Data-driven intelligent monitoring system for key variables in wastewater treatment process

In wastewater treatment process(WWTP), the accurate and real-time monitoring values of key variables are crucial for the operational strategies. However, most of the existing methods have difficulty in obtaining the real-time values of some key variables in the process. In order to handle this issue, a data-driven intelligent monitoring system, using the soft sensor technique and data distribution service, is developed to monitor the concentrations of effluent total phosphorous(TP) and ammonia nitrogen(NH_4-N). In this intelligent monitoring system, a fuzzy neural network(FNN) is applied for designing the soft sensor model, and a principal component analysis(PCA) method is used to select the input variables of the soft sensor model. Moreover, data transfer software is exploited to insert the soft sensor technique to the supervisory control and data acquisition(SCADA) system. Finally, this proposed intelligent monitoring system is tested in several real plants to demonstrate the reliability and effectiveness of the monitoring performance.

污水处理软测量仪表研究进展与应用

软传感器以其检测快速、成本低廉等优点应用于污水处理行业前景极佳,随着人工智能的进步,软测量仪表的精度与可靠度也在逐步提高。该文在总结污水处理软测量研究进展的基础上,研究了软测量仪表开发的关键技术,并分析了某膜曝气生物反应器(MABR)农村污水处理设施出水端的应用案例。

活性污泥过程溶解氧浓度预测

溶解氧浓度是活性污泥法污水处理过程中的重要过程参数。准确的溶解氧浓度测量是保证出水水质达标以及节能生产的前提,对此,提出了一种基于优化神经网络的溶解氧浓度软测量模型。首先,将自适应步长策略和学习策略引入标准的麻雀搜索算法,提高了算法的搜索能力和搜索精度。其次,为了提高溶解氧浓度的预测精度和效率,采用改进麻雀搜索算法用于优化BP神经网络模型参数,并以自动获取的最佳参数组合构建溶解氧软测量模型。最后,利用该软测量模型对国际基准仿真模型BSM1和实际污水处理过程的溶解氧浓度进行预测。仿真结果表明:与BP、RBF、ELM、JS-BP和PSO-BP等预测模型相比,ISSA-BP预测模型的预测精度更高,收敛速度更快,具备更好的实践应用价值。

基于神经网络的污水处理指标软测量研究

污水处理厂目前广泛使用序批式活性污泥法。该方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,具有非线性、时变性、随机性和不确定性等特点,难以建立准确的数学模型。同时,该方法的污水处理指标在线测量仪表价格昂贵。为从工程应用角度将人工神经网络软测量方法应用于污水水质指标的实时检测,分别建立BP神经网络和RBF神经网络污水指标软测量模型。仿真结果表明,建立的神经网络软测量模型能很好地实现污水处理指标的COD、BOD、N等参数的实时测量和估计,为污水指标的实时检测提供了新的思路。

软测量在污水处理过程中的研究与应用

在污水生化处理过程中,存在着多变量耦合、强非线性、参数时变、大滞后等特点,面对这些特点,传统传感器无法得到有效应用,重要变量无法得到快速精确测量,生化过程无法得到有效优化和诊断,于是大量研究围绕软测量展开,其中利用机理模型、智能模型和回归模型对重要变量进行精确测量最为普遍。文中根据污水生化处理的特点,不仅综述了软测量数据预处理的基本方法,而且归纳了其基本建模、优化及故障诊断的应用和研究成果。同时指出了软测量鲁棒性差,自校验能力差,机理模型和智能模型混合以及在污水故障诊断中存在的问题。最后,结合国际上发展及作者的实践经验总结并展望了软测量技术在污水生化处理过程中的应用前景和发展趋势。

基于Elman神经网络的城市污水处理水质参数软测量

在介绍序批式活性污泥法(SBR)的城市生活污水处理工艺的基础上,针对反应过程所具有的多变量、非线性和动态复杂反应的特点,利用水质参数与多个过程可测参数间的关联关系,提出了基于Elman递归人工神经网络的水质参数软测量模型.以ORP,DO浓度和pH值作为输入参数,可实现对COD,NH3,TP水质参数的软测量.基于污水处理实验数据建立软测量模型,结果表明,上述软测量模型对污水处理水质指标COD,NH3,TP具有理想的预测效果.

过程神经元网络学习算法及软测量方法的研究

研究输入输出以及连接权函数均可为时间函数的过程神经元网络(process neural network,PNN)的学习算法,在基本算法上增加基函数展开系数的规一化处理、权函数动量项调整项,提出学习率自适应调整方法和加速网络收敛速度的改进算法。将过程神经元网络引入到生产过程质量参数的软测量,研究基于正交基展开的过程神经元网络算法,通过分析原网络收敛速度慢等问题,对传统BP算法加以改进,实现了污水处理过程出水水质BOD的预测,仿真取得较好的结果,实践证明这是一种时变过程参数软测量的新方法。

基于深层神经网络的多输出自适应软测量建模

在污水处理运行过程中,多个重要的难测过程变量的存在,不仅妨碍了生产过程的监控,而且阻碍了过程控制策略的调整或优化。即使软测量模型得到合理的构建,在投入运行后仍然遭受性能的退化和同时带来的高昂的维护成本。此外,合适辅助变量的选取直接影响后续建模的效果。因此,文中提出了一种基于深层神经网络的多输出自适应软测量模型,用于污水处理过程中多个目标变量的同步在线预测。其中,深层神经网络基于一种栈式自编码而构建,在极端复杂场景下具有优异的在线预测性能;并在建模中引入时差建模和变量重要性投影(VIP)这两种算法,以应对性能退化问题和实现辅助变量的精选。最后,通过一个实际案例对所提出模型进行验证。结果表明,所提出的软测量模型不仅具有较好的多输出预测性能,且在单目标预测结果上也有不错的表现。

基于动态多核相关向量机的软测量建模研究

针对污水处理过程中存在的多变量耦合、强非线性以及参数时变等问题,提出基于多核学习相关向量机的软测量建模方法,并采用粒子群算法对多核权重以及核参数进行优化。同时,引入时间差分(time difference)方法改进多核相关向量机的动态特性。为了验证所提模型的有效性,通过一仿真案例与单核相关向量机、多层前馈神经网络和基于遗传算法的支持向量机进行对比研究。结果表明,所提模型具有更好的预测效果。最后,对模型的鲁棒性在数据漂移和异常的场景下进行了讨论。

城市原生污水冷热源换热管软垢特性研究

利用城市原生污水作为热泵冷热源时,换热管软垢生长特性是要考虑的重要问题。以实际应用的污水换热器为实验对象,测试了换热器换热性能、软垢随时间与流速的增长特性,分析了软垢热阻及其对传热性能的影响。同时发现,以水力反冲方法实现软垢的清洗具有可行性。

基于Fast-RVM的在线软测量预测模型

生化需氧量(biochemical oxygen demand,BOD)是评价水质好坏和污水处理效果的关键指标之一。由于污水生化处理过程复杂,在线仪表维护困难,生化需氧量无法得到快速精确地测量。针对这一问题,提出了一种基于Fast-RVM的在线软测量回归模型来实时在线预测出水指标BOD。该模型采用基于贝叶斯框架的相关向量机来在线预测输出指标,并且引入快速边际似然算法来加快模型的更新速度。通过污水数据的仿真实验,结果表明该在线模型的预测精度高于离线模型,泛化能力强,模型在线更新的快速性尤为突出,能较好地实现污水处理中出水水质的实时在线预测。

基于PCA-GABP神经网络的BOD软测量方法

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PCA GABP神经网络的污水水质软测量方法。该方法由两部分组成:主元分析PCA和GABP神经网络。其中,GABP算法采用局部改进遗传算法优化神经网络权值,并采用自适应学习速率动量梯度下降算法对神经网络进行训练,建立软测量模型。仿真结果表明该软测量模型稳定性好、精度高,可用于污水处理厂对BOD进行在线预测。

生物接触氧化法处理洗浴废水的研究

利用生物接触氧化法处理洗浴废水,其载体为软性泡沫填料。研究了水力停留时间、气水比及CODCr容积负荷对CODCr、BOD5、LAS去除率的影响。结果表明:当水力停留时间为1h,气水比为1:1时,出水CODCr≤50mg/L,去除率为≥73.91%,BOD5≤10mg/L,去除率为≥77.32%,LAS≤1.0mg/L,去除率为≥90.89%,符合杂用水标准。CODCr容积负荷对洗浴废水CODCr、BOD5和LAS处理效果影响不大。

软测量技术在污水处理过程中的应用

阐述了软测量技术的概念及其实现方法,给出了软测量的基本结构图和设计流程图,阐明了软测量技术应用于污水处理过程中的必要性、可行性及其社会效益和理论意义,并简要探讨了软测量技术的研究方向。

污水处理智能控制与优化控制方法及应用

论述目前污水处理中的智能控制与优化控制方法的研究与应用现状,对模糊控制技术、神经网络软测量与控制、优化控制等方法进行了分析,指出在污水生物处理中引入智能控制是一种提高处理效率、降低运行成本的有效方法。污水处理最优控制能使系统运行稳定可靠,出水水质达到预定标准,而且使出水水质满足要求不增加处理成本。

软测量技术及其在污水处理系统中的应用

在简单介绍软测量技术基本概念及其几种常用建模方法基础上,针对污水处理系统中软测量技术的应用,分析了软测量技术在污水处理领域的国内外研究现状和存在的问题及不足,最后提出了软测量技术应用于污水处理系统的研究发展方向。

基于RBF人工神经网络的生活污水处理软测量方法

为实现城市生活污水处理的在线控制,提出了基于RBF人工神经网络的软测量方法.运用大量实测数据对RBF神经网络进行了训练和仿真.结果表明,基于RBF神经网络的软测量模型对污水处理指标BOD的实时控制具有实用价值.

面向活性污泥1号模型应用的软测量技术

活性污泥1号模型(ASM1)是污水处理领域应用最为广泛的一个模型,但由于其大部分组分浓度难以测量,有的目前甚至无法测量,这给模型应用带来了一定的困难。针对这一问题,本文引入软测量技术,分别在出水端和入水端建立软测量模型,实现了难测的组分浓度和易测的常规水质指标之间的实时转换。对海城污水处理厂处理过程的仿真表明,软测量模型是正确的,在ASM1模型的应用过程中使用软测量技术是完全可行的。

基于粒子群优化的溶解氧质量浓度支持向量回归机

针对污水处理中溶解氧质量浓度无法在线精确测量的问题,提出基于粒子群算法优化支持向量回归机(PSO-SVR)的溶解氧质量浓度软测量模型.为了提高溶解氧的预测精度和效率,采用粒子群算法对支持向量回归机的模型参数进行优化,并以自动获取的最佳参数组合构建溶解氧与其影响因子间的非线性软测量模型,利用该软测量模型对国际基准仿真模型BSM1的溶解氧质量浓度进行预测.仿真结果表明:该模型能得到较好的预测效果,与SVR、RBF神经网络相比,PSO-SVR模型不仅计算复杂度低,而且收敛速度快,预测精度高,泛化能力强.

基于同步聚类的污水水质混合在线软测量方法

污水处理过程工况频繁波动,单一模型难以保证软测量精度,提出了基于同步聚类的出水COD混合在线软测量方法。模型由简化机理模型和建模误差补偿模型组成,其中简化机理模型作为主模型,集成模型作为误差补偿模型。机理模型用于表征污水处理过程的基本动态机理特性;误差补偿集成模型中子模型均采用线性模型,用以补偿不同工况下的机理模型建模误差。子模型个数采用在线同步聚类算法进行划分,考虑了输入和输出数据的时间区间,同时考虑了相邻数据间的关联性,提高了计算效率,改善了模型的实时性。采用实际污水处理厂数据进行仿真实验,验证了所提建模方法在多个运行工况下仍具有较好的精度。