COD软测量的方法技术

ＣＯＤ软测量的方法属于污水处理领域。由于污水生物处理过程的非线性、时变性及复杂性，水质指标难以在线测量，但往往对污水处理很重要。本发明专利技术针对ＣＯＤ在线测量困难的问题，根据污水处理过程非线性的特点，提出一种运用快速ＥＦＡＳＴ方法修剪冗余神经元，简化神经网络结构，并对ＣＯＤ进行软测量的方法。根据软测量结果，及时调整无数处理曝气池生化反应的物料搭配，以便对ＣＯＤ进行更好的清除，避免了研发传感器的复杂工程。也可以将本方法进行扩展，对其它水质指标进行研究，以指导实际的生产运行。

【技术实现步骤摘要】

本专利技术涉及污水处理过程中出水水质指标的软测量方法，尤其是利用快速EFAST方法简化神经网络结构对COD进行软测量的方法。
技术介绍
污水处理，实质上就是采用必要的处理方法与处理流程，将污水中的污染物分离出去或将其转化为无害的物质，从而使污水得到净化。现代污水处理方法按其作用机制，可分为物理处理法，化学处理法，物理化学处理法和生物化学处理法四大类。其中生物化学处理法是一类最常用的污水处理方法，其主要功能是利用微生物的代谢作用，使污水中呈溶解和胶体状态的有机污染物转化为稳定的无害物质。它的优点是有机物去除率高，运行成本低，在城市污水和可生物降解的工业废水处理中尚没有可与之相媲美的方法。其中的活性污泥法是近年来引起国内外广泛重视，研究和应用日趋增多的好氧生化处理工艺之一。但是，一方面，由于污水生物处理过程的生产条件恶劣，随机干扰严重，具有多输入、多输出、不确定性、强非线性、大时变等特点，使该过程极其复杂，难以用数学模型来描述；另一方面，一个好的针对非线性系统的智能化模型将有助于描述活性污泥系统的反应过程，有助于模拟活性污泥系统的动态变化和对各项水质指标的影响以指导实际的生产运行，从根本上提高污水处理的高效稳定性和经济合理性。因此，建立更可靠完善实用的活性污泥污水处理系统模型，已成为污水控制工程领域研究的重要课题，并且具有重要的现实意义。 在污水处理系统中，有一些水质指标难以在线测量，这是由于污水生物处理过程的非线性、时变性及复杂性造成的。而这些水质指标往往对污水处理的达标排放或污水处理系统运行中的在线监控很重要，如BOD5、COD、SVI。 研制新型硬件形式的过程测量仪表，虽然可以直接地解决各种污水处理过程变量及水质参数的检测问题，但由于污水中有机物非常复杂，研发这些传感器将是一个耗资大、历时长的工程。
技术实现思路
本专利技术的目的是针对COD在线测量困难的问题，根据污水处理过程非线性的特点，提出一种运用快速EFAST方法修剪冗余神经元，简化神经网络结构，并对COD进行软测量的方法。根据软测量结果，及时调整无数处理曝气池生化反应的物料搭配，以便对COD进行更好的清除，避免了研发传感器的复杂工程。也可以将本方法进行扩展，对其它水质指标进行研究，以指导实际的生产运行。 本专利技术采用了如下的技术方案及实现步骤 1.一种COD软测量的方法，其特征在于，包括以下步骤 (1).建立COD软测量的三层前向神经网络预测模型；输入为污水调节池进水水质指标，输出为化学需氧量COD； 初始化神经网络确定l_p_1的连接方式，对神经网络的权值进行随机赋值； 即一个输入层有l个神经元，隐含层有p个神经元的单输出三层前向神经网络，x1，x2，...，xl表示神经网络的输入，yd表示神经网络的期望输出；共有k个训练样本，(训练样本的个数k的大小设定是神经网络领域公知的)设第t个训练样本为x1(t)，x2(t)，...，xl(t)，yd(t)，则用第t个训练样本训练神经网络时，隐含层第j个神经元的输出表示为 其中，xi为神经网络的输入，wi，jI为输入层权值，Zj为隐含层第j个神经元的输出，ψ为sigmoid函数，其形式为 隐含层神经元输出和神经网络输出的关系为 其中，wjO为输出层权值，y为神经网络的实际输出； 定义误差函数为 训练神经网络的目的是使得式(4)定义的误差函数达到最小； (2).对样本数据进行校正； 设k个数据样本x(1)，x(2)，...，x(k)，均值为x，每一个样本的偏差为v(t)＝x(t)-x，按照Bessel公式计算出标准偏差 若某一个样本x(t)的偏差满足 |v(t)|≥3σt＝1，2，...，k(6) 则认为样本x(t)是异常数据，应予以剔除，得到校正后的数据； (3).用校正后的数据训练神经网络，并在训练过程中利用快速EFAST对神经网络的冗余隐神经元进行修剪，以简化神经网络结构，增加神经网络的泛化能力和预测速度； 具体为将p个隐神经元的输出Z1，Z2，...，Zp作为快速EFAST算法的p个输入参数，将神经网络的输出作为快速EFAST算法的输出，通过计算输入参数Z1，Z2，...，Zp对于输出Y的灵敏度，修剪灵敏度小的神经元； 记下训练过程中每个隐含层神经元的输出值，找出最大值和最小值； 第j(j＝1，2，..，p)个隐神经元输出在训练m步中的最大值是bj，最小值是aj，则假定Zj以指定频率wj在内振荡，即 结合式(3)神经网络的输出y表示为 (5).计算各个神经元的灵敏度 如果要计算第h个隐神经元的灵敏度，则该神经元对应的傅立叶系数为 其中，wh＝8p； 除第h个神经元外的其余神经元傅立叶系数Aj和Bj表示为 其中，j＝1，2，...，h-1，h+1，...，p，且wj＝j； 由前向神经网络的各隐含层神经元的输出Z1，Z2，...，Zp之间没有相互作用，傅立叶振幅值主要集中在基频上，采用下式计算第h个隐神经元的总灵敏度； 其中，分母是包括A2h+B2h在内的所有隐神经元傅立叶系数之和；STh包括Zh独立于其它输入参数对输出的作用和Zh与其它输入参数的协同作用，称为总灵敏度； 则p个隐神经元的总灵敏度之和为 第h个输入参数的灵敏度为 Sh＝STh/Sum_S(15) 对神经网络进行修剪，即删除Sh小于5％的隐含层神经元； (6).继续训练神经网络，然后每隔一定步数重复步骤(2)-(5)，直到新神经网络中所有隐含层神经元的灵敏度均大于5％停止修剪； (7).训练神经网络直到误差E小于规定误差Ed；该误差一般小于0.01； (8).对预测样本进行预测将预测样本数据作为训练好的神经网络的输入，神经网络的输出即为出水COD的预测结果。 本专利技术的创造性主要体现在 (1)本专利技术针对化学需氧量COD难以在线测量的问题，根据神经网络可以逼近非线性函数的特点，采用了神经网络对COD进行软测量，省去了研制传感器的复杂过程，因而更具有方便性。 (2)本专利技术采用快速EFAST方法对神经网络的结构进行修剪，解决了神经网络初始结构难以确定的问题，避免了神经网络由于过于复杂而导致泛化能力差，拟合精度低。 特别要注意本专利技术只是为了描述方便起见，所以采用的是对COD进行软测量，同样也可适用于BOD5、SVI等，只要采用了本专利技术的原理进行测量都应该属于本专利技术的范围。 附图说明 图1.COD软测量神经网络建模。 图2.神经网络快速EFAST算法修剪后预测COD值和实际值拟合曲线图。 具体实施例方式 实验数据来自某污水处理厂水质分析日报表。图1给出了COD神经网络预测模型，其输入分别为混合液悬浮固体(MLSS)、油、pH、氨氮，输出为污水处理过程中出水的COD。其中MLSS是指单位体积生化池混合液所含干污泥的重量；pH反映进水水质的酸碱程度；油是进水的油类污染物的含量；氨氮代表进水中氨氮的含量。COD是指废水中能被氧化的物质在被化学氧化剂氧化时所需要的氧量。除pH外，以上单位均为毫克/升。采用4-32-1本文档来自技高网...

【技术保护点】
一种ＣＯＤ软测量的方法，其特征在于，包括以下步骤：　（１）．建立ＣＯＤ软测量的三层前向神经网络预测模型；输入为污水调节池进水水质指标，输出为化学需氧量ＣＯＤ；　初始化神经网络：确定ｌ－ｐ－１的连接方式，对神经网络的权值进行随机赋值；　即一个输入层有ｌ个神经元，隐含层有ｐ个神经元的单输出三层前向神经网络，ｘ↓［１］，ｘ↓［２］，…，ｘ↓［ｌ］表示神经网络的输入，ｙ↓［ｄ］表示神经网络的期望输出；共有ｋ个训练样本，设第ｔ个训练样本为ｘ↓［１］（ｔ），ｘ↓［２］（ｔ），…，ｘ↓［ｌ］（ｔ），ｙ↓［ｄ］（ｔ），则用第ｔ个训练样本训练神经网络时，隐含层第ｊ个神经元的输出表示为：　Ｚ↓［ｊ］（ｔ）＝ψ（＊Ｗ↓［ｉ，ｊ］↑［Ｉ］ｘ↓［ｉ］（ｔ））　（１）　其中，ｘ↓［ｉ］为神经网络的输入，ｗ↓［ｉ，ｊ］↑［Ｉ］为输入层权值，Ｚ↓［ｊ］为隐含层第ｊ个神经元的输出，ψ为ｓｉｇｍｏｉｄ函数，其形式为：　＊＊＊　（２）　隐含层神经元输出和神经网络输出的关系为：　ｙ（ｔ）＝＊Ｗ↓［ｊ］↑［Ｏ］Ｚ↓［ｊ］（ｔ）　（３）　其中，ｗ↓［ｊ］↑［Ｏ］为输出层权值，ｙ为神经网络的实际输出；　定义误差函数为　＊＊＊　（４）　训练神经网络的目的是使得式（４）定义的误差函数达到最小；　（２）．对样本数据进行校正；　设ｋ个数据样本ｘ（１），ｘ（２），…，ｘ（ｋ），均值为＊，每一个样本的偏差为ｖ（ｔ）＝ｘ（ｔ）－＊，按照Ｂｅｓｓｅ１公式计算出标准偏差：　＊＊＊　（５）　若某一个样本ｘ（ｔ）的偏差满足：　｜ｖ（ｔ）｜≥３σｔ＝１，２，…，ｋ　（６）　则认为样本ｘ（ｔ）是异常数据，应予以剔除，得到校正后的数据；　（３）．用校正后的数据训练神经网络，并在训练过程中利用快速ＥＦＡＳＴ对神经网络的冗余隐神经元进行修剪，以简化神经网络结构，增加神经网络的泛化能力和预测速度；　具体为：将ｐ个隐神经元的输出Ｚ↓［１］，Ｚ↓［２］，…，Ｚ↓［ｐ］作为快速ＥＦＡＳＴ算法的ｐ个输入参数，将神经网络的输出作为快速ＥＦＡＳＴ算法的输出，通过计算输入参数Ｚ↓［１］，Ｚ↓［２］，…，Ｚ↓［ｐ］对于输出Ｙ的灵敏度，修剪灵敏度小的神经元；　记下训练过程中每个隐含层神经元的输出值，找出最大值和最小值；　第ｊ（ｊ＝１，２，…，ｐ）个隐神经元输出在训练ｍ步中的最大值是ｂ↓［ｊ］，最小值是ａ↓［ｊ］，则假定Ｚ↓［ｊ］以指定频率ｗ↓［ｊ］在［ａ↓［ｊ］，ｂ↓［ｊ］］内振荡，即：　＊＊＊　（７）　结...

【技术特征摘要】

【专利技术属性】
技术研发人员：乔俊飞，李淼，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：11[中国|北京]