基于關(guān)聯(lián)向量機(jī)的污水處理軟測量模型研究

引言

當(dāng)前,污水排放量隨著城市化推進(jìn)和工農(nóng)業(yè)發(fā)展而日益增加。我國近年興建了大量的污水處理廠,來改善水資源環(huán)境,以免其進(jìn)一步惡化。由于污水處理過程機(jī)理復(fù)雜,為建立良好的監(jiān)測機(jī)制,保證良好的出水水質(zhì),必須及時(shí)監(jiān)控污水處理過程中的水質(zhì)參數(shù)。根據(jù)國家相關(guān)排放標(biāo)準(zhǔn),總氮(TN）、總磷(TP）是衡量水質(zhì)好壞的重要指標(biāo),但目前大部分檢測由人工完成,存在難以在線測量、時(shí)間延遲長、無法實(shí)時(shí)監(jiān)控調(diào)節(jié)等問題。而水質(zhì)在線檢測儀的技術(shù)尚不完善,存在檢測精度不高、維護(hù)困難、設(shè)備昂貴等問題。為此,近年來興起了軟測量技術(shù),能夠代替硬件儀表進(jìn)行實(shí)時(shí)測量,針對污水處理過程中難以測量或暫時(shí)不能測量的參數(shù),通過建立某種數(shù)學(xué)模型,對其進(jìn)行估計(jì)。國外在軟測量技術(shù)研究方面十分活躍,在化工領(lǐng)域已經(jīng)取得了可喜的研究成果,而在污水處理領(lǐng)域還處于基礎(chǔ)研究階段。

在污水處理水質(zhì)指標(biāo)的軟測量研究中,國內(nèi)外專家提出了多種智能建模方法,如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等,其中以神經(jīng)網(wǎng)絡(luò)為建模工具的基于知識的方法研究最為活躍[3]。神經(jīng)網(wǎng)絡(luò)法采用經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的原則,在樣本有限的條件下,學(xué)習(xí)過程容易陷入過學(xué)習(xí)、維數(shù)災(zāi)難、局部最小等境地,而支持向量機(jī)的支持向量個(gè)數(shù)隨著訓(xùn)練樣本的增大而線性增大,導(dǎo)致在線檢測時(shí)間更長:而且支持向量機(jī)的懲罰因子難以選擇合適的值,設(shè)置不當(dāng)容易引起過學(xué)習(xí)問題。關(guān)聯(lián)向量機(jī)(RVM）基于貝葉斯框架構(gòu)建,其泛化能力優(yōu)于支持向量機(jī),且其測試時(shí)間更短,更適用于在線檢測。為此,本文提出引入關(guān)聯(lián)向量機(jī)(RVM）這一軟測量方法,建立水質(zhì)中重要指標(biāo)總氮(TN）和總磷(TP）的模型。

1污水處理工藝

一個(gè)典型的污水處理過程如圖1所示,該污水處理過程又叫活性污泥法處理過程,它包括初沉池、曝氣池和二沉池。初沉池用來除去廢水中的可沉物和漂浮物:在曝氣池中使污水中的有機(jī)污染物與活性污泥充分接觸,并吸附和氧化分解有機(jī)污染物:二次沉淀池用以分離曝氣池水中的活性污泥,并將池中的一部分沉淀污泥回流到曝氣池,以供應(yīng)曝氣池賴以進(jìn)行生化反應(yīng)的微生物,剩余污泥作為固體廢物排出做進(jìn)一步處理。

2關(guān)聯(lián)向量機(jī)

關(guān)聯(lián)向量機(jī)是M.E.Tipping提出的跟支持向量機(jī)類似的稀疏概率模型,它是在貝葉斯框架下進(jìn)行的,基于主動(dòng)相關(guān)決策理論,在先驗(yàn)參數(shù)的結(jié)構(gòu)中移除不相關(guān)的點(diǎn),從而獲得稀疏的模型。同支持向量機(jī)(sVM）相比,關(guān)聯(lián)向量機(jī)具有以下優(yōu)點(diǎn):(1）避免主觀設(shè)置誤差參數(shù):(2）所用的相關(guān)向量少于sVM:(3）核函數(shù)不用滿足Mercer條件,有更大的選擇范圍。

式(3）表示權(quán)值的后驗(yàn)分布由均值μ和:所決定。為了估計(jì)權(quán)值模型,先要確定估計(jì)超函數(shù)a的最優(yōu)值。根據(jù)貝葉斯框架,超函數(shù)的似然分布可以通過下式計(jì)算:

通過求解極大似然分布,可以得到超函數(shù)的最優(yōu)值aMP和gMP。至此,建立了目標(biāo)值t的模型。那么對于輸入值x*,其相應(yīng)輸出的概率分布為:

3基于關(guān)聯(lián)向量機(jī)的出水TN和TP預(yù)測模型和試驗(yàn)

污水處理過程是一個(gè)多變量、多目標(biāo)、多層次、含海量信息的復(fù)雜系統(tǒng),各種參數(shù)之間存在強(qiáng)烈的耦合和關(guān)聯(lián)。在本研究中出水TN選擇流量、進(jìn)水濁度、懸浮物濃度SS及NH4+-N、曝氣池氧D0、溫度7、酸堿度pH、氧化還原電0RP、混合液懸浮固體濃度MLSS、N03--N及曝氣池電導(dǎo)率k、出水懸浮物濃度SS及NH4+-N等13個(gè)參數(shù);出水TP選擇流量、進(jìn)水濁度、懸浮物濃度SS及曝氣池氧D0、溫度7、酸堿度pH、氧化還原電0RP、混合液懸浮固體濃度MLSS、N03--N及曝氣池電導(dǎo)率k、出水懸浮物濃度SS等11個(gè)參數(shù)。

本文采用廣州市某污水廠采集的1000組數(shù)據(jù)進(jìn)行軟測量建模,選取250個(gè)樣本,經(jīng)過3g法則預(yù)處理后,剩余222個(gè)樣本,選取200個(gè)樣本,將其中前170個(gè)樣本作為訓(xùn)練樣本建立模型,后30個(gè)樣本作為測試樣本檢驗(yàn)?zāi)Ｐ偷姆夯芰?對TN與TP的30個(gè)泛化樣本的檢測結(jié)果如圖2所示。

從表1可以看出,對比神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的建模效果,關(guān)聯(lián)向量機(jī)在各項(xiàng)性能上都有提升?；陉P(guān)聯(lián)向量機(jī)的出水TN模型預(yù)測誤差平均值0.92,誤差最大值2.11,RMSE=1.05;出水TP模型預(yù)測誤差平均值0.15,誤差最大值0.42,RMSE=0.19。其擬合精度高于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)建立的模型,體現(xiàn)出關(guān)聯(lián)向量機(jī)在小樣本情況下具有更好的泛化能力。

4結(jié)語

本文基于關(guān)聯(lián)向量機(jī)建立了水質(zhì)中重要指標(biāo)總氮(TN）和總磷(TP）的模型,實(shí)驗(yàn)例證表明,在小樣本情況下,基于關(guān)聯(lián)向量機(jī)所建立的模型比神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)建立的模型具有更好的泛化能力,對于進(jìn)一步實(shí)現(xiàn)污水自動(dòng)化的實(shí)時(shí)控制有一定的應(yīng)用價(jià)值。