夏宏 伍溢春 张祥春

摘要：近年来软测量技术的研究主要是基于人工神经网络，它对非线性问题有较好的处理能力，对求解结果有较好的泛化能力，由于实际生活中严格意义上的线性系统并不多见，故对神经网络技术的改进和提高仍将是推动软测量技术发展的重要因素。本文主要探讨了软测量技术在污水处理中的应用。

关键词:污水处理；软测量；技术

Abstract: in recent years the soft measurement technology research mainly is based on artificial neural network, it to nonlinear problem have good processing power, for the method has good generalization ability, with real life strictly linear system does not see more, so the neural network technology improvement will still is to promote the development of the soft measurement technology important factors. This paper mainly discussed the soft measurement technology in wastewater treatment of application.

Keywords: sewage treatment; The soft measurement; technology

中图分类号：TU74文献标识码：A 文章编号：

0 引言

污水生化处理中存在着多变量耦合、强非线性、参数时变、大滞后等特点，这些复杂性和不确定性给污水的生化处理的监视和控制带来了极大的挑战。在此复杂工况下，通过机理模型、人工智能和统计回归多种方法相结合构建软测量模型，有效地对难以测量或不易在线测量的重要参数进行“测量”，进而更加有效地优化和诊断污水生化处理过程，是当前软测量在污水生化处理过程的发展趋势。尽管软测量技术已经有多年的发展，但在污水生化处理过程中的应用才刚刚起步，尚有许多问题亟待在未来研究中取得突破：(1)污水生化反应过程复杂，干扰无处不在，由此带来的数据离群对精确建模产生极大的挑战，因此，构建鲁棒型自适应软测量模型是一个亟待解决的问题；(2)污水处理软测量模型得不到有效的校正一直阻碍着软测量实际应用，特别是当传感器发生故障的情况下如何实现软测量自校正；(3)污水生化机理模型与机器学习等建模方法有机结合也是重要议题；(4)有效地利用软测量优化和诊断污水生化处理过程，特别是诊断污泥膨胀、泡沫等异常现象。

1 软测量技术的基本原理

软测量技术是依据某种最优化准则，利用由辅助变量构成的可测信息通过软件计算实现对主导变量的测量引。软仪表的核心是表征辅助变量和主导变量之间的数学关系的软测量模型。软测量技术原理基本框架图如图1所示。因此构造软仪表的本质就是如何建立软测鼍模型，即数学建模问题。软测量模型注重的是通过辅助变量来获得对主导变量的最佳估计，而不是强调过程各输入／输出变量彼此之间的关系。软测量模型本质上是要完成由辅助变量构成的可测信息集θ到主导变量估计Y的映射，用数学公式表示即为：Y=f(θ)。

图l 软测量技术原理基本框架图

2 软测量的概述

软测量本质上是一种建模的方法，即通过构造某种数学模型，描述输入量、被控变量、扰动变量与待测量之间的函数关系，即通过容易获取的辅助变量，来推断某些难以测量或不易在线精确测量的待测量，数学描述如式: y=f(xk ,xo)+ξ,其中，xk为易检测变量，xo为可控的操作变量，ξ为污水生化处理中的扰动。

2．1软测量辅助变量的选择

污水处理中软测量辅助变量的选择包括了数量、类型和检测点位置的选择。特别是辅助变量的选择要紧密结合污水中硝化菌、丝状菌等生物的生化反应原理。

2．2软测量数据的选择与处理

为了保证所采集信息的准确性和有效性，应注意数据的信息量(特别是污水处理中的海量信息)，均匀分配采集点，尽量拓宽数据的涵盖范围，减少信息重叠，避免信息冗余。因此，对数据进行数据转换和误差处理的预处理是不可缺少的。其中数据转换包括标度、转换和全函数3部分。而误差处理包括了随机误差和过失误差处理两大类。

2．3软测量建模

模型辨识是软测量的核心。为了达到对污水处理这个非线性、大时滞对象的测量和控制效果，国内外专家提出了多种非线性软测量方法，有基于工艺机理模型的方法、基于回归模型的方法、基于状态估计的方法和基于知识的方法。其中以神经网络为建模工具的基于知识的方法研究最为活跃。为了确认模型是否能够满足预期的使用要求，软测量模型辨识出来以后需进行模型验证。

3 软测量技术在污水处理中的应用

软测量的核心問题是建立待估计主导变量与直接测量辅助变量间的关联模型。污水处理过程中，生物化学需氧量BOD、化学耗氧量COD、总氮TN以及总磷TP等是衡量出水水质的重要参数，也是难以直接测量的关键指标。目前所采用的软测量方法，多是通过建立易测变量(如曝气池溶解氧量DO、水温T、曝气池pH值及氧化还原电位ORP等)与上述难测变量间的关系，间接实现主导变量的测量。其中，机理分析与回归分析相结合的方法具有一定的代表性，但回归分析所需大量训练样本和模型的在线校正问题限制了该方法的实时应用。相比较而言，GA的全局并行搜索能力、ANN的广义非线性映射能力、SVM良好的统计规律和泛化能力引起了众多学者的关注，已经成为污水处理软测量技术的研究热点，其开发流程如图l所示。

图1 污水处理软测量开发流程

3．1 基于GA的污水处理软测量技术

GA是一类模拟生物进化机制(遗传与自然选择)的高效启发式随机搜索算法。种群进化、编码搜索和并行寻优的特点使其具备了全局优化的能力。在污水处理过程中，运用或改进遗传算子(选择、交叉、变异)后，多与模糊逻辑(FuzzyLogic)、人工神经网络相结合，优化控制器的运算效率和全局收敛能力；也可与K-means等算法结合，形成混合聚类算法，以提高收敛速度并改善分类效果，进而提升污水处理的性能指标。典型遗传算法的计算流程如图2所示。

图2 典型遗传算法的计算流程

以曝气溶解氧DO作为序列间歇式活性污泥法(Sequencing Batch Reactor ActivatedSludge Process，SBR)的主控参数，运用遗传算法同时对隶属函数和模糊规则进行优化，以期提升模糊控制器的自适应能力。DO输出曲线的仿真结果显示，超调量与稳态误差显著减小，模糊规则对人工经验的依赖性有所降低。选取与出水水质关键参数BOD耦合、关联度最大的COD、DO、pH值、Ss(Suspended Substance，水中悬浮物)等易测参量作为神经网络的输入，运用遗传算法优化网络结构和最优权、阈值的分布范围，再用BP(Back Propagation，反向传播)算法训练网络，进而建立起基于GABP神经网络的软测量模型。仿真结果显示，该模型对BOD参数具有较高的预测精度。结合K—means算法的研究，提出了一种基于最近邻聚类算法和遗传算法的异常检测算法，对污水处理历史数据进行了聚类分析，成功找出了其中的异常数据；并根据聚类结果进行了故障规则的建立，对污水处理工艺故障诊断系统知识库的建立具有一定的实用参考价值。