（模式识别与智能系统专业论文）基于遗传算法的污水水质神经网络软测量研究.pdf

摘要 曼曼曼曼皇曼曼曼曼皇曼皇曼曼皇曼鼍曼皇皇曼皇曼曼皇曼量皇曼皇曼皇曼蔓皇曼量曼曼曼曼曼皇曼皇曼曼皇曼皇曼曼量曼量曼曼曼皇舅m mmm l 鲁 摘要 随着现代工业的迅猛发展，城市生活和工业污水处理成为环境保护领域的一 个重要的课题。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、 时变、大滞后等特点，难以建立精确的数学模型，且关键水质参数无法在线监测， 是一类典型的复杂过程。针对污水处理过程中关键水质参数无法在线监测的问 题，本论文研究了基于优化神经网络理论的污水水质软测量方法。 首先在分析国内外有关软测量技术的基础上，阐述软测量技术主要研究内 容、建模方法，并分析设计污水水质参数b o d 的软测量实现技术。讨论神经网络 建模方法、发展情况和应用中存在的问题，就建模问题，分析研究用于建模的b p ( b a c kp r o p a g a t i o n ) 网络的各种改进算法，针对b p 算法始终无法克服陷入局部 极小问题，提出用遗传算法优化b p 网络的建模方法。 其次，针对标准遗传算法局部搜优能力差和易早熟的问题，对其进行了几点 改进，提出了一种改进遗传算法，并用实验证明了改进遗传算法的优越性。改进 遗传算法提高了个体多样性，较好地避免了早熟问题。 然后，设计了一套实用的遗传算法优化b p 网络的实数编码方案，用改进的遗 传算法对b p 网络进行优化，根据具体情况构建适应度函数，设计算法流程。通过 仿真实验，证明该优化设计建模方法是行之有效的。 最后，完成了污水水质b o d 的软测量，实现了污水处理过程水质的在线检测。 本文将遗传算法和神经网络应用于污水水质的软测量，不仅有助于实现污水 处理过程的实时闭环控制，而且对于其它复杂过程的系统建模、优化控制也有一 定的参考价值。 关键词污水处理；软测量；b p 算法；遗传算法；优化 北京t , l k 大学t 学硕十学位论文 a b s t r a c t w i t ht h ef a s td e v e l o p m e n to fm o d e mi n d u s t r y , t h ec i t yl i v i n ga n di n d u s t r i a l w a s t e w a t e rt r e a t m e n tb e c o m e sa ni m p o r t a n tt o p i co fe n v i r o n m e n t a lp r o t e c t i o nr e a l m d u et ot h eb a do p e r a t i n gc o n d i t i o n sd u r i n gw a s t e w a t e rt r e a t m e n tp r o c e s sw h i c hi s c h a r a c t e r i z e do fs e v e r er a n d o md i s t u r b a n c e ，s t r o n gn o n l i n e a r i t y , t i m e - v a r i a n t p r o p e r t i e s ，a n ds e v e r el a g ，i t i sa l m o s ti m p o s s i b l et om o d e lt h ep r o c e s st h r o u g h c o n v e n t i o n a lm e c h a n i s ma p p r o a c h e s m o r e o v e r ,i nm o n i t o r i n ga n dc o n t r o l l i n g w a s t e w a t e rt r e a t m e n tp r o c e s s e s ，o n 1 i n ei n f o r m a t i o no fs o m ee s s e n t i a lw a s t e w a t e r p a r a m e t e r si sa c c e s s i b l e i no r d e rt oa c q u i r et h e r e a lt i m ed a t aa n dc o n t r i b u t et or e a l t i m ec l o s e d1 0 0 pc o n t r o l ，t h i st h e s i sr e s e a r c h e ss o f t - m e a s u r i n ga p p r o a c h e sb a s e do n t h eo p t i m i z e dn e u r a ln e t w o r kt op r e d i c tw a s t e w a t e rp a r a m e t e r s f i r s t l y , o nt h eb a s i so fa n a l y z i n gt h er e p o r t e dp r o g r e s so fs o f ts e n s o rt e c h n o l o g y a n dt h em a i nt r e n do f r e l a t i v es o f t w a r ed e v e l o p m e n t ，t h em o d e l i n gm e t h o d s 、p r o b l e m s i ni n d u s t r i a l a p p l i c a t i o no fs o f t s e n s o rt e c h n o l o g ya n dd e v e l o p i n gt e n d e n c ya r e d i s c u s s e d t h i st h e s i sd e s c r i b e st h et h e o r yo fn n ( n e u r a ln e t w o r k s ) ，e s p e c i a l l y , i t a n a l y z e sb pa l g o r i t h ma n di t sv a r i o u si m p r o v e da l g o r i t h m s a sp r o v e d ，a l li m p r o v e d b pa l g o r i t h mc a n n o ta v o i dt h ef l a wo f “s t u c ki nl o c a lm i n i m u m ”am e t h o do f o p t i m i z eb pw i t hg a ( g e n e t i ca l g o r i t h m ) i sp r o p o s e d s e c o n d l y , t h et r a d i t i o n a lg aa l g o r i t h mi si m p r o v e do nt oo v e r c o m ei t sp o o rl o c a l s e a r c hl i m i t a t i o na n dp r e c o c i o u sp r o b l e m a ni m p r o v e dg aa l g o r i t h mi sp r o p o s e d ， w h o s es u p e r i o r i t yh a sb e e np r o v e db ye x p e r i m e n t s t h ea l g o r i t h mi m p r o v e s m u l t i f o r m i t yo fi n d i v i d u a la n d a v o i d sap r e c o c i o u sp r o b l e me f f e c t i v e l y t h e na na p p l i e dc o d i n gs c h e m eo fg e n e t i ca l g o r i t h mi sp r o p o s e dt oo p t i m i z et h e b p n nt o p o l o g ys t r u c t u r e s an e wf i t n e s sf u n c t i o ni se s t a b l i s h e do np r i n c i p l ea n dt h e a l g o r i t h mp r o c e d u r e i sd e s i g n e d t h es i m u l a t i o nr e s u l t si n d i c a t et h a tt h e s eo p t i m i z i n g m e t h o d sa r ee f f e c t i v e f i n a l l y , t h ew h o l es y s t e mf o rs o f ts e n s o ro fw a s t e w a t e rp a r a m e t e rb o d i sd e s i g n e d a n dr e a l i z e so n l i n ed e t e c t i n go ft h ei m p o r t a n tw a s t e w a t e rp a r a m e t e r t h ea p p l i c a t i o no fg e n e t i ca l g o r i t h ma n dn e u r a ln e t w o r ki ns o f t m e a s u r i n g t e c h n i q u en o to n l yi sh e l p f u l t or e a l i z er e a lt i m ec l o s e dl o o pc o n t r o ld u r i n g w a s t e w a t e rt r e a t m e n t ，b u ti sa l s oa c t i v et oo p t i m i z ec o n t r o ld u r i n go t h e rc o m p l e x p r o c e s s e s k e y w o r d sw a s t e w a t e rt r e a t m e n t ；s o f ts e n s o r ；b pa l g o r i t h m ；g e n e t i ca l g o r i t h m ； o p t i m i z e 1 1 独创性声明 本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研 究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他 人已经发表或撰写过的研究成果，也不包含为获得j 匕哀王些太堂或其它教育机构 的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均 已在论文中作了明确的说明并表示了谢意。 签名拉k 日期洫呲 关于论文使用授权的说明 本人完全了解j 垦塞互些太堂有关保留、使用学位论文的规定，即：学校有权 保留送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部或部 分内容，可以采用影印、缩印或其他复制手段保存论文。 ( 保密的论文在解密后应遵守此规定) 第1 章绪论 第1 章绪论 1 1 论文的选题背景及意义 随着经济和社会的飞速发展，人们认识到环境的污染愈来愈严重，而其中水 污染直接威胁到了所有生物的生存。这个全球性的问题已引起了世界各国的重 视，“我们只有一个地球”，“污染环境就是污染我们自己”。加强污水治理，保护 水环境，也引起了我国的高度重视。在污水处理过程中，生化需氧量b o d ( b i o c h e m i c a lo x y g e nd e m a n d ) 、化学需氧量c o d ( c h e m i c a lo x y g e nd e m a n d ) 、 n 、p 等参数是衡量污水水质的重要参数，它们是评价污水处理性能的关键指标， 也是污水处理自动控制的依据【l 】。但是，由于目前还不能实时检测部分污水水质 指标，致使许多控制方法只能采用开环控制，或者选用其它间接指标进行控制， 影响了控制效果，因此，在线监测污水质量指标已成为提高控制系统性能的关键。 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、时变、大滞 后等特点，难以建立精确的数学模型，且关键水质参数无法在线监测，是一类典 型的复杂过程【2 1 。由于缺少可行的在线检测手段，目前很多污水处理厂的生产都 是利用生产人员的经验来控制的，自动化水平很低，无法保证出水水质，且易造 成能源的巨大浪费。目前还没有合适的仪器仪表对废水的这些重要指标作实时的 监测，虽然也有一些商品化生物传感器出售，但因为各种原因未得到实际应用。 因而某些重要污染物指标的监测几乎成为污水水质监测的空白点，在控制和优化 算法已取得丰富成果的同时，水质实时监测技术成为污水处理问题的瓶颈。面对 这种情况，污水水质监测技术已成为污水处理行业一个亟待解决的问题。 目前，软测量技术被认为是解决这一问题最具有吸引力的方法。软测量技术 是首先建立待测变量( 也称主导变量) 与其它与之相关的易测、可测变量( 也称 辅助变量) 的关系，通过对辅助变量的实时检测，用计算机软件来实现计算和变 换，间接地得到对主导变量的估计。软测量技术的核心问题是建立主导变量与辅 助变量间的数学模型，对主导变量进行估计，并用计算机软件加以实现。 软测量综合利用了变量选择、数据处理、推断控制、智能控制和在线校正等 多方面技术，是- - f - j 有着广阔发展前景的新兴技术。软测量技术对于解决难以在 线测量变量的估计问题；推动智能优化算法研究；推动实时控制、优化控制研究 具有重大的理论意义。对于提高污水处理厂自动化水平，确保出水水质、提高污 水处理系统的可靠性、节约能耗，保护淡水资源及水环境工程，开发能适用于其 它工业控制过程的具有智能优化算法的软仪表具有重要的应用价值。 北京t 业大学t 学硕十学位论文 1 2 污水处理过程的自动控制现状 常见的污水处理方法有物理处理法、化学处理法、物理化学处理法、生物处 理法、组合工艺处理法。其中生物处理方法是利用自然界中微生物的生命活动来 清除污水中的有机污染物，已经成为当前应用最广泛的污水处理方法。在污水处 理工艺上，目前国内外普遍流行的是基于活性污泥法的二级生物处理1 3 】。 近年来，国内外均有学者对污水处理自动控制工艺进行研究，以寻求更精 确、更可靠的方法实施自动控制。但目前污水处理自动控制中存在以下几个问题： l 、传统的污水处理自动控制系统无法建立复杂的、非线性的、时变的、不 确定的实际污水处理系统的精确模型，因而在实际工程运用中存在出水水质波动 较大等问题； 2 、污水处理自动控制系统所采用的一些自动化设备、仪表的功能目前还很 不完善，在实际检测中达不到预期效果，误差大，因此依靠这些设备判断污水处 理情况并实施自动控制，往往很难达到处理水质达标排放和节约能源的目的； 3 、国内外许多学者为提高污水处理厂的处理效率和降低能耗，开展了许多 实时控制研究，但这些方法也存在一些问题。由于控制器无法找到控制参数( 如 o r p 、d o 、p h 等) 特征点时仍采用时问控制作为应急措施，导致许多污水处理系 统实际上仍采用按时问的开环控制，而没有实现以出水水质指标为控制参数的闭 环控制； 4 、污水处理自动控制的开关量很多，它们常常要根据一定的时间或逻辑顺 序定时开关，然而，目前我国生产的阀门质量存在一些问题，使用寿命较短， 国外同类产品的价格又是一般污水处理厂难以接受的，这也从设备开支方面制约 了我国的污水处理自动控制的发展和推广应用。 智能控制是自动控制发展的高级阶段，是人工智能、控制论、系统论和信息 论等多种学科的高度综合与集成，它包括模糊控制、神经网络控制和专家控制等， 因而在各种非稳定的动态工程系统中的应用同益广泛与深入。由于污水处理的运 行费用是庞大的、长期的，如果通过有效的控制将污水处理厂的运行费用降低 l ，也是天文数字。因而加强污水处理系统智能控制的研究非常必要。作为智 能控制重要分支的模糊控制、神经网络和专家控制具有自学习、自适应和自组织 功能，特别适用于复杂的污水处理动态过程的控制，因此近年来智能控制在美国、 欧洲、日本的给水处理、污水生物处理、污水的物理化学处理中都有典型的成功 应用。因此智能控制已成为该领域的一个研究热点与前沿课题。但目前国内外的 研究仍处于广泛应用的初级阶段，因此加强污水处理系统智能控制的研究与应用 对于突破我国的污水处理现状具有重要的科学意义与应用价值【4 1 。 活性污泥法处理污水过程是一种典型的复杂动态生物反应工程系统。由于微 生物的生长特性非常复杂，过程参数的测量十分困难。现有的普通传感器在测量 2 第1 章绪论 的精确性、可靠性等方面不能得到保证，致使污水生物处理过程中的某些参数无 法进行准确和有效的在线测量。目前，解决污水生物处理过程参数测量的方法可 以分为两类：一是改进测量仪表，另一种是寻求新的测量方法。寻求新测量方法 是近年来的研究热点，比如污水水质软测量技术。基于智能信息处理技术的污水 水质软测量，可以提高污水处理系统的可靠性，在污水处理过程中有很大的发展 潜力，它将代表生化反应过程检测技术的发展方向。本论文拟采用能在线检测的 氧化还原电位( o r p ) 、溶解氧( d o ) 、p h 值、污泥浓度( m l s s ) 等作为系统输入 信号，利用人的知识和经验，并结合软测量技术中的人工神经网络技术对污水水 质参数进行预测，以达到预测进水水质、决定曝气量大小和反应时间、控制出水 水质等控制要求，实现污水处理的闭环控制。这种过程控制研究不仅能提高污水 处理系统的可靠性和节约能耗，而且对于进一步实现各种活性污泥法的在线闭环 控制具有重要的理论意义和应用价值。 1 3 污水水质监测技术现状 污水水质参数监测技术是限制实时在线控制的一个重要因素。污水水质参数 的监测概括的说可分为直接测量法( 包括生物传感器检测法) 和软测量方法两种。 1 3 1 直接测量法 ( 1 ) b o d 5 测定法b o d ( 生化需氧量) 是指水中有机物在好氧微生物作用下， 进行好氧分解过程中所消耗水中溶解氧( d o ) 的量。它既作为水质有机污染综合 指标之一，也是环境水质监测中的重要项目之一。它的数值直接反映了受污染水 体中“可被生物降解”的污染物的多少。国家现行的b o d 5 分析的标准方法采用 的是稀释接种法测定b o d 5 值，即水样稀释接种后在2 0 条件下，在生化培养箱中 培养5 天，所消耗的溶解氧量( 前后5 天溶解氧量之差值) 。b o d 5 测定法的缺点 是方法繁琐、测定周期较长，测出的结果严重滞后，不能及时反映实际情况。 ( 2 ) c o d 测定法c o d ( 化学需氧量) 的测定是将污水置于酸性条件下，用重 铬酸钾或高锰酸钾强氧化剂氧化水中有机物时所消耗的氧量。化学需氧量可以测 定污水中的有机物，测定时间一般为几个小时，不受水质限制。缺点是不象b o d 那样直接反映生化过程的需氧量，另外还会有部分无机物也会被氧化，因此会产 生一些误差。即使用化学需氧量c o d 的测定来估计b o d 值，从采样到输出测定结 果，亦需几个小时，而且精确度不高。这对于依据污染物负荷大小做出操作决策 来说，等待的时间太长，不能及时地依据水质变化指导生产，难以实时控制污水 处理情况。 ( 3 ) t o c ( 有机碳) 测定法总有机碳的测定是向总有机碳仪的燃烧室内注入 一定量的水样，在触媒的作用下，污水中的有机物在9 0 0 。c 高温下分解成二氧化 碳和水，用红外分析仪对产生的二氧化碳作定时测定。总有机碳试验是测定污水 3 北京下业大学t 学硕十学何论文 中的有机物的另一种方法，其优点是：测定非常迅速，仅需几分钟，在某些特定 的污水中，总有机碳值与b o d 、c o d 值有一定相关关系。缺点是：只适用于有机 物含量较少的水样，且测定实验较复杂，精度不高。 ( 4 ) 生物传感器检测法前面三种测定方法是污水有机物的传统测定方法，但 这些测定方法较为繁琐且耗时较长，使测出结果的时间比实际运行的时间严重滞 后，不能及时反映实际情况。生物传感器检测法是沿袭传统的检测技术发展思路， 通过研制新型的过程测量仪表，以硬件形式实现过程参数的直接在线测量方法。 目前，虽然国内外对生物传感器的研究和开发很多【5 6 】，但是由于国际上生物传 感器的工业标准还很不完善，而且现有的生物传感器都存在着一些普遍的问题： 仪器寿命短、响应小、测量范围窄、稳定性差、造价高、维护技术跟不上等，这 就使得生物传感器在污水处理厂未得到推广应用。 基于直接测量法存在的种种问题，迫切需要一种新的测量方法来取代以上的 方法，实现污水水质实时监测。软测量方法就应运而生了。 1 3 2 软测量方法 为了解决直接测量法存在的问题，可以采用l 日j 接测量的思路，利用易于获取 的其它测量信息，通过计算来实现对被测变量的估计。近年来在过程控制和检测 领域出现的一种新技术软测量技术( s o f t - m e a s u r i n gt e c h n i q u e ) 正是这一 思想的集中体现p 】。 软测量是一种用于估计过程系统中难以在线测量的变量的技术。概括地说， 软测量是根据某种最优准则，选择一组既与待测变量( 称为主导变量) 密切相关， 又容易测量的辅助变量，通过构造某种数学模型，实现对待测变量的估计。在以 软测量仪表的估计值作为被控输出反馈信号的控制系统结构中，控制器与估计器 是分离的，因而给控制器和软仪表的设计都带来极大的方便。 目前，软测量技术已经在过程控制理论研究和实践中取得了广泛的应用，软 测量技术思想己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，也将成为未来过程控制和过程检测领域的一个重要发展方向【7 ，8 】。 对于污水处理过程控制中一些重要的变量难以测量的问题，可以采用这种间 接测量的方法实现，利用辅助可测变量去估计推测难以测量的变量。我们知道， 工业生产过程中的各个过程变量问是相互关联的，因此，根据过程中各变量的相 互关联，可以对一些相关过程变量进行检测并通过一定的数学模型估算出过程中 的一个或几个未检测的变量。利用软测量原理，通过建立易测变量( 温度、溶解 氧浓度、o r p 、p h 值、浊度等) 和难测变量( b o d 、c o d 、n 、p ) 的关系( 软测量 模型) ，实现对难测变量的测量。目前将软测量技术引入污水水质参数监测正处 于研究和探索中，将软测量技术用于解决污水处理过程的实时估计与实时控制必 将有很大前景。 4 第1 章绪论 1 4 软测量技术的研究现状和发展方向 近年来软测量技术获得了很大的发展，随着工业需求的不断增强，软测量技 术在过程理论研究和实践中取得了广泛的成果，其研究涉及到石油、化工、环保 等领域【9 1 2 1 。 国内上海交通大学、浙江大学、华东理工大学及清华大学等高校正积极从事 软测量技术研究及其应用。其中，华东理工大学自动化研究所顾幸生、孙自强等 教授，使重整反应器软测量及优化系统达到国内领先水平，提出了多模型软测量 思想，实现了在线实时软测量，研究了基于主元分析、部分最小二乘、模糊逻辑 等方面的工况识别，并取得了满意的识别效果。 软测量技术的核心软测量模型也由线性模型、机理模型发展到基于“黑箱 的神经网络模型1 3 】。然而从总体上看，软测量技术从上世纪9 0 年代快速发展以 来，研究成果仍然是理论多于应用，尤其是软测量建模技术还有很多实际问题有 待解决。软测量建模有以下几种常用方法【1 4 】： ( 1 ) 纯机理方法机理建模方法建立在对工艺机理深刻认识的基础上，通过列 写质量平衡、能量平衡、相平衡方程以及反应动力学方程等来确定难测的主导变 量和易测的辅助变量之间的数学关系。黄克瑾给出了对精馏过程组分进行估计的 机理模型，于静江对原油塔馏分的估计也是用的机理建模方法。与其它方法建立 的模型相比，机理模型的可解释性强、外推性能最好，是最理想的软测量模型。 但是机理模型也有其不足的地方，第一个不足之处是模型的通用性、可移植性较 差；第二个不足之处是机理建模过程要花很大的人力物力，从反应本征动力学和 各种设备模型的确立、实际装置的表征到大量参数的估计，每一步都很困难。 ( 2 ) 线性回归方法经典的回归分析是一种建模的基本方法，应用范围相当广 泛，以最小二乘原理为基础的线性回归技术目前己相当成熟。对于辅助变量较少 的情况，一般采用逐步回归技术可获得较好的软测量模型。对于辅助变量较多的 情况，通常要借助机理分析方法。为简化模型，也可以采用主元回归分析法和部 分最小二乘回归算法等方法。为了预测精馏塔的组分，m o o r e 等人对仿真数据运 用主元分析进行辅助变量的选择。文忠等人采用非线性p l s 回归方法讨论了精馏 塔的产品预测问题，指出p l s 模型具有更好的稳态精度和动态性能。y a b u l e i 和 m a c g r e g o 运用p l s 对在线测量进行建模，预测产品的质量。在化学反应器方面， 非线性p l s 算法在p h 问题和流化床反应器上取得实际应用。总的来讲，基于回 归分析法的软测量，其特点是简单实用，但需要大量的样本( 数据) ，对测量误 差较为敏感。 ( 3 ) 模糊数学方法模糊数学模仿人脑逻辑思维特点，是处理复杂系统的一种 有效手段，在过程软测量中也得到了大量应用，这种软测量方法特别适合应用于 复杂工业过程中被测对象呈现亦此亦彼的不确定性，难以用常规数学方法定量描 5 北京一i ：、l k 人学t 学硕十学何论文 述的场合，实际应用中常将模糊技术和其他人工智能技术相结合，这样可互相取 长补短以提高软仪表的效能。 ( 4 ) 模式识别方法该种软测量方法是采用模式识别的方法对工业过程的操 作数据进行处理，从中提取系统的特征，构成以模式描述分类为基础的模式识别 模型，基于模式识别方法建立的软测量模型与传统的数学模型不同，它是一种以 系统的输入、输出数据为基础，通过对系统特征提取而构成的模式描述式模型， 该方法的优势在于它适用于缺乏系统先验知识的场合，可利用同常操作数据来实 现软测量建模。在实际应用中，该种软测量方法常常和人工神经网络以及模糊技 术结合在一起。 ( 5 ) 神经网络建模方法人工神经网络是一类模拟人脑功能的信息加工处理 系统，它只需要系统的输入输出信息，具有很好的非线性建模能力。基于人工神 经网络的软测量是近年来研究最多、发展很快和应用范围很广泛的一种软测量技 术。由于人工神经网络具有自学习、联想记忆、自适应、鲁棒性和非线性逼近等 功能，模型的在线校正能力强，并且能适用于高度非线性和严重不确定性系统， 使得基于人工神经网络的软测量是目前倍受关注的热点，因此神经网络建模将是 很有发展前途的研究方向。但该种软测量技术不是万能的，在建模时存在一些缺 陷。在实际应用中，网络学习训练样本的数量和质量、学习算法、网络的拓扑结 构和类型等的选择对所构成的软测量模型的性能都有很大影n 向【l5 1 。 本课题研究的污水水质参数软测量模型拟采用神经网络建模方法，为了克服 神经网络建模的不足，提高测量精度，提出了一种优化的神经网络软测量模型来 完成污水水质参数b o d 的软测量。 1 5 课题来源与主要研究内容 本课题来源于国家自然科学基金项目“活性污泥法污水处理过程智能优化控 制新方法”。 本文通过对国内外污水水质监测技术的现状及污水处理过程自动控制的研 究现状进行综述，针对污水处理过程中关键水质参数无法在线监测的问题，提出 基于神经网络优化理论的辨识建模方法，对污水水质关键参数进行软测量研究。 全文共分为五章，各章的内容安排如下： 第l 章绪论。首先介绍了课题背景和研究意义，随后综述了污水处理的自 动控制现状和国内外污水水质监测技术的现状，提出了污水水质参数的软测量方 法，最后介绍了本文的课题来源及全文的结构。 第2 章软测量技术的研究及软测量模型的设计。本章系统研究了软测量技 术，提出软测量技术的实现步骤和方法，对神经网络用于污水水质参数软测量进 行了可行性分析，引出进一步的神经网络建模问题。 第3 章神经网络建模技术剖析。简要叙述了神经网络原理，深入分析本文 6 第1 章绪论 用到的多层前向网络模型b p 网络学习步骤、学习算法，及常用的各种b p 改进算法， 并比较了优缺点，发现b p 算法建模时难以克服的陷入“局部极小”问题。 第4 章改进遗传算法优化神经网络结构设计。研究了遗传算法的基本原 理，针对标准遗传算法的不足进行了改进，并通过仿真实例对两种方法进行了比 较，证明了改进遗传算法的优越性。并且针对神经网络拓扑结构的难确定、训练 速度慢、易陷于局部极小等问题，提出基于遗传算法的b p 网络的优化设计方法， 给出了具体设计方案。通过仿真比较验证，显示了该优化算法的有效性。 第5 章基于g a b p 神经网络污水水质软测量的实现。对污水水质b o d 软测量 模型进行了设计，完成了建模前的数据处理，实现了基于优化神经网络即g a b p 网络的污水水质软测量建模，应用采集到的数据对b o d 进行了模拟预测，取得了 较好的效果。验证了本文提出的水质参数软测量方法的可行性和有效性。 结论部分，对本文所作的研究工作进行了总结，并对课题今后的研究方向进 行了展望。 7 北京t 业大学t 学硕十学位论文 第2 章软测量技术的研究及软测量模型的设计 软测量技术最早来源于b r o s i l o w 等人提出的推断控制思想，推断控制包括 推断估计器的构造和控制器的设计两部分内容，推断估计器的构造指的是采集某 些容易测量的变量( 也称二次变量或辅助变量) ，并构造一个以这些易测变量为 输入的数学模型来估计难测的主要变量( 也称主导变量) 。推断控制中的两部分 内容可以独立进行，但是推断估计器是推断控制系统设计的关键。软测量技术正 是围绕如何构造一个高精度的估计器这一核心内容展开的。 1 9 9 2 年国际过程控制专家t j m a c v o y 在著名的学术刊物a u t o m a t i c a 上发表 了名为“c o n t e m p l a t i v es t a n c ef o rc h e m i c a lp r o c e s sc o n t r o l ”的if a c 报告，明确 指出了软测量技术将是今后过程控制的主要发展方向之一【1 6 】，对软测量技术研究 起了重要的促进作用，至此，软测量技术才开始全面发展起来。 本章主要是对软测量技术进行研究，并设计其实现过程。 2 1 软测量技术基本理论 2 1 1 软测量的数学描述 若以y 代表主导变量，p 代表可测的辅助变量，d 和t 分别表示可测的干扰 和控制变量。软测量的目的就是利用所有可以获得的信息求取主导变量的最佳估 计值多，即构造从可测信息集p 到多的映射： 夕= f ( o )( 2 - 1 ) 式中可测信息集痧包括所有的可测主导变量y ( 主导变量y 中可能部分是可测 的) 、辅助变量目、控制变量和可测干扰d 。 在这样的结构下，软测量的性能主要取决于对缘描述、噪声和扰动的特性、 辅助变量的选取以及最优准则。显然，建立软测量模型的过程就是构造一个数学 模型的过程，但是软测量模型与一般意义下的数学模型不同，它强调通过辅助变 量p 求得主导变量y 的估计值，而一般的数学模型主要反映y 与或d 之间的关 系。 2 1 2 软测量技术的应用条件 对其适用条件进行分析： ( 1 ) 通过软测量技术所得到的过程变量估计值必须在工艺过程所允许的精确 度范围内； 8 第2 章软测量技术的研究及软洲堪模型的设计 ( 2 ) 能通过其他检测手段根据过程变量估计值对系统数学模型进行校验，并 根据两者偏差确定数学模型校正与否； ( 3 ) 直接检测被估过程变量的自动化仪器仪表较贵或维护困难； ( 4 ) 被估过程变量应有灵敏性、精确性、鲁棒性、合理性以及特异性【i 7 1 。 软测量技术作为一种新的检测与控制技术，与其他技术相似，只有在其适用 范围内才能充分发挥自身优势。 2 1 3 软测量的用途及意义 软测量的具体应用可以体现在以下四个方面【1 8 】： ( 1 ) 实时估计当工业过程中某些过程变量没有在线实时测量手段时，需要利 用软测量手段进行在线估计以进行操作指导和实时控制，软测量的依据是实验室 分析的数据，一般具有比较长的周期，软测量技术的这类应用称为虚拟在线软仪 表； ( 2 ) 质量预估有些生产过程或检测仪表有比较大的滞后，利用带有较大滞后 的检测结果进行控制往往不会取得较好的效果，利用软测量技术可以进行在线预 估，有效消除滞后，获得比较及时的过程变量估计值； ( 3 ) 智能校正某些过程变量仅依靠单一的传感器无法进行准确的检测，如锅 炉的液位问题等，需要在仪表检测的基础上利用其他的一些参数进行校正，这类 问题类似于数据融合中多传感器检测的问题； ( 4 ) 多路复用当一个装置需要很多同种类型的仪表时，可以配备少量几块仪 表，用这些仪表在不同场合轮换使用，轮到仪表检测的变量在检测的同时建立软 测量模型，没有轮到仪表检测的变量用软仪表进行估计，而且在个别仪表出现故 障的时候也可以起到作用。 在不增加或少增加投资的条件下，软测量技术将会得到广泛应用，从而对过 程检测和控制系统产生巨大影响。软测量技术的特点如下1 1 9 】： ( 1 ) 打破传统单输入单输出仪表格局软测量仪表是多输入多输出智能型仪 表，它可以是专用仪表，也可以是由用户进行编程的通用仪表，一些价格较贵难 以维护的仪表将被软测量仪表所代替； ( 2 ) 集成多种技术实现在同一仪表中结合软测量技术与控制技术； ( 3 ) 修改方便软测量的本质是面向对象的，通过编程或组态来实现软测量数 学模型，可以通过编程器或组态操作方便地对模型参数进行修改，甚至可以对推 理控制模型进行修j 下。 对过程控制系统来说，原来因缺少检测手段而采用的一些间接控制方案将被 采用软测量技术的以直接控制目标为目的的控制方案所代替，以提高控制性能指 标。同时，软测量技术的应用对原有一些经典控制方案也提出了挑战。例如，在 经典优化控制系统中，由于优化目标函数难于直接估计，使优化控制级分列在过 9 北京t 业大学t 学硕十学位论文 程控制级上，采用软测量技术可直接对多优化目标函数进行估计，使优化控制直 接在过程控制级实现，减少控制回路问的协调。 2 2 软测量模型的设计 建立污水水质软测量模型实际上是复杂系统的辨识问题，在以软测量模型的 估计值作为被控输出反馈信号的控制系统结构中，控制器与估计器是分离的，基 于软测量技术的污水处理控制系统原理图见图2 1 ，软测量模型的设计思路如图 2 1 中的软测量框图所示： 设定佰 图2 一l 污水处理控制系统原理图 f i g 2 - 1w a s t e w a t e rt r e a t m e n tc o n t r o ls y s t e m 从软测量框图可以看出，针对污水处理过程设计一个软测量模型大致可分为 以下几个步骤：初步确定辅助变量，现场数据采集与数据预处理，辅助变量的精 选，建立软测量模型，离线训练模型，模型的在线校正。 2 2 1 初步确定辅助变量 通过对污水处理过程及主导变量进行机理分析，在可测变量集中，初步选择 所有与主导变量相关的原始辅助变量，这些变量中部分可能是彼此相关的变量。 辅助变量的选择确定了软测量的输入信息矩阵，因而直接决定了软测量模型的结 构和输出。辅助变量的选择包括变量类型、变量数量和检测点位置的选择。这三 个方面是相互关联、相互影响的，并由过程特性所决定，同时在实际应用中还应 考虑经济性、可靠性、可行性以及维护性等额外因素的制约。 2 2 1 1 变量类型的选择辅助变量的选择要根据过程机理分析和实际工况来确 定。一般可以依据以下原则来选择辅助变量【2 0 j ： ( 1 ) 过程实用性工程上易于在线获取并有一定的测量精度； ( 2 ) 灵活性对过程输出或不可测扰动能作出快速反应： ( 3 ) 特异性对过程输出或不可测扰动之外的干扰不敏感： ( 4 ) 准确性构成的软测量仪表应能满足精度要求； 1 0 第2 章软测量技术的研究及软测最模型的设计 ( 5 ) 鲁棒性对模型误差不敏感等。 2 2 1 2 变量数目的选择辅助变量的个数的下限值为被估计主导变量的个数。 而最佳数目则与过程的自由度测量噪声以及模型的不确定性有关。本文通过初步 确定辅助变量，然后对辅助变量进行精选，确定变量的最佳数目。 2 2 1 3 检测点位置的选择对于许多工业过程，与辅助变量相对应的检测点位 置的选择是相当重要的。对于污水处理过程来讲，可供选择的检测点很多，而每 个检测点发挥的作用各不相同。一般情况下，辅助变量的数目和位置常常是同时 确定的。 2 2 2 现场数据采集与数据预处理 2 2 2 1 现场数据采集采集主导变量与原始辅助变量的历史数据。在对变量的 数据进行采集时，首先需要详细研究污水处理系统的各种操作工况，确定各个变 量的取值范围，采集样本的空间要尽量覆盖整个操作范围，且注意选择的每一个 样本在样本空间内要有一定的代表性。在整个样本空问内，要选择合适的样本量， 样本数据要均匀。切不可在样本空i 日j 的某一段选取大量重复的数据，一方面不利 于网络学习，另一方面采集的样本数量大，很难保证数据相互之间一致性。不一 致的数据可能是由于过程噪声或干扰影响，也可能属于过失误差，将这些数据用 于建模即使有好的训练精度也往往泛化结果很差。若采集到的数据真j 下满足均匀 性、代表性、精简性的原则，理论上讲样本越多，越能更好的反映过程的特性i z 。 2 2 2 2 数据预处理软仪表是根据过程测量数据经过数值计算实现软测量的， 其性能很大程度上依赖于所获得过程测量数据的准确性和有效性，因此对软测量 数据进行预处理是软测量技术实际应用中的一个重要方面。测量数据预处理包括 测量数据的误差处理和数据变换两部分。 ( 1 ) 测量数据的误差处理在实际应用中，来自现场的过程数据受测量仪表精 度、可靠性和现场测量环境等因素的影响，不可避免地要带来各种各样的测量误 差。测量数据的误差分为随机误差、系统误差和过失误差三类。 随机误差是受随机因素( 例如操作过程的微小扰动和测量信号的噪声等) 的 影响，一般不可避免，但符合一定统计规律，可采用数字滤波方法来消除，例如 算术平均滤波、中值滤波和阻尼滤波等。随着系统对精度要求的不断提高，近年 来又提出了数据协调处理技术，其主要的实现方法有主元分析法和正交分解法 等。 在实际测量中，由于测量和记录的严重失误，或由于仪器仪表的突然波动， 都会造成异常的观察结果，我们称这类数据为异常数据。实际过程中，显然异常 数据出现的几率很小，但即使这些极少量的数据也会严重恶化测量数据的品质， 破坏数据的统计特性，甚至导致整个软测量系统优化控制的失败，因此异常数据 的侦破剔除和校正是必须的。 北京t 业大学t 学硕十学何论文 判断样本数据是否为异常数据，文献 2 2 提出了目前处理过失误差的三种方 法：统计假设检验法、广义似然比法和贝叶斯法。最常用的数据预处理方法是用 统计假设校验剔除含有显著误差的数据后，再采用平均滤波的方法去除随机误 差。由于数据样本条件限制，在本课题中，主要进行异常数据的剔除，对于异常 数据的处理采用的是统计假设检验法中的拉依达准则( 3 0 - 准则) ，其原理如下： 设样本数据为x ix 2 ，x 。，平均值为i ，偏差为v ，= 一一牙( i = 1 , 2 ，1 1 ) ，按 照b e s s e l 公式计算出标准偏差： s = 仃= 【v ；! 伽一1 ) 】l 2 ( 2 2 ) 如果某一样本数据x ，的偏差u ( 1 f n ) 满足： m 3 0 ( 2 3 ) 则认为x ；是异常数据，应予剔除。 ( 2 ) 测量数据变换测量数据变换不仅影响模型的精度和非线性映射能力，而 且对数值算法的运行效果也有重要作用。测量数据的变换包括：标度、转换和权 函数三个方面。 实际过程所测量的数据可能有不同的工程单位，各变量的大小在数值上也可 能相差，1 个数量级，直接使用原始测量数据进行计算可能丢失信息和引起数值计 算的不稳定，因此需采用合适的因子对数据进行标度变换，以改善算法的精度和 计算稳定性。转换包含对数据的直接转换和寻找新的变量替换原变量两个方面， 通过对数据转换，可有效地降低非线性特性。而权函数可实现对变量动态特性的 补偿。 本课题采用数据归一化处理解决上述问题。归一化处理的基本原理是： ( 1 ) 数据的中心化处理数据的中心化处理是指平移变换，即： = x i j 一孑f f = 1 , 2 ，m ；j = 1 , 2 ，n( 2 4 ) 式中：i i 为变量x ，的平均值。经过数据的中心化处理，可使得各变量的平均值 变为0 。 ( 2 ) 数据的无量纲化处理由于实际问题中，各变量的测量单位不一致，如果 不经过一定处理，务必会夸大其中大量纲数据的作用，而忽略其它变量，从而不 能真实反映数据本身的变化情况。因此，要消除变量的量纲效应，使每一个变量 都具有同等的表现力。数据分析中常用的消除量纲的方法，是对不同的变量进行 所谓的压缩处理，即使每个变量的标准差均变成l ，其数学表达式为： 巧= s ， 扛1 , 2 ，m ：j = 1 , 2 ，l ( 2 - 5 ) 式中：s ，为变量的标准差。 ( 3 ) 归一化处理所谓对数据的归一化处理，是对数据同时进行中心化压 1 2 第2 章软测量技术的研究及软测帚模型的设计 皇l_ _ ii _ _ l l ii _i 缩处理，其数学表达式为： 工一孑 z ：= 旦jf = l ，2 ，肌；- ，= 1 ，2 ，刀( 2 - 6 ) s j 经过数据的归一化处理后，可使得各变量的均值为0 ，标准差为l ，进而消除由 于不同特征因子量纲不同和数量