本發(fā)明涉及城市污水處理水質參數(shù)檢測技術領域，尤其涉及一種基于RBF神經(jīng)網(wǎng)絡的出水總磷檢測裝置及檢測方法。

背景技術：

上個世紀快速的城市化和工業(yè)化進程引發(fā)了嚴重的環(huán)境污染和資源短缺問題。其中淡水資源已成為全球范圍內對環(huán)境與資源關注的焦點之一。立足我國國情，龐大的人口基數(shù)與飛速的工業(yè)化發(fā)展對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)境污染問題也愈加嚴重，逐漸威脅到社會生活和國家的長期發(fā)展。隨著國家對環(huán)境與資源管理問題的重視，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，我國積極建設污水處理設施，快速推動城市與工業(yè)場景的污水處理能力。中國環(huán)境保護部發(fā)布的《2014年中國環(huán)境狀況公報》顯示，截至2014年底，全國累計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，城市污水處理率達到90.2％。

長久以來，污水中總磷及其有機物和無機物含量一直是影響國內外污水處理廠出水水質的重要因素。富含磷的污水排入江河湖泊中易引起富營養(yǎng)化問題，造成水體動植物生長失衡，嚴重破壞生態(tài)環(huán)境，世界上許多國家已將出水總磷的濃度作為污水處理廠排放標準的核心指標之一。然而，目前我國有近50％的城鎮(zhèn)污水處理廠無法達到國家要求的磷排放標準，這主要是由于出水總磷濃度無法實時獲取，水廠無法對處理工藝進行及時的調整。目前，污水處理廠主要通過人工采樣并結合化學實驗的手段檢測出水總磷濃度?；瘜W方法雖能保證較高的檢測精度，但操作繁瑣、耗時(小時級)，無法滿足日益提高的實時性要求，且易造成二次污染。近年來逐漸興起的在線儀表能夠實現(xiàn)水樣的自動采集與檢測，在節(jié)省時間(15～30分鐘)的同時避免了人工操作可能帶來的偶然誤差，但其仍然采用化學機理測量，且購買與維護成本十分高昂，多數(shù)大中型水廠無力承擔配置足夠規(guī)模的在線儀表。因此，如何準確、可靠并且低成本地測量污水處理過程中關鍵水質參數(shù)仍是污水處理行業(yè)面臨的困難之一，研發(fā)更為先進的出水總磷檢測技術迫在眉睫。

技術實現(xiàn)要素：

針對現(xiàn)有技術中污水出水水質總磷檢測工藝中存在的不足，本發(fā)明的目的在于：提供一種基于RBF神經(jīng)網(wǎng)絡的出水總磷檢測裝置及檢測方法，其具有設計合理、操作簡便、可視化強、性能可靠穩(wěn)定、能夠被廣泛推廣使用等優(yōu)點。

為了達到上述目的，本發(fā)明采用如下技術方案：

一種基于RBF神經(jīng)網(wǎng)絡的出水總磷檢測裝置，該檢測裝置包括與污水處理池通過CAN或者LIN現(xiàn)場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)實時采集模塊、存儲模塊、數(shù)據(jù)處理模塊、在線學習檢測模塊和工控機；工控機分別通過數(shù)據(jù)線與用戶信息登記管理模塊、數(shù)據(jù)實時采集模塊、存儲模塊、數(shù)據(jù)處理模塊、在線學習檢測模塊相連接；數(shù)據(jù)實時采集模塊與污水處理池中預設的濃度測量傳感器、溫度測量傳感器、測量儀表數(shù)據(jù)連接，并將檢測的出水總磷相關性變量的實時結果值發(fā)送至工控機中；工控機將接收到的結果值進行讀取并將其存儲至存儲模塊中；數(shù)據(jù)處理模塊包括軟測量模型離線訓練模塊和仿真模塊；數(shù)據(jù)處理模塊根據(jù)所述的出水總磷相關性變量結果值，利用軟測量模型離線訓練模塊和仿真模塊對其進行軟測量模型調整和仿真模擬計算并校正，形成校正后的出水總磷軟測量模型；工控機通過調用校正后的出水總磷軟測量模型，對出水總磷進行在線檢測，并通過曲線形式實時、動態(tài)地顯示相關性變量與出水總磷的檢測數(shù)值；軟測量模型能夠在線學習檢測模塊的運行過程中不斷地對實時結果值進行學習，并對軟測量模型自身的參數(shù)進行在線調整，使得軟測量模型具有在線追蹤出水總磷變化。

作為上述方案的進一步優(yōu)化，所述的出水總磷相關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。

作為上述方案的進一步優(yōu)化，所述的數(shù)據(jù)實時采集模塊每隔5-15min進行數(shù)據(jù)采集。

作為上述方案的進一步優(yōu)化，所述用戶信息登記管理模塊包括用戶信息存儲模塊，工控機通過Mysql數(shù)據(jù)庫與用戶信息存儲模塊相連接，用于對用戶信息進行存儲和管理。

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

1)用戶通過用戶管理模塊輸入用戶個人登錄信息，并利用Mysql數(shù)據(jù)庫對用戶的信息進行保存；

2)使用PLS算法，通過特征分析獲取出水總磷的相關性變量，并利用RBF神經(jīng)網(wǎng)絡建立出水總磷的軟測量模型；其中，工控機通過數(shù)據(jù)處理模塊將數(shù)據(jù)實時采集模塊檢測到的結果值利用軟測量模型離線訓練模塊和仿真模塊對其進行軟測量模型調整和仿真模擬計算并校正，形成校正后的出水總磷軟測量模型；

3)工控機通過調用校正后的出水總磷軟測量模型，對出水總磷進行在線檢測，并通過曲線形式實時、動態(tài)地顯示相關性變量與出水總磷的檢測數(shù)值；軟測量模型能夠在線學習檢測模塊的運行過程中不斷地對實時結果值進行學習，并對軟測量模型自身的參數(shù)進行在線調整，使得軟測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量模型包括如下內容：

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

其中，T(U)，P(Q)，E(F)分別為自變量集合X(y)的得分矩陣、負荷矩陣與殘差矩陣，i＝1,2,…,α，α為可供篩選的輔助變量個數(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的相關性可表示為：

u_i＝b_it_i, (3)

其中，b_i為兩個主成分之間的相關系數(shù)，相關系數(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為已選取主元個數(shù)的相關系數(shù)，R_select為設定的已選取主元的有效性，該有效性通過留一法進行確定，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數(shù)越多；

④選取出水總磷相關變量后，利用RBF神經(jīng)網(wǎng)絡對出水總磷搭建軟測量模型，RBF網(wǎng)絡的輸出為：

其中，w_k為第k個隱含層神經(jīng)元與輸出的連接權值，k＝1,2,…,K，K是隱含層神經(jīng)元數(shù)，φ_k是RBF神經(jīng)網(wǎng)絡第k個隱含層神經(jīng)元，φ_k定義如下：

x(t)＝[x₁,x₂,…,x_m]T是網(wǎng)絡輸入,x∈R^n×1,μ_k表示第k個隱含層神經(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個隱含層神經(jīng)元寬度。

與現(xiàn)有技術中污水出水水質總磷檢測系統(tǒng)相比，采用本發(fā)明的一種基于RBF神經(jīng)網(wǎng)絡的出水總磷檢測裝置及檢測方法具有如下優(yōu)點：

(1)本發(fā)明針對目前污水處理過程中與出水總磷相關性強的變量尚不確定的問題，基于真實污水處理廠海量運行數(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程變量，為出水總磷軟測量檢測提供了條件。

(2)將基于RBF神經(jīng)網(wǎng)絡的出水總磷軟測量模型封裝成為一套完整的軟測量檢測系統(tǒng)，將理論成果轉化為實際可視、可操作及多功能的軟件系統(tǒng)。實現(xiàn)軟測量理論方法向實際污水處理過程中推廣應用。

附圖說明

附圖1是本發(fā)明一種基于RBF神經(jīng)網(wǎng)絡的出水總磷檢測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)絡的出水總磷檢測裝置的PLS算法分析結果示意圖。

附圖3是本發(fā)明一種基于RBF神經(jīng)網(wǎng)絡的出水總磷檢測裝置在一個具體應用實施例中的RBF神經(jīng)網(wǎng)絡仿真結果曲線示意圖。

附圖4是本發(fā)明一種基于RBF神經(jīng)網(wǎng)絡的出水總磷檢測裝置在一個具體應用實施例中的RBF神經(jīng)網(wǎng)絡仿真誤差曲線示意圖。

具體實施方式

下面結合附圖1-4對本發(fā)明一種基于RBF神經(jīng)網(wǎng)絡的出水總磷檢測裝置及檢測方法作以詳細說明，并結合一具體實施例對檢測方法的效果作以說明。

一種基于RBF神經(jīng)網(wǎng)絡的出水總磷檢測裝置，該檢測裝置包括與污水處理池通過CAN或者LIN現(xiàn)場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)實時采集模塊、存儲模塊、數(shù)據(jù)處理模塊、在線學習檢測模塊和工控機；工控機分別通過數(shù)據(jù)線與用戶信息登記管理模塊、數(shù)據(jù)實時采集模塊、存儲模塊、數(shù)據(jù)處理模塊、在線學習檢測模塊相連接；數(shù)據(jù)實時采集模塊與污水處理池中預設的濃度測量傳感器、溫度測量傳感器、測量儀表數(shù)據(jù)連接，并將檢測的出水總磷相關性變量的實時結果值發(fā)送至工控機中；工控機將接收到的結果值進行讀取并將其存儲至存儲模塊中；數(shù)據(jù)處理模塊包括軟測量模型離線訓練模塊和仿真模塊；數(shù)據(jù)處理模塊根據(jù)所述的出水總磷相關性變量結果值，利用軟測量模型離線訓練模塊和仿真模塊對其進行軟測量模型調整和仿真模擬計算并校正，形成校正后的出水總磷軟測量模型；工控機通過調用校正后的出水總磷軟測量模型，對出水總磷進行在線檢測，并通過曲線形式實時、動態(tài)地顯示相關性變量與出水總磷的檢測數(shù)值；軟測量模型能夠在線學習檢測模塊的運行過程中不斷地對實時結果值進行學習，并對軟測量模型自身的參數(shù)進行在線調整，使得軟測量模型具有在線追蹤出水總磷變化。所述的出水總磷相關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)實時采集模塊每隔5-15min進行數(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模塊，工控機通過Mysql數(shù)據(jù)庫與用戶信息存儲模塊相連接，用于對用戶信息進行存儲和管理。

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

1)用戶通過用戶管理模塊輸入用戶個人登錄信息，并利用Mysql數(shù)據(jù)庫對用戶的信息進行保存；

2)使用PLS算法，通過特征分析獲取出水總磷的相關性變量，并利用RBF神經(jīng)網(wǎng)絡建立出水總磷的軟測量模型；其中，工控機通過數(shù)據(jù)處理模塊將數(shù)據(jù)實時采集模塊檢測到的結果值利用軟測量模型離線訓練模塊和仿真模塊對其進行軟測量模型調整和仿真模擬計算并校正，形成校正后的出水總磷軟測量模型；

3)工控機通過調用校正后的出水總磷軟測量模型，對出水總磷進行在線檢測，并通過曲線形式實時、動態(tài)地顯示相關性變量與出水總磷的檢測數(shù)值；軟測量模型能夠在線學習檢測模塊的運行過程中不斷地對實時結果值進行學習，并對軟測量模型自身的參數(shù)進行在線調整，使得軟測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量模型包括如下內容：

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

其中，T(U)，P(Q)，E(F)分別為自變量集合X(y)的得分矩陣、負荷矩陣與殘差矩陣，i＝1,2,…,α，α為可供篩選的輔助變量個數(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的相關性可表示為：

u_i＝b_it_i, (3)

其中，b_i為兩個主成分之間的相關系數(shù)，相關系數(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為已選取主元個數(shù)的相關系數(shù)，R_select為設定的已選取主元的有效性，該有效性通過留一法進行確定，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數(shù)越多；

④選取出水總磷相關變量后，利用RBF神經(jīng)網(wǎng)絡對出水總磷搭建軟測量模型，RBF網(wǎng)絡的輸出為：

其中，w_k為第k個隱含層神經(jīng)元與輸出的連接權值，k＝1,2,…,K，K是隱含層神經(jīng)元數(shù)，φ_k是RBF神經(jīng)網(wǎng)絡第k個隱含層神經(jīng)元，φ_k定義如下：

x(t)＝[x₁,x₂,…,x_m]T是網(wǎng)絡輸入,x∈R^n×1,μ_k表示第k個隱含層神經(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運行數(shù)據(jù)進行分析，該污水處理廠日均處理水量為100萬立方米，入水水源為生活污水與工業(yè)污水，采用A²/O工藝進行污水處理，工藝流程規(guī)范、穩(wěn)定。

(1)通過安置在工藝現(xiàn)場的在線檢測儀表采集易測過程變量，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)進行剔除，以避免不良數(shù)據(jù)對分析結果造成不利的影響。采集的部分數(shù)據(jù)如表2所示。

表2部分污水處理廠運行數(shù)據(jù)

(3)通過PLS算法對采集并整理后的數(shù)據(jù)進行分析，得出與出水總磷相關性強的輔助變量，作為后續(xù)神經(jīng)網(wǎng)絡軟測量模型的輸入。PLS算法分析結果如附圖2所示。最終選取包括：ORP₁、DO₁、TSS、溫度與pH在內的5類參數(shù)作為預測出水總磷的輔助變量。

RBF神經(jīng)網(wǎng)絡的軟測量模型利用該5類參數(shù)對出水總磷預測的仿真結果如圖3所示，仿真誤差如圖4所示預測精度能夠達到85％以上，滿足實際需求。

上述的對實施例的描述是為便于該技術領域的普通技術人員能理解和應用本發(fā)明。熟悉本領域技術的人員顯然可以容易地對這些實施例做出各種修改，并把在此說明的一般原理應用到其他實施例中而不必經(jīng)過創(chuàng)造性的勞動。因此，本發(fā)明不限于這里的實施例，本領域技術人員根據(jù)本發(fā)明的揭示，不脫離本發(fā)明范疇所做出的改進和修改都應該在本發(fā)明的保護范圍之內。