CN101625353B - 污水处理出水水质软测量方法及在线智能检测仪表 - Google Patents

Abstract

一种污水处理出水水质软测量方法，方法如下：选进水中的TOC、DO、ORP和pH值作为输入，待软测量的量BOD或COD作为输出，采用PNN过程神经元网络结构建模，并基于PNN过程神经元网络改进算法，将二者程序化存储于嵌入式计量仪表处理系统中；先进行离线网络训练，输入已获取的多组输入量值，经仪表处理系统自适应网络调整直至使网络训练精度达到设定值；污水处理现场中进行在线测量，实时采样，将获得数据滤波处理后输入给仪表，计算系统快速计算得到BOD或COD值；输出显示或打印。在线智能检测仪表包括：一组采集TOC、DO、ORP和pH值的传感器，一模数转换器；一内嵌基于PNN过程神经元网络结构及改进算法编制的软测量程序模块的CPU中心处理器，输入设备及输出设备。

Description

污水处理出水水质软测量方法及在线智能检测仪表

技术领域

本发明属于污水处理领域技术，尤其涉及一种出水水质软测量方法及其在线智能检测仪表。 

背景技术

在污水处理过程中存在着过程参数时变、数学建模困难、产品质量指标难以在线实时检测或检测时间严重滞后，因而不能实现实时闭环控制、不易保证产品质量的难题。例如衡量污水处理过程出水质量的主要指标COD(ChemicalOxygen Demand化学需氧量)和BOD(Biochemical Oxygen Demand生物化学需氧量)，由于技术或经济的原因，前者的测量仪器价格贵、操作复杂、检测时间长，后者目前还无在线检测仪器。 

为了对COD和BOD这类变量进行实时检测和控制，解决问题的途径和研究的思路主要有以下两种： 

(1)沿袭传统的检测技术发展思路，通过研制新型的过程测量仪表，以硬件为主的方式实现过程参数的直接在线测量。但这种方法存在技术、成本等诸多问题，有较大的局限性。例如国外已研制出COD检测仪，但仍存在滞后时间长，误差较大，价格较贵、使用不便等问题。测出结果的时间严重滞后，无法用实时控制。 

(2)采用间接测量的方法，利用易于获取的其它测量信息，通过数学建模的方法利用这些信息来实现对被检测量的估计。 

软测量是随着控制理论、智能科学发展和计算机技术的推广应用，从九十年代起得到了普遍关注和迅速发展，被认为是进行工业过程监测、优化、控制的重要方法。软测量是目前检测和过程控制研究发展的重要方向。 

2000年我国的何新贵院士根据过程控制系统中控制参数存在依赖于时间函数的特点，首次提出了一种新的神经网络结构---PNN，参见图1所示，即输 入/输出都可以是时间过程或函数的过程神经元网络(PNN--Process NeuralNetwork)。PNN在传统神经元空间聚合运算的基础上，增加了一个时间聚合算子，使过程神经元的聚合运算和激励作用能同时反映信号的空间总和效应和时间总和效应。 

图1给出了隐层是过程神经元、输入和输出是普通神经元的前向型三层网络结构。 

网络可以看作是一个从输入到输出时间函数的高度非线性映射，即F：Rⁿ→R^m，f(X)＝Y。对于样本集合：输入x_i(∈Rⁿ)和输出y_i(∈R^m)，可认为存在某一映射g使：g(x_i)＝y_i  i＝1，2，……n，神经网络通过对简单的非线性函数的多次复合，可近似复杂的函数。 

假设输入层神经元个数是n，隐层神经元个数是m，输出层神经元个数为1。w_ij(t)表示输入层到隐层的连接权值，v_j为隐层节点到输出层节点的连接权值，θ_j ¹为隐层节点j的激励阈值，[O，T]为采样周期，f，g分别是激励函数，θ为输出节点阈值。则网络输入与输出之间的映射关系为： 

$y=g\left\{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{v}_{j}f\right[{\∫}_0^T\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}\left(t\right)x_i\left(t\right)\right)\mathrm{dt}-{\mathrm{\θ}}_j^1]-\mathrm{\θ}\}$

过程神经元网络是一种效果较好的软测量建模方法，它具有联想记忆，自学习，高度容错，快速处理，能逼近高度复杂的非线性系统的特点，适合于非线性、时变的工程系统。如何更好的利用该过程神经元网络技术来实现对污水处理出水水质的软测量是业内人士努力寻求的目标。 

发明内容

本发明的目的是提供一种污水处理出水水质软测量方法，该方法可利用易于获取的其它测量信息，通过数学建模来实现对被检测量的估计，为最终的控制分析提供可靠的出水质量指标结果。 

本发明的另一目的是提供一种出水水质在线智能检测仪表，其可以实现对出水水质的主要技术指标的测试及显示，测出结果用于对出水水质的实时控制。 

为实现上述目的，本发明采取以下设计方案： 

一种污水处理出水水质软测量方法，包括有一用于测量水质的嵌入式计量仪表，其方法步骤如下： 

1)首先选取进水中的总有机碳含量TOC、溶解氧DO、氧化还原电位ORP和酸碱度pH值作为软测量输入量，以五天生物化学需氧量BOD₅或化学需氧量COD作为软测量输出量，采用PNN过程神经元网络结构建模，并加入基于该PNN过程神经元网络改进算法； 

2)基于上述的PNN过程神经元网络结构及改进算法编制软测量程序烧录于嵌入式计量仪表处理系统中； 

3)在进入污水处理BOD或COD在线测量前先进行离线网络训练，包括： 

向嵌入式计量仪表中导入在实际污水处理过程中已准确获取的一组(一个污水处理过程)输入量值，经嵌入式计量仪表处理系统中的软测量程序自动完成对PNN过程神经网络模型的训练； 

4)将嵌入式计量仪表接入污水处理现场中，其中主要是完成一组传感器信号输出端与仪表的输入端之间的连接； 

5)先通过该组传感器实时采样现场水样的总有机碳含量TOC、溶解氧DO、氧化还原电位ORP和酸碱度pH值数据，再将获得的数据滤波处理后输入给嵌入式计量仪表的计算系统，嵌入式计量仪表的计算系统利用基于改进的PNN理论的软测量程序快速计算得到BOD₅或COD值； 

6)每隔一采样间隔，重复步骤5)； 

7)输出一组BOD或COD值供记录、显示、打印和统计报表。 

所述的基于该PNN过程神经元网络改进算法采用的是有动量项调整的权值、阈值调整方法或采用的是有动量项和自适应学习速率的共轭梯度法的权值、阈值调整方法。 

一种用于实现出水水质软测量方法的在线智能检测仪表，其包括：一组前端传感器，用于采集总有机碳含量TOC、溶解氧DO、氧化还原电位ORP和酸碱度pH值；一模数转换器，用于将前端传感器采集的模拟输入量转换为数字信号量；一CPU中心处理器，内嵌基于PNN过程神经元网络结构及改进算法编制的软测量程序模块，可对得到的现场数据依据软测量程序实施计算处理；一键盘输入设备；一组输出设备；所述的一组前端传感器的输出端接模数转换器的输入端，模数转换器的输出端接CPU中心处理器的串行外围接口；键盘输入接 于中心处理器的通用输入/输出接口；CPU中心处理器的控制输出端接一组输出设备的输入。 

所述的一组输出设备可以是显示、打印、数据下载、存储和声音输出设备中的至少一种设备。其中存储设备接于CPU中心处理器的串行外围接口；显示器接于CPU中心处理器的打印终端接口；微型打印机接于CPU中心处理器的通用异步接收/发送装置接口；下载数据线接于CPU中心处理器的串行外围接口；声音设备输出接于通用输入/输出接口。 

所述的CPU中心处理器为51系列单片机、AVR系列单片机、ARM系列单片机等其他嵌入式芯片。 

本发明污水处理出水水质软测量方法主要用于序批式活性污泥法(SBR)污水处理过程出水水质的软测量，以解决COD和BOD这类变量的在线检测和闭环控制问题。 

所述的总有机碳含量TOC(Total Organic Carbon)是指在排水中构成有机物的碳的总量，可作为测定污染程度的重要指标。其单位一般表示为“毫克/升”。 

所述的溶解氧DO(Dissolved Oxygen)是水体环境质量的一项极其重要的综合性表观指标，它直接反映水体受有机物、微生物、藻类等物质污染的程度，在环境水质监测中被广泛采用，DO值的变化主要由曝气量所影响，监测DO可以优化调节曝气量，控制用电量，进而可以控制污水处理成本。其单位一般表示为“毫克/升”。 

所述的氧化还原电位ORP(Oxidation Reduction Potential)是指溶液的氧化还原电位。ORP值是水溶液氧化还原能力的测量指标，其单位是毫升。 

本发明污水处理出水水质软测量方法主要解决因BOD和COD化学方法检测的大滞后带来的在线检测问题，故选用总有机碳含量TOC、溶解氧DO、氧化还原电位ORP和酸碱度pH值作为二次变量，将BOD₅和COD作为主导变量。基于PNN过程神经元网络结构及改进算法可快速地计算推导出BOD₅(BOD变量中的一常用表示指标，为五天生物化学需氧量)或COD值。 

本发明污水处理出水水质软测量方法的基本思想是将系统建模理论与生产工艺过程有机结合起来，应用计算机软件技术，对水环境系统中一些难于在线测量或不能测量的重要变量(称之为主导变量，如出水BOD、COD)等，通过利用另外一些容易测量且与其有关的变量(称之为辅助变量或二次变量)，并同时通过构造某种以辅助变量为输入、主导变量为输出的网络结构模型，用计算机软件系统实现主导变量的估计，可以快速得到主导变量的结果，从而将得到的结果数据适时地用于污水处理的实时闭环控制，以保证出水达标并节省电能。

本发明污水处理出水水质软测量方法在探求PNN基于正交基展开算法的基函数种类、阈值调整的方法基础上，提出具有动量项和自适应学习速率权值的改进算法，并以此为基础，实现基于PNN的污水处理过程的软测量方法。 

本发明的优点是： 

1、本发明污水处理出水水质软测量方法首次将过程神经元网络引入到污水处理过程软测量方法中，该方法能够实现BOD和COD的在线快速检测，检测速度快，精度高，通用性强。 

2、本发明在线智能检测仪表测出的结果滞后时间短，误差小，环境适应能力强，成本相对较低，可操作性强，使用方便；为实现实时闭环控制、保证产品质量打下坚实基础。 

附图说明

图1为PNN过程神经元网络模型结构示意图 

图2为本发明污水处理出水水质软测量方法基于PNN过程神经元网络建模结构示意图 

图3为本发明软测量程序方框流程图 

图4为本发明出水水质软测量用在线智能检测仪表的构成原理示意图 

图5为本发明一实施例TOC变量的多项式拟合曲线图 

图6为PNN过程神经元网络模型结构原理示意图 

具体实施方式

本发明污水处理出水水质软测量方法的具体步骤是： 

(一)首先建立水质软测量PNN过程神经元网络模型，并基于该PNN过程神经元网络改进算法： 

本发明是基于PNN过程神经元网络首先建立起一个用于污水处理出水水质软测量方法的PNN过程神经元网络模型，并对该PNN过程神经元网络模型中的参数选取做了大量的研究工作： 

在生活污水处理中，只要对BOD₅进行软测量就可实现对出水水质的实时控制。需要确定的是与BOD₅测量密切相关的可测输入量的个数。目前看来TOC、DO、PH值和ORP等均可测量且与BOD₅密切相关，尤其是进水水质与出水水质关系直接。DO值的变化主要由曝气量所影响，监测DO可以优化调节曝气量，控制用电量，进而可以控制污水处理成本。根据当前流行的SBR工艺过程分析及对实时检测的数据分析，以及现有实验条件，结合部分资料调研，选用进水TOC、DO、ORP和pH值作为输入的二次变量，软测量技术主要解决BOD₅滞后检测问题，所以将BOD₅作为输出的主导变量。 

由上面对软测量二次变量和主导变量的分析，本发明可采用多输入和单输出的神经网络结构。由于单隐层的前馈网络可以映射所有的连续函数，并且污水处理过程是时间的连续函数，所以设计单隐层结构，这样不仅计算量较少，而且网络结构层次清晰。根据上面的分析确定了图2所示的过程神经元网络软测量模型结构：参见图2所示，图中输入层的四个节点，分别是DO(t)，TOC(t)，ORP(t)，pH(t)设隐层有m个节点，则网络输入与输出之间的映射关系为： 

$y=g\left\{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{v}_{j}f\right[{\∫}_0^T\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}\left(t\right)x_i\left(t\right)\right)\mathrm{dt}-{\mathrm{\θ}}_j^1]-\mathrm{\θ}\}---\left(1\right)$

式中W_ij(t)为输入层节点i到隐层节点j的连接权函数，v_j为隐层节点到输出层节点的连接权值，θ_j ¹为隐层节点j的激励阈值，[O，T]为采样周期，x_i(t)表示输入节点参数。f，g分别是激励函数，在污水处理过程中采用Sigmoid函数，θ为输出节点阈值，j＝1，2，3…m，i＝1，2，3。 

S型函数为： 

$f\left(x\right)=\frac{2}{1+e^{-2x}}-1---\left(2\right)$

由所取的激励函数可知，该函数输入是(-∞，+∞)，输出是(-1，1)。可实现从(-∞，+∞)到(-1，1)的映射。是全局逼近网络，即f(x)在x的相当大的域为非零值。 

将权函数表示为同组基函数的展开形式： 

$W_{\mathrm{ij}}\left(t\right)=\left(\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}^{\left(\mathrm{jl}\right)}{b}_l\left(t\right)\right)---\left(3\right)$

输入层节点为4个，假设隐层节点为m个，则权值矩阵可表示为下式， 

$w=\left[\begin{array}{c}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{w}_{11}^{\left(1l\right)}{b}_l\left(t\right),\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{w}_{12}^{\left(2l\right)}{b}_l\left(t\right),......,\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{w}_{1m}^{\left(\mathrm{ml}\right)}{b}_l\left(t\right)\\ \underset{l=1}{\overset{L}{\mathrm{\Σ}}}{w}_{21}^{\left(1l\right)}{b}_l\left(t\right),\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{w}_{22}^{\left(2l\right)}{b}_l\left(t\right),......,\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{w}_{2m}^{\left(\mathrm{ml}\right)}{b}_l\left(t\right)\\ \underset{l=1}{\overset{L}{\mathrm{\Σ}}}{w}_{31}^{\left(1l\right)}{b}_l\left(t\right),\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{w}_{32}^{\left(2l\right)}{b}_l\left(t\right),......,\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{w}_{3m}^{\left(\mathrm{ml}\right)}{b}_l\left(t\right)\\ \underset{l=1}{\overset{L}{\mathrm{\Σ}}}{w}_{41}^{\left(1l\right)}{b}_l\left(t\right),\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{w}_{42}^{\left(2l\right)}{b}_l\left(t\right),......,\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{w}_{4m}^{\left(\mathrm{ml}\right)}{b}_l\left(t\right)\end{array}\right]---\left(4\right)$

式中w_1m ^(ml)表示输入神经元和第m个隐层神经元在基函数b_l(t)下的展开系数。 

如何利用输入输出的映射关系快速的计算推导输出的主导变量，这就涉及到学习算法的选取问题： 

如果采用原基于过程神经元网络的学习算法，发现在污水处理软测量和预测实际应用中存在收敛速度慢，局部最小等问题。通过仿真实验发现网络经常发生‘假饱和’和严重振荡问题，所以很难获得满意的训练结果。因此本发明在原算法的基础上研究了改进算法，制定了具有动量项和自适应学习速率权值的新的改进算法，并将其计算机程序化而固化在出水水质软测量用网络计算机系统中。 

具体的改进算法设计是： 

(1)共轭梯度法(traincgf) 

共轭梯度法是梯度法的改进，基本思路是寻找与负梯度方向和上一次搜索方向共轭的方向作为新的搜索方向，从而加快训练速度，提高精度。原理如下： 

首先采用负梯度方向作为初始搜索方向： 

p₀＝g₀

然后沿着该方向作一维搜索： 

x_k+1＝x_k+a_kp_k                                               (5) 

利用共轭方向作为新一轮的搜索方向，通常在当前梯度上附加上一次搜索方向： 

p_k＝-g_k+β_kp_k-1                                             (6) 

其中： ${\mathrm{\β}}_k=\frac{g_k^T{g}_k}{g_{k-1}^T{g}_{k-1}}---\left(7\right)$

根据β_k的选取方法衍生了几种共轭梯度法，常用的有Fletcher_Reeves共轭梯度法。 

(2)有动量项和自适应学习速率的权值、阈值调整 

有动量项和自适应学习速率的权值、阈值调整公式是： 

v_j(t+1)＝v_j(t)+aΔv_j+ζΔv(t)            (8) 

$w_{\mathrm{ij}}^{\mathrm{jl}}(t+1)=w_{\mathrm{ij}}^{\mathrm{jl}}\left(t\right)+\mathrm{b\Δ}{w}_{\mathrm{ij}}^{\mathrm{jl}}+\mathrm{\ζ\Δ}{w}_{\mathrm{ij}}^{\mathrm{jl}}\left(t\right)---\left(9\right)$

${\mathrm{\θ}}_j^1(t+1)={\mathrm{\θ}}_j^1\left(t\right)+\mathrm{\γ\Δ}{\mathrm{\θ}}_j^1+\mathrm{\ζ\Δ}{\mathrm{\θ}}_j^1\left(t\right)---\left(10\right)$

$\mathrm{\Δ}{v}_j=-2\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\left[(g\left(z_k\right)-d_k)g^{\text{'}}\left(z_k\right)f\left(u_{\mathrm{kj}}\right)\right]j=\mathrm{1,2}...m---\left(11\right)$

$\mathrm{\Δ}{w}_{\mathrm{ij}}^{\left(\mathrm{jl}\right)}=-2\underset{k=1}{\overset{k}{\mathrm{\Σ}}}\left[(g\left(z_k\right)-d_k)g^{\text{'}}\left(z_k\right)f^{\text{'}}\left(u_{\mathrm{kj}}\right)a_{\mathrm{il}}^{\left(k\right)}\right]---\left(12\right)$

i＝1，2，…n，l＝1，2…L，j＝1，2…m     (13) 

$\mathrm{\Δ}{\mathrm{\θ}}_j^1=-2\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\left[(g\left(z_k\right)-d_k)g^{\text{'}}\left(z_k\right)f^{\text{'}}\left(u_{\mathrm{kj}}\right)(-1)\right]---\left(14\right)$

其中： 

$u_{\mathrm{kj}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{a}_{\mathrm{il}}^{\left(k\right)}{w}_{\mathrm{ij}}^{\left(\mathrm{jl}\right)}-{\mathrm{\θ}}_j^1---\left(15\right)$

$z_k=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{v}_{j}f(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{a}_{\mathrm{il}}^{\left(k\right)}{w}_{\mathrm{ij}}^{\left(\mathrm{jl}\right)}-{\mathrm{\θ}}_j^1)-\mathrm{\θ}---\left(16\right)$

Δv(t)＝v_j(t)-v_j(t-1)(17) 

$\mathrm{\Δ}{w}_{\mathrm{ij}}^{\mathrm{jl}}\left(t\right)=w_{\mathrm{ij}}^{\mathrm{jl}}\left(t\right)-w_{\mathrm{ij}}^{\mathrm{jl}}(t-1)---\left(18\right)$

$\mathrm{\Δ}{\mathrm{\θ}}_j^1\left(t\right)={\mathrm{\θ}}_j^1\left(t\right)-{\mathrm{\θ}}_j^1(t-1)---\left(19\right)$

式中的ζΔv(t)，ζΔw_ij ^jl(t)，ζΔθ_j ¹(t)分别是动量项的调整值，ζ为动量项调整系数。 

选择合适的学习速率对于网络训练至关重要，学习速率过大会引起网络振荡发散，而过小则虽然可以避免振荡，但收敛速度变慢，一般要求a，b，Υ不超过2/λ_max，λ_max为输入向量X的自相关矩阵的最大特征值，具体按照下面公式调整学习速率. 

η＝η.Φ(ζ＝ζΔE＜0)      (20) 

η＝η.δ(ζ＝ζΔE＞0)      (21) 

其中Φ＞1，δ＜1，ΔE＝E(t)-E(t-1)，ζ表示动量项调整的系数，η表示网络学习速率a，b，Υ。 

本发明是在基于正交基展开算法的基函数种类、阈值调整的方法基础上， 提出有动量项调整的权值、阈值调整方法或同时具有动量项和自适应学习速率的共轭梯度法的权值、阈值调整方法，后者为佳。 

本发明具有动量项和自适应学习速率权值的改进算法，该算法通过采用动量项和学习速率自适应调整两种策略的算法，加速了网络的收敛速度，其中，动量项降低了误差曲面局部细节的敏感性，有效抑制了网络陷于局部最小，自适应学习速率有效地加速网络收敛速度，增加稳定性，提高训练精度。 

(二)在完成了上述建模和改进学习算法后，将二者程序化并固定在用于在线测量的仪表控制系统中。 

(三)在真正进入到现场污水处理的在线测量前，先对该测量的仪表进行离线网络训练，具体训练过程是： 

向嵌入式计量仪表中输入已获取的一组输入量值，这些数据可以是依据待测水源前历史记录，或之前通过仪表和化工方法取得的有关该水源的总有机碳含量TOC、溶解氧DO、氧化还原电位ORP和酸碱度pH值数据，经用于本发明的在线网络测量仪表的自适应网络调整，直至使网络训练精度达到设定值E(该设定值应设定在训练允许的误差精度内)，维持该状态。 

(四)实现在线测量：将训练好的嵌入式计量仪表接入污水处理现场中进行在线测量，先通过一组传感器(该组传感器可现场采集总有机碳含量TOC、溶解氧DO、氧化还原电位ORP和酸碱度pH值数据)实时采样现场水样的总有机碳含量TOC、溶解氧DO、氧化还原电位ORP和酸碱度pH值数据，再将获得的数据滤波处理后输入给嵌入式计量仪表的计算系统，嵌入式计量仪表的计算系统利用基于PNN理论的软测量程序快速计算得到BOD或COD值； 

(五)每隔一采样间隔，重复上述在线测量的具体过程，采样间隔可依据数据变化的趋势增加或减小，主要依据是计量环境的污水处理工艺条件，例如：根据污泥法，整个污水处理周期就可以确定为3小时，采样间隔为0.5小时。 

(六)在线测量过程中可随时测量随时显示、输出BOD或COD值，供记录、显示或打印，亦可将整体得到的数据存储一并输出打印。 

本发明污水处理出水水质软测量方法首次将过程神经元网络引入到污水 处理过程软测量方法中，经大量实验结果表明，该方法能够实现BOD或COD的在线快速检测。 

嵌入式计量仪表可以用常规的，亦可以采用本发明的在线智能检测仪表为更佳。 

图4给出了可实现本发明污水处理出水水质软测量方法的在线智能检测仪表一实施例构成的电原理示意图。该仪表以AVR单片机系列的Atmega1280为主控制器，它可配有128K字节的FLASH存贮器，支持ISP、IAP编程，因此可以将本发明污水处理出水水质软测量方法通过编程予以实现。主控制器设计有时钟电路，可以周期地控制前端采样仪采样现场的TOC、DO、ORP和pH值实时数据，通过ADC芯片转换为计算机可以识别的数字信号，结合基于PNN理论的软测量程序快速计算得到BOD或COD值。另外，该仪表还可配备有键盘和液晶显示屏，能方便实现系统配置和信息显示，还具备有数据统计和报表打印功能。 

所述的一组前端传感器的输出端接模数转换器的输入端，模数转换器的输出端接CPU中心处理器的串行外围接口；键盘输入和声音设备输出接于GPIO通用输入/输出接口；CPU中心处理器的控制输出端接一组输出设备的输入。 

所述的一组输出设备可以是显示、打印、数据下载、存储和声音输出设备中的至少一种设备。其中存储设备接于CPU中心处理器的SPI串行外围接口；显示器接于CPU中心处理器的打印终端接口；微型打印机接于CPU中心处理器的通用异步接收/发送装置接口；下载数据线接于CPU中心处理器的ISP接口；声音输出设接通用输入/输出接口。 

上述各实施例可在不脱离本发明的范围下加以若干变化，故以上的说明所包含及附图中所示的结构应视为例示性，而非用以限制本发明的申请专利范围。 

下面结合一具体实施例来具体说明本发明的设计方案： 

由某污水处理厂采样得到的一组实时数据形式是： 

X(t，DO，TOC，ORP，pH)＝(0，DO 1，TOC 1，ORP 1，pH 1； 

                        0.5，DO2，TOC2，ORP2，pH2；……；(22) 

                        3，DO7，TOC7，ORP7，pH7) 

对式(22)的数据在采样周期利用最小二乘法拟合为高阶多项式形式，从而得到一组训练样本集，如式(23)。 

$X=(\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{a}_{1i}{x}_1^{\text{'}},\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{a}_{2i}{x}_2^{\text{'}},\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{a}_{3i}{x}_3^{\text{'}},\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{a}_{4i}{x}_4^{\text{'}})---\left(23\right)$

研究表明5阶以上的多项式完全可以拟合逼近任意函数，所以采用这种拟合完全可以满足本发明训练数据采样周期的过程。 

根据本发明的改进算法，选取一组正交三角基函数，利用软件编程实现基于函数正交基展开的过程神经元网络算法。在污水处理软测量的预测控制中采用5组测量数据对算法的误差收敛速度进行仿真分析，论证该算法的正确性。设定的训练误差精度(即为本在线测量仪表欲网络训练精度达到的设定值)为：0.01，最大迭代训练次数2000，输入函数的拟合多项式阶次为5，隐层神经元个数为12，输入层神经元个数为3，输出层个数为1，输入层到隐层的学习率为0.38，隐层阈值的学习率为0.3，隐层到输出层的学习率为0.4。反应周期为3小时，采样间隔为0.5小时。5组训练数据中TOC变量的多项式拟合曲线如图5所示，每条曲线代表了一个和时间相关的输入序列。 

仿真分析： 

采用5组训练数据分别对原算法和改进算法作仿真分析，得到如下结果：原算法网络误差收敛曲线存在比较大的振荡和‘假饱和’现象，并且收敛速度十分缓慢。采用动量项调整和学习率自适应调整的改进算法误差收敛曲线比较理想，可以取得较好的软测量取得效果。 

表1是训练后网络的输出结果比较，表中数据表明训练后的网络可以对训练数据作出预测，从而说明网络的训练性能比较好，算法是正确性的，也说明采用改进的算法可以提高过程神经元网络的误差收敛速度，改善网络的训练性能。 

表1训练后网络的输出结果比较 

Claims (1)

1.一种污水处理出水水质软测量方法，包括有一用于测量水质的嵌入式计量仪表，其特征在于所述的方法步骤如下：

1）首先选取进水中的总有机碳含量TOC、溶解氧DO、氧化还原电位ORP和酸碱度pH值作为输入量，以软测量的生物化学需氧量BOD或化学需氧量COD作为输出量，采用PNN过程神经元网络结构建模，并加入针对PNN过程神经元网络的改进算法；

其中，所述的过程神经元网络结构是：输入层有四个节点,分别是DO(t),TOC(t),ORP(t),pH(t)，网络输入与输出之间的映射关系为：

式中W_ij(t)为输入层节点i到隐层节点j的连接权函数，v_j为隐层节点到输出层节点的连接权值, 

为隐层节点j的激励阈值，[0,T]为采样周期，x_i(t)表示输入节点参数，f,g分别是激励函数，在污水处理过程中采用Sigmoid函数,θ为输出节点阈值，j=1,2,3…m,i=1,2,3；

所述的针对PNN过程神经元网络的改进算法是改进的共轭梯度法；该改进的共轭梯度法是：

首先采用负梯度方向作为初始搜索方向：p₀＝g₀,p₀、g₀为第一步搜索方向；

然后沿着该方向作一维搜索：x_k+1＝x_k+a_kp_k，x_k+1为第k步计算值，a_k为k步计算系数，p_k为第k步搜索方向；

利用共轭方向作为新一轮的搜索方向，在当前梯度上附加上一次搜索方向：

p_k＝-g_k+β_kp_k-1 β_k为第k步搜索方向系数；

其中： 

g_k ^T为g_k的转置；

2）基于上述的PNN过程神经元网络结构及改进算法编制软测量程序，并烧录于嵌入式计量仪表处理系统中； 

3）在进入污水处理在线测量前先进行离线网络训练，包括：

向嵌入式计量仪表中输入已获取的一组现场数据，经嵌入式计量仪表处理系统的自适应网络调整直至使网络训练精度达到设定值，完成网络训练，并维持该状态；

4）将训练好的嵌入式计量仪表接入污水处理现场中进行在线测量，先通过一组传感器实时采样现场水样的总有机碳含量TOC、溶解氧DO、氧化还原电位ORP和酸碱度pH值数据，再将获得的数据滤波处理后输入给嵌入式计量仪表的计算系统，嵌入式计量仪表的计算系统利用基于改进的PNN理论的软测量程序快速计算得到BOD₅或COD值；

5）每隔一采样时间间隔，重复步骤4）；

6）输出实时BOD或COD在线检测结果，供记录、显示，并提供统计报表打印。 

Images