【技术实现步骤摘要】
基于多采样概率慢特征回归模型的污水处理过程软测量方法
[0001]本专利技术属于污水处理
,涉及一种用于污水处理过程的软测量方法,具体地说是涉及一种基于多采样概率慢特征回归模型的污水处理过程软测量方法
。
技术介绍
[0002]随着现代工业的飞速发展和人们生活水平的不断提高,污水排放量日益增加,水资源污染已经成为世界目前主要的环境问题
。
在污水处理过程中,一些关键性的质量指标难以通过仪器直接在线测量,现有的检测设备成本高并且故障频繁,而传统的实验室分析方法检测周期长,不利于实现污水处理过程的实时监控,另外污水处理的生化反应过程也容易受污水的浓度
、
天气
、
气温
、
时间变化的影响
。
为了解决上述污水处理过程中存在的问题,基于集散控制系统中存储的大量过程数据开发了数据驱动的软测量方法,可以准确
、
经济地估计质量变量
。
传统的软测量模型均假设所有变量的采样速率一致,过程变量与质量变量一一对应,以提取两者的相关关系并进行相应的质量预测
。
[0003]然而,在污水处理过程中,过程变量和质量变量的采样速率可能在很大的范围内变化
。
与出水水质相关的一些重要质量指标,比如出水
COD、
出水
VFA、
出水
SS、
出水
PH
值等,均在实验室以较低的采样速率进行测试,一般以小时或天为测量单位r/>。
与此同时,进水流量
、
进水温度
、
水循环量等过程变量可以通过高速率传感器在线测量,一般以分钟甚至是秒为测量单位
。
质量变量与过程变量之间的数据不平衡使得建立准确的质量变量预测模型具有挑战性
。
因此,需要提出一种针对污水处理过程多采样速率样本的数据建模与软测量方法
。
此外,由于污水处理过程具有内在的随机性和动态特性,为了提高模型对多采样速率过程的预测性能,因此设计的软测量方法需要考虑到此类复杂数据特性
。
技术实现思路
[0004]为了克服现有技术的缺点和不足,本专利技术提供了一种基于多采样概率慢特征回归模型的污水处理过程软测量方法,对污水处理过程的出水水质进行精确的预测,从而有效提高污水处理过程监测的精准度,优化污水处理效果
。
[0005]为实现上述目的,本专利技术所采取的技术方案为:
[0006]一种基于多采样概率慢特征回归模型的污水处理过程软测量方法,包括下述步骤:
[0007](1)
收集污水处理过程在正常运行时的不同采样速率的过程变量与质量变量,组成建模用的多采样速率训练样本集;
[0008](2)
对多采样速率训练样本集进行预处理;
[0009](3)
建立多采样概率慢特征回归模型,结合当前模型参数的初始值,利用期望
‑
最大化
(EM)
算法,估计得到模型参数的更新值,并优化模型参数;
[0010](4)
当所有模型参数的更新值满足收敛要求时,得到模型参数的最终值,进而得到多采样概率慢特征回归模型,进入步骤
(5)
;否则,将模型参数的更新值作为模型参数的初
始值,返回步骤
(3)
;
[0011](5)
在线收集污水处理过程不同采样速率下的工艺参数,得到多采样速率测试样本集,对测试样本进行步骤
(2)
的预处理,然后提取测试样本的慢特征,根据建立的多采样概率慢特征回归模型,计算出测试样本的预测值,得到污水处理过程出水水质的在线预测结果
。
[0012]作为优选,步骤
(1)
中,利用集散控制系统收集污水处理过程
M
种不同采样速率的过程变量
X
和
N
种不同采样速率的质量变量
Y
,组成建模用的多采样速率训练样本集,并记为其中其中
x
t
表示采样时刻
t
的过程变量观测值,
y
t
表示采样时刻
t
的质量变量观测值,
Ts
表示总采样时间,
t
表示第
t
个采样时刻,到表示过程变量的不同采样速率,到表示质量变量的不同采样速率,上标
T
表示矩阵转置
。
[0013]作为优选,步骤
(2)
中,所述预处理包括归一化处理,也可以根据需要增加去噪声等预处理过程;通过步骤
(2)
的预处理,使得每个过程变量的均值为零,方差为1;通过步骤
(2)
的预处理步骤,将不同数量级的过程参数转换为统一数量级的数据集,使得不同数量级的过程参数进一步简化,转换为统一数量级的数据集,进一步方便了后续的建模
。
[0014]作为优选,步骤
(3)
中,建立多采样概率慢特征回归模型并采用期望
‑
最大化
(EM)
算法优化模型参数
Θ
,具体包括下述步骤:
[0015](a)
多采样概率慢特征回归模型表示如下:
[0016][0017]其中,
s
t
∈R
q
表示慢特征,
q
为慢特征的维数,表示在采样时刻
t
来自第
m
种采样速率的过程变量观测值,表示在采样时刻
t
来自第
n
种采样速率的质量变量观测值;
F
=
diag{
λ1,
…
,
λ
q
}
为状态转移矩阵,
λ
j
(1≤j≤q)
控制着第
j
维慢特征之间的关联强度
(
即慢度
)
,
H
(m)
∈R
d(m)
×
q
是每个采样速率下过程变量的发散矩阵,
U
(n)
∈R
d(n)
×
q
是每个采样速率下的质量变量的发散矩阵,
d(m)
和
d(n)
分别表示不同采样速率下过程变量和质量变量的变量维数;状态噪声
e
s
服从高斯分布
e
s
~
N(0,
Λ
)
且且和是过程变量和质量变量的高斯噪声,并且和是噪声方差;将模型未知参数记为将模型未知参数记为多采样概率慢特征回归模型在训练集上的完整数据对数似然函数为:
[0018][0019](b)
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种基于多采样概率慢特征回归模型的污水处理过程软测量方法,其特征在于包括下述步骤:
(1)
收集污水处理过程在正常运行时的不同采样速率的过程变量与质量变量,组成建模用的多采样速率训练样本集;
(2)
对多采样速率训练样本集进行预处理;
(3)
建立多采样概率慢特征回归模型,结合当前模型参数的初始值,利用期望
‑
最大化算法,估计得到模型参数的更新值,并优化模型参数;
(4)
当所有模型参数的更新值满足收敛要求时,得到模型参数的最终值,进而得到多采样概率慢特征回归模型,进入步骤
(5)
;否则,将模型参数的更新值作为模型参数的初始值,返回步骤
(3)
;
(5)
在线收集污水处理过程不同采样速率的工艺参数,得到测试样本集,对测试样本进行步骤
(2)
的预处理,然后提取测试样本的慢特征,根据建立的多采样概率慢特征回归模型,计算出测试样本的预测值,得到污水处理过程质量变量的在线预测结果
。2.
根据权利要求1所述的基于多采样概率慢特征回归模型的污水处理过程软测量方法,其特征在于:步骤
(1)
中,利用集散控制系统收集污水处理过程
M
种不同采样速率的过程变量
X
和
N
种不同采样速率的质量变量
Y
,组成建模用的多采样速率训练样本集,并记为其中
x
t
表示采样时刻
t
的过程变量观测值,
y
t
表示采样时刻
t
的质量变量观测值,
Ts
表示总采样时间,到表示过程变量的不同采样速率,到表示质量变量的不同采样速率,上标
T
表示矩阵转置
。3.
根据权利要求2所述的基于多采样概率慢特征回归模型的污水处理过程软测量方法,其特征在于:步骤
(2)
中,所述预处理包括归一化处理;通过步骤
(2)
的预处理,使得每个过程变量的均值为零,方差为1,同时将不同数量级的过程参数转换为统一数量级的数据集
。4.
根据权利要求3所述的基于多采样概率慢特征回归模型的污水处理过程软测量方法,其特征在于:步骤
(3)
具体包括下述步骤:
(a)
多采样概率慢特征回归模型表示如下:其中,
s
t
∈R
q
表示慢特征,
q
为慢特征的维数,表示在采样时刻
t
来自第
m
种采样速率的过程变量观测值,表示在采样时刻
t
来自第
n
种采样速率质量变量观测值;
F
=
diag{
λ1,
…
,
λ
q
}
为状态转移矩阵,
λ
j
(1≤j≤q)
控制着第
j
维慢特征之间的关联强度,
H
(m)
∈R
d(m)
×
q
是每个采样速率下过程变量的发散矩阵,
U
(n)
∈R
d(n)
×
q
是每个采样速率下的质量变量的发散矩阵,
d(m)
和
d(n)
分别表示不同采样速率下过程变量和质量变量的变量维数;状态噪声
e
s
服从高斯分布
e
s
~
N(0,
Λ
)
且且和是过程变量和质量变量的
高斯噪声,并且和是噪声方差;将模型未知参数记为
(m
=
1,2,L,M
;
n
=
1,2,L,N)
,多采样概率慢特征回归模型在训练集上的完整数据对数似然函数为:
(b)
对模型参数随机进行初始化,在期望
‑
最大化算法估计模型参数的期望步骤中,给定
t
‑1时刻慢...
【专利技术属性】
技术研发人员:张淼,徐贝克,介婧,周乐,郑慧,刘薇,
申请(专利权)人:浙江科技学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。