自確認建模在污水處理軟測量中的技術(shù)研究.pdf

1、污水處理的整個過程是一個非常典型的復(fù)雜動態(tài)生化反應(yīng)系統(tǒng)，它具有非線性、時變性和不確定性等特點，很難用傳統(tǒng)的數(shù)學方法建立相對精確的數(shù)學模型，而一些儀器儀表的測量過程嚴重滯后于污水處理系統(tǒng)生化反應(yīng)過程，以及污水廠惡劣的工作環(huán)境都增大了污水處理軟測量模型的建模難度。近年來隨著智能控制的發(fā)展，利用軟測量技術(shù)對污水處理生化反應(yīng)過程進行智能化建模是解決此類難題的一個重要突破口。
　　本課題旨在通過軟測量技術(shù)對污水處理生化反應(yīng)機理的數(shù)學模型進行

2、創(chuàng)新性建模。研究在核主元分析（KPCA）、小波神經(jīng)網(wǎng)絡(luò)（WNN）和集成學習理論的基礎(chǔ)上進行建立軟測量模型，再結(jié)合自確認傳感器中故障診斷、數(shù)據(jù)重構(gòu)等技術(shù)的思想理念，實現(xiàn)一種創(chuàng)新型的自確認軟測量模型構(gòu)造技術(shù)。首先采用改進的模糊均值聚類(FCM)算法對采集到的數(shù)據(jù)樣本進行分類，其次將子類樣本數(shù)據(jù)輸入到對應(yīng)的各個子模型中，每個子模型都包含了數(shù)據(jù)預(yù)處理和局部WNN模型，利用KPCA和Jolliffe參數(shù)相融合的方式對子類數(shù)據(jù)樣本進行相應(yīng)的數(shù)據(jù)預(yù)處

3、理，將高維輸入數(shù)據(jù)降到低維并輸入到WNN模型中，這樣就可以大大降低神經(jīng)網(wǎng)絡(luò)處理數(shù)據(jù)的復(fù)雜性和計算量。同時，用 Jolliffe參數(shù)與KPCA相結(jié)合的方式對樣本數(shù)據(jù)進行離群點檢測，來保證WNN模型的輸入數(shù)據(jù)足夠純凈，從而提升WNN模型的預(yù)測能力。最后利用最小二乘法（PLS）對各子模型的預(yù)測結(jié)果進行合成作為集成學習軟測量模型的輸出。
　　由于傳統(tǒng)的軟測量模型只有一種輸出，即模型預(yù)測值，單一地使用一種預(yù)測值對整個系統(tǒng)的控制及校正會顯得力