CN109975366B - 农村生活污水a2o处理终端出水cod浓度软测量方法及装置 - Google Patents
农村生活污水a2o处理终端出水cod浓度软测量方法及装置 Download PDFInfo
- Publication number
- CN109975366B CN109975366B CN201910226953.2A CN201910226953A CN109975366B CN 109975366 B CN109975366 B CN 109975366B CN 201910226953 A CN201910226953 A CN 201910226953A CN 109975366 B CN109975366 B CN 109975366B
- Authority
- CN
- China
- Prior art keywords
- water
- cod
- value
- terminal
- effluent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000010865 sewage Substances 0.000 title claims abstract description 31
- 238000000691 measurement method Methods 0.000 title claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 188
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims abstract description 58
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 210000002569 neuron Anatomy 0.000 claims description 64
- 238000010606 normalization Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 12
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 claims description 10
- 229910052757 nitrogen Inorganic materials 0.000 claims description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N nitrogen Substances N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 9
- 238000001139 pH measurement Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 abstract description 11
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011086 high cleaning Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/06—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a liquid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1806—Biological oxygen demand [BOD] or chemical oxygen demand [COD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Electrochemistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Emergency Medicine (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种农村生活污水A2O处理终端出水COD浓度软测量方法及装置。该方法以出水ph,进水电导,出水电导,出水浊度,进水氨氮浓度与出水氨氮浓度作为出水COD浓度预测的输入指标,利用BP神经网络构建上述输入指标与出水COD浓度之间的关联模型。通过对上述BP神经网络模型进行仿真、验证,其结果表明,本发明所建立的神经网络模型能够迅速且较为准确的预测出同一区域内不同终端的出水COD浓度,模型对A2O设施出水COD浓度具有可靠的预测价值。
Description
技术领域
本发明属于环境监测方法领域,具体涉及一种农村生活污水A2O处理终端出水COD浓度软测量方法及装置。
背景技术
A2O工艺是当前大部分农村生活污水处理终端所采用的工艺类型。现阶段,市面上大型水质在线监测设备的检测原理普遍采用常规化学法,该类型在线监测设备存在价格高昂、需要定期更换化学试剂、清洁保养运维费用较高,对维护人员的操作技能要求较高等缺点。近年来,基于人工神经网络实现的软测量技术在国内外均有所研究,其主要方法为利用人工神经网络建立常规水质传感器即可测量的辅助型指标与需要化学法测量的主导型指标(如 COD浓度)等之间网络模型,从而实现对后者的预测功能。然而现有对于软测量的研究普遍停留于理论层面,且大部分是以单个处理终端作为研究对象,无法实现对同一区域内的其他终端的预测功能。而在我国,农村生活污水具有数量大、分散性高、运行维护成本高、难度大等特点,单独为每套终端配备上述基于化学法的在线监测设备显然不切实际,同时,单独为每个终端建立软测量模型也需要耗费大量的人力物力,不符合我国农村生活污水监测的实际情况。
由于目前水中COD浓度尚未有简便快捷的测量方式,国标法中COD的测量需要经过消解程序,其在线监测存在困难。有必要开发一种更为简便快捷且适用于在线监测的COD测量方法。
发明内容
本发明要解决的技术问题是针对上述的现状而提出的一种基于BP神经网络模型,具有区域性农村生活污水A2O处理终端出水COD浓度预测功能的软测量方法,本发明解决上述技术问题所采用的技术方案如下:
一种农村生活污水A2O处理终端出水COD浓度软测量方法,其步骤如下:
S1:建立包含不同农村生活污水A2O处理终端的水质指标数据的模型数据库,每个处理终端的水质指标由输入指标和输出指标构成,输出指标为出水COD浓度,输入指标为出水pH、进水电导、出水电导、出水浊度、进水氨氮浓度和出水氨氮浓度;
S2:对所述模型数据库中的输入指标及输出指标进行归一化,归一化公式为:
式中:EF_pHi表示第i个终端出水pH归一化数值,EF_pHir表示第i个终端出水 pH测量值,EF_pHmin与EF_pHmax分别表示出水pH的最小与最大值; IN_Conductivityi表示第i个终端进水电导归一化数值,IN_Conductivityir表示第i个终端进水电导测量值,IN_Conductivitymin与IN_Conductivitymax分别表示进水电导的最小与最大值;EF_Conductivityi表示第i个终端出水电导归一化数值,EF_Conductivityir表示第i个终端出水电导测量值,EF_Conductivitymin与EF_Conductivitymax分别表示出水电导的最小与最大值;EF_Turbidityi表示第i个终端出水浊度归一化数值, EF_Turbidityir表示第i个终端出水浊度测量值,EF_Turbiditymin与EF_Turbiditymax分别表示出水浊度的最小与最大值;IN_NH3_Ni表示第i个终端进水氨氮浓度归一化数值, IN_NH3_Nir表示第i个终端进水氨氮浓度测量值,IN_NH3-Nmin与IN_NH3_Nmax分别表示进水氨氮浓度的最小与最大值;EF_NH3_Ni表示第i个终端出水氨氮浓度归一化数值,EF_NH3_Nir表示第i个终端出水氨氮浓度测量值,EF_NH3_Nmin与 EF_NH3_Nmax分别表示出水氨氮浓度的最小与最大值;EF_CODi表示第i个终端出水 COD归一化数值,EF_CODir表示第i个终端出水COD测量值,EF_CODmin与 EF_CODmax分别表示出水COD的最小与最大值;
S3:建立BP神经网络模型,BP神经网络模型共包含输入层,隐藏层以及输出层三层结构;将模型数据库中的样本分为训练数据和测试数据;在输入层中输入训练数据,将出水pH、进水电导、出水电导、出水浊度、进水氨氮浓度和出水氨氮浓度6个输入指标作为输入层神经元;
S4:对不同的输入层神经元赋予不同权重w,并输入到非线性传递函数F(x)中,得到与之对应的隐藏层神经元数值Bi,j:
式中:Bi,j为第j个隐藏层神经元的数值,wEF_pH,j、wIN_Conductivity,j、wEF_Conductivity,j、wEF_Turbidity,j、分别为6个输入指标对应的输入层神经元传递至第j个隐藏层神经元时所被赋予的权重(统称为w),Pj为第j个隐藏层神经元连接阈值;
S5:对上述隐藏层神经元赋予不同权重v,输入到线性传递函数F'(x)中,得到与之对应的输出层神经元数值:
式中:EF_CODinor表示第i个终端的出水COD浓度归一化的预测值,vj表示第j个隐藏层神经元传递至输出层神经元时所被赋予的权重,n为隐藏层神经元数量,Q为输出层神经元的连接阈值;
S6:将上述出水COD浓度归一化的预测值与其归一化的真值相比对,得到二者之间的误差。设第i个终端输出层残差为di:
di=EF_CODinor(1-EF_CODinor)(EF_CODi-EF_CODinor)
将输出层残差反向传输,并根据该残差调整输入层与输出层神经元的参数:
ej=Bi,j(1-Bi,j)·(vj·di)
学习率参数α∈(0,1)
学习率参数β∈(0,1)
式中:z为训练数据中处理终端的样本数;
S7:对训练数据中所有终端的误差进行计算:
S8:判断误差值E是否小于设定值,若未小于设定值则基于调整后的参数继续重复步骤S3~S7,直至误差值E小于设定值,完成BP神经网络模型的训练;
逆归一化并输出出水COD浓度EF_CODout的仿真值
EF_CODout=0.5(EF_CODinor+1)(EF_CODinormax-EF_CODinormin)+EF_CODinormin
EF_CODinormin和EF_CODinormax分别表示出水COD浓度归一化的预测值的最小和最大值;
S9:利用所述的测试数据对训练完毕的BP神经网络模型进行测试,测试精度满足要求后,利用该BP神经网络模型对其他农村生活污水A2O处理终端的出水COD浓度进行预测。
作为优选,所述的非线性传递函数为sigmoid函数。
作为优选,所述的模型数据库的每个处理终端的水质指标数据中,pH和电导通过电极法测量,氨氮浓度通过电极法或者化学法测量,COD浓度通过化学法测量。
作为优选,所述的S4中,所述权重w与阈值Pj的初始值均为随机小数值。
作为优选,所述的S5中,所述权重v与阈值Q的初始值均为随机小数值。
本发明的另一目的在于提供一种基于上述软测量方法的农村生活污水A2O处理终端出水COD浓度软测量装置,所述的A2O处理终端中含有进水池和出水池,所述的进水池中设有进水电导传感器和进水氨氮传感器,所述的出水池中设有出水pH传感器、出水电导传感器、出水浊度传感器和出水氨氮传感器;6个传感器测得的出水pH、进水电导、出水电导、出水浊度、进水氨氮浓度和出水氨氮浓度在中央处理器中作为输入数据,输入所述S9 中测试精度满足要求的BP神经网络模型,由BP神经网络模型输出出水COD浓度。
本发明提出一种基于大量农村生活污水A2O处理终端的调研数据建立地具有区域性预测功能的出水COD软测量方法,该方法以出水pH,进水电导,出水电导,出水浊度,进水氨氮浓度与出水氨氮浓度作为出水COD浓度预测的辅助型指标,利用BP神经网络构建上述辅助型指标与出水COD浓度之间的关联模型。通过对上述BP神经网络模型进行仿真、验证,其结果表明,本发明所建立的神经网络模型能够迅速且较为准确的预测出同一区域内不同终端的出水COD浓度,模型对A2O设施出水COD浓度具有可靠的预测价值。。
附图说明
图1基于BP神经网络模型出水COD浓度预测模型框架图;
图2模型仿真与验证结果;
图3农村生活污水A2O处理终端出水COD浓度软测量装置结构示意图;
图中附图标记:进水池1、进水电导传感器2、进水氨氮传感器3、出水池4、出水pH传感器5、出水电导传感器6、出水浊度传感器7、出水氨氮传感器8、输入层神经元9、隐藏层神经元10、输出层神经元11。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。
本发明中的农村生活污水A2O处理终端出水COD浓度软测量方法,其步骤如下:
S1:对不同农村生活污水A2O处理终端的水质指标数据进行调研采集,然后建立包含不同农村生活污水A2O处理终端的水质指标数据的模型数据库。在该数据库中含有一定数量的样本,即每个处理终端的水质指标,每个样本由处理终端编号、终端位置、输入指标和输出指标等数据信息构成,其中输出指标为出水COD浓度,输入指标为出水pH、进水电导、出水电导、出水浊度、进水氨氮浓度和出水氨氮浓度,共8个。水质指标数据中,pH 和电导通过电极法测量,氨氮浓度通过电极法或者化学法测量,COD浓度通过化学法测量。
S2:在进行模型训练之前,对模型数据库中的输入指标及输出指标进行归一化,归一化公式为:
式中:EF_pHi表示第i个终端出水pH归一化数值,EF_pHir表示第i个终端出水 pH测量值,EF_pHmin与EF_pHmax分别表示出水pH的最小与最大值; IN_Conductivityi表示第i个终端进水电导归一化数值,IN_Conductivityir表示第i个终端进水电导测量值,IN_Conductivitymin与IN_Conductivitymax分别表示进水电导的最小与最大值;EF_Conductivityi表示第i个终端出水电导归一化数值,EF_Conductivityir表示第i个终端出水电导测量值,EF_Conductivitymin与EF_Conductivitymax分别表示出水电导的最小与最大值;EF_Turbidityi表示第i个终端出水浊度归一化数值, EF_Turbidityir表示第i个终端出水浊度测量值,EF_Turbiditymin与EF_Turbiditymax分别表示出水浊度的最小与最大值;IN_NH3_Ni表示第i个终端进水氨氮浓度归一化数值, IN_NH3_Nir表示第i个终端进水氨氮浓度测量值,IN_NH3-Nmin与IN_NH3_Nmax分别表示进水氨氮浓度的最小与最大值;EF_NH3_Ni表示第i个终端出水氨氮浓度归一化数值,EF_NH3_Nir表示第i个终端出水氨氮浓度测量值,EF_NH3_Nmin与 EF_NH3_Nmax分别表示出水氨氮浓度的最小与最大值;EF_CODi表示第i个终端出水 COD归一化数值,EF_CODir表示第i个终端出水COD测量值,EF_CODmin与 EF_CODmax分别表示出水COD的最小与最大值;
S3:建立BP神经网络模型,BP神经网络模型共包含输入层,隐藏层以及输出层三层结构;将模型数据库中的样本分为训练数据和测试数据;在输入层中输入训练数据,将出水pH、进水电导、出水电导、出水浊度、进水氨氮浓度和出水氨氮浓度6个输入指标作为输入层神经元;
S4:对不同的输入层神经元赋予不同权重w,并输入到非线性传递函数F(x)(采用S型函数,即sigmoid函数)中,得到与之对应的隐藏层神经元数值Bi,j:
式中:Bi,j为第j个隐藏层神经元的数值,wEF_pH,j、wIN_Conductivity,j、wEF_Conductivity,j、wEF_Turbidity,j、分别为6个输入指标对应的输入层神经元传递至第j个隐藏层神经元时所被赋予的权重(统称为w),Pj为第j个隐藏层神经元连接阈值;本步骤中,权重w与阈值Pj的初始值均为随机小数值。
S5:对上述隐藏层神经元赋予不同权重v,输入到线性传递函数F'(x)中,得到与之对应的输出层神经元数值:
式中:EF_CODinor表示第i个终端的出水COD浓度归一化的预测值,vj表示第j个隐藏层神经元传递至输出层神经元时所被赋予的权重(统称记为v),n为隐藏层神经元数量,Q为输出层神经元的连接阈值。本步骤中,权重v与阈值Q的初始值均为随机小数值。
S6:将上述出水COD浓度归一化的预测值与其归一化的真值相比对,得到二者之间的误差。设第i个终端输出层残差为di:
di=EF_CODinor(1-EF_CODinor)(EF_CODi-EF_CODinor)
将输出层残差反向传输,并根据该残差调整输入层与输出层神经元的参数:
ej=Bi,j(1-Bi,j)·(vj·di)
学习率参数α∈(0,1)
学习率参数β∈(0,1)
S7:对训练数据中所有终端的误差进行计算:
式中:z为训练数据中处理终端的样本数;
S8:判断误差值E是否小于设定值,若未小于设定值则基于调整后的参数继续重复步骤S3~S7,直至直至对于i=1,2,...z,误差值E小于设定值,完成BP神经网络模型的训练;
逆归一化并输出出水COD浓度EF_CODout的仿真值
EF_CODout=0.5(EF_CODinor+1)(EF_CODinormax-EF_CODinormin)+EF_CODinormin
EF_CODinormin和EF_CODinormax分别表示出水COD浓度归一化的预测值的最小和最大值;
S9:利用所述的测试数据对训练完毕的BP神经网络模型进行测试,测试精度满足要求后,利用该BP神经网络模型对其他农村生活污水A2O处理终端的出水COD浓度进行预测。
下面基于实施例进一步展示本发明的技术效果。
实施例
1、构建数据库
本实施例以浙江省内湖州长兴县内156个农村生活污水A2O工艺处理设施终端调研数据建立数据库,本实施例筛选出对输出指标(出水COD浓度)影响最大的输入指标,即为,出水pH,进水电导,出水电导,进水氨氮浓度,出水氨氮浓度以及出水浊度。上述6个指标中,pH、电导、浊度在终端现场进出水池中使用便携式pH计、电导仪以及浊度仪测量,进出水氨氮浓度在现场采样后于实验室内采用HACH试剂盒法测量,出水COD浓度在现场采样后于实验室内用HACH试剂盒测量。本实施例中,水质指标单位分别为:氨氮浓度为 mg/L,电导单位为S,浊度单位为NTU,pH无量纲,COD浓度单位mg/L。数据库中共156 个样本数据,其中100个终端数据作为训练数据用于模型的仿真,另外56个终端数据作为测试数据用于模型的验证。将上述数据用于BP神经网络模型的构建仿真过程,具体见后续详述。
2、通过主成分分析及经验在数据库内筛选与出水COD相关性最大的输入指标,即出水pH,进水电导,出水电导,进水氨氮浓度,出水氨氮浓度以及出水浊度,并对100个终端的输入指标及其对应的输出指标COD浓度进行归一化,其归一化方法如下:
其中,EF_pHi表示第i个终端出水pH归一化数值,EF_pHir表示第i个终端出水 pH测量值,EF_pHmin与EF_pHmax分别表示出水pH的最小与最大值; IN_Conductivityi表示第i个终端进水电导归一化数值,IN_Conductivityir表示第i个终端进水电导测量值,IN_Conductivitymin与IN_Conductivitymax分别表示进水电导的最小与最大值;EF_Conductivityi表示第i个终端出水电导归一化数值,EF_Conductivityir表示第i个终端出水电导测量值,EF_Conductivitymin与EF_Conductivitymax分别表示出水电导的最小与最大值;EF_Turbidityi表示第i个终端出水浊度归一化数值, EF_Turbidityir表示第i个终端出水浊度测量值,EF_Turbiditymin与EF_Turbiditymax分别表示出水浊度的最小与最大值;IN_NH3_Ni表示第i个终端进水氨氮浓度归一化数值, IN_NH3_Nir表示第i个终端进水氨氮浓度测量值,IN_NH3-Nmin与IN_NH3_Nmax分别表示进水氨氮浓度的最小与最大值;EF_NH3_Ni表示第i个终端出水氨氮浓度归一化数值,EF_NH3_Nir表示第i个终端出水氨氮浓度测量值,EF_NH3_Nmin与 EF_NH3_Nmax分别表示出水氨氮浓度的最小与最大值;EF_CODi表示第i个终端出水 COD归一化数值,EF_CODir表示第i个终端出水COD测量值,EF_CODmin与 EF_CODmax分别表示出水COD的最小与最大值;
完成数据归一化后,即可构建BP神经网络模型。如图1所示,该模型含有输入层,隐藏层,输出层三层结构。不同结构层内含有不同数量的神经元。输入层含有出水pH,进水电导,出水电导,出水浊度,进水氨氮浓度与出水氨氮浓度在内的6个输入层神经元9。每个输入层神经元9均被赋予不同权重w,并通过非线性传递函数F(x),向其对应的隐藏层神经元10传递。为使模型的预测性能最佳,本实施例共设置13个隐藏层神经元10,分别为 Bj,j=1,2,3...13。类似的,上述13个隐藏层神经元10也被赋予不同权重v,通过线性传递函数F'(x)传递给与之对应的唯一一个输出层神经元11(即为出水COD浓度的预测值)。在仿真过程,BP神经网络模型将逐步以反馈式地形式向输入层传递误差,不断调整不同层间的权重,缩小出水COD浓度的预测值与实测值的误差,从而使出水COD浓度的预测值逐渐逼近实测值,直至满意。经过仿真过程确立的模型,在验证过程将重新输入大量其他终端数据,并对终端出水COD浓度实测值与预测值结果再次并对,进一步验证模型的可靠性。
BP神经网络模型的具体构建过程如S3~S8所述:
S3:建立BP神经网络模型,BP神经网络模型共包含输入层,隐藏层以及输出层三层结构;将模型数据库中的样本分为训练数据和测试数据;在输入层中输入训练数据,将出水pH、进水电导、出水电导、出水浊度、进水氨氮浓度和出水氨氮浓度6个输入指标作为输入层神经元;
S4:对不同的输入层神经元赋予不同权重w,并输入到非线性传递函数F(x)(采用S型函数,即sigmoid函数)中,得到与之对应的隐藏层神经元数值Bi,j:
式中:Bi,j为第j个隐藏层神经元的数值,wEF_pH,j、wIN_Conductivity,j、wEF_Conductivity,j、wEF_Turbidity,j、分别为6个输入指标对应的输入层神经元传递至第j个隐藏层神经元时所被赋予的权重(统称为w),Pj为第j个隐藏层神经元连接阈值;本步骤中,权重w与阈值Pj的初始值均为随机小数值。
S5:对上述隐藏层神经元赋予不同权重v,输入到线性传递函数F'(x)中,得到与之对应的输出层神经元数值:
式中:EF_CODinor表示第i个终端的出水COD浓度归一化的预测值,vj表示第j个隐藏层神经元传递至输出层神经元时所被赋予的权重,n为隐藏层神经元数量,Q为输出层神经元的连接阈值;
S6:将上述出水COD浓度归一化的预测值与其归一化的真值相比对,得到二者之间的误差。设第i个终端输出层残差为di:
di=EF_CODinor(1-EF_CODinor)(EF_CODi-EF_CODinor)
将输出层残差反向传输,并根据该残差调整输入层与输出层神经元的参数:
ej=Bi,j(1-Bi,j)·(vj·di)
学习率参数α∈(0,1)
学习率参数β∈(0,1)
S7:对训练数据中所有终端的误差进行计算:
式中:z为训练数据中处理终端的样本数;
S8:判断误差值E是否小于设定值,若未小于设定值则基于调整后的参数继续重复步骤S3~S7,直至对于i=1,2,...z,误差值E小于设定值,完成BP神经网络模型的训练;
逆归一化并输出出水COD浓度EF_CODout的仿真值
EF_CODout=0.5(EF_CODinor+1)(EF_CODinormax-EF_CODinormin)+EF_CODinormin
EF_CODinormin和EF_CODinormax分别表示出水COD浓度归一化的预测值的最小和最大值;
完成上述BP神经网络模型的训练后,即可进入S9的测试验证过程。
S9:利用上述的测试数据对训练完毕的BP神经网络模型进行测试,在上述输入层输入另外56个新终端的输入指标数据,通过BP神经网络模拟得到相应终端的输出指标预测值,并通过哈希试剂盒的化学法实测得到出水COD浓度的实测值,比对出水COD浓度预测值与实测值之间的误差以验证模型的可靠性,相应误差算法如下:
E′为验证过程中的检验误差,EF_CODk为验证过程中输入的第k个终端的实测值,EF_CODk s为验证过程中通过BP神经网络模型模拟的第k个终端的出水COD浓度的预测值, m=56。经计算,模型验证过程中出水COD浓度预测值与实测值如图2所示,说明本实验所建立的BP神经网络模型对农村生活污水A2O处理设施的出水COD浓度预测结果基本准确,具有可靠的测试精度。
测试精度满足要求后,即可利用该BP神经网络模型对其他农村生活污水A2O处理终端的出水COD浓度进行预测。
在另一实施例中,可以基于上述软测量方法设计一种农村生活污水A2O处理终端出水 COD浓度软测量装置。pH、电导、浊度、氨氮浓度均采用传感器法实时测量,上述传感器采集数据通过模数转换,将电信号等转化为数字信号输入中央处理***,中央处理***中可搭载上述训练后的BP神经网络模型,并以传感器数据为输入层基础数据,通过BP神经网络模型模拟,最终输出出水COD浓度预测值。具体如图3所示,该A2O处理终端中含有 A2O工艺的各种池体,其中包括进水池1和出水池4。水池1中设有进水电导传感器2和进水氨氮传感器3,出水池4中设有出水pH传感器5、出水电导传感器6、出水浊度传感器7 和出水氨氮传感器8。6个传感器测得的出水pH、进水电导、出水电导、出水浊度、进水氨氮浓度和出水氨氮浓度在中央处理器中作为输入数据,输入S9中测试精度满足要求的BP 神经网络模型,由BP神经网络模型输出出水COD浓度。该方法可进一步削减成本并可于现场对A2O终端出水COD浓度进行预测。
为提高模型的预测性能,本发明所述隐藏层神经元数目需根据当地实际情况作进一步调整。另外,本发明的方法在不同地域内超出调研区域的地域内使用时,应该具实际情况重新完成仿真与验证过程,验证方法为,筛选合适数量的终端比对出水COD浓度的实测值与BP 神经网络模型预测值的误差是否小于设定值。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (6)
1.一种农村生活污水A2O处理终端出水COD浓度软测量方法,其特征在于,步骤如下:
S1:建立包含不同农村生活污水A2O处理终端的水质指标数据的模型数据库,每个处理终端的水质指标由输入指标和输出指标构成,输出指标为出水COD浓度,输入指标为出水pH、进水电导、出水电导、出水浊度、进水氨氮浓度和出水氨氮浓度;
S2:对所述模型数据库中的输入指标及输出指标进行归一化,归一化公式为:
其中,EF_pHi表示第i个终端出水pH归一化数值,EF_pHir表示第i个终端出水pH测量值,EF_pHmin与EF_pHmax分别表示出水pH的最小与最大值;IN_Conductivityi表示第i个终端进水电导归一化数值,IN_Conductivityir表示第i个终端进水电导测量值,IN_Conductivitymin与IN_Conductivitymax分别表示进水电导的最小与最大值;EF_Conductivityi表示第i个终端出水电导归一化数值,EF_Conductivityir表示第i个终端出水电导测量值,EF_Conductivitymin与EF_Conductivitymax分别表示出水电导的最小与最大值;EF_Turbidityi表示第i个终端出水浊度归一化数值,EF_Turbidityir表示第i个终端出水浊度测量值,EF_Turbiditymin与EF_Turbiditymax分别表示出水浊度的最小与最大值;IN_NH3_Ni表示第i个终端进水氨氮浓度归一化数值,IN_NH3_Nir表示第i个终端进水氨氮浓度测量值,IN_NH3-Nmin与IN_NH3_Nmax分别表示进水氨氮浓度的最小与最大值;EF_NH3_Ni表示第i个终端出水氨氮浓度归一化数值,EF_NH3_Nir表示第i个终端出水氨氮浓度测量值,EF_NH3_Nmin与EF_NH3_Nmax分别表示出水氨氮浓度的最小与最大值;EF_CODi表示第i个终端出水COD归一化数值,EF_CODir表示第i个终端出水COD测量值,EF_CODmin与EF_CODmax分别表示出水COD的最小与最大值;
S3:建立BP神经网络模型,BP神经网络模型共包含输入层,隐藏层以及输出层三层结构;将模型数据库中的样本分为训练数据和测试数据;在输入层中输入训练数据,将出水pH、进水电导、出水电导、出水浊度、进水氨氮浓度和出水氨氮浓度6个输入指标作为输入层神经元;
S4:对不同的输入层神经元赋予不同权重w,并输入到非线性传递函数F(x)中,得到与之对应的隐藏层神经元数值Bi,j:
式中:Bi,j为第j个隐藏层神经元的数值,wEF_pH,j、wIN_Conductivity,j、wEF_Conductivity,j、wEF_Turbidity,j、分别为6个输入指标对应的输入层神经元传递至第j个隐藏层神经元时所被赋予的权重,Pj为第j个隐藏层神经元连接阈值;
S5:对上述隐藏层神经元赋予不同权重v,输入到线性传递函数F'(x)中,得到与之对应的输出层神经元数值:
式中:EF_CODinor表示第i个终端的出水COD浓度归一化的预测值,vj表示第j个隐藏层神经元传递至输出层神经元时所被赋予的权重,n为隐藏层神经元数量,Q为输出层神经元的连接阈值;
S6:将上述出水COD浓度归一化的预测值与其归一化的真值相比对,得到二者之间的误差, 设第i个终端输出层残差为di:
di=EF_CODinor(1-EF_CODinor)(EF_CODi-EF_CODinor)
将输出层残差反向传输,并根据该残差调整输入层与输出层神经元的参数:
ej=Bi,j(1-Bi,j)·(vj·di)
学习率参数α∈(0,1)
学习率参数β∈(0,1)
式中:z为训练数据中处理终端的样本数;
S7:对训练数据中所有终端的误差进行计算:
S8:判断误差值E是否小于设定值,若未小于设定值则基于调整后的参数继续重复步骤S3~S7,直至误差值E小于设定值,完成BP神经网络模型的训练;
逆归一化并输出出水COD浓度EF_CODout的仿真值
EF_CODiout=0.5(EF_CODinor+1)(EF_CODinormax-EF_CODinormin)+EF_CODinormin
EF_CODinormin和EF_CODinormax分别表示出水COD浓度归一化的预测值的最小和最大值;
S9:利用所述的测试数据对训练完毕的BP神经网络模型进行测试,测试精度满足要求后,利用该BP神经网络模型对其他农村生活污水A2O处理终端的出水COD浓度进行预测。
2.如权利要求1所述的农村生活污水A2O处理终端出水COD浓度软测量方法,其特征在于,所述的非线性传递函数为sigmoid函数。
3.如权利要求1所述的农村生活污水A2O处理终端出水COD浓度软测量方法,其特征在于,所述的模型数据库的每个处理终端的水质指标数据中,pH和电导通过电极法测量,氨氮浓度通过电极法或者化学法测量,COD浓度通过化学法测量。
4.如权利要求1所述的农村生活污水A2O处理终端出水COD浓度软测量方法,其特征在于,所述的S4中,所述权重w与阈值Pj的初始值均为随机小数值。
5.如权利要求1所述的农村生活污水A2O处理终端出水COD浓度软测量方法,其特征在于,所述的S5中,所述权重v与阈值Q的初始值均为随机小数值。
6.一种基于权利要求1所述软测量方法的农村生活污水A2O处理终端出水COD浓度软测量装置,所述的A2O处理终端中含有进水池(1)和出水池(4),其特征在于,所述的进水池(1)中设有进水电导传感器(2)和进水氨氮传感器(3),所述的出水池(4)中设有出水pH传感器(5)、出水电导传感器(6)、出水浊度传感器(7)和出水氨氮传感器(8);6个传感器测得的出水pH、进水电导、出水电导、出水浊度、进水氨氮浓度和出水氨氮浓度在中央处理器中作为输入数据,输入所述S9中测试精度满足要求的BP神经网络模型,由BP神经网络模型输出出水COD浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910226953.2A CN109975366B (zh) | 2019-03-25 | 2019-03-25 | 农村生活污水a2o处理终端出水cod浓度软测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910226953.2A CN109975366B (zh) | 2019-03-25 | 2019-03-25 | 农村生活污水a2o处理终端出水cod浓度软测量方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109975366A CN109975366A (zh) | 2019-07-05 |
CN109975366B true CN109975366B (zh) | 2020-08-14 |
Family
ID=67080334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910226953.2A Active CN109975366B (zh) | 2019-03-25 | 2019-03-25 | 农村生活污水a2o处理终端出水cod浓度软测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109975366B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991484A (zh) * | 2019-11-04 | 2020-04-10 | 广东科创工程技术有限公司 | 一种预测生物池出水cod浓度的方法 |
CN112782232B (zh) * | 2020-12-30 | 2022-04-05 | 浙江大学 | 基于人工神经网络的农污设施出水总磷软测量方法及装置 |
CN112786119B (zh) * | 2020-12-30 | 2022-05-17 | 浙江大学 | 多工艺类型农污设施tn处理效果预测方法、装置、介质 |
CN112707508B (zh) * | 2020-12-30 | 2022-04-05 | 浙江大学 | 基于bp-ann的农污设施cod处理效果预测方法、装置、平台 |
CN113233715A (zh) * | 2021-06-07 | 2021-08-10 | 王德仓 | 一种基于神经网络控制的城市污水处理设备 |
CN116029589B (zh) * | 2022-12-14 | 2023-08-22 | 浙江问源环保科技股份有限公司 | 基于两段式rbf的农村生活污水动植物油在线监测方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100514060C (zh) * | 2006-08-28 | 2009-07-15 | 哈尔滨工业大学 | 水体化学需氧量在线虚拟监测方法 |
CN103018418A (zh) * | 2012-12-16 | 2013-04-03 | 天津大学 | 景观水体水质在线预警*** |
CN104459064A (zh) * | 2013-09-12 | 2015-03-25 | 西安众智惠泽光电科技有限公司 | 一种化学需氧量在线监控电路 |
CN104965971B (zh) * | 2015-05-24 | 2017-09-01 | 北京工业大学 | 一种基于模糊神经网络的氨氮浓度软测量方法 |
CN105976028A (zh) * | 2016-05-11 | 2016-09-28 | 深圳市开天源自动化工程有限公司 | 一种预测a2o污水处理过程中出水cod浓度的方法 |
CN107665288A (zh) * | 2016-07-30 | 2018-02-06 | 复凌科技(上海)有限公司 | 一种化学需氧量的水质软测量预测方法 |
CN107664683A (zh) * | 2016-07-30 | 2018-02-06 | 复凌科技(上海)有限公司 | 一种总氮的水质软测量预测方法 |
CN106841075B (zh) * | 2016-12-27 | 2019-10-11 | 北京国电富通科技发展有限责任公司 | 基于神经网络的cod紫外光谱在线检测优化方法 |
CN107132325B (zh) * | 2017-04-14 | 2019-07-16 | 华南理工大学 | 一种基于粒子群算法和支持向量机的废水厌氧处理***出水挥发性脂肪酸的软测量方法 |
CN108469507B (zh) * | 2018-03-13 | 2020-11-27 | 北京工业大学 | 一种基于自组织rbf神经网络的出水bod软测量方法 |
-
2019
- 2019-03-25 CN CN201910226953.2A patent/CN109975366B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109975366A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109975366B (zh) | 农村生活污水a2o处理终端出水cod浓度软测量方法及装置 | |
CN105510546B (zh) | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 | |
CN104965971B (zh) | 一种基于模糊神经网络的氨氮浓度软测量方法 | |
CN110222916B (zh) | 农村生活污水a2o处理终端出水总氮浓度软测量方法及装置 | |
CN108898215B (zh) | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 | |
CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
CN111553468B (zh) | 一种准确预测污水处理厂出水水质的方法 | |
CN106841075B (zh) | 基于神经网络的cod紫外光谱在线检测优化方法 | |
CN110378533A (zh) | 一种基于大数据分析的智能曝气管理方法 | |
CN115577018B (zh) | 一种水质监测数据的智能处理方法及*** | |
CN110824915B (zh) | 基于ga-dbn网络的废水处理智能监控方法及*** | |
CN109492265B (zh) | 基于动态非线性pls软测量方法的废水出水指标预测方法 | |
CN109828089A (zh) | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 | |
CN107402586A (zh) | 基于深度神经网络的溶解氧浓度控制方法及*** | |
CN104155423A (zh) | 一种变权组合的景观水水质预警方法 | |
CN112784476B (zh) | 不同工艺类型农污处理设施出水氨氮软测量方法及装置 | |
CN101775434A (zh) | 基于bp神经网络的饮用水管网细菌总数快速预测方法 | |
CN112786119B (zh) | 多工艺类型农污设施tn处理效果预测方法、装置、介质 | |
CN107664682A (zh) | 一种氨氮的水质软测量预测方法 | |
CN105320987A (zh) | 一种基于bp神经网络的卫星遥测数据智能判读方法 | |
CN113447879A (zh) | 基于多应力影响的电能表计量误差预测方法、***及装置 | |
CN110222825B (zh) | 一种水泥成品比表面积预测方法及*** | |
CN107665288A (zh) | 一种化学需氧量的水质软测量预测方法 | |
CN113111576A (zh) | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 | |
CN105160422A (zh) | 基于自组织级联神经网络的污水处理出水总磷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |