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。
