一种生化需氧量参数在线软测量方法
【技术领域】
[0001] 本发明属于数据测量技术领域，涉及一种生化需氧量参数在线软测量方法。
【背景技术】
[0002] B0D是指污水出水指标之生化需氧量，在污水处理过程中，生化需氧量（B0D)是评 价水质好坏和处理效果的关键参数之一。由于其涉及很多复杂的生化反应过程，因此长期 以来B0D的测量都存在着很多问题，具体表现在：国际通用的标准检测方法测量滞后性较 大，快速检测方法测量成本过高且测量不准确。
[0003] 污水处理过程高度复杂，测量参数众多，现场测试的数据由于受测量仪表精度、可 靠性和现场测量环境等因素的影响，会带有各种各样的测量误差，若数据不经过进一步处 理，采集到的低精度或失效的数据会导致测量精度大幅度下降，甚至会直接导致污水处理 软测量模型的失效。同时，通常需要采集更多的参数数据信息以更好的反映污水处理过程 状态，但是过多的参数数据使得后续的模型非常复杂。因此，如何保证采集数据的有效性， 以及如何剔除冗余信息是B0D参数软测量首先要解决的关键技术问题。
[0004] 目前市场上的B0D检测仪表采用的主要是测压差法和生物传感器法为原理制作 的。例如美国哈希BODTrakTMlI分析仪，德国LovibondB0D分析仪等，采用的是测压差法； 日本CKC公司的α1000型B0D测量仪采用的是生物传感器方法制作的。采用压差法的测 量仪器测量时间过长，需要5天，远远无法满足污水处理过程实时控制的需要；采用生物传 感器法的B0D测量仪器存在着仪器生物传感器制作困难，测量范围较窄，相关的膜材料容 易损坏从而导致仪器的使用寿命不足，使用成本过高，因而也无法广泛应用。
【发明内容】
[0005] 本发明的目的在于提供一种生化需氧量参数在线软测量方法，解决了现有的测量 方法时间长，成本高的问题。
[0006] 本发明所采用的技术方案是按照以下步骤进行：
[0007] 步骤1 :样本数据预处理，得到有效样本数据；
[0008] (1)样本数据归一化处理，使得样本数据处于[-1，1]之间；
[0009] (2)利用主元分析解耦和降维；
[0010] (3)利用Jolliffe参数剔除和主体数据不相符的离群点，以提高数据的可靠性；
[0011] (4)利用中值滤波器去除数据生成和采集过程中的噪声干扰；
[0012] 步骤2 :局部线性回归预测模型的建立及其训练；
[0013] (1)确定局部线性回归模型；
[0014] ⑵权值初始化；
[0015] (3)模型输出预测，给定一个新的数据输入点，计算K个线性输入模型并得到预测 值；
[0016] (4)模型训练，利用代价函数通过梯度下降法来调整半正定距离矩阵D得到权值；
[0017] (5)如果代价函数不满足要求，则调整矩阵D进而修改权值，回到第（3)步，直至代 价函数满足要求，则模型训练结束，权值确定；
[0018] 步骤3 :B0D参数在线软测量输出；将有效样本数据通过训练好的局部线性回归预 测模型进行在线B0D参数软测量。
[0019] 进一步，所述在线B0D参数软测量中，对实时检测到的辅助变量进行预处理，包括 如归一化、主元分析、判断是否为离群点、噪声滤波。
[0020] 进一步，所述步骤2中，权值初始化，权值wjlj用高斯核得到：
[0021]Wi=exp(_0·5 (X「xc)TD(x「xc))，W=diag{w!，…，wM}
[0022] 其中D为半正定距离矩阵，它决定了数据点x。附近数据集的大小和形状；
[0023] 模型输出预测，给定一个新的数据输入点，计算K个线性输入模型并得到预测值 &5总的输出则是根据权值进行线性平均：
[0025] 模型训练，利用式（8)所示的代价函数通过梯度下降法来调整矩阵D从而学习得 到权值；
[0027] 其中Μ是数据集合中数据点的个数，参数γ通过经验试凑的方式获得。
[0028] 本发明的有益效果是可以实现在线预测，而且只需检测一些容易测量的辅助变 量，成本较低。
【附图说明】
[0029] 图1是数据预处理流程图；
[0030] 图2是模型训练流程图；
[0031] 图3是活性污泥污水处理流程；
[0032] 图4是基于Jolliffe参数的测试数据的离群点检测；
[0033] 图5是LWPR算法预测效果图。
【具体实施方式】
[0034] 下面结合【具体实施方式】对本发明进行详细说明。
[0035] 步骤1 :样本数据预处理；
[0036] 如图1所示，样本数据预处理的具体步骤为：
[0037] (1)样本数据归一化处理，使得样本数据处于[-1，1]之间。
[0038] (2)利用主元分析（PCA)解耦和降维。例如给定一组Μ个已经中心化的观测值， 其标准方差为σ，同时每个变量Xk都是m维数据，x(k) = (xk(l); : : : ;xk(m))其中m <Μ。主元分析将变量xk映射成另外一个变量tk:
[0039]tk=pTxk (1)
[0040] 其中P是mXm的正交矩阵，它的第1列\是协方差矩阵c的第i个特征向量。 换句话说PCA必须先解决特征值问题：
[0041] 入；\^=(^;，1 = 1，··.，!]! (2)
[0042] 其中λ1是C的第i个特征值，vi则是与这个特征值相关的特征向量。基于v^口 Xk的正交变换可以得到主元tk，如以下公式所示：
[0044] 经过PCA变换，前几个特征向量根据特征值降序的方式排列出来。以此获得比较 重要的特征值、特征向量和主元，而忽视无关紧要的变量。以此同时，原始数据间的耦合性 也得到了消除。
[0045] (3)利用Jolliffe参数剔除和主体数据不相符的离群点，以提高数据的可靠性。
[0047] 其中tlk是第k个主元的第i个观测值，Μ变量的个数，即是属性个数，q代表了小 方差主元的个数（例如方差< 1)，R代表大方差主元个数，σ是第k个主元的标准差，统计 量1和d2l主要用于检测偏离主体结构的数据，而d3l用于检测剧烈影响主体结构方差的数 据，设置4、d2l和d3l的阈值即可剔除离群点。
[0048] (4)利用中值滤波器去除数据生成和采集过程中的噪声干扰。
[0049] 本发明对样本数据预处理目的是为了得到干净有效的数据，它是建立软测量输出 模型的一个必要环节，其主要作用有：①利用主元分析（PCA)解耦和降低样本数据以获得 重要的主元即后续模型的输入辅助变量，忽略无关精要的辅助变量，从而减少数据维数，减 小模型处理的复杂度；②剔除和主体数据不相符的离群点，以提高数据的可靠性，离群点主 要来源于仪表的故障或者维护，它的存在极易导致后续建模的偏离甚至失败；③滤波去除 数据生成和采集过程中的噪声干扰，噪声干扰主要由于仪表本身问题以及周围环境对仪表 和传感器的干扰和影响而产生的，它恶化了数据的质量，甚至淹没了目标特征，给后续分析 处理带来了困难。经过预处理后的数据可靠性得到了明显提升。
[0050] 步骤2 :局部线性回归预测模型的建立及其训练；
[0051] (1)局部线性回归（LWPR)模型的确定。LWPR算法考虑的仍然是标准的回归模型：
[0052] y=f(x) +e (5)
[0053] 其中，x表示d维的输入数据，y表示标准化的输出，同时e是〇均值随机噪声