基于数据驱动的A制造技术

基于数据驱动的A

【技术实现步骤摘要】

本专利技术属于污水处理水质参数在线检测领域，在污水处理厂真实运行数据的基础上，通过搭建出水总磷智能检测方法，首次提出5类与出水总磷有密切相关性的过程变量，且明确了各变量测量的具体位置。此外，通过整合软硬件环境、通讯通路、出水总磷智能计算模块嵌入等技术，实现了出水总磷的在线智能检测与检测结果的实时显示。
技术介绍
上个世纪快速的城市化和工业化进程引发了严重的环境污染和资源短缺问题。其中淡水资源已成为全球范围内对环境与资源关注的焦点之一。我国庞大的人口基数与飞速的工业化发展使得对淡水资源的需求日益增大，由此引发的水资源环境污染问题也愈加严重，逐渐威胁到社会生活和国家长期发展。随着国家对环境与资源管理问题的重视，污水处理已经成为污水处理及其回收利用的主要手段。近年来，我国积极建设污水处理设施，快速推动城市与工业场景的污水处理能力。中国环境保护部发布的《2014年中国环境状况公报》显示，截至2014年底，全国累计建成城市污水处理厂6031座，污水处理能力约1.8亿立方米/日，城市污水处理率达到90.2％。长久以来，污水中总磷及其有机物和无机物含量一直是影响国内外污水处理厂出水水质的重要因素。富含磷的污水排入江河湖泊中易引起富营养化问题，造成水体动植物生长失衡，严重破坏生态环境，世界上许多国家已将出水总磷的浓度作为污水处理厂排放标准的核心指标之一。然而，目前我国有近50％的城镇污水处理厂无法达到国家要求的磷排放标准，这主要是由于出水总磷浓度无法实时获取，水厂无法对处理工艺进行及时的调整。目前，污水处理厂主要通过人工采样并结合化学实验的手段检测出水总磷浓度。化学方法虽能保证较高的检测精度，但操作繁琐、耗时(小时级)，无法满足日益提高的实时性要求，且易造成二次污染。近年来逐渐兴起的在线仪表能够实现水样的自动采集与检测，在节省时间(15～30分钟)的同时避免了人工操作可能带来的偶然误差，但其仍然采用化学机理测量，且购买与维护成本十分高昂，多数大中型水厂无力承担配置足够规模的在线仪表。因此，如何准确、可靠并且低成本地测量污水处理过程中关键水质参数仍是污水处理行业面临的困难之一，研发更为先进的出水总磷检测技术迫在眉睫。根据我们多年来的研究与调查发现，采用基于神经网络的软测量技术可以实现污水处理过程中出水总磷准确、实时的检测，同时能大幅节省污水处理厂成本，但国内外针对污水处理过程中出水总磷的智能检测，尚未形成完整的理论体系，基于智能手段的出水总磷检测系统在国内外尚属空白。因此，基于智能方法搭建包括软、硬件平台在内的出水总磷智能检测系统，在填补国内外技术空白与整合污水处理产业链等方面，具有很高的开发及应用价值。
技术实现思路
本专利技术通过配置满足出水总磷实时检测需求的硬件平台，并打通软硬件之间的通讯通路，在初步研究的基础上，进一步明确了出水总磷的相关过程变量及其测量位置。同时，将研究的基于过程数据驱动的污水处理出水总磷实时检测技术，嵌入至出水总磷智能检测系统，将软件及硬件系统进行融合，完成整套出水总磷智能检测系统。本专利技术中出水总磷智能检测系统的整体专利技术架构如图1所示。系统搭建的流程如下：面对污水处理厂大数据所带来的挑战，本专利技术首次提出污水处理过程出水总磷特征建模方法，从污水处理过程的实际需求出发，将复杂的动力学特性通过主要特征变量表述，基于污水处理过程机理分析和数据挖掘，获得与出水总磷相关性强的过程变量，并基于神经网络完成对出水总磷的建模。在基于ASM1模型及BSM1模型中关于总磷形成机理分析的基础上，通过采集大量实际污水处理厂数据，基于偏最小二乘算法(PLS)，分析总磷相关的污水处理过程变量(PLS算法在考虑如何最大限度地概括辅助变量空间数据信息的同时，也考虑了辅助变量对主导变量的解释作用)。总磷相关性污水处理过程变量分析过程主要包括：步骤1：自变量集合为X＝[x1,...,xα]，α为可供筛选的辅助变量个数，因变量记作y，并将数据做标准化处理。从X，y标准化后的矩阵中分别提取主成分v及u，需要满足在尽可能大地携带各自数据矩阵中信息的同时，其相关程度最大。有X=VPT+E=Σi=1αvipiT+E,---(1)]]>y=UQT+F=Σi=1αuiqiT+F,---(2)]]>其中，V与U分别为集合X和y的得分矩阵，P与Q分别为集合X和y的负荷矩阵，E与F分别为集合X和y的残差矩阵。i＝1,2,…,α，α为可供筛选的辅助变量个数。vi,pi,ui与qi分别为V,P,U与Q矩阵中的向量。步骤2：主成分vi与ui的相关性有，ui＝bivi,(3)bi=uiTvi/viTvi,---(4)]]>其中，bi为两个主成分之间的相关系数，相关系数矩阵记作b＝[b1,b2,…,bα]T，α为可供筛选的辅助变量个数。步骤3：PLS算法的中止条件记为，Rselect=||bselect||||b||,---(5)]]>其中，bselect为已选取主元个数的相关系数，Rselect为设定的已选取主元的有效性。该有效性可以通过留一法进行确定，||·||为范数运算。在本专利技术中，选定Rselect为0.85。搭建硬件平台，硬件平台主体包括预处理池、初沉池、厌氧区、缺氧区、好氧曝气区与二沉池，并在不同位置安放测量仪表，采集仪表的组成包括带温度计的pH检测仪、ORP检测仪、DO测量仪、TSS测量仪、NH4-N及NO3-N测量仪；NH4-N及NO3-N只设置出水端测量点，测试出水温度T、厌氧区末端氧化还原电位ORP、好氧区前端溶解氧DO、好氧区末端总固体悬浮物TSS以及出水pH；从污水处理过程获取的以上数据通过转换接口存放在仪表中，再通过仪表内后台程序运行实时调用存储数据；根据实时输入数据预测出水总磷含量。附图说明图1为出水总磷智能检测系统整体架构图；图2为智能检测系统硬件平台搭建及相关性变量实时性获取技术的整体架构图；图3为出水总磷TP相关性变量采集仪连接图；图4为出水总磷TP软测量软件架构；图5为出水总磷智能检测系统集成架构图；图6为出水总磷相关性变量分析结果图。具体实施方式在以污水处理厂真实数据为基础进行变量筛选时，利用机理分析及PLS算法可以得出，各主要变量与出水总磷相关性大小如表1所示:表1与出水总磷TP相关性强的过程变量由于现场环境所限，各参数的测量点位多出于污水处理工艺与监管等需求上的考虑，且在实际应用时不需要进行很高频率的测量，这对于数据分析的准确性会产生影响。此本文档来自技高网...

【技术保护点】
基于数据驱动的A2/O流程出水总磷智能检测方法，其特征在于步骤如下：步骤1：自变量集合为X＝[x1,...,xα]，α为可供筛选的辅助变量个数，因变量记作y，并将数据做标准化处理；从X，y标准化后的矩阵中分别提取主成分v及u，需要满足在尽可能大地携带各自数据矩阵中信息的同时，其相关程度最大；有X=VPT+E=Σi=1αvipiT+E,---(1)]]>y=UQT+F=Σi=1αuiqiT+F,---(2)]]>其中，V与U分别为集合X和y的得分矩阵，P与Q分别为集合X和y的负荷矩阵，E与F分别为集合X和y的残差矩阵；i＝1,2,…,α，α为可供筛选的辅助变量个数；vi,pi,ui与qi分别为V,P,U与Q矩阵中的向量；步骤2：主成分vi与ui的相关性有，ui＝bivi,  (3)bi=uiTvi/viTvi,---(4)]]>其中，bi为两个主成分之间的相关系数，相关系数矩阵记作b＝[b1,b2,…,bα]T，α为可供筛选的辅助变量个数；步骤3：PLS算法的中止条件记为，Rselect=||bselect||||b||,---(5)]]>其中，bselect为已选取主元个数的相关系数，||·||为范数运算；选定Rselect为0.85；搭建硬件平台，硬件平台主体包括预处理池、初沉池、厌氧区、缺氧区、好氧曝气区与二沉池，并在不同位置安放测量仪表，采集仪表的组成包括带温度计的pH检测仪、ORP检测仪、DO测量仪、TSS测量仪、NH4‑N及NO3‑N测量仪；NH4‑N及NO3‑N只设置出水端测量点，测试出水温度T、厌氧区末端氧化还原电位ORP、好氧区前端溶解氧DO、好氧区末端总固体悬浮物TSS以及出水pH；从污水处理过程获取的以上数据通过转换接口存放在仪表中，再通过仪表内后台程序运行实时调用存储数据；根据实时输入数据预测出水总磷含量。...

【技术特征摘要】
1.基于数据驱动的A2/O流程出水总磷智能检测方法，其特征在于步骤如下：
步骤1：自变量集合为X＝[x1,...,xα]，α为可供筛选的辅助变量个数，因变量记作
y，并将数据做标准化处理；从X，y标准化后的矩阵中分别提取主成分v及u，需要
满足在尽可能大地携带各自数据矩阵中信息的同时，其相关程度最大；有
X=VPT+E=Σi=1αvipiT+E,---(1)]]>y=UQT+F=Σi=1αuiqiT+F,---(2)]]>其中，V与U分别为集合X和y的得分矩阵，P与Q分别为集合X和y的负
荷矩阵，E与F分别为集合X和y的残差矩阵；i＝1,2,…,α，α为可供筛选的辅助
变量个数；vi,pi,ui与qi分别为V,P,U与Q矩阵中的向量；
步骤2：主成分vi与ui的相关性有，
ui＝bivi,(3)
bi=uiTvi/viTvi,---(4)]]>其中，bi为两个主成分之间...

【专利技术属性】
技术研发人员：韩红桂，张一弛，郭民，乔俊飞，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11