CN102262147A - 一种废水处理系统出水cod的软测量方法和系统 - Google Patents

Abstract

本发明涉及了一种废水处理系统出水COD的软测量方法及系统，包括以下步骤：(1)测定HRT、进水pH值、好氧池DO、混合液回流比r以及实际出水COD值；(2)收集上述数据样本，采用自适应模糊C均值聚类算法，对数据进行聚类分析，根据得到的聚类数建立起COD模糊神经网络模型，对模型进行训练，直到误差满足要求；(4)把训练好的模糊神经网络模型嵌入至工控机中，通过OPC技术实现MATLAB软件与组态软件MCGS的数据通讯，从而实现废水处理系统出水COD的在线实时监测。本发明对废水处理系统出水COD的软测量可以解决COD测定仪价格昂贵、维护困难且测量滞后的问题，真正实现对出水水质的在线实时监测。

Description

一种废水处理系统出水COD的软测量方法和系统

技术领域

本发明涉及废水处理技术领域，具体是指一种废水处理系统出水COD的软测量方法和系统。

背景技术

随着现代工业过程对控制、计算、节能增效和运行可靠性等要求的不断提高，各种测量要求日益增多。现代过程检测的内涵和外延较之以往均有很大的深化和拓展。一方面，仅获取流量、温度和压力等常规过程参数的信息已经不能满足工艺操作和控制的要求，需要获取诸如成分、物性等与过程操作和控制密切相关的检测参数的测量信息。另一方面，仪表测量的精度要求越来越高。一般解决工业过程的测量问题有两条途径：一是沿袭传统的检测技术思路，以硬件形式实现过程参数的直接在线测量；另一种就是采用间接测量的思路，利用容易获取的其他测量信息，通过计算来实现对被测变量的估计。近年来在过程控制和检测领域涌现出的软测量技术就是这一思想的集中体现。以软测量技术为基础的软测量仪表是多输入多输出的智能型仪表，它可以是使用仪表，也可以是由用户进行编程的通用仪表。软测量仪表使用成本低，容易推广，可代替一些价格较贵且难以维护的仪表。软测量仪表结合软测量技术与控制技术，可采用现场总线的智能总线仪表以后，在一台仪表中实现多个回路的控制。软测量是面向对象的，通过编程或组态来实现软测量数学模型，可以通过编程器或组态操作方便地对模型参数进行修改，甚至可以对推理控制模型进行修正。软测量的控制推理模型可以方便地在分散控制系统中实现，一些较简单的数学模型还可以在单回路控制器中实现。

废水处理是个复杂的非线性过程，当前污水处理领域，废水的一些关键参数无法在线实时检测，大多数检测传感器、仪表存在测量时间滞后长，价格昂贵且维护困难的问题。在实际污水处理过程中，人工进行化验操作，会导致出水水质质量波动大，能耗大，费用高等问题。

发明内容

为了解决废水处理系统出水COD测量时间长，在线测量仪器价格昂贵且维护困难的问题，本发明将模糊逻辑和人工神经网络相结合，构建模糊神经网络，使用自适应模糊C均值聚类算法优化模糊神经网络规则数。设计出一个以能够实时在线监测的指标，具有五层结构和优良性能的COD模糊神经网络软测量模型。

本发明目的通过以下技术方案实现：

一种基于模糊神经网络废水处理系统出水COD的测量方法，包括以下步骤：

(1)测定进入A/A/O废水处理系统的水力停留时间HRT、进水pH值、好氧池DO和混合液回流比r，以及从废水处理系统流出的实际出水COD值；

(2)收集上述已测定的数据样本，采用自适应模糊C均值聚类算法，对数据进行聚类分析，根据得到的聚类数在MATLAB中建立起COD模糊神经网络模型，对模型进行训练，直到误差满足要求；

(3)将训练好的模糊神经网络模型嵌入工控机中，并使用组态软件MCGS构建好人机交互界面；

(4)采用OPC技术实现COD模糊神经网络模型与组态软件之间的数据交换，将组态软件收集好的数据输送至COD模糊神经网络模型，计算出出水COD的预测值，再把该值返回至工控机人机交互界面；

(5)不断重复步骤(4)，从而实现废水处理系统出水COD的在线实时监测。

所述训练算法可以采用最小二乘法和反向传播梯度下降法相结合的混合算法，是现有技术常用的训练算法。

所述数据样本矩阵为X＝{x₁，x₂，…，x_n}，其中x_i＝[x_1i，x_2i，…，x_pi]^T，模糊C均值聚类就是求使聚类目标函数J(U，V)最小的隶属度矩阵U＝[u_ij]_c×n；以及聚类中心V＝{v₁，v₂，…，v_c}，其中vi＝[v_1i，v_2i，…，v_pi]^T；

$X=\{x_1,x_2,...,x_n\}=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1n}\\ x_{21}& x_{22}& ...& x_{2n}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ x_{p1}& x_{p2}& ...& x_{\mathrm{pn}}\end{array}\right]---\left(1\right)$

$J(U,V)=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2---\left(2\right)$

$\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}=\mathrm{1,1}\≤j\≤n,2\≤c\≤n---\left(3\right)$

d_ij＝‖x_j-v_i‖            (4)

式中：p为所选参数个数，n为参数观测数据总数；c为聚类数，m为模糊加权指数，d_ij为数据x_j到聚类中心v_i的欧氏距离；

所述自适应模糊C均值聚类算法具体包括以下步骤：

(1)初始聚类数c＝2；

(2)给定迭代标准ε＞0，k＝0，模糊加权指数m＝2，B(1)＝0，选取[0，1]上的均匀分布随机数来确定初始聚类中心V⁽⁰⁾；

(3)计算隶属度矩阵U^(k)：

$u_{\mathrm{ij}}^{\left(k\right)}=\frac{1}{\underset{r=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ij}}^k}{d_{\mathrm{rj}}^{\left(k\right)}}\right)}^{\frac{2}{m-1}}}$

(4)通过下式计算聚类中心V^(k+1)：

$v_i^{(k+1)}=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\left(u_{\mathrm{ij}}^{\left(k\right)}\right)}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\left(u_{\mathrm{ij}}^{\left(k\right)}\right)}^m};$

(5)若‖V^(k+1)-V^(k)‖≤ε，则转到步骤(6)；否则，置k＝k+1，转到步骤(3)；

(6)计算有效性函数B(c)，若2＜c＜n，B(c-1)＞B(c-2)并且B(c-1)＞B(c)，则聚类过程结束，得到聚类数c-1，否则，置c＝c+1，转向步骤(2)

$B\left(c\right)=\frac{\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{\left|\right|v_i-\stackrel{\‾}{x}\left|\right|}^2/(c-1)}{\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{\left|\right|x_j-v_i\left|\right|}^2/(n-c)}$

$\stackrel{\‾}{x}=\frac{\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{x}_j}{n}$

其中为总体样本的中心向量。

所述COD模糊神经网络模型包括输入层、隐含层和输出层，其中隐含层又分为三层：模糊化输入层、模糊规则层和模糊化输出层；其中，模糊化输入层中的模糊隶属度函数选用高斯函数，模糊规则数为自适应模糊C均值聚类算法进行聚类分析得到的聚类数。

所述COD模糊神经网络模型的具体结构如下：

所述输入层为第一层：计算每个输入变量对应的隶属度，以水力停留时间HRT、进水pH值、好氧池DO和混合液回流比r为神经网络的4个输入变量，节点数为4×(c-1)，c-1为自适应调节聚类数的模糊C均值聚类算法对数据进行聚类分析得到的聚类数；

所述模糊化输入层为第二层：输出为各节点的规则值，节点数为c-1；隶属度函数选用高斯函数；

所述模糊规则层为第三层：归一化各节点的规则数，该节点为c-1；

所述模糊化输出层为第四层：计算每条规则的适用度，节点数与第三层个数同为c-1。

所述输出层为第五层：出水COD的预测值为输出神经元，该节点数为1。

进水COD值为300～4000mg/l，进水pH值为6～9，总水力停留时间HRT为10～30h，厌氧池ORP值为-200～0mv，好氧池DO值为0.3～5mg/l。

所述采用自适应模糊C均值聚类算法进行聚类分析是在MATLAB中进行。

实施所述的软测量方法的系统，该系统包括传感器、进水泵、回流泵、模数转换模块、数模转换模块、接口转换器和装有组态软件MCGS及嵌有COD模糊神经网络模型的工控机；传感器的输出端与模数转换模块的输入端连接，模数转换模块的输出端依次与接口转换器和工控机相连；工控机再依次与接口转换器和数模转换模块连接，将数字信号转换成模拟信号传输给进水泵和回流泵的控制电路，控制进水泵和回流泵的转速，以达到水力停留时间和回流比的预设值；由传感器监测A/A/O废水处理系统进水pH值和好氧池DO，将模拟信号依次经过ADAM4017+转换模块和ADAM4520转换器转换为数字信号并传送至工控机的组态软件，再通过OPC技术输送给COD模糊神经网络模型，以实现对出水COD值的软测量。

本发明的方法还包括下述步骤：借助传送控制协议/互联网协议(TCP/IP)和串行数据接口标准(R232/485)，通过计算机和双向通信，对上述数据进行实时收集。

所述采用自适应模糊C均值聚类算法进行聚类分析是在MATLAB中进行。

本发明相对于现有技术具有如下优点和有益效果：

(1)本发明将模糊逻辑与神经网络相结合，建立模糊神经网络模型，通过神经网络来实现模糊逻辑，同时利用自适应模糊C均值聚类算法动态调整模糊神经网络规则数，优化模型结构，提高模型预测精度。

(2)对出水COD的软测量可以解决COD测量设备时间滞后长的问题，真正实现对废水出水水质全面实时的监测，防止突发污染事故。

(3)本发明可以用于代替价格昂贵的COD测量设备，节省维护费用，降低废水处理成本，容易在废水处理工程推广应用，具有很好的社会效益和经济效益。

附图说明：

图1表示本发明废水处理系统的结构框图

图2表示MCGS构建的工控机人机交互界面

图3表示COD模糊神经网络软测量模型

图4表示MATLAB与MCGS之间的数据交换流程

图5表示数据样本的自适应模糊C均值聚类结果

图6表示实际出水COD值与软测量所得COD值的比较

图7表示实际出水COD值与软测量所得COD值的相对误差

具体实施方式

下面结合具体实施例对本发明作进一步具体详细描述，但本发明的实施方式不限于此。

实施例1

一种基于自适应模糊C均值聚类模糊神经网络废水处理系统出水COD的软测量方法，包括以下步骤：

(1)测定进入A/A/O废水处理系统的水力停留时间HRT、进水pH值、好氧池DO和混合液回流比r，以及从废水处理系统流出的实际出水COD值；

(2)收集上述已测定的数据样本，采用自适应模糊C均值聚类算法，对数据进行聚类分析，根据得到的聚类数在MATLAB中建立起COD模糊神经网络模型，对模型进行训练，直到误差满足要求；

((3)将训练好的模糊神经网络模型嵌入工控机中，并使用组态软件MCGS构建好人机交互界面；

(4)采用OPC技术实现COD模糊神经网络模型与组态软件之间的数据交换，将组态软件收集好的数据输送至COD模糊神经网络模型，计算出出水COD的预测值，再把该值返回至工控机人机交互界面；

(5)不断重复步骤(4)，从而实现废水处理系统出水COD的在线实时监测。

本发明基于自适应模糊C均值聚类模糊神经网络的废水处理系统出水COD的软测量系统，如图1所示，该系统包括传感器、进水泵、回流泵、ADAM4017+转换模块、ADAM4024转换模块、ADAM4520转换器和装有组态软件MCGS及嵌有COD模糊神经网络模型的工控机；传感器的输出端与ADAM4017+转换模块的输入端连接，ADAM4017+转换模块的输出端与ADAM4520转换器的输入端相连，ADAM4520转换器的输出端与工控机相连；工控机再依次与ADAM4520转换器和ADAM4024转换模块连接，在工控机的操作界面输入水力停留时间和回流比的预设值，ADAM4024转换模块将该数字信号转换成模拟信号传输给进水泵和回流泵的控制电路，控制进水泵和回流泵的转速，以达到水力停留时间和回流比的预设值；由传感器监测A/A/O废水处理系统进水pH值和好氧池DO，将模拟信号依次经过ADAM4017+转换模块和ADAM4520转换器转换为数字信号并传送至组态软件MCGS，再通过OPC技术输送给COD模糊神经网络模型，以实现对出水COD值的软测量。

其中，ADAM4520是连接ADAM4024、ADAM4017+和主机之间通讯的桥梁，是一个RS232/485转换器。ADAM4024是12位分辨率4通道的数/模(D/A)转换模块。所述COD模糊神经网络模型嵌入在装有监控与控制通用系统(MCGS)的工控机中。图2为使用监控与控制通用系统(MCGS)构建的人机交互界面，MCGS购自北京昆仑通态自动化软件公司，MCGS具有组态方便，监控功能完善和动画效果显示等优点，利用其可视化的画面制作技术，可实现各种满足要求的仿真界面，特别适合开发人机交互界面，但是MCGS软件通常只能实现简单的数值计算分析和控制策略。MATLAB软件拥有大量稳定可靠的算法库，在控制策略编制，算法改进，参数在线调整，仿真调试等方面有着明显优势。在MATLAB中可以根据特定的被控过程建立仿真模型，构造仿真平台，编制控制策略算法。但是，MATLAB在生成人机界面上功能薄弱，而且生成的这些算法不能直接作用到被控制的对象上，需要建立在监控平台组态软件之上，通过组态软件与对象进行数据交换。鉴于此，自适应模糊C均值聚类算法和COD模糊神经网络软测量模型控制算法程序由MATLAB语言编写，并在工控机中通过OPC通讯协议与MCGS组态软件进行数据交换。

运行A/A/O废水处理系统5个月，获取110组关于水力停留时间HRT、进水pH值、好氧池DO、混合液回流比r以及出水COD的数值，部分室验数据如表1所示。为了能够直观地观察数据特征值经过自适应模糊C均值聚类后的效果，特选取两组特征值绘出其聚类结果的二维图形，如图3所示。从图3可以看出，采用自适应模糊C均值聚类对训练数据进行聚类，各聚类数的有效性函数值为：B(2)＝1037.3，B(3)＝1779.7，B(4)＝2354.8，B(5)＝2866.8，B(6)＝3000.2，B(7)＝3126.1，B(8)＝3217.5，B(9)＝3310.7，B(10)＝3242.1。因此得到9个聚类及其中心。

图4表示本发明基于自适应模糊C均值聚类模糊神经网络废水处理系统出水COD的软测量模型采用五层模糊神经网络结构。

所述COD模糊神经网络软测量模型包括输入层、隐含层和输出层，其中隐含层又分为三层：模糊化输入层、模糊规则层和模糊化输出层。其中，模糊化输入层中的模糊隶属度函数的个数由模糊C均值聚类算法对数据进行聚类分析得到，隶属度函数选用高斯函数。

所述COD模糊神经网络软测量模型的五层神经网络结构具体如下：

第一层：计算每个输入变量对应的隶属度，以水力停留时间HRT、进水pH值、好氧池DO和混合液回流比r为神经网络的4个输入变量，节点数为4×9，它的作用是计算各输入分量属于各语言变量值模糊集合的隶属度：

式中：A_i、B_j、C_k和D_r是语言变量值，

和

分别表示隶属度函数，所选隶属函数如下式所示：

高斯函数：

其中：a和b为前件参数；

第二层：模糊化输入层，该层将输入信号相乘，输出为各节点的规则值，节点数为9：

第三层：模糊规则层，归一化各节点的规则值，第i个结点计算第i条规则w_i与全部规则w值之和的比值，该节点为9；

$O_i^3=\stackrel{\‾}{w_i}=\frac{w_i}{w_1+w_2...+w_9}i=\mathrm{1,2},...,9$

第四层：模糊化输出层，计算每条规则的适用度，节点数与第三层个数同为9。该层的结点为自适应结点，其输出为：

$O_i^4=\stackrel{\‾}{w_i}\×f_i={\stackrel{\‾}{w}}_i\×({\mathrm{\α}}_i{I}_1+{\mathrm{\β}}_i{I}_2+{\mathrm{\γ}}_i{I}_3+{\mathrm{\η}}_i{I}_4+{\mathrm{\δ}}_i)i=\mathrm{1,2}...,9$

其中：α_i、β_i、γ_i、η_i和δ_i(i＝1，2，...，9)是后件参数；

第五层：输出层，出水COD的预测值为输出神经元，节点数为1，是一个固定结点，用于计算所有输入信号的总输出：

$O_i^5=\underset{i=1}{\overset{9}{\mathrm{\Σ}}}\stackrel{\‾}{w_i}\×f_i=\frac{\underset{i=1}{\overset{9}{\mathrm{\Σ}}}{w}_i\×f_i}{\underset{i=1}{\overset{9}{\mathrm{\Σ}}}{w}_i}$

COD模糊神经网络软测量模型的前件参数和后件参数建立模型时随机赋值，训练完成之后，模型中各前件参数和后件参数也随之确定，如表2和表3所示。

表1 部分实验数据

表2 前件参数

表3 后件参数

图5表示MATLAB与MCGS之间的数据交换流程。安装MCGS组态软件及其高级开发包到正确路径。启动MCGS则OPC服务器功能自动启动。按照工程要求组态好人机交互界面。在组态好的MCGS工程中，定义好水力停留时间(HRT)、进水pH值(pH)、好氧池溶解氧(DO)、混合液回流比(r)和出水COD软测量返回值(s_COD)四个参量，供MATLAB进行读写操作。启动MATLAB，在命令窗口中输入命令opcregister(‘install’)，用来安装由OPCFoundation提供的一套可以在网络上浏览其他计算机并且能通信的核心组件。再输入命令：a＝opcda(′localhost′，′MCGS.OPC.Server′)；connect(da)；则MATLAB与MCGS建立连接。

本发明的方法还包括下述步骤：借助传送控制协议/互联网协议(TCP/IP)和串行数据接口标准(R232/485)，通过计算机和双向通信，对上述数据进行实时收集。

将训练好的COD模糊神经网络软测量模型嵌入工控机后，运行A/A/O废水处理系统40天，系统运行期间，计算机把收集到的水力停留时间HRT、进水pH值、好氧池DO、混合液回流比r的数据传递给MATLAB软件，MATLAB运行模糊神经网络模型进行预测出水COD值，把COD软测量值返回到人机交互界面。如图6和图7所示，模糊神经网络软测量模型能够对A/A/O废水处理系统出水COD的值进行准确软测量，最大相对误差小于6％。COD软测量值与实际值具有很好的相关性，相关系数R达到0.9928。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围内。

Claims (7)

1.一种废水处理系统出水COD的软测量方法，其特征在于，包括以下步骤：

(1)测定进入A/A/O废水处理系统的水力停留时间HRT、进水pH值、好氧池DO和混合液回流比r，以及从废水处理系统流出的实际出水COD值；

(2)收集上述已测定的数据样本，采用自适应模糊C均值聚类算法，对数据进行聚类分析，根据得到的聚类数在MATLAB中建立起COD模糊神经网络模型，对模型进行训练，直到误差满足要求；

(3)将训练好的模糊神经网络模型嵌入工控机中，并使用组态软件MCGS构建好人机交互界面；

(4)采用OPC技术实现COD模糊神经网络模型与组态软件之间的数据交换，将组态软件收集好的数据输送至COD模糊神经网络模型，计算出出水COD的预测值，再把该值返回至工控机人机交互界面；

(5)不断重复步骤(4)，从而实现废水处理系统出水COD的在线实时监测。

2.根据权利要求1所述的软测量方法，其特征在于，所述数据样本矩阵为X＝{x₁，x₂，…，x_n}，其中x_i＝[x_1i，x_2i，…，x_pi]^T，模糊C均值聚类就是求使聚类目标函数J(U，V)最小的隶属度矩阵U＝[u_ij]_c×n；以及聚类中心V＝{v₁，v₂，…，v_c}，其中v_i＝[v_1i，v_2i，…，v_pi]^T；

$X=\{x_1,x_2,...,x_n\}=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1n}\\ x_{21}& x_{22}& ...& x_{2n}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ x_{p1}& x_{p2}& ...& x_{\mathrm{pn}}\end{array}\right]---\left(1\right)$

$J(U,V)=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2---\left(2\right)$

$\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}=\mathrm{1,1}\≤j\≤n,2\≤c\≤n---\left(3\right)$

d_ij＝‖x_j-v_i‖            (4)

式中：p为所选参数个数，n为参数观测数据总数；c为聚类数，m为模糊加权指数，d_ij为数据x_j到聚类中心v_i的欧氏距离；

所述自适应模糊C均值聚类算法具体包括以下步骤：

(1)初始聚类数c＝2；

(2)给定迭代标准ε＞0，k＝0，模糊加权指数m＝2，B(1)＝0，选取[0，1]上的均匀分布随机数来确定初始聚类中心V⁽⁰⁾；

(3)计算隶属度矩阵U^(k)：

$u_{\mathrm{ij}}^{\left(k\right)}=\frac{1}{\underset{r=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ij}}^k}{d_{\mathrm{rj}}^{\left(k\right)}}\right)}^{\frac{2}{m-1}}}$

(4)通过下式计算聚类中心V(^k+1)：

$v_i^{(k+1)}=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\left(u_{\mathrm{ij}}^{\left(k\right)}\right)}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\left(u_{\mathrm{ij}}^{\left(k\right)}\right)}^m};$

(5)若‖V^(k+1)-V^(k)‖≤ε，则转到步骤(6)；否则，置k＝k+1，转到步骤(3)；

(6)计算有效性函数B(c)，若2＜c＜n，B(c-1)＞B(c-2)并且B(c-1)＞B(c)，则聚类过程结束，得到聚类数c-1，否则，置c＝c+1，转向步骤(2)

$B\left(c\right)=\frac{\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{\left|\right|v_i-\stackrel{\‾}{x}\left|\right|}^2/(c-1)}{\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{\left|\right|x_j-v_i\left|\right|}^2/(n-c)}$

$\stackrel{\‾}{x}=\frac{\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{x}_j}{n}$

其中为总体数据样本的中心向量。

3.根据权利要求2所述的软测量方法，其特征在于，所述COD模糊神经网络模型包括输入层、隐含层和输出层，其中隐含层又分为三层：模糊化输入层、模糊规则层和模糊化输出层；其中，模糊化输入层中的模糊隶属度函数选用高斯函数，模糊规则数为自适应模糊C均值聚类算法进行聚类分析得到的聚类数。

4.根据权利要求3所述的软测量方法，其特征在于，所述COD模糊神经网络模型的具体结构如下：

所述输入层为第一层：计算每个输入变量对应的隶属度，以水力停留时间HRT、进水pH值、好氧池DO和混合液回流比r为神经网络的4个输入变量，节点数为4×(c-1)，c-1为可自适应调节聚类数的模糊C均值聚类算法对数据进行聚类分析得到的聚类数；

所述模糊化输入层为第二层：输出为各节点的规则值，节点数为c-1，隶属度函数选用高斯函数；

所述模糊规则层为第三层：归一化各节点的规则数，该节点数为c-1；

所述模糊化输出层为第四层：计算每条规则的适用度，节点数与第三层个数同为c-1；

所述输出层为第五层：出水COD的预测值为输出神经元，该节点数为1。

5.根据权利要求4任意一项所述的软测量方法，其特征在于，进水COD值为300～4000mg/l，进水pH值为6～9，总水力停留时间HRT为10～30h，厌氧池ORP值为-200～0mv，好氧池DO值为0.3～5mg/l。

6.根据权利要求5所述的软测量方法，其特征在于，所述采用自适应模糊C均值聚类算法进行聚类分析是在MATLAB中进行。

7.实施权利要求1～6任意一项所述的软测量方法的系统，其特征在于，该系统包括传感器、进水泵、回流泵、模数转换模块、数模转换模块、接口转换器和装有组态软件MCGS及嵌有COD模糊神经网络模型的工控机；传感器的输出端与模数转换模块的输入端连接，模数转换模块的输出端依次与接口转换器和工控机相连；工控机再依次与接口转换器和数模转换模块连接，将数字信号转换成模拟信号传输给进水泵和回流泵的控制电路，控制进水泵和回流泵的转速，以达到水力停留时间和回流比的预设值；由传感器监测A/A/O废水处理系统进水pH值和好氧池DO，将模拟信号依次经过ADAM4017+转换模块和ADAM4520转换器转换为数字信号并传送至工控机的组态软件，再通过OPC技术传送给COD模糊神经网络模型，以实现对出水COD值的软测量。

Images