基于通勤时间距离的LE污水处理过程故障检测方法

污水处理过程的性能监测与故障诊断,对于保障污水处理过程正常运行及保证出水质量达标具有重要意义.针对污水处理过程数据具有非线性、不确定性及且易受随机噪声影响等特征,提出了一种新的基于通勤时间距离的LE流形学习算法实现对复杂过程数据的特征提取.改进算法采用通勤时间距离方式进行样本间的相似度衡量并构造邻域图,理论分析和仿真测试表明改进算法可有效克服基本LE算法的邻域参数敏感问题并提高了算法的鲁棒性.将基于通勤时间距离的LE流形学习算法用于污水处理过程故障检测建模,在低维流形子空间构造综合统计量进行过程监测.应用结果表明,与基于PCA方法和LE方法的故障检测模型相比,基于改进算法的故障检测模型可及时探测故障的发生,具有较低的故障漏报率和故障误报率.为污水处理等复杂工业过程的故障监测提供了一种可行的解决方案.     

异丙草胺光解体系中溶解氧的增强效应

研究了异丙草胺光解过程中溶解氧的协同效应,在不同初始浓度溶解氧存在时异丙草胺在水中的光解规律.随着溶解氧初始浓度的增加,光解速率和效率均有提高,其中最高和最低光解效率相差30%.初始溶解氧浓度达到7.5mg/L后,光解速率和效率出现了平台效应,并且随着溶解氧浓度增加而有所下降.伴随异丙草胺的光解,溶解氧也有消耗,可以推测溶解氧也参与了光反应.通过对降解产物的分析,发现含高浓度溶解氧和缺氧条件下的光解产物基本一致,但部分光解产物生成量不同.通过光解体系做自旋捕捉实验,推测可能是通过单线态氧¹O₂机制进行光氧化.     

改进遗传神经网络方法在大气环境质量评价中的应用

运用双极性压缩函数适应度定标和基于排挤方法的选择算子改进标准遗传算法(SGA),使其成为简单通用、快速收敛的并行全局搜索算法。利用该算法优化误差反向传播网络(BPN),克服了BPN收敛慢和不具有全局收敛性的缺陷,在此基础上,建立大气环境质量评价模型,并将该模型用于实例。结果表明,该方法用于大气环境质量评价是可行的。      

基于pso-SVM的废水厌氧处理过程软测量模型

由于厌氧消化过程的复杂性和厌氧菌的敏感性,保持厌氧消化体系的稳定和高效性是比较困难的.本文在实验室采用IC反应器构建了一套厌氧废水处理系统处理人工合成废水,基于支持向量机(SVM)提出了一种预测废水厌氧处理系统出水挥发性脂肪酸(VFA)浓度和COD去除率的软测量模型.为了提高模型的精确性和鲁棒性,加入pso算法(粒子群算法)优化SVM模型,并引入了分类策略对元数据集进行有效分类.仿真结果表明,基于pso-SVM模型的软测量模型对厌氧废水处理系统出水VFA浓度和COD去除率具有较好的预测能力,模型预测系统COD去除率及出水总VFA浓度测试样本数据相关系数分别为65.86%、85.25%;加入分类策略后,元数据集分成两类,模型预测系统COD去除率测试样本数据相关系数分别为92.34%、83.41%;模型预测系统出水总VFA浓度测试样本数据相关系数分别为99.14%、99.59%,系统预测精度明显提高.引入分类策略对元数据集进行有效分类,基于pso-SVM的软测量模型可为监控、优化和理解厌氧消化过程提供指导.     

基于MRMR-HK-SVM模型的PM2.5浓度预测

以赣州市2017年全年的空气质量和气象数据为研究对象,通过最大相关最小冗余算法（MRMR）提取出最优的特征子集,并将其作为预测模型的输入数据,同时构造混合核函数（HK）对传统的支持向量机模型（SVM）进行改进,最终建立MRMR-HK-SVM模型.实验结果表明,MRMR-HK-SVM模型有着更低的平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）,相较于传统SVM模型,预测结果平均绝对误差下降了26.9%,且能更加准确的追踪到PM_2.5浓度的突变时刻.可见,MRMR-HK-SVM模型具有更好的泛化能力,能够更加精确地预测PM_2.5浓度.     

探析污水处理曝气系统溶解氧的控制

污水处理曝气系统是活性污泥法的重要环节,本文重点探讨污水处理厂缺氧-好氧(A/O)工艺中的曝气系统,设计一、二自由度内模PID控制器,以溶解氧浓度为曝气过程的控制参数,设计曝气系统串级控制结构,抑制曝气过程中空气流量不均对溶解氧浓度的影响,通过内模PID控制方式调节滤波参数α,并引入模糊控制策略,提升污水处理曝气系统的在线调节控制性能。     

对氯苯甲酸用于测量OH#方法探讨2.误差分析

对氯苯甲酸用于测量臭氧氧化过程中产生的OH.浓度时会产生误差.为了研究误差的大小,进行了臭氧的间歇实验,以测量臭氧分解速率常数k.通过对比乙二酸、甲苯和腐殖酸溶液中投加对氯苯甲酸前后k值的变化,判断投加的对氯苯甲酸是否能引起测量误差及误差大小.试验结果表明,含清除剂少的水样,对氯苯甲酸测量OH.浓度时会引起很大的误差.在对氯苯甲酸捕获率小于10%的水样中,对氯苯甲酸测量OH.时产生的误差小.在捕获率大于20%的水样中,采用对氯苯甲酸测量OH.会产生较大误差,不能用来测量OH.浓度.     

模糊控制技术在污水处理中的应用

针对污水处理过程中采用传统的流量程序控制和时间程序控制的不足,提出了一种基于单片机的模糊控制方法。该方法以污水流量、溶解氧(DO)浓度和污泥回流比为主要被控对象,以DO浓度为主要控制参数,通过离散计算和在线查表的模糊推理方法可得到最佳的风机转速,使污水处理生化池内DO浓度保持在最佳状态,同时还通过控制曲线展示了当输入污水流量发生扰动时对DO浓度的控制精度,使污水处理质量保持稳定。通过实际应用表明,该控制方法不但能确保出口净化水水质达标,还可以节约15%的电能。     

污水生物处理建模水质数据误差来源分析与影响评价

为进一步提高国内基础建模数据质量,降低建模实践中的数据清洗难度,本研究以北京龙庆再生水厂生物建模过程中的实际数据问题为例,基于数理统计理论及国内污水水质特征分别构建误差来源分析方法与误差影响评价方法.通过设计补充采样与实验排查方案,成功识别数据误差来源并实现不同类型误差对数据准确性的影响量化评价.研究结果表明,污水处理厂日常的取样与化验过程中产生的随机误差不可忽视,特别是当大量随机误差存在时,对数据总体造成的波动影响无法通过数据量的积累而消除;而不同的采样位置与不当的样品保存方式则会引起水质发生变化,由此产生的系统误差将导致测量结果长期偏高/偏低.因此,在依赖人工测量数据进行建模的国内实践中,应首先对历史数据进行误差检验,再进行必要的建模补充采样,以避免补充数据质量受相同误差影响,减少非必要的人力、物力浪费.     

RBF神经网络氧化沟系统出水氮磷预报模型

为定量模拟污水处理系统进水及出水水质参数数学关系,为污水处理系统的智能反馈控制奠定理论基础,文章以河南漯河市污水净化中心氧化沟系统为考察对象,采用径向基函数(RBF)神经网络对其模拟分析,建立了氧化沟系统出水TN、TP预报的RBF网络模型。建模过程采用的主成分分析与聚类分析有效挖掘了样本信息,采用的数据预处理方法缩减了模型误差。模型性能及灵敏度检验表明,建成的模型对出水TN、TP预报准确率分别达到90%、70%,相关性检验系数分别达到0.95和0.89,可用于该系统出水TN、TP预报,为系统在线控制提供指导。研究同时表明,RBF神经网络由于克服了误差反向传播(BP)网络收敛慢、局部极值等缺点,在水处理系统模拟及其反馈控制中,具有巨大的应用潜力。     

变尺度混沌-遗传算法在复杂河流水质模型参数优化中的应用

将变尺度混沌-遗传算法(MSCGA)应用于复杂河流水质模型参数优化.采用湘江衡阳段水质监测资料,以二维河流水质数学模型反演结果的均方误差为适应度函数,估计横向扩散系数Dx、纵向弥散系数Dy和污染物衰减系数κ.数值实验结果表明,MSCGA寻优过程具有明显的分级特征,级级收敛;在同样的条件下,MSCGA的收敛速度较快,为遗传算法(GA)的1.36倍;同时,MSCGA克服了GA早熟收敛的问题,其最优适应度函数值为7.6×10-4,而GA的最优适应度函数值9.6×10-4.将MSCGA应用于研究河段,求得Dx、Dy分别为0.1335、0.0011,BOD5、As、Cr的衰减系数κ分别为0.0229、0.0100、0.0107.     

基于模糊神经网络的A2/O工艺出水氨氮在线预测模型

采用厌氧/缺氧/好氧污水处理系统(A2/O)对人工合成污水进行处理,并利用人工神经网络(ANN)模型和自适应模糊人工神经网络(ANFIS)模型对A2/O处理污水的过程进行仿真模拟.在MATLAB环境下,选取可在线监测的水力停留时间(HRT)、进水pH值(pH)、好氧池溶解氧(DO)和混合液回流比(r)作为输入参量,系统出水氨氮浓度(NH4+eff)为输出量,建立在线预测模型.结合自适应模糊C均值聚类算法,确定ANFIS模型的模糊规则数及最优运行参数,对实验数据进行仿真预测.结果表明,与ANN模型相比,ANFIS模型的仿真输出值与实际值的拟合程度更高,相对误差在6.45%之内,平均绝对百分比误差(MAPE)为2.8%,均方根误差(RMSE)为0.1209,相关系数(R)达0.9956.模型训练过程中所得到的三维曲面图,可直观的反映各因素与出水氨氮浓度之间的非线性函数关系,为A2/O系统的高效稳定运行提供指导.     

一种紫外-可见光谱检测水质COD预测模型优化方法

针对紫外-可见光谱法检测水质COD预测模型的精度低和收敛速度慢等问题,研究了一种基于粒子群算法联合最小二乘支持向量机(PSO_LSSVM)的水质检测COD预测模型优化方法,并引入主元分析(PCA)算法对模型输入光谱数据进行降维预处理,借以提高模型的收敛速度.结果表明,利用粒子群(PSO)算法收敛速度快和全局优化能力,优化了最小二乘支持向量机(LSSVM)模型的惩罚因子和核函数参数,避免了人为选择参数的盲目性,克服了传统LSSVM预测模型的精度较低、稳健性较差等缺点.通过以收敛时间、预测平均相对误差(MRE)和均方根误差(RMSE)为评价标准进行评估,输入样本经过PCA降维预处理的PSO_LSSVM模型的预测能力和输入样本未经过降维预处理的LSSVM模型与PSO_LSSVM模型进行了比较分析,输入样本经过PCA降维预处理的PSO_LSSVM模型预测效果最优,且此算法使用C语言实现,易于移植,这为紫外-可见光谱水质COD在线、实时性检测奠定了基础.     

基于GA优化的SVR水质预测模型研究

针对污水中BOD₅参数不易直接测得的特点,提出了基于遗传算法（Genetic Algorithm,GA）优化参数的支持向量机回归（Support Vector Regression,SVR）水质预测模型。采用机器学习的方法,通过建立污水中COD等参数与BOD₅的数学关系模型的方式对BOD₅进行测定。使用遗传算法对SVR中的关键参数进行寻优,解决了传统SVR预测模型参数选择的问题。以北京市污水处理厂进水污水作为研究对象进行实验,结果表明,与BP神经网络与SVR相比,使用GA-SVR方法进行预测的结果更优,其平均误差与均方根误差分别降至0.009443与16.88 mg/L。     

基于PCA-LSSVM的厌氧废水处理系统出水VFA在线预测模型

采用IC厌氧废水处理系统处理人工合成废水,并利用PCA-LSSVM模型对系统出水挥发性脂肪酸(VFA)进行预测.首先利用主成分分析法(PCA)分析影响厌氧废水出水VFA浓度的多个变量的相关性并降低输入变量维数,然后用网格搜索结合10倍交叉验证优化LSSVM模型参数sig2和gam,最后利用建立的模型对实验数据进行仿真预测.仿真结果表明,稳态LSSVM模型对稳态条件下厌氧废水处理系统出水VFA具有很好的仿真预测能力,相对误差在4.72%以内,平均相对百分比误差(MAPE)为1.61%,均方根误差(RMSE)为1.08,相关系数达0.9996;稳态干扰LSSVM模型对厌氧废水处理系统出水VFA的仿真预测精度有所降低但仍然具有较好的预测能力,平均相对百分比误差(MAPE)为15.83%,均方根误差(RMSE)为15.45,相关系数为0.9984,该方法可为厌氧出水VFA在线预测和厌氧废水处理系统的优化控制提供指导.     

深度学习方法在上海市PM2.5浓度预报中的应用

为提升PM_2.5浓度预报能力,尤其是对PM_2.5重污染的预报能力,以中尺度气象-化学耦合模式系统（WRF-Chem）为基础,结合中尺度WRF气象预报数据、地面及高空气象观测数据、PM_2.5浓度观测数据,基于人工智能深度学习序列到序列的算法建立了上海市PM_2.5统计预报模型.结果表明,人工智能深度学习算法（Seq2seq）明显修正了WRF-Chem模式由于模型非客观性造成的偏差,提高了上海市PM_2.5浓度的预报能力;该算法优化和修正了WRF-Chem模式结果,并通过检验发现可以使PM_2.5浓度预报值与实况值间的相关系数由0.51上升至0.79,均方根误差由25.9μg/m³下降至15.01μg/m³.而单独使用套索法（Lasso）线性回归算法对WRF-Chem模式优化效果不理想.基于Seq2seq的PM_2.5浓度预报修正模型能够有效提升预报精度.     

多模式厌氧/缺氧/好氧污水处理工艺的稳态与动态模拟

数学模拟是污水处理系统教学科研、工艺评估、运行优化和自动控制的重要工具,在污水处理厂中得到了广泛应用.利用过程数据对ASM2d模型进行校正,并分析评估了校正模型在多模式厌氧/缺氧/好氧(AAO)工艺3个模式15个工况下稳态模拟及AO模式下动态模拟的可靠性.15个工况的稳态模拟表明,校正模型能准确模拟污泥浓度和出水水质;在AO模式的动态模拟中,模拟曲线与出水水质以及污泥浓度的变化趋势相一致,模拟结果具有较高的准确度.     

基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用

应用多种机器学习算法进行时空耦合从而建立一种新的多模式集合预报订正算法(简称“ET-BPNN算法”),对4种常规污染物(NO₂、O₃、PM_2.5和PM₁₀)的空气质量模型预报结果进行订正. 订正方法分为两步,第一步中利用随机森林、极端随机树和梯度提升回归树3种机器学习算法,采用4个空气质量数值预报模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物浓度预报数据、中尺度天气模式(WRF)的气象因子预报数据(包括2 m温度、2 m相对湿度、10 m风速、10 m风向、气压和小时累计降水量)以及污染物浓度观测数据作为训练集,训练结果进入基于均方根误差的择优选择器,选取3种机器学习算法中优化效果最好的算法;在第二步中利用了BP神经网络算法,通过加权平均获得集合模式订正预报结果. 结果表明:①与模式集合平均算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别减小了30.4%、18.9%、43.3%和38.1%. ②ET-BPNN算法的优化效果较随机森林、极端随机树和梯度提升回归树3个机器学习算法有明显提升,与极端随机树算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别降低了42.7%、20.1%、19.7%和9.7%. ③在易发生污染的秋冬季,ET-BPNN算法对PM_2.5浓度的预报具有明显的优化效果,此外该算法明显缩小了不同站点预报和不同预报时效之间的偏差,具有较好的鲁棒性. ④对O₃和PM_2.5浓度预报而言,经ET-BPNN算法优化后的预报结果能够更好地把握污染过程,对污染物峰值浓度的预报也较模式集合平均算法更准确. 研究显示,ET-BPNN算法提高了空气质量模式对污染物浓度的预报效果.