本發(fā)明涉及城市污水處理水質(zhì)參數(shù)檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于RBF神經(jīng)網(wǎng)絡(luò)的出水總磷檢測(cè)裝置及檢測(cè)方法。

背景技術(shù)：

上個(gè)世紀(jì)快速的城市化和工業(yè)化進(jìn)程引發(fā)了嚴(yán)重的環(huán)境污染和資源短缺問(wèn)題。其中淡水資源已成為全球范圍內(nèi)對(duì)環(huán)境與資源關(guān)注的焦點(diǎn)之一。立足我國(guó)國(guó)情，龐大的人口基數(shù)與飛速的工業(yè)化發(fā)展對(duì)淡水資源的需求日益增大，由此引發(fā)的淡水資源及生態(tài)環(huán)境污染問(wèn)題也愈加嚴(yán)重，逐漸威脅到社會(huì)生活和國(guó)家的長(zhǎng)期發(fā)展。隨著國(guó)家對(duì)環(huán)境與資源管理問(wèn)題的重視，污水處理已經(jīng)成為污水處理及其回收利用的主要手段。近年來(lái)，我國(guó)積極建設(shè)污水處理設(shè)施，快速推動(dòng)城市與工業(yè)場(chǎng)景的污水處理能力。中國(guó)環(huán)境保護(hù)部發(fā)布的《2014年中國(guó)環(huán)境狀況公報(bào)》顯示，截至2014年底，全國(guó)累計(jì)建成城市污水處理廠6031座，污水處理能力約1.8億立方米/日，城市污水處理率達(dá)到90.2％。

長(zhǎng)久以來(lái)，污水中總磷及其有機(jī)物和無(wú)機(jī)物含量一直是影響國(guó)內(nèi)外污水處理廠出水水質(zhì)的重要因素。富含磷的污水排入江河湖泊中易引起富營(yíng)養(yǎng)化問(wèn)題，造成水體動(dòng)植物生長(zhǎng)失衡，嚴(yán)重破壞生態(tài)環(huán)境，世界上許多國(guó)家已將出水總磷的濃度作為污水處理廠排放標(biāo)準(zhǔn)的核心指標(biāo)之一。然而，目前我國(guó)有近50％的城鎮(zhèn)污水處理廠無(wú)法達(dá)到國(guó)家要求的磷排放標(biāo)準(zhǔn)，這主要是由于出水總磷濃度無(wú)法實(shí)時(shí)獲取，水廠無(wú)法對(duì)處理工藝進(jìn)行及時(shí)的調(diào)整。目前，污水處理廠主要通過(guò)人工采樣并結(jié)合化學(xué)實(shí)驗(yàn)的手段檢測(cè)出水總磷濃度。化學(xué)方法雖能保證較高的檢測(cè)精度，但操作繁瑣、耗時(shí)(小時(shí)級(jí))，無(wú)法滿足日益提高的實(shí)時(shí)性要求，且易造成二次污染。近年來(lái)逐漸興起的在線儀表能夠?qū)崿F(xiàn)水樣的自動(dòng)采集與檢測(cè)，在節(jié)省時(shí)間(15～30分鐘)的同時(shí)避免了人工操作可能帶來(lái)的偶然誤差，但其仍然采用化學(xué)機(jī)理測(cè)量，且購(gòu)買與維護(hù)成本十分高昂，多數(shù)大中型水廠無(wú)力承擔(dān)配置足夠規(guī)模的在線儀表。因此，如何準(zhǔn)確、可靠并且低成本地測(cè)量污水處理過(guò)程中關(guān)鍵水質(zhì)參數(shù)仍是污水處理行業(yè)面臨的困難之一，研發(fā)更為先進(jìn)的出水總磷檢測(cè)技術(shù)迫在眉睫。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)中污水出水水質(zhì)總磷檢測(cè)工藝中存在的不足，本發(fā)明的目的在于：提供一種基于RBF神經(jīng)網(wǎng)絡(luò)的出水總磷檢測(cè)裝置及檢測(cè)方法，其具有設(shè)計(jì)合理、操作簡(jiǎn)便、可視化強(qiáng)、性能可靠穩(wěn)定、能夠被廣泛推廣使用等優(yōu)點(diǎn)。

為了達(dá)到上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于RBF神經(jīng)網(wǎng)絡(luò)的出水總磷檢測(cè)裝置，該檢測(cè)裝置包括與污水處理池通過(guò)CAN或者LIN現(xiàn)場(chǎng)總線通訊連接的控制系統(tǒng)，其中控制系統(tǒng)包括用戶信息登記管理模塊、數(shù)據(jù)實(shí)時(shí)采集模塊、存儲(chǔ)模塊、數(shù)據(jù)處理模塊、在線學(xué)習(xí)檢測(cè)模塊和工控機(jī)；工控機(jī)分別通過(guò)數(shù)據(jù)線與用戶信息登記管理模塊、數(shù)據(jù)實(shí)時(shí)采集模塊、存儲(chǔ)模塊、數(shù)據(jù)處理模塊、在線學(xué)習(xí)檢測(cè)模塊相連接；數(shù)據(jù)實(shí)時(shí)采集模塊與污水處理池中預(yù)設(shè)的濃度測(cè)量傳感器、溫度測(cè)量傳感器、測(cè)量?jī)x表數(shù)據(jù)連接，并將檢測(cè)的出水總磷相關(guān)性變量的實(shí)時(shí)結(jié)果值發(fā)送至工控機(jī)中；工控機(jī)將接收到的結(jié)果值進(jìn)行讀取并將其存儲(chǔ)至存儲(chǔ)模塊中；數(shù)據(jù)處理模塊包括軟測(cè)量模型離線訓(xùn)練模塊和仿真模塊；數(shù)據(jù)處理模塊根據(jù)所述的出水總磷相關(guān)性變量結(jié)果值，利用軟測(cè)量模型離線訓(xùn)練模塊和仿真模塊對(duì)其進(jìn)行軟測(cè)量模型調(diào)整和仿真模擬計(jì)算并校正，形成校正后的出水總磷軟測(cè)量模型；工控機(jī)通過(guò)調(diào)用校正后的出水總磷軟測(cè)量模型，對(duì)出水總磷進(jìn)行在線檢測(cè)，并通過(guò)曲線形式實(shí)時(shí)、動(dòng)態(tài)地顯示相關(guān)性變量與出水總磷的檢測(cè)數(shù)值；軟測(cè)量模型能夠在線學(xué)習(xí)檢測(cè)模塊的運(yùn)行過(guò)程中不斷地對(duì)實(shí)時(shí)結(jié)果值進(jìn)行學(xué)習(xí)，并對(duì)軟測(cè)量模型自身的參數(shù)進(jìn)行在線調(diào)整，使得軟測(cè)量模型具有在線追蹤出水總磷變化。

作為上述方案的進(jìn)一步優(yōu)化，所述的出水總磷相關(guān)性變量包括氧化還原電位ORP、溶解氧、pH、溫度和總可溶性固溶物。

作為上述方案的進(jìn)一步優(yōu)化，所述的數(shù)據(jù)實(shí)時(shí)采集模塊每隔5-15min進(jìn)行數(shù)據(jù)采集。

作為上述方案的進(jìn)一步優(yōu)化，所述用戶信息登記管理模塊包括用戶信息存儲(chǔ)模塊，工控機(jī)通過(guò)Mysql數(shù)據(jù)庫(kù)與用戶信息存儲(chǔ)模塊相連接，用于對(duì)用戶信息進(jìn)行存儲(chǔ)和管理。

本發(fā)明上述一種基于RBF神經(jīng)網(wǎng)絡(luò)的出水總磷檢測(cè)裝置的檢測(cè)方法，具體包括以下步驟：

1)用戶通過(guò)用戶管理模塊輸入用戶個(gè)人登錄信息，并利用Mysql數(shù)據(jù)庫(kù)對(duì)用戶的信息進(jìn)行保存；

2)使用PLS算法，通過(guò)特征分析獲取出水總磷的相關(guān)性變量，并利用RBF神經(jīng)網(wǎng)絡(luò)建立出水總磷的軟測(cè)量模型；其中，工控機(jī)通過(guò)數(shù)據(jù)處理模塊將數(shù)據(jù)實(shí)時(shí)采集模塊檢測(cè)到的結(jié)果值利用軟測(cè)量模型離線訓(xùn)練模塊和仿真模塊對(duì)其進(jìn)行軟測(cè)量模型調(diào)整和仿真模擬計(jì)算并校正，形成校正后的出水總磷軟測(cè)量模型；

3)工控機(jī)通過(guò)調(diào)用校正后的出水總磷軟測(cè)量模型，對(duì)出水總磷進(jìn)行在線檢測(cè)，并通過(guò)曲線形式實(shí)時(shí)、動(dòng)態(tài)地顯示相關(guān)性變量與出水總磷的檢測(cè)數(shù)值；軟測(cè)量模型能夠在線學(xué)習(xí)檢測(cè)模塊的運(yùn)行過(guò)程中不斷地對(duì)實(shí)時(shí)結(jié)果值進(jìn)行學(xué)習(xí)，并對(duì)軟測(cè)量模型自身的參數(shù)進(jìn)行在線調(diào)整，使得軟測(cè)量模型具有在線追蹤出水總磷變化；

在上述步驟2)中，PLS算法和出水總磷的軟測(cè)量模型包括如下內(nèi)容：

①自變量集合為X＝[x₁,...,x_α]，因變量記作y，并將數(shù)據(jù)做標(biāo)準(zhǔn)化處理，從X，y標(biāo)準(zhǔn)化后的矩陣中分別提取主成分t及u，滿足在盡可能大地?cái)y帶各自數(shù)據(jù)矩陣中信息的同時(shí)，其相關(guān)程度最大，有：

其中，T(U)，P(Q)，E(F)分別為自變量集合X(y)的得分矩陣、負(fù)荷矩陣與殘差矩陣，i＝1,2,…,α，α為可供篩選的輔助變量個(gè)數(shù)，t_i,p_i,u_i與q_i分別為T,P,U與Q矩陣中的向量；

②主成分t_i與u_i的相關(guān)性可表示為：

u_i＝b_it_i, (3)

其中，b_i為兩個(gè)主成分之間的相關(guān)系數(shù)，相關(guān)系數(shù)矩陣記作b＝[b₁,b₂,…,b_α]T；

③PLS算法的中止條件記為：

其中，b_select為已選取主元個(gè)數(shù)的相關(guān)系數(shù)，R_select為設(shè)定的已選取主元的有效性，該有效性通過(guò)留一法進(jìn)行確定，其中選定的數(shù)值在0.83-1.21之間，且選取的數(shù)值越大，PLS算法最終確定的主元個(gè)數(shù)越多；

④選取出水總磷相關(guān)變量后，利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)出水總磷搭建軟測(cè)量模型，RBF網(wǎng)絡(luò)的輸出為：

其中，w_k為第k個(gè)隱含層神經(jīng)元與輸出的連接權(quán)值，k＝1,2,…,K，K是隱含層神經(jīng)元數(shù)，φ_k是RBF神經(jīng)網(wǎng)絡(luò)第k個(gè)隱含層神經(jīng)元，φ_k定義如下：

x(t)＝[x₁,x₂,…,x_m]T是網(wǎng)絡(luò)輸入,x∈R^n×1,μ_k表示第k個(gè)隱含層神經(jīng)元中心向量,

||x-μ_k||為x和μ_k間的歐氏距離，σ_k是第k個(gè)隱含層神經(jīng)元寬度。

與現(xiàn)有技術(shù)中污水出水水質(zhì)總磷檢測(cè)系統(tǒng)相比，采用本發(fā)明的一種基于RBF神經(jīng)網(wǎng)絡(luò)的出水總磷檢測(cè)裝置及檢測(cè)方法具有如下優(yōu)點(diǎn)：

(1)本發(fā)明針對(duì)目前污水處理過(guò)程中與出水總磷相關(guān)性強(qiáng)的變量尚不確定的問(wèn)題，基于真實(shí)污水處理廠海量運(yùn)行數(shù)據(jù)，利用PLS算法作為分析工具，提取出5種影響出水總磷變化的過(guò)程變量，為出水總磷軟測(cè)量檢測(cè)提供了條件。

(2)將基于RBF神經(jīng)網(wǎng)絡(luò)的出水總磷軟測(cè)量模型封裝成為一套完整的軟測(cè)量檢測(cè)系統(tǒng)，將理論成果轉(zhuǎn)化為實(shí)際可視、可操作及多功能的軟件系統(tǒng)。實(shí)現(xiàn)軟測(cè)量理論方法向?qū)嶋H污水處理過(guò)程中推廣應(yīng)用。

附圖說(shuō)明

附圖1是本發(fā)明一種基于RBF神經(jīng)網(wǎng)絡(luò)的出水總磷檢測(cè)裝置的整體流程示意圖。

附圖2是本發(fā)明一種基于RBF神經(jīng)網(wǎng)絡(luò)的出水總磷檢測(cè)裝置的PLS算法分析結(jié)果示意圖。

附圖3是本發(fā)明一種基于RBF神經(jīng)網(wǎng)絡(luò)的出水總磷檢測(cè)裝置在一個(gè)具體應(yīng)用實(shí)施例中的RBF神經(jīng)網(wǎng)絡(luò)仿真結(jié)果曲線示意圖。

附圖4是本發(fā)明一種基于RBF神經(jīng)網(wǎng)絡(luò)的出水總磷檢測(cè)裝置在一個(gè)具體應(yīng)用實(shí)施例中的RBF神經(jīng)網(wǎng)絡(luò)仿真誤差曲線示意圖。

具體實(shí)施方式

下面結(jié)合附圖1-4對(duì)本發(fā)明一種基于RBF神經(jīng)網(wǎng)絡(luò)的出水總磷檢測(cè)裝置及檢測(cè)方法作以詳細(xì)說(shuō)明，并結(jié)合一具體實(shí)施例對(duì)檢測(cè)方法的效果作以說(shuō)明。

一種基于RBF神經(jīng)網(wǎng)絡(luò)的出水總磷檢測(cè)裝置，該檢測(cè)裝置包括與污水處理池通過(guò)CAN或者LIN現(xiàn)場(chǎng)總線通訊連接的控制系統(tǒng)，其中控制系統(tǒng)包括用戶信息登記管理模塊、數(shù)據(jù)實(shí)時(shí)采集模塊、存儲(chǔ)模塊、數(shù)據(jù)處理模塊、在線學(xué)習(xí)檢測(cè)模塊和工控機(jī)；工控機(jī)分別通過(guò)數(shù)據(jù)線與用戶信息登記管理模塊、數(shù)據(jù)實(shí)時(shí)采集模塊、存儲(chǔ)模塊、數(shù)據(jù)處理模塊、在線學(xué)習(xí)檢測(cè)模塊相連接；數(shù)據(jù)實(shí)時(shí)采集模塊與污水處理池中預(yù)設(shè)的濃度測(cè)量傳感器、溫度測(cè)量傳感器、測(cè)量?jī)x表數(shù)據(jù)連接，并將檢測(cè)的出水總磷相關(guān)性變量的實(shí)時(shí)結(jié)果值發(fā)送至工控機(jī)中；工控機(jī)將接收到的結(jié)果值進(jìn)行讀取并將其存儲(chǔ)至存儲(chǔ)模塊中；數(shù)據(jù)處理模塊包括軟測(cè)量模型離線訓(xùn)練模塊和仿真模塊；數(shù)據(jù)處理模塊根據(jù)所述的出水總磷相關(guān)性變量結(jié)果值，利用軟測(cè)量模型離線訓(xùn)練模塊和仿真模塊對(duì)其進(jìn)行軟測(cè)量模型調(diào)整和仿真模擬計(jì)算并校正，形成校正后的出水總磷軟測(cè)量模型；工控機(jī)通過(guò)調(diào)用校正后的出水總磷軟測(cè)量模型，對(duì)出水總磷進(jìn)行在線檢測(cè)，并通過(guò)曲線形式實(shí)時(shí)、動(dòng)態(tài)地顯示相關(guān)性變量與出水總磷的檢測(cè)數(shù)值；軟測(cè)量模型能夠在線學(xué)習(xí)檢測(cè)模塊的運(yùn)行過(guò)程中不斷地對(duì)實(shí)時(shí)結(jié)果值進(jìn)行學(xué)習(xí)，并對(duì)軟測(cè)量模型自身的參數(shù)進(jìn)行在線調(diào)整，使得軟測(cè)量模型具有在線追蹤出水總磷變化。所述的出水總磷相關(guān)性變量包括氧化還原電位ORP、溶解氧、pH、溫度和總可溶性固溶物。所述的數(shù)據(jù)實(shí)時(shí)采集模塊每隔5-15min進(jìn)行數(shù)據(jù)采集。所述用戶信息登記管理模塊包括用戶信息存儲(chǔ)模塊，工控機(jī)通過(guò)Mysql數(shù)據(jù)庫(kù)與用戶信息存儲(chǔ)模塊相連接，用于對(duì)用戶信息進(jìn)行存儲(chǔ)和管理。

本發(fā)明上述一種基于RBF神經(jīng)網(wǎng)絡(luò)的出水總磷檢測(cè)裝置的檢測(cè)方法，具體包括以下步驟：

1)用戶通過(guò)用戶管理模塊輸入用戶個(gè)人登錄信息，并利用Mysql數(shù)據(jù)庫(kù)對(duì)用戶的信息進(jìn)行保存；

2)使用PLS算法，通過(guò)特征分析獲取出水總磷的相關(guān)性變量，并利用RBF神經(jīng)網(wǎng)絡(luò)建立出水總磷的軟測(cè)量模型；其中，工控機(jī)通過(guò)數(shù)據(jù)處理模塊將數(shù)據(jù)實(shí)時(shí)采集模塊檢測(cè)到的結(jié)果值利用軟測(cè)量模型離線訓(xùn)練模塊和仿真模塊對(duì)其進(jìn)行軟測(cè)量模型調(diào)整和仿真模擬計(jì)算并校正，形成校正后的出水總磷軟測(cè)量模型；

3)工控機(jī)通過(guò)調(diào)用校正后的出水總磷軟測(cè)量模型，對(duì)出水總磷進(jìn)行在線檢測(cè)，并通過(guò)曲線形式實(shí)時(shí)、動(dòng)態(tài)地顯示相關(guān)性變量與出水總磷的檢測(cè)數(shù)值；軟測(cè)量模型能夠在線學(xué)習(xí)檢測(cè)模塊的運(yùn)行過(guò)程中不斷地對(duì)實(shí)時(shí)結(jié)果值進(jìn)行學(xué)習(xí)，并對(duì)軟測(cè)量模型自身的參數(shù)進(jìn)行在線調(diào)整，使得軟測(cè)量模型具有在線追蹤出水總磷變化；

在上述步驟2)中，PLS算法和出水總磷的軟測(cè)量模型包括如下內(nèi)容：

①自變量集合為X＝[x₁,...,x_α]，因變量記作y，并將數(shù)據(jù)做標(biāo)準(zhǔn)化處理，從X，y標(biāo)準(zhǔn)化后的矩陣中分別提取主成分t及u，滿足在盡可能大地?cái)y帶各自數(shù)據(jù)矩陣中信息的同時(shí)，其相關(guān)程度最大，有：

其中，T(U)，P(Q)，E(F)分別為自變量集合X(y)的得分矩陣、負(fù)荷矩陣與殘差矩陣，i＝1,2,…,α，α為可供篩選的輔助變量個(gè)數(shù)，t_i,p_i,u_i與q_i分別為T,P,U與Q矩陣中的向量；

②主成分t_i與u_i的相關(guān)性可表示為：

u_i＝b_it_i, (3)

其中，b_i為兩個(gè)主成分之間的相關(guān)系數(shù)，相關(guān)系數(shù)矩陣記作b＝[b₁,b₂,…,b_α]T；

③PLS算法的中止條件記為：

其中，b_select為已選取主元個(gè)數(shù)的相關(guān)系數(shù)，R_select為設(shè)定的已選取主元的有效性，該有效性通過(guò)留一法進(jìn)行確定，其中選定的數(shù)值在0.83-1.21之間，且選取的數(shù)值越大，PLS算法最終確定的主元個(gè)數(shù)越多；

④選取出水總磷相關(guān)變量后，利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)出水總磷搭建軟測(cè)量模型，RBF網(wǎng)絡(luò)的輸出為：

其中，w_k為第k個(gè)隱含層神經(jīng)元與輸出的連接權(quán)值，k＝1,2,…,K，K是隱含層神經(jīng)元數(shù)，φ_k是RBF神經(jīng)網(wǎng)絡(luò)第k個(gè)隱含層神經(jīng)元，φ_k定義如下：

x(t)＝[x₁,x₂,…,x_m]T是網(wǎng)絡(luò)輸入,x∈R^n×1,μ_k表示第k個(gè)隱含層神經(jīng)元中心向量,

||x-μ_k||為x和μ_k間的歐氏距離，σ_k是第k個(gè)隱含層神經(jīng)元寬度。

基于北京市某大型污水處理廠海量真實(shí)運(yùn)行數(shù)據(jù)進(jìn)行分析，該污水處理廠日均處理水量為100萬(wàn)立方米，入水水源為生活污水與工業(yè)污水，采用A²/O工藝進(jìn)行污水處理，工藝流程規(guī)范、穩(wěn)定。

(1)通過(guò)安置在工藝現(xiàn)場(chǎng)的在線檢測(cè)儀表采集易測(cè)過(guò)程變量，可采集的參數(shù)包括9種，參數(shù)信息及采集位置如表1所示。

表1可供篩選的過(guò)程變量類型

(2)將數(shù)據(jù)中由于儀表偏差等原因造成的異常數(shù)據(jù)進(jìn)行剔除，以避免不良數(shù)據(jù)對(duì)分析結(jié)果造成不利的影響。采集的部分?jǐn)?shù)據(jù)如表2所示。

表2部分污水處理廠運(yùn)行數(shù)據(jù)

(3)通過(guò)PLS算法對(duì)采集并整理后的數(shù)據(jù)進(jìn)行分析，得出與出水總磷相關(guān)性強(qiáng)的輔助變量，作為后續(xù)神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型的輸入。PLS算法分析結(jié)果如附圖2所示。最終選取包括：ORP₁、DO₁、TSS、溫度與pH在內(nèi)的5類參數(shù)作為預(yù)測(cè)出水總磷的輔助變量。

RBF神經(jīng)網(wǎng)絡(luò)的軟測(cè)量模型利用該5類參數(shù)對(duì)出水總磷預(yù)測(cè)的仿真結(jié)果如圖3所示，仿真誤差如圖4所示預(yù)測(cè)精度能夠達(dá)到85％以上，滿足實(shí)際需求。

上述的對(duì)實(shí)施例的描述是為便于該技術(shù)領(lǐng)域的普通技術(shù)人員能理解和應(yīng)用本發(fā)明。熟悉本領(lǐng)域技術(shù)的人員顯然可以容易地對(duì)這些實(shí)施例做出各種修改，并把在此說(shuō)明的一般原理應(yīng)用到其他實(shí)施例中而不必經(jīng)過(guò)創(chuàng)造性的勞動(dòng)。因此，本發(fā)明不限于這里的實(shí)施例，本領(lǐng)域技術(shù)人員根據(jù)本發(fā)明的揭示，不脫離本發(fā)明范疇所做出的改進(jìn)和修改都應(yīng)該在本發(fā)明的保護(hù)范圍之內(nèi)。