CN202075272U - 一种应用于污水处理的软测量系统 - Google Patents

Abstract

本实用新型涉及一种应用于污水处理的软测量系统，包括设备层、PLC控制层和模型预测层，所述设备层包括多个现场仪表，用于采集污水进水水质指标数据；所述PLC控制层包括多个对应现场仪表的PLC控制站，用于读取仪表数据，并发送至模型预测层，同时接收模型预测层传送的DO预测值，实现DO闭环控制；所述模型预测层设置计算机，计算机内设置支持向量机预测分析模块，用于通过支持向量机建模，依据所述仪表数据和实验室数据回归模拟DO值，并将DO预测值传送至所述PLC控制站；所述PLC控制站通过交换机与所述计算机相连。本实用新型解决了DO分析仪测量精度低，波动大，不利于实时控制等问题，大大减少仪表误差对控制系统的影响，实现高精度的控制。

Description

一种应用于污水处理的软测量系统

技术领域

本实用新型属于自动化模型预测领域，尤其涉及污水处理领域。

背景技术

由于经济的高速发展和城市人口的不断增加，我国工业水平得到了大幅的提高，污水处理行业得到了快速发展，同时需要处理的水质也越来越复杂，污水控制难度大、能效高的特点受到国家高度重视。

溶解氧浓度作为污染程度指标一直是最重要的控制参数，过高或过低的溶解氧浓度都会造成水质下降。目前多采用传统PID控制器控制输入曝气池空气量，使曝气池DO浓度维持在一定的范围内。这种方法对DO分析仪精度要求很高，如果分析仪精度达不到要求，会造成PID控制器误操作，特别当DO分析仪波动时，会对生产设备造成很大伤害。使用模型预测方法模拟DO值逐渐成为污水处理重要的发展方向，结合神经元网络回归算法的DO软测量控制器已经得到了成功运用，但这种方法仍存在着运算时间长，需要样本数量多，预测精度不高等问题。支持向量机作为一种优秀的机器学习方法，可以很好的解决这类问题。

实用新型内容

本实用新型的目的就在于提供一种基于支持向量机的DO软测量系统，解决现有技术中DO分析仪测量精度低，波动大，存在滞后，不利于实时控制等问题。

为实现上述目的，本实用新型技术方案为：

一种应用于污水处理的软测量系统，其特征在于：包括设备层、PLC控制层和模型预测层，所述设备层包括多个污水水质检测的现场仪表，用于采集污水进水水质指标数据；所述PLC控制层包括多个对应现场仪表的PLC控制站，用于读取所述设备层传来的仪表数据，并发送至模型预测层，同时接收模型预测层传送的DO预测值，实现DO闭环控制；所述模型预测层设置计算机，计算机内设置支持向量机预测分析模块，用于通过支持向量机建模，依据所述仪表数据和实验室数据回归模拟DO值，并将DO预测值传送至所述PLC控制站；所述现场仪表通过所述PLC控制站与所述计算机相连，所述PLC控制站通过交换机与所述计算机相连。

所述现场仪表，包括氨氮分析仪、溶解氧分析仪、浊度仪、超声波流量计。

所述实验室数据，包括生化需氧量(BOD)、化学需氧量(COD)、污泥浓度(MLSS)。

上述技术方案的有益之处在于：

本实用新型提供的污水处理软测量系统，采用先进的支持向量机算法回归溶解氧预测模型，可以快速、有效地实现溶解氧的软仪表测量，能准确地预测出DO未来一段时间的变化，实现曝气池鼓风机频率的闭环控制，在PLC控制层闭环控制中，采用软测量DO值取代实际分析仪表值，可靠性高，动态响应迅速，能达到高精度控制的要求，避免了分析仪表偏差、波动造成的影响，实现快速、稳定、高精度的控制，同时达到降低能耗，减少波动的目的。

支持向量机模型可以很好的预测出曝气池中溶解氧的变化，具有较高精度的同时，其泛化能力也很出色，并且此泛化能力与输入数据的维数无关。所以对于其它影响因素，只要得到相应的实验数据或者专家经验，就可以在模型中增加该变量，从而得到较多影响因素的支持向量机模型。

同通用的神经网络建模方法相比，支持向量机的方法需要的样本数少，迭代时间短，泛化能力强。同传统PID控制器相比，基于模型的预测控制器控制精度高，控制效果稳定，尤其适用于污水处理这种复杂的，含有滞后的工艺。

附图说明

下面根据附图和实施例对本实用新型作进一步详细说明。

图1是本实用新型的结构示意图；

图2是本实用新型实施例支持向量机预测分析模块的数据流图；

图3是本实用新型实施例的数据处理流程图。

具体实施方式

如图1所示，一种应用于污水处理的软测量系统，包括设备层、PLC控制层和模型预测层。设备层包括进水水质相关的分析检测现场仪表，如：氨氮分析仪、溶解氧分析仪、浊度仪、超声波流量计等，用于采集污水进水水质指标数据。PLC控制层包括多个对应现场仪表的PLC控制站，用于读取设备层传来的仪表数据，并发送至模型预测层，同时接收模型预测层传送的DO预测值，实现DO闭环控制。PLC控制站设置西门子PLC控制站主站和远程I/O站，PLC控制站通过主站与远程I/O站实现数据通信，将现场仪表数据，如：流量、液位、风机频率、进水含氮量、溶解氧，PH值等送入模型预测层的计算机中。模型预测层设置计算机，计算机内设置支持向量机预测分析模块，该模块使用设备层送来的仪表数据和实验室分析得到的实验室数据，如：生化需氧量(BOD)、化学需氧量(COD)、污泥浓度(MLSS)等，通过使用支持向量机建模原理对污水处理中的重要指标数据溶解氧(DO)进行回归模拟，将模型输出后的DO预测值送到PLC控制站中。设备层的现场仪表通过PLC控制站与模型预测层的计算机相连，将实时测量的数值和测量时间存入模型预测层的计算机数据库中。PLC控制站通过交换机与模型预测层的计算机相连。

图2所示为本实用新型支持向量机预测分析模块的数据流图，支持向量机输入数据样本包括现场仪表数据和实验室分析得到的实验室数据，如：进水氨氮值、进水流量、鼓风机频率、生化需氧量、化学需氧量、污泥浓度。输出数据样本为溶解氧浓度。优选的，将数据样本集分为训练样本和测试样本，使用支持向量机建模方法对训练样本进行训练，找到最优的预测模型，用测试样本对其进行测试。只有测试满意的模型可以用来进行下一步预测控制。

图3所示为本实用新型实施例的数据处理流程：

首先，模型预测层的计算机首先对采集到的数据进行预处理。

其次，剔除异常数据。

剔除数据采用的是统计假设检验的拉依达准则，设样本数据为x1，x2，...，xn，平均值为x，偏差为ei＝xi-x(i＝1，2，...，n)，标准偏差为：

$\mathrm{\σ}=\sqrt{\frac{\mathrm{\Σ}{(x-\stackrel{\‾}{x})}^2}{(n-1)}}$

如果样本xi的偏差|vi|≥3σ(i≤n)，则认为xi是异常数据，应予剔除。

第三，进行零均值标准化。

污水处理过程中数据可能来自不同工程单位，各变量大小在数值上变化很大，不可以直接用于模型回归，应对剔除后的数据进行标准化。

第四，确定支持向量机的核函数和支持向量机估计算法，进行回归模拟，建立支持向量机软测量模型。

将数据分为训练样本和测试样本两部分，样本划分的比例为设定默认比例值，现场可以根据经验对该值进行适当的修改。本实用新型使用预处理、标准化后的训练样本数据进行支持向量机回归得到预测模型。支持向量机的架构有很多种，本实用新型以最小二乘法支持向量机为例。

构造回归函数为：

f(x)＝w^Tφ(x)+b

优化目标是：

$\underset{w,b,\mathrm{\ζ},{\mathrm{\ζ}}^{*}}{\min }J(w,\mathrm{\ζ},{\mathrm{\ζ}}^{*})=\frac{1}{2}{w}^{T}w+\mathrm{\γ}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\ζ}}_i+{\mathrm{\ζ}}_i^{*})$

约束条件为：

$\left\{\begin{array}{c}{y}_i-w^T\mathrm{\φ}\left(x_i\right)-b\≤\mathrm{\ϵ}+{\mathrm{\ζ}}_i\\ w^T\mathrm{\φ}\left(x_i\right)+b-y_i\≤\mathrm{\ϵ}+{\mathrm{\ζ}}_i^{*}\\ {\mathrm{\ζ}}_i,{\mathrm{\ζ}}_i^{*}\≥0,i=1,...,n\end{array}\right.$

其中，ζ_i，是松弛因子，γ是惩罚因子。通过引入Lagrange函数，可将此优化问题转化为：

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }Q(\mathrm{\α},{\mathrm{\α}}^{*})=-\frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})(\mathrm{\φ}{\left(x_i\right)}^T,\mathrm{\φ}\left(x_j\right))-\mathrm{\ϵ}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})$

$s.t.\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i={\mathrm{\α}}_i^{*})=0\\ {\mathrm{\α}}_t,{\mathrm{\α}}_i^{*}\∈[0,\mathrm{\γ}]\end{array}\right.$

预测模型为：

$f\left(x\right)=\underset{i-1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})(\mathrm{\φ}{\left(x_i\right)}^T\·\mathrm{\φ}\left(x\right))+b$

最小二乘法的支持向量机回归模型核函数采用径向基形式的核函数：

$K(\mathrm{xi},x)=\exp (-\frac{\left|\right|\mathrm{xi}-x|{|}^2}{2{\mathrm{\σ}}^2})$

代入核函数后模型为：

$\left(x\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x_i,x)+b$

设定初始正规化参数和核函数的参数值。用样本数据对支持向量机进行训练，获得模型中α_i，

b，建立支持向量机软测量模型。使用测试样本对模型进行测试，只有测试满意的模型可以用来进行预测控制。

最后，用预测模型进行实时估计和预测溶解氧值，将预测值送入PLC控制站中，对DO实现闭环控制。

至此已结合实施例对本实用新型进行了描述。熟悉本领域的人员应当理解，在不脱离本实用新型的范围和精神的情况下，可以容易地对所述实施例作出各种其它修改。因此，附属权利要求的范围并不限于上述说明，而是要广义地解释权利要求。

Claims (3)

1.一种应用于污水处理的软测量系统，其特征在于：包括设备层、PLC控制层和模型预测层，

所述设备层包括多个污水水质检测的现场仪表，用于采集污水进水水质指标数据；

所述PLC控制层包括多个对应现场仪表的PLC控制站，用于读取所述设备层传来的仪表数据，并发送至模型预测层，同时接收模型预测层传送的DO预测值，实现DO闭环控制；

所述模型预测层设置计算机，计算机内设置支持向量机预测分析模块，用于通过支持向量机建模，依据所述仪表数据和实验室数据回归模拟DO值，并将DO预测值传送至所述PLC控制站；

所述现场仪表通过所述PLC控制站与所述计算机相连，所述PLC控制站通过交换机与所述计算机相连。

2.根据权利要求1所述的应用于污水处理的软测量系统，其特征在于：所述现场仪表，包括氨氮分析仪、溶解氧分析仪、浊度仪、超声波流量计。

3.根据权利要求1所述的应用于污水处理的软测量系统，其特征在于：所述实验室数据，包括生化需氧量(BOD)、化学需氧量(COD)、污泥浓度(MLSS)。

Images