申请日2011.03.30
公开(公告)日2011.12.14
IPC分类号G01N33/18
摘要
本实用新型涉及一种应用于污水处理的软测量系统,包括设备层、PLC控制层和模型预测层,所述设备层包括多个现场仪表,用于采集污水进水水质指标数据;所述PLC控制层包括多个对应现场仪表的PLC控制站,用于读取仪表数据,并发送至模型预测层,同时接收模型预测层传送的DO预测值,实现DO闭环控制;所述模型预测层设置计算机,计算机内设置支持向量机预测分析模块,用于通过支持向量机建模,依据所述仪表数据和实验室数据回归模拟DO值,并将DO预测值传送至所述PLC控制站;所述PLC控制站通过交换机与所述计算机相连。本实用新型解决了DO分析仪测量精度低,波动大,不利于实时控制等问题,大大减少仪表误差对控制系统的影响,实现高精度的控制。
权利要求书 [支持框选翻译]
1.一种应用于污水处理的软测量系统,其特征在于:包括设备层、PLC控制层和模型预测层,
所述设备层包括多个污水水质检测的现场仪表,用于采集污水进水水质指标数据;
所述PLC控制层包括多个对应现场仪表的PLC控制站,用于读取所述设备层传来的仪表数据,并发送至模型预测层,同时接收模型预测层传送的DO预测值,实现DO闭环控制;
所述模型预测层设置计算机,计算机内设置支持向量机预测分析模块,用于通过支持向量机建模,依据所述仪表数据和实验室数据回归模拟DO值,并将DO预测值传送至所述PLC控制站;
所述现场仪表通过所述PLC控制站与所述计算机相连,所述PLC控制站通过交换机与所述计算机相连。
2.根据权利要求1所述的应用于污水处理的软测量系统,其特征在于:所述现场仪表,包括氨氮分析仪、溶解氧分析仪、浊度仪、超声波流量计。
3.根据权利要求1所述的应用于污水处理的软测量系统,其特征在于:所述实验室数据,包括生化需氧量(BOD)、化学需氧量(COD)、污泥浓度(MLSS)。
说明书 [支持框选翻译]
一种应用于污水处理的软测量系统
技术领域
本实用新型属于自动化模型预测领域,尤其涉及污水处理领域。
背景技术
由于经济的高速发展和城市人口的不断增加,我国工业水平得到了大幅的提高,污水处理行业得到了快速发展,同时需要处理的水质也越来越复杂,污水控制难度大、能效高的特点受到国家高度重视。
溶解氧浓度作为污染程度指标一直是最重要的控制参数,过高或过低的溶解氧浓度都会造成水质下降。目前多采用传统PID控制器控制输入曝气池空气量,使曝气池DO浓度维持在一定的范围内。这种方法对DO分析仪精度要求很高,如果分析仪精度达不到要求,会造成PID控制器误操作,特别当DO分析仪波动时,会对生产设备造成很大伤害。使用模型预测方法模拟DO值逐渐成为污水处理重要的发展方向,结合神经元网络回归算法的DO软测量控制器已经得到了成功运用,但这种方法仍存在着运算时间长,需要样本数量多,预测精度不高等问题。支持向量机作为一种优秀的机器学习方法,可以很好的解决这类问题。
实用新型内容
本实用新型的目的就在于提供一种基于支持向量机的DO软测量系统,解决现有技术中DO分析仪测量精度低,波动大,存在滞后,不利于实时控制等问题。
为实现上述目的,本实用新型技术方案为:
一种应用于污水处理的软测量系统,其特征在于:包括设备层、PLC控制层和模型预测层,所述设备层包括多个污水水质检测的现场仪表,用于采集污水进水水质指标数据;所述PLC控制层包括多个对应现场仪表的PLC控制站,用于读取所述设备层传来的仪表数据,并发送至模型预测层,同时接收模型预测层传送的DO预测值,实现DO闭环控制;所述模型预测层设置计算机,计算机内设置支持向量机预测分析模块,用于通过支持向量机建模,依据所述仪表数据和实验室数据回归模拟DO值,并将DO预测值传送至所述PLC控制站;所述现场仪表通过所述PLC控制站与所述计算机相连,所述PLC控制站通过交换机与所述计算机相连。
所述现场仪表,包括氨氮分析仪、溶解氧分析仪、浊度仪、超声波流量计。
所述实验室数据,包括生化需氧量(BOD)、化学需氧量(COD)、污泥浓度(MLSS)。
上述技术方案的有益之处在于:
本实用新型提供的污水处理软测量系统,采用先进的支持向量机算法回归溶解氧预测模型,可以快速、有效地实现溶解氧的软仪表测量,能准确地预测出DO未来一段时间的变化,实现曝气池鼓风机频率的闭环控制,在PLC控制层闭环控制中,采用软测量DO值取代实际分析仪表值,可靠性高,动态响应迅速,能达到高精度控制的要求,避免了分析仪表偏差、波动造成的影响,实现快速、稳定、高精度的控制,同时达到降低能耗,减少波动的目的。
支持向量机模型可以很好的预测出曝气池中溶解氧的变化,具有较高精度的同时,其泛化能力也很出色,并且此泛化能力与输入数据的维数无关。所以对于其它影响因素,只要得到相应的实验数据或者专家经验,就可以在模型中增加该变量,从而得到较多影响因素的支持向量机模型。
同通用的神经网络建模方法相比,支持向量机的方法需要的样本数少,迭代时间短,泛化能力强。同传统PID控制器相比,基于模型的预测控制器控制精度高,控制效果稳定,尤其适用于污水处理这种复杂的,含有滞后的工艺。