a c c e s s ) 混合编程的具有创新意义和一定推广价值的具体开发方案。这种开发 方案缩短了应用程序的开发周期和开发成本，并在一定程度上提高了可靠性。 另外，本文提出的“样本数据插值和多步记忆”的软测量模型结构对于类似 于污水处理的工业过程，即目标参数难以用硬仪表在线测量且可得数据样本间隔 时间长、前后相关性强的工业过程之软测量模型构建，也颇具参考价值。 关键词软测量技术污水处理多元线性回归人工神经网络 m a t l a b 引擎 昆明理工大学硕士学位论文 摘要 a b s t r a c t t h et h e s i sd e v e l o p e do na ne x i s t i n gp r o b l e mf o rf o r e c a s t i n gt h ee f f l u e n tq u a l i t y p a r a m e t e r s o fu r b a n s e w a g e t r e a t m e n tf a c t o r i e s ，w h i c ha r eu s u a l l yd i f f i c u l t t o m e a s u r ew i t hc o n v e n t i o n a l o n l i n e a p p a r a t u s ，t h r o u g h a p p l y i n gs o f t - s e n s i n g t e c h n i q u e ，t h eg o a l o ft h i sr e s e a r c hi st o d e v e l o pa s u i to fs o f t w a r e s y s t e mf o r r e a l i z i n gt h ef o r e c a s to f e f f l u e n tq u a l i t yb a s e do ns o f t s e n s i n gt e c h n i q u e r e s e a r c hm e t h o d sa p p l i e di nt h et h e s i sa r ea sf o l l o w s t h ef i r s tm e t h o di st oc o n s t r u c tt h es o f t - s e n s i n gm o d e l so fe f f l u e n tq u a l i t y p a r a m e t e r s w i t h h i s t o r y d a t ao fa s e w a g e t r e a t m e n tf a c t o r yf o r y e a r s a n o t h e r m e t h o di st op l a n tt h em o d e l si n t ot h ea p p l i c a t i o ns y s t e mt od e v e l o pt h ec o m p u t e r f o r e c a s t i n gs y s t e mf o re f f l u e n tq u a l i t yp a r a m e t e r so fs e w a g e t r e a t m e n tf a c t o r i e s t w om a i nr e s e a r c hr e s u l t so ft h et h e s i sa r ea sf o l l o w s ( 1 ) t h eo b t a i n m e n to fs o f t s e n s i n gm o d e l sf o re f f l u e n tq u a l i t yp a r a m e t e r sf o r e c a s t i n g f i r s t l y ，as e w a g ed a t a b a s ei sd e s i g n e dw i t hh i s t o r y d a t ao fas e w a g et r e a t m e n tf a c t o r y f o ry e a r s s e c o n d l y ，m a n yf o r e c a s t i n ga l g o r i t h m sf o rm u l t i p l el i n e a rr e g r e s s i o na n db p n e u r a ln e t w o r ka r ed e s i g n e db yu s i n gs a m p l e se x p o r t e df r o mt h es e w a g ed a t a b a s e ，a tl a s t ，a k i n do fs o f t s e n s i n gm o d e lo fs a m p l ei n t e r p o l a t i o na n dm u l t i s t e pm e m o r yf o rf o r e c a s t i n g e f f l u e n tq u a l i t yp a r a m e t e r si sp r e s e n t e d t h em o d e li m p r o v e dt h ef o r e e a s t i n go fe f f l u e n tq u a l i t y p a r a m e t e r sm o s t l y ( 2 ) t h ea c c o m p l i s h m e n t o ft h es o f t w a r e s y s t e m f o re f f l u e n t q u a l i t yp a r a m e t e r s f o r e c a s t i n gb a s e do ns o f t s e n s i n gt e c h n i q u e t h ea p p l i c a t i o no ft h i ss y s t e md e v e l o p e dw i t hv i s u a lc + + w h i l es o f t - s e n s i n g m o d e l sd e s i g n e dw i t hm a t l a ba n dt h es e w a g ed a t a b a s ed e s i g n e dw i t ha c c e s so r s q ls e r v e r2 0 0 0 t h et h e s i si n t e g r a t e dt h ea b o v et h r e ei n t oo n ea p p l i c a t i o ns y s t e m b ya p p l y i n gm f c o d b ca n dm a t l a b e n g i n et e c h n i q u e s i n g e n e r a l ，t h e r e a r et w oi n n o v a t i o n si nt h et h e s i s o n ei st h e h y b r i d p r o g r a m m i n gt e c h n i q u ef o rv i s u a lc + + a n d m a t l a bw i t hm a t l a b e n g i n e w h i c h i sa ni n e x p e n s i v ea n dt i m es a v i n gw a ya n dc a nb ei n t r o d u c e di n t oo t h e rs y s t e m s t h e o t h e ri st h ep r e s e n t m e n to ft h es o f t - s e n s i n gm e d e lo fs a m p l ei n t e r p o l a t i o na n dm u l t i - s t e p m e m o r y 。w h i c h c a na l s ob ei n t r o d u c e di n t oo t h e rs i t u a t i o n ss i m i l a rt os e w a g et r e a t m e n t k e y w o r d s ：s o f t s e n s i n gt e c h n i q u e ，s e w a g et r e a t m e n t ，m u l t i p l e l i n e a r r e g r e s s i o n ， a r t i f i c i a ln e u r a ln e t w o r k ，m a t l a be n g i n e i i 昆明理工大学学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下 ( 或我个人) 进行研究工作所取得的成果。除文中已经注明 引用的内容外，本论文不含任何其他个人或集体已经发表或撰写 过的研究成果。对本文的研究做出重要贡献的个人和集体，均已 在论文中作了明确的说明并表示了谢意。本声明的法律结果由本 人承担。 学位论文作者签名：彰艺耷 日期：2 0 0 3 年2 月2 4 日 昆明理工大学硕士学位论文第一章绪言 第一章绪言 随着我国社会和经济的高速发展，环境问题日益突出，尤其是城市水环境的 恶化，加剧了水资源的短缺，影响着人民群众的身心健康，已经成为城市可持续 发展的严重制约因素。近年来，国家和地方政府非常重视污水处理工业，以前所 未有的速度推进城市污水处理工程的建设。 污水处理工业要不断地提高污水处理的质量，防止二次污染。 为了提高污水处理的质量，可从如下两个方面考虑：其一，选用合适的处理 工艺。其二则是提高污水处理过程的自动化测控水平。一般而言，对于前者，工 艺一经构建，改善的余地就很小了。而对于后者，则可供发挥的余地是很大的。 对污水处理过程实行自动化控制和管理，一直是世界各国普遍关注的问题。 一些国家自2 0 世纪7 0 、8 0 年代就开始污水生化处理过程建模和控制的研究，并 在污水处理厂中有了一定的应用。例如：目前美国主要污水处理厂己实现了工艺 流程中主要参数的自动测试和控制。在国内，由于污水处理工业起步晚以及与之 相配套的专业设备生产技术落后等原因，污水处理运营效率不高，研究者也较少。 事实上，我们对昆明市目前拥有的五个污水处理厂均作了实地考察，发现最 多仅有少量的常规仪表在线投入使用，有关水质的过程参数几乎全部靠人手工化 验来确知；以出水水质指标为被控参数的闭环控制几乎等于零，最多有少量的诸 如提升泵、污泥回流泵和鼓风机的开关控制等开环控制成分。这样，出水水质 既难保证，运营能耗又较高。 因此，对污水处理工艺过程测控技术展开研究，提高我国污水处理工业的自 动化水平，极具现实意义。 同时该研究也颇具挑战性。这是因为目前城市污水处理大都采用生物氧化工 艺。从控制论角度考虑，这类生化污水处理过程是典型的非线性、时变、不确定、 大时滞的复杂系统，对其建模、控制并非易事。而且，当前污水处理领域的检测 传感器、仪表尤其是专用传感器、专用仪表发展相对落后，复杂系统建模所需的 大量过程参量无法用常规方法在线获得。 另一方面，软测量技术已成为当前过程控制和过程检测领域的一大研究热点 和主要的发展趋势之一。可借助该技术来提高污水处理过程的测控水平。 软测量技术( s o f t s e n s i n gt e c h n i q u e ) 就是利用现有的可测工业过程参数来估 计无法采用现有传感器获取且控制系统运行必需的过程参数，以此设计和改善工 昆明理工大学硕士学位论文第一章绪言 业控制系统的一种新兴技术。 软测量技术在国外业已广泛应用，国内虽然起步较晚，但亦有成功应用，但 主要限于石化工业领域。本文研究开始时，作者本人尚未见国内污水处理工业。 领域有成功应用软测量技术的应用系统出现。 但就污水生化处理工艺过程来看，其被处理的水体要在工艺构筑物内停留一 段时间，在这段时间内，各过程参数存在事实上的相关性。这样，在理论上就存 在着由可测或易测的过程参数( 如：流量、水体污泥浓度等) 来估计不便测量的过 程参数( 如：b o d 5 等) 的可行性。 为此，本论文进行了基于软测量技术的城市污水处理出水水质预测预报应 用系统的研究，其研究内容属2 0 0 0 年云南省教育厅基金资助项目污水处理过 程中出水水质的软测量方法研究( 编号0 0 1 2 1 6 9 ) 和2 0 0 1 年云南省科委应用 基金资助项目基于软测量技术的污水处理过程自动监测与预报系统研究( 编 号2 0 0 1 f 0 0 2 3 ) 的研究范踌，并得到昆明市自来水公司、昆明市第二污水处理 厂等单位的大力支持。直接目标是解决昆明市第二污水处理厂重要出水水质指 标因人工化验检测而产生严重滞后的问题，并期望将其研究方法和所开发的应 用软件作进一步地推广应用，以期改善滇池水体富营养化之现状。 本论文研究可分为两大步：首先利用昆明市第二污水处理厂1 9 9 8 、1 9 9 9 两 年的历史数据作为样本，研究设计合理的软测量模型：其次根据所获得的软测量 模型，开发具有友好人机交互界面的应用软件系统。 从本论文的研究成果看： 一、本研究圆满完成了既定的软测量建模任务，设计出了富有创造性的的污 水处理出水水质软测量模型结构。从对该模型的仿真结果来看，效果较为理想； 二、本研究根据该“样本数据插值和多步记忆”软测量模型的实现逻辑，开 发了基于软测量技术的污水处理出水水质预测预报应用软件系统。该软件系统具 有人机界面友好、提供多种软测量模型结构供用户选择使用、可与其它常规应用 系统共享数据库等特点，可直接投入实际应用。 综上所述，本论文主要由软测量技术背景、软测量模型的设计、应用系统的 开发三部分构成。 限于作者水平文中定有不妥之处。还望各位专家指正。作者将感激不尽! 昆明理工大学硕士学位论文第二章软测量技术综述 第二章软测量技术综述 本章内容主要涉及软测量技术相关概念及其理论；设计软测量器的常用方法 以及软测量技术展望等。 2 1 软测量技术及其技术实施 2 1 1 软测量技术 随着现代工业过程控制对控制精度和控制可靠性要求的不断提高，需要知道 更多的过程参数测量值。在工业过程控制领域，一般可有两种方法来测量工业过 程参数：其一是研制相应的过程参数测量硬仪表，以硬件装置的形式来实现过程 参数的直接在线测量；其二是采用间接测量的方式即借助过程参数之间的相关 性，通过一定的算法，由其它过程参数来计算( 或称估计) 待测过程参数。 第一种方法是较为传统的测量方式，容易理解而且目前应用极其普及。但是， 在较复杂的工业控制系统中，有许多不易或根本无法用硬传感器来获得测量值且 极为重要的过程参数，例如：污水处理过程的b o d 5 ( b i o l o g i c a lo x y g e n d e m a n d ， 五天生化需氧量) 。在这类情况下，传统的硬仪表测量方案遇到了困难，而第二 种方案则展示了其应有的价值和灵活性：通过设计相应的测量( 估计) 算法而巧 妙地获得目标过程参数值。本文所探讨的软测量技术( s o f t s e n s i n gt e c h n i q u e ) 就是这种方案的集中体现。 软测量技术也称为软仪表技术( s o f ts e n s o rt e c h n i q u e ) ，概括地说，就是首 先寻找、建立容易测量的过程参数( 在软测量技术中称为辅助变量或二次变量： s e c o n d a r yv a r i a b l e ) 和难以用硬仪表测量的过程参数( 称为主导变量；p r i m a r y v a r i a b l e ) 之间的数学关系( 称为软测量 模型：s o f t s e n s i n gm o d e l ) ：然后利用 x l 这个软测量模型，通过适当的科学计算“2 和估计，由辅助变量来“测量”( 估计) 出难测的主导变量。这可简单表示为图“。 2 1 。该图中：x 1 x m 为输入辅助变量， y l y n 为输出主导变量。 软测量模型 图2 1 软测量示意简图 软测量技术作为一个技术术语是在8 0 年代中后期被提出来的，并由此而在 y l y 2 昆明理工大学硕士学位论文第二章软测量技术综述 世界范围内掀起了一股研究热潮f ”。而1 9 9 2 年国际过程控制专家t j m a c v o y 在著名学术刊物a u t o m a t i c a 上作的i f a c 报告2 1 ，对软测量技术的发展起了重要 的促进作用。目前，软测量技术已成为过程控制和过程检测领域的一大研究热点 和主要的发展趋势之一”7 1 。 软测量技术的研究内容主要涉及软测量建模理论和方法、软测量工程实施技 术和软测量模型维护技术三大方面。 2 1 2 软测量建模理论和方法卅”】 软测量建模理论基础相当丰富，所有适合获取数学模型参数的方法都可作为 软测量建模的理论指导。从统计数学的回归分析( 包括线性回归分析和非线性回 归分析) 理论、主元分析理论到控制科学领域的各类系统辨识理论及至人工智能 领域的人工神经网络理论、模糊理论、遗传理论等等均可作为软测量建模理论和 方法。 另外，针对具体的工艺实际，还有简便的机理建模方法，但这要求对工艺运 行特点较熟悉。因本文是探讨如何分别利用线性回归和人工神经网络两种方法设 计污水生物氧化处理过程出水水质软测量模型，故下文简要综述这两种软测量建 模理论。 2 1 2 1 基于线性回归分析软测量建模理论 8 1 8 1 回归分析是统计数学的一个重要分支，在实验数据处理中又称为“曲线拟 和”。回归分析有多种形式，按因变量和自变量是否存在线性关系可分为线性回 归( l i n e a rr e g r e s s i o n ) 和非线性回归( n o n l i n e a rr e g r e s s i o n ) ；按自变量的个数又 可分为一元回归( s i n g l er e g r e s s i o n ) 和多元回归( m u l t i p l er e g r e s s i o n ) 。对于 非线性回归，大都能转化为线性回归来处理，本文仅就多输入多输出( m i m o ) 线性回归数学模型表述如下： 设有p 个因变量( 输出主导变量) y ly ：，y 。，其中： y ，= y 。y z 2 ，y 。】7 ( f = 1 , 2 ，p ) ；q 个自变量( 输入辅助变量) x 1 i z ：，工。，其 中，却= x j l 算m 工一r ( - ，= 1 2 ，g ) 。对于n 次独立观察，多元线性回归模型结 构可写为： y = 且置+ 占( 2 1 1 ) 其中： 4 昆明理工大学硕士学位论文第二章软测量技术综述 y = r y i r y 2 f r y p j ，i l ，y 1 2 ，y l n y 2 1 ，y 2 2 ，。一，y z 。 y p i ，y p 2 ，y p 目 爿= k 。4 i ，口g 】2 e要：ai：ji三 ld o l l ，口口 x ： ：占= 1 ，1 ，1 工l i ，x 1 2 ，x h 石口i ，x 口2 ，。一，x 毛i ，e 1 2 ，q s 2 i ，9 2 2 ，s 2 s p i ，6 p 2 ，s p 月 】，是p 。n 阶因变量观测矩阵；x 是( g + 1 ) h 阶自变量设计矩阵；a 是p ( q + 1 ) 阶回归系数矩阵；s 是p x n 阶误差矩阵。 模型结构确定以后，下一步工作就是如何估计系数矩阵爿。通常采用最小二 乘法( l e a s ts q u a r e s ，本文以下简记为：l s ) 来求解。 设j = k 。，凼，面】是回归系数矩阵a 的l s 估计，也就是说，模型的估计输出 放与实际输出y 的误差平方和：( y 一缸) 7 ( y 一放) 要达到最小。由此可解得a 的 l s 估计为： 量= 7 ( x x 7 ) - 1 ( 2 1 2 ) 显然，上式是方程 a ( x x 7 ) = y x 7 ( 2 1 3 ) 的解，称式( 2 1 3 ) 为多对多( 多输入多输出) 的正规方程组。 当由正规方程组( 2 1 3 ) 求得a 的l s 估计量后，便可建立多对多回归方程 ( 预测方程) 并求得回归值( 预测值) ： p = 缸= y x 7 ( 髓7 ) 。x ( 2 1 4 ) 称实测值矩阵y 与预测值矩阵p 之差 量= y p = y z y 7 ( x x 7 ) - 1 r = y ( ，一x 7 ( x x 7 ) 一x ) ( 2 1 5 ) 为残差矩阵，而称 q = 鲐7 = ( y p ) ( y p ) 7 = y ( i x 7 ( j 饼) 一1 x ) r 7 ( 2 1 6 ) 为残差交叉乘积矩阵，它们均可作为模型预测性能的评价标准。 由上文表述可知：线性回归预测是基于输出主导变量和输入辅助变量之间存 在线性关系这一前提条件而实现其“测量”功能的。若选取的自变量( 辅助变量) 作用不显著。不但影响回归质量，还常常抵消显著自变量在回归分析中的作用。 因此。在回归分析中，选取作用显著的辅助变量( 或剔除作用不显著的辅助变量) 意义重大。 昆明理工大学硕士学位论文第二章软测量技术综述 辅助变量的选择主要考虑两个因素：一是希望包括所有具有显著作用的辅助 变量；二是希望辅助变量的个数尽可能地少，以减少回归分析中的运算量【i 】。 对变量作显著性检验的常用方法有：主元分析法、相关分析法、f 检验法、 t 检验法等。国内的学者还在f 检验法的基础上提出了“全部比较法”、“有进有 出法”等算法以有效地对辅助变量进行优选【”。 在实际应用中，采用消去变换的逐步回归分析、前进法( 逐步引入法) 、后 退法( 逐步剔除法) 、所有可能回归法( 最优回归子集法) 等方法提高回归的质 量 9 - 1 2 】。其中，前几种方法只能获得渐近最优回归的方程，最后一种方法是通过 比较所有可能的变量组合的回归而能够得到在某个给定准则下的最优回归方案。 回归分析作为一种统计预测工具，很早就为人们所知并加以利用，例如：气 象预报3 1 和商业、经济形势预测1 4 】；作为一种软测量方法，回归分析在石油化 工领域应用相当广泛，例如：对大型乙烯装置裂解气压缩机进行故障诊断【”】、 回归实验数据，以预测各种化工过程的传质系数和塔板效率等参数【m 叫8 1 。 2 1 2 2 基于人工神经网络软测量建模理论 协3 5 1 人工神经网络( a n n ：a r t i f i c i a ln e u r a ln e t w o r k ) 就是模仿人脑的工作方式而 设计的一种机器，它可以采用电子或光电子元件实现，但比较常见的形式是运行 在常规计算机上的软件或程序；或者说，a n n 是一种具有大量连接的并行分布 式处理器，它具有通过学习获取知识并解决问题的能力，但这种经由学习得来的 知识不是如常规计算机那样按地址存在特定的存储单元中而是分布在大量的奇 特的类似于生物神经元突触( s y n a p s e s ) 的称为“连接权值( c o n n e c t i o nw e i g h t s ) ” 的结构中 1 9 q5 1 。这些知识对于特定问题的解决是必需的。 输 入 信 号 五i 一一一一一一一一一一一一一一一一一一一一一 i 阈值! i i l - - - - - - - - j 神经元 图2 2 基本神经元模型 昆明理工大学硕士学位论文第二章软测量技术综述 神经元( n e u r o n s ) 是a n n 的基本处理单元，它一般是一个多输入单输出的非 线性元件。神经元输出除受输入信号的影响外，同时也受到神经元内部其它因素 的影响，所以在人工神经元的模型中，常常还加有一个额外输入信号p ，称为偏 差( b i a s ) ，有时也称为阀值或门限值。 一个具有r 个输入分量的基本神经元结构如图2 2 所示。其中，输入分量 x j ( j = 1 , 2 ，) 通过与和它相乘的权值分量m o = 1 , 2 ，) 相连，以z w j x ，的形式 = 】 求和后，形成激活函数，( ) 的输入。激活函数的另一个输入是神经元的偏差口。 神经元模型的输出矢量可表示为： y = f ( w x 7 + 口) = ，( w j x + 口) ，= l 其中：= 【w t ，w 2 ，w ，】；x = h ，x 2 ，工，】 激活函数，( ) 的常见形式有纯线性函数和非线性的s i g m o i d 函数。 多个基本神经元按照一定的规则互相连接而构成神经网络( n e u r a l n e t w o r k s ) 。从具体应用的角度来看，神经网络由网络拓扑结构和学习算法构成。 网络结构是指神经元之间的连接方式，也即数据在网络中的处理方式；学习算法 用于控制神经元之间的连接权值如何调整和最终确定。神经网络的结构类型很 多，常见的有：误差反向传播的多层感知器( m u l t i l a y e rp e r c e p t i o n w i t ht h e b a c k - p r o p a g a t i o no f e r r o ra l g o r i t h m ) 网络、径向基函数( r a d i a lb a s i sf u n c t i o n ) 网 络、h o p f i e l d 网络、k o h o n e n 网络等 2 1 - 3 0 1 ，但大致可分为前馈网络( f e e d f o r w a r d n e t w o r k s ) 和反馈网络( f e e d b a c kn e t w o r k s ) ；依据网络的学习( 训练) 方法，可 分为有导师监督( s u p e r v i s e d t r a i n i n g ) 和无导师监督或自组织( u n s u p e r v i s e d o r s e l f - o r g a n i z i n g ) 网络【2 i j 。 实际应用和研究较多是采用反向传播学习算法( b p ，b a c k p r o p a g a t i o n a l g o r i t h m ) 的多层前馈神经网络2 6 3 ”，本文简称b p n 。本文设计的污水处理神经 网络软测量模型均属于b p n 这一类型，故仅对其加以简述。 b p n 由输入层、输出层以及一个或多个隐含层组成，输入信号从输入节点， 依次经过各隐含层，最终到达输出节点。b p n 的同层节点之间没有相互连接， 每一层节点的输出只作为下一层节点的输入。 b p n 是一种基于梯度下降( g r a d i e n td e s c e n t ) 的最优化算法，通过调节连接 权值，使系统误差函数或其它形式的代价函数极小化。算法由两部分组成：信息 的正向传递与误差的反向传播。在正向传递的过程中，输入信息从输入层经隐含 昆明理工大学硕士学位论文第二章软测量技术综述 层逐层计算传向输出层，每 一层神经元的状态只影响下 一层神经元的状态。如果在 输出层没有得到期望的输 出，则计算输出层的误差变 化值，然后转为反向传播， 误差信号沿原来的连接通路 反传并同时调整各层神经元 的连接权值直至达到期望的 输入层i隐含层( 2 个) i 输出层 目标输出。这一过程可由图2 3图2 3 采用b p 算法修正的多层前馈网络 来表示。图中虚线即表示误差反向传播。 常用的系统误差函数是均方差( m s e ，m e a n s q u a r e d e r r o r ) 函数，在实际应 用中，总是为其设定一个极限值。 b p 算法对连接权值的调节可作如下定义： 、帅= r 8 ，x ，( 2 1 8 ) 其中：w 。即表示神经元i 到神经元j 的连接权值的调节量；坤表示学习率 ( l e a r n i n gr a t e ) ；艿表示误差项( 局部梯度) ，其定义取决于神经元j 是处于输 出层还是处于隐含层。 对于输出层神经元：占，= f 老p ? ”) _ y ，) ( 2 1 9 ) 其中：f ( ) 是输出神经元的激活函数；h p t ，神经元j 的输入信号的加权和： y ? “表示输出神经元j 期望目标值；y ，表示神经元j 的实际输出值。 对于隐含层神经元：西2 告j 莩蚴蠡( 2 1 1 0 ) 此处，蚴是由神经元q ( 处于输入层或前面的隐含层) 到神经元j 的连接 权值；占。是神经元q 的误差。 通过这种迭代方式，从输出层开始，反向计算各层的神经元误差，并调整连 接权值，直到达到误差目标值或达到设定的迭代次数( 训练次数) 。 虽然b p n 应用广泛，但它存在收敛速度太慢且容易陷入局部最小等缺陷。 近十几年来，许多研究人员对其做了深入的研究，提出了很多改进的方法。例如： 一、附加动量法 附加动法( g r a d i e n td e s c e n tw i t hm o m e n t u mb a c k p r o p a g a t i o n ) 使网络在修 期 望 目 标 输 出 昆明j e _ z - 大学硕士学位论文第二章软测量技术综述 正其权值时，不仅考虑误差在梯度上的作用，还考虑误差曲面上变化趋势的影响， 附加动量法的实质是将最后一次权值变化的影响，通过一个动量因子来传递，动 量因子的引入有助于使网络从误差局部最小值中摆脱出来。 二、自适应调整学习率法( g r a d i e n td e s c e n tw i t h a d a p t i v e l r b a c k p r o p a g a t i o n ) 自适应调接学习率法在保证稳定训练的同时又获得了合理的高收敛速率。 三、利用高阶导数( 牛顿法) 式( 2 1 9 ) 表示的是输出神经元j 的输出误差的一阶导数( 梯度) ，常规b p 算法只用到了这个一阶导数，若再利用二阶导数的信息，则称为牛顿反向传播算 法( n e w t o nb a c k - p r o p a g a t i o n ) ，它的收敛速度较常规b p 算法为快。 四、 共轭梯度算法( c o n j u g a t e g r a d i e n tb a c k - p r o p a g a t i o n ) 共轭梯度( c o n j u g a t eg r a d i e n t ) 本质上和向量的正交是同等程度概念。共轭 梯度反向传播算法( 以下简称c g b p ) 与上述b p 算法不同。它不是沿梯度方向 修正连接权值，而是沿共轭梯度方向修正权值。共轭梯度算法主要有如下几种： f l e t c h e r - r e e v e s 共轭梯度反向传播( c o n j u g a t eg r a d i e n tb a c k p r o p a g a t i o nw i t h f l e t c h e r r e e v e su p d a t e s ) ； 比例共轭梯度法( s c a l e dc o n j u g a t eg r a d i e n tb a c k - p r o p a g a t i o n ) ； p o l a k r i b i e r e 共轭梯度反向传播( c o n j u g a t e g r a d i e n tb a c k - p r o p a g a t i o nw i t h p o l a k - r i b i e r eu p d a t e s ) ； c g b p 方法既保证了在稳定的前提下获得较高的收敛速率，而且又不必如牛 顿法那样计算二阶导数。 自2 0 世纪4 0 年代提出人工神经元的概念、2 0 世纪8 0 年代中期神经网络的 大量实用算法出现以来，神经网络在辨识、控制、预测、优化、诊断、模式识别、 信息压缩、数据融合、风险评估等领域得到广泛应用。实践表明：当神经网络用 于非线性、复杂、动态、多变量或难以建模的系统时，效果尤为突出3 4 。 神经网络可用于软测量建模，其输入是辅助变量，输出则为主导变量的预估 值。早期的应用之一是用来估计青霉素发酵过程中的菌体浓度，取得了非线性观 测器所无法获得的成功3 5 1 。 2 1 2 3 软测量建模方法小结 本文简要阐述了基于统计回归的软测量建模理论和基于人工智能的神经网 络软测量建模基础理论。实际上，软测量建模方法种类繁多，且各种方法互有交 9 昆明理工大学硕士学位论文第二章软测量技术综述 叉、互相融合，很难有妥当、全面的分类方法，除上述两类外，大体还可分为机 理分析、状态估计、模式识别、模糊数学、过程层析成像、相关分析和现代非线 性信息处理技术等方法。 。 2 1 3 软测量工程设计及维护技术 软测量技术是实用性很强的应用技术，具体工程设计时，主要涉及以下几方 面的内容： 一、辅助变量的选择 辅助变量的选择要基于对过程机理和实际工艺的了解，要与主导变量关系紧 密。必要时可借助相关分析、主元分析等方法来确定辅助变量的组成。 二、样本数据的处理 用作软测量建模的样本数据要足够多，且尽可能是工艺稳定运行时的数据， 通常要建立实时的或非实时的数据库：对采集到的原始数据还要做异常剔除、无 量纲化、归一化等处理以消除数量级差异影响。 三、 软测量模型的获取和测量功能的实现 这是软测量技术应用的核心，首先根据工艺特点，选择合适的模型结构，确 定建模方法；然后在数据库操作的基础上，借助商业软件( 如：v i s u a lc + + 、v i s u a l b a s i c 、c c + + 、m a t l a b 等) 获取软测量模型并开发基于该模型的软测量应用。 四、软测量模型的校正和维护技术 软测量模型可根据工艺实际运行情况采取在线自校正或离线重构两种校正 和维护方式。 2 2 软测量技术的应用及展望 软测量技术的典型应用就是推断( 推理) 控制，研究和报道较多的是如图 2 4 所示的基于软测量技术的推断控制系统。 图中各变量均可为向量，n 表示被控变量( 主导变量) 的设定值，开关k 代 表采样输出或人工分析取样，所获数据用于软测量器( 软仪表) 的在线校正。 软测量技术在过程监测和生产管理方面也有广泛的应用。这是因为一方面采 用软测量技术可以获取更多的过程信息，另一方面软仪表本质上就是计算机软 件，可通过合理的编程，综合运用各种信息以实现过程的故障诊断和状态监测。 目前，软测量技术的思想已渗透到过程检测和过程控制的各个方面，软测 量技术不仅是现在的研究热点，也必将成为未来过程控制和过程检测领域的一个 1 0 昆明理工大学硕士学位论文第二章软测量技术综述 重要发展方向。 干扰 图2 4 基于软测量技术的反馈推断系统 昆明理工大学硕士学位论文第三章污水赴理软测量模型的荻取 第三章污水处理软测量模型的获取 本章在昆明市第二污水处理厂1 9 9 8 、1 9 9 9 两年稳定运行的原始数据的基础 上，结合该厂a 2 0 污水处理工艺的特点，分别利用多元线性回归和b p 神经网 络两种建模方案，经过一番颇费周折的实验设计，终于找到了一种行之有效的软 测量模型即“样本数据插值和多步记忆”结构的出水水质软预测模型。 3 1 城市污水处理技术概述 3 1 1 城市污水生物氧化处理工艺简介【3 6 典型的城市污水处理工艺流程主要包括机械处理、生化处理、污泥处理等工 段。 机械( 一级) 处理工段包括格栅、沉砂池、初沉池等构筑物，以去除粗大颗 粒和悬浮物为目的。处理的原理是基于物理法实现固液分离，将污染物从污水中 分离，这是普遍采用的污水处理方式。 污水生化处理属于二级处理，以去除不可沉悬浮物和可溶解、可生物降解有 机物为主要目的。其工艺构成多种多样。可分成活性污泥法、生物膜法、生物稳 定塘法和土地处理法等四大类。目前大多数城市污水处理厂都采用活性污泥法。 生物处理的原理是通过生物作用，尤其是微生物的作用，完成有机物的分解 和生物体的合成，将有机污染物转变成无害的气体产物( c 0 2 ) 、液体产物( 水) 以及富含有机物的固体产物( 微生物群体或称生物污泥) ；多余的生物污泥在沉 淀池中经沉淀法固液分离，从净化后的污水中除去。 为了去除特定的物质，而在二级处理之后设置的处理系统属三级处理，例如 化学除磷，絮凝过滤，活性炭吸附等。 由此可见，污水处理工艺通过生物降解转化作用和固液分离，在使污水得到 净化的同时又将污染物富集到污泥中，包括一级处理工段产生的初沉污泥、二级 处理工段产生的剩余活性污泥以及三级处理产生的化学污泥。由于这些污泥含有 大量的有机物和病原体，很容易造成二次污染因此，污泥还必须经过无害化等 处理。 根据机械处理、生物处理和污泥处理以及构筑物的不同，污水处理厂有许多 工艺结构，a 2 o 工艺结构就是其中的一种。 昆明理工大学硕士学位论文第三章污水处理软测量模型的获取 a 2 o 工艺是以水中有机物、氮、磷为去除且标，结构上采用厌氧、缺氧、 好氧空间交替方式的一种活性污泥处理法。昆明市第二污水处理厂污水处理工艺 就属于这一类。 3 1 2 昆明市第二污水处理厂a 2 0 工艺流程简介 3 7 。8 】 昆明市第二污水处理厂采用的“多格串联厌氧池和同心圆b o d p n 池”为 主体的a 2 ，o 工艺流程图如图3 1 示： 图3ia 2 o 工艺流程图 污水先进入粗格栅井，由粗格栅除去进水中体积较大的杂物污水经粗格栅 过滤后流入进水泵房的吸水井。吸水井内设置的潜污泵将污水提升至细格栅作 进一步的除渣处理，然后流入沉砂池。在流经沉砂池的过程中，泥砂得到沉淀并 被工作桥上设置的吸沙泵抽走，污水进入巴歇尔流量槽，统计进水量。至此，污 水的一级处理过程结束。 从计量槽流出的污水与一定量的回流活性污泥混合后进入多格串联厌氧池， 开始进入二级生物处理。厌氧池流出的污水与大量回流活性污泥混合后均匀分配 到四个同心圆形的b o d 、p n 降解池，在池内完成b o d 5 、氮、磷的生物吸收、降 解反应，这个过程是该厂生物污水处理系统中最关键的一步。降解池出来的混合 液均匀地分配到四个漏斗形沉淀池，在沉淀池内混合液由重力沉淀完成泥水分 离，分离出的上清液通过周边吸水堰流入集水槽后经出水渠排出厂外，沉淀到底 部的污泥在刮泥机的作用下及时被收集到池中心底部韵漏斗内，靠重力压送到回 流污泥泵吸水井，然后经潜污泵将其提升至回流污泥渠道肉返回以重新参与污水 处理的下一循环。剩余污泥通过潜污泵由剩余污泥井经管道打到污泥浓缩池，在 高分子絮凝剂的作用下，输送到带式压滤机压滤脱水，脱水后的泥饼外送，就此 完成了污水处理的全过程。 出水 昆明理工大学硕士学位论文第三章污水处理软测量模型的获取 3 1 3 城市污水处理过程参数测控技术及现状 3 扎4 6 】 由上述工艺介绍可以看出：由于进水流量、成份浓度波动剧烈，污水处理 过程经常处于非稳定状态，并由此而引起其它参数和出水质量的不断变化，严重 时，会出现污泥膨胀而导致整个处理过程的失败，因此，为了保证处理过程的正 常运转和出水质量以及降低系统能耗，必须对污水处理过程加以控制。 然而，从控制论的角度考虑，生化污水处理过程是典型的非线性、时变、 不确定、大时滞的复杂系统，对其建模、控制并非易事。而且，当前污水处理领 域的检测传感器、仪表尤其是专用传感器