基于极限学习机的工业污水cod在线软测量方法
【专利摘要】本发明公开一种基于极限学习机(ELM,Extreme?Learning?Machine)的工业污水化学需氧量(COD,Chemical?Oxygen?Demand)在线软测量方法，其特征主要包括以下步骤：一、确定影响工业污水COD的六个变量(悬浮固体浓度、进水COD、PH值、氨氮、溶解氧以及总磷)；二、将影响工业污水COD的六个辅助变量作为ELM的输入变量，COD作为ELM的预测输出变量；三、确定ELM的隐层节点数和激励函数并选取训练集和测试集；四、根据所确定的训练集建立ELM软测量模型，并用测试集检验模型的有效性；五、ELM模型的输出为工业污水COD。本发明通过软测量达到工业污水在线软测量的目的，具有运行速度快，预测精度高的效果，同时取代传统在线分析仪表，降低企业的投入及维修成本。
【专利说明】基于极限学习机的工业污水COD在线软测量方法
【技术领域】
[0001]本发明属于软测量【技术领域】，具体涉及一种基于极限学习机的工业污水COD(COD, Chemical Oxygen Demand)在线软测量方法,用于实时在线监测工业污水COD的浓度。
【背景技术】
[0002]当前国家大力倡导节能减排，企业开始加强对工业污水质量的实时监控，以此根据当前的污水状态及时有效地调整流程工业的闭环控制，保证工业污水排放的标准。
[0003]为了对工业污水处理过程中水质的主要指标COD进行实时监测控制，国内外开发出监控仪表，对其进行监测，价格昂贵，维修成本高，在线软测量技术是随着现代流程工业复杂化、智能化发展后的一大新型软仪表，通过软测量技术的思想，可根据现场即有设备监测的数据，采用数据驱动的原理，融合构建出对被测参数的预测模型，以此代替传统的硬件检测的新方法，只需在现场将含有预测算法的微处理器与远程工控机进行数据的传输、处理、分析及决策，就能得到对被测参数的估计，既可降低成本，又能提高现场对检测数据的分析能力。
[0004]因此，本发明利用软测量方法，采用不同于传统监测仪表的方式，通过对其他易获取的影响工业污水COD的指标的间接检测，根据数据的驱动原理，构建预测模型，实现对预测工业污水COD的监测，为现场监控系统提供必要的数据处理和分析功能；另外，针对工业污水COD的时变、非线性特性,本发明所采用的极限学习机(ELM, Extreme LearningMachine)方法，相比于现有的前馈神经网络，它具有高度容错、快速处理、逼近精度高、泛化能力强的特点，更适合非线性时变的系统，所以本发明采用极限学习机的软测量技术，能够为工业污水COD的预测提供一种低成本的监测方法。
【发明内容】
[0005]本发明的目的在于提供基于极限学习机的工业污水COD在线软测量方法，通过极限学习机模型能有效提高工业污水COD在线软测量的时效性和准确性。
[0006]本发明的技术方案如下:基于极限学习机的工业污水COD在线软测量方法，其关键在于按如下步骤进行:
[0007]1、基于极限学习机的工业污水COD在线软测量方法，其特征在于按如下步骤进行:
[0008]步骤一:确定影响工业污水COD的六个变量(悬浮固体浓度、进水COD、PH值、氨氮、溶解氧以及总磷)，通过相应的传感器将六个变量的实时数据采集到上位机；
[0009]步骤二:采样数据的预处理，包括去除粗大误差数据，消除噪声，进行标准化处理，消除不同测量变量量纲的影响；
[0010]步骤三:软测量模型极限学习机的隐含层节点数、输出层激活函数、激活函数等参数的确定；
[0011]步骤四:对于N个不同的样本(Xi,ti) , Xi = [xn, xi2,...，xin]T e Rn, ti =[tn, ti2,..., tim]T e Rm,极限学习机(ELM, Extreme Learning Machine)数学可以表示为:Ηβ = Τ，其中N为样本个数，η为输出矩阵维数，m为输出矩阵维数，Xi为输入变量，t,为输出层输出变量，H为隐含层输出矩阵，β为隐含层神经元和输出神经元的连接权重矩阵，T输出层输出矩阵。通过求取Ηβ =T的最小范数最小二乘解可以得到全局唯一最小值；
[0012]步骤五:利用训练好的模型来测量工业污水C0D，通过平均绝对百分误差(MAPE, Mean Absolute Percentage Error)、平均训练时间、拟合优度(U, Goodness ofFit)这三项性能指标可以得出极限学习机的时效性、准确性。
[0013]2、根 据权利要求1所述的基于极限学习机的工业污水COD在线软测量方法，其特征在于步骤一中对影响工业COD六个变量的选取，从所有可能影响工业污水COD的变量中，通过分析求得悬浮固体浓度、进水COD、PH值、氨氮、溶解氧以及总磷这个六个变量作为影响工业污水COD的六个变量。
[0014]3、根据权利要求1所述的基于极限学习机的工业污水COD在线软测量方法，其特征在于步骤三中对于N个不同样本(Xi, ti), Xi = [xn, xi2,...，xin]T e Rn, ti =[tn, ti2,...，tiffl]T e r，因此极限学习机的数学模型可以表示为:
[0015]
【权利要求】
1.基于极限学习机的工业污水COD(COD, Chemical Oxygen Demand)在线软测量方法，其特征在于按如下步骤进行: 步骤一:确定影响工业污水COD的六个变量(悬浮固体浓度、进水COD、PH值、氨氮、溶解氧以及总磷)，通过相应的传感器将六个变量的实时数据采集到上位机； 步骤二:采样数据的预处理，包括去除粗大误差数据，消除噪声，进行标准化处理，消除不同测量变量量纲的影响； 步骤三:软测量模型极限学习机的隐层节点数、输出层激活函数、激活函数等参数的确定; 步骤四:对于 N 个不同的样本(Xi, ti), Xi = [xn, xi2,...，xin]T e Rn, ti =[tn, ti2,..., tim]T e Rm,极限学习机(ELM, Extreme Learning Machine)数学可以表示为:Ηβ = Τ，其中N为样本个数，η为输出矩阵维数，m为输出矩阵维数，Xi为输入变量，t,为输出层输出变量，H为隐层输出矩阵，β为隐层神经元和输出神经元的连接权重矩阵，T输出层输出矩阵，通过求取Ηβ =T的最小范数最小二乘解可以得到全局唯一最小值； 步骤五:利用训练好的模型来测量工业污水C0D，通过平均绝对百分误差(MAPE，MeanAbsolute Percentage Error)、平均训练时间、拟合优度(U, Goodness Of Fit)这三项性能指标可以得出极限学习机的时效性、准确性。
2.根据权利要求1所述的基于极限学习机的工业污水COD在线软测量方法，其特征在于步骤一中对影响工业COD六个变量的选取，从所有可能影响工业污水COD的变量中，通过分析求得悬浮固体浓度、进水COD、PH值、氨氮、溶解氧以及总磷这个六个变量作为影响工业污水COD的六个变量。
3.根据权利要求1所述的基于极限学习机的工业污水COD在线软测量方法，其特征在于步骤三中对于 N 个不同样本(Xi, ,Xi = [xn, xi2,..., xin]T e Rn, ti = [tn, ti2,...，tim]T e Rm，因此极限学习机的数学模型可以表示为:
4.根据权利要求1所述的基于极限学习机的工业污水COD在线软测量方法，其特征在于第三步极限学习机的隐层节点数、激活函数的选取，由于工业污水COD在线软测量是解决离子浓度的问题，因此，输出层激活函数确定为线性函数；对于隐层节点数的选择，初始隐层节点数为4，然后每次增加一个节点并选取两种不同的激活函数(Sigmoid函数和Radial basis函数)进行对比学习，以训练样本的均方根误差为标准，分析不同的隐层节点数及激活函数对测试精度的影响，通过交叉验证的方式，确定极限学习机的最佳组合参数:隐层节点数为6,激活函数为Sigmoid函数。
5.根据权利要求1所述的基于极限学习机的工业污水COD在线软测量方法，其特征在于第四步训练数据的处理，将传感器采集到的影响工业污水COD的六个变量分别分为训练数据和检测数据，先通过训练数据对极限学习机网络进行训练，然后通过检测数据了检验极限学习机模型的正确性。
【文档编号】G01N33/18GK103728431SQ201410010779
【公开日】2014年4月16日 申请日期:2014年1月9日 优先权日:2014年1月9日
【发明者】刘兴华, 苏盈盈, 李景哲, 刘君, 葛继科, 李太福 申请人:重庆科技学院, 刘兴华