1軟測量技術
軟測量技術是指根據可測變量、易測過程與不可直接測量的待測變量之間的關系，按照相關原理，利用新型網絡計算機技術來進行變量的檢測與評價的手段。壹般來說，軟測量技術的內容主要包括：數據信息的采集與處理、輔助變量的選取、軟測量模型的構建以及在線校準等。首先，數據信息的收集是指對原有輔助變量和主導變量的歷史數據進行收集，使其具有代表性、均衡性和精簡性的特點，從而反映出汙水處理過程中的所有情況；數據信息的處理主要是對數據進行轉化處理、誤差處理，其目的是保證數據的壹致性，減少汙水處理過程中的非線性因素，減少產生誤差的因素。其次，輔助變量的選擇主要是檢測點的類型、方位和數量的選擇，需要根據靈活性、準確性和特異性的原則進行選擇。最後是軟測量模型的構建與在線修正，模型構建的形式有很多，主要有人工神經網絡構建法、回歸分析構建法等。其中，人工神經網絡構建法的研究最多。在模型構建中，要以模型識別為核心要素，並進行全面測試，確保模型符合預設標準要求，為汙水處理的有序進行打下堅實基礎。
2軟測量在汙水處理過程中的具體應用
2.1故障診斷在汙水處理過程中的應用，需要大量傳感器對運行狀態進行監測，以保證處理工作的有序進行。運行狀態監測的實質是壹個模式識別的過程，它是指將系統的運行狀態分為兩種情況，即正常運行、異常運行。因此，在汙水處理的過程中，需要利用模式分類的方法來實現對處理過程的狀態監控，為汙水處理的有序進行提供可靠的保障。在相關研究中[1]，主要是利用 SOM+PCA 對多維數據進行處理，利用 K-mean 算法對模式進行識別，然後根據數據模式進行故障診斷。基於結構風險最小化準則的支持向量機方法因其結構簡單、全局性好、泛化能力強等特點，在軟測量故障診斷中得到了有效研究。
在相關研究中，SVM+BP軟測量模型主要用於預測二沈池的SVI，從而判斷汙泥膨脹情況。但在實際應用中仍存在壹些不足。在應用 SVI 時，忽略了 SV、ZSV、絲狀菌長度等因素，在判斷汙泥膨脹時容易出現偏差。另外，在使用支持向量機方法時，由於各類樣本數的大小不同，樣本數多的類別訓練誤差和預測誤差相對較小，樣本數少的類別訓練誤差和預測誤差相對較大。
在具體情況下，特別是汙水處理過程的狀態監測中，異常樣本的數量壹直少於正常樣本的數量，因此必須盡量消除這種偏差，否則會加大對異常情況的預測誤差，造成誤判。研究表明，為了檢查傳感器的偏差，有必要將傳感器的測量值與軟傳感器的預測值進行比較，然後利用殘差進行故障驗證。在使用 NLPCA 和 NNPLS 模型預測氮氧化物時，有必要在傳感器故障後重建數據並開發軟冗余。在利用 PLS 模型預測磷濃度和轉化率時，結合羥基指數來診斷復雜間歇聚類過程的故障。在預測汙水指標時，KPLS 模型還可用於有毒物質流入的優化和報告。然而，利用出水水質預測有毒物質流入量會導致水力停留時間內有毒物質監測的盲區，出現異常少報現象。在這種情況下，需要深入研究，進壹步擴大軟測量的應用範圍。
2.2汙水處理優化應用
2.2.1曝氣優化應用在汙水的生化處理中，好氧反應是反應過程中非常重要的組成部分，大功率鼓風機曝氣與汙水的曝氣成本要求之間存在很大矛盾，壹直困擾著汙水處理企業。特別是在汙水中微生物的需氧量隨環境、時間不斷變化的情況下，少氧會導致汙泥膨脹和出水水質下降，多氧不僅不能保證出水水質，還會有很大的資源浪費。因此，有必要對汙水生化處理工藝在不同工況下的溶解氧模型進行研究，特別是對優化過程中難以測量的變量進行準確、實時的測量，並根據此變量和模型對鼓風機的風量進行優化控制，做到低能耗。
2.2.2藥劑投放等優化應用汙水經過壹級和二級處理之後，水質的改善是比較明顯的，細菌的含量也會大大降低，但是其絕對值還是非常可觀的，而且可能存在大量的致病菌，所以，在排放汙水之間需要進行嚴格的消毒處理。但是，在投放氯氣時，必須保證其適量。針對此類問題，研究表明，將 PH 和 ORP 視為神經網絡軟測量的輸入，預測大腸桿菌群的數量，並在加氯反應和反加氯反應中加入適量的氯，可以節約成本。
除了軟測量在氯化優化中的應用，軟測量還可用於 SBR 工藝中周期時間的估算。通過相關研究發現，在SBR工藝周期時間估算中使用軟測量可以彌補固定時間的不足，並利用軟測量得到的SBR工藝各階段的最佳處理時間對整個SBR處理工藝進行優化。同時，相關研究結果表明，將進水組分和流量視同輸入到神經網絡軟測量模型中，進而預測進水組分的變化，用於廢水處理工藝的優化。此外，充分利用軟測量對出水水質參數進行預測，並將其成本等運行費用納入評價函數，借助優化理論和方法，明確成本函數取值，對汙水處理工藝參數進行優化，確保汙水處理工藝有序完成。
3MW-LSSVR廢水處理工藝軟測量分析
廢水處理作為環境保護的重要組成部分，COD、BOD等是衡量廢水處理效果的主要指標，由於傳感器技術的制約，導致這些參數大多需要人工化驗才能得知，不僅影響了廢水處理的效果，也制約了廢水處理自動化發展的進程。自動化發展。軟測量技術作為工業過程分析、控制、優化的重要工具，是現階段工業傳感器數量和種類尚不足的壹種補充，在汙水處理過程中，軟測量技術得到了壹定程度的應用，並在處理過程中取得了良好的效果。1995年，CorinnaCortes、Vapnik等人提出了支持向量機的概念，它在解決小樣本、非線性和高維模式識別問題上顯示出許多獨特的優勢，並可推廣到函數擬合等其他機器學習問題上。
最小二乘支持向量機（LSSVR）作為壹種標準的支持向量機，實現了計算機復雜性的簡化，加快了求解速度，在智能控制中的應用越來越普遍。但在實際應用中，由於基礎的不完整性，導致分類支持向量機無法接近任意的分類界面，以及任意的目標函數。在此基礎上，提出了多尺度小波最小二乘支持向量回歸機（MW-LSSVR），通過求解二次優化問題得到不同尺度參數，進而構建軟測量模型，實現出水COD濃度和出水BOD濃度的在線預測，有效解決了COD和BOD的在線監測問題。
3.1輸入輸出變量的選取在構建COD、BOD軟測量模型時，需要對系統的工藝輔助變量進行明確。更多的輔助變量可以更好地囊括汙水處理信息，然而過多的輸入變量會增加數據處理工作量。根據經驗因素和相關文獻研究，將進水 COD 濃度、進水流量、進水 pH 值、進水溫度、好氧反應區溶解氧濃度、汙泥濃度作為模型的輔助變量，輸出變量為出水 COD 濃度和出水 BOD 濃度。
3.2 數據預處理 在明確重要輔助變量後，進行數據預處理和比例變換。在進行比例變換時，主要將其變換到[0,1]或[-1,1]的範圍內。
3.3 模型的建立 輸入進水 COD 濃度、進水流量、進水 pH 值、進水溫度、好氧反應區溶解氧濃度、汙泥濃度向量，輸出 COD 濃度、BOD 濃度向量，構建簡化模型，如圖 1 所示。
更多關於工程/服務/采購類標書撰寫制作，提升中標率，可點擊官網底部客服免費咨詢：/#/?source=bdzd