[发明专利]一种基于KPLS和FCM的污水处理过程监测方法

说明书

本发明涉及污水处理质量监测技术领域，提供一种基于KPLS和FCM的污水处理过程监测方法。本发明首先采集正常工况和包含异常工况的污水处理过程数据样本，将污水处理运行变量、出水质量变量的数据分别作为输入、输出数据矩阵，并标准化两矩阵；然后构建KPLS模型，将输入样本映射到高维特征空间，引入高斯核函数得到Gram矩阵K，并求解得分矩阵；接着计算输入样本点密度值，计算构造函数并绘制构造函数图像以确定聚类数目；最后，基于FCM算法对得分矩阵聚类，得到隶属度矩阵，根据隶属度矩阵进行污水处理过程异常工况监测。本发明能够对高维数据进行降维且能够处理非线性数据、准确方便地确定聚类数目，提高监测的及时性和准确性。

技术领域

本发明涉及污水处理质量监测技术领域，特别是涉及一种基于KPLS和FCM的污水处理过程监测方法。

背景技术

随着我国城市化、工业化进程的加快，社会对淡水资源的需求日益增大，需要加快城市生活污水处理处置设施建设，提高城市生活污水处理能力。活性污泥法污水处理工艺是当前处理城市污水的主要方法。活性污泥净化污水主要有初期吸附、微生物的代谢、形成絮凝体及沉淀3个过程，其实质是利用活性污泥中的微生物群通过一系列生物化学反应，将污水中的可生物降解的有机物进行吸附、分解和氧化，从而将其从污水中分离出来，从而达到净化污水的目的。

目前，通常采用生化需氧量([BOD])、化学需氧量([COD])、悬浮物([SS])、氨氮([NH])、总磷([TP])作为污水排放指标。在污水处理过程中，进水流量、进水成份、污染物浓度、天气变化等参量都是被动接受，微生物生命活动受溶解氧浓度、微生物种群、污水的pH值等多种因素影响，因此保持城市污水处理厂长期稳定运行是十分困难的。污水处理厂发生故障容易引起出水水质不达标、加大运行成本和造成环境污染。因此如果不能及时检测出污水处理过程异常工况，导致不能做出正确的判断且没有及时采取有力措施加以调剂纠正，会造成污水处理过程不可逆的损失。因此，操作者通过检测污水处理过程，对异常工况做出准确判断，并及时准确地采取措施，对保证污水处理安全稳定顺行，从而保证出水质量尤为重要。

现有的污水处理过程监测方法在近年来多采用数据挖掘方法，其主要原因是存在大量数据，可以广泛使用，并且迫切需要将这些数据转换成有用的信息和知识。由于污水处理过程数据没有分类标识，且污水处理故障的发生跟时间没多大的关联，所以不适合使用分类或序列模式挖掘来进行挖掘。而数据挖掘技术中的聚类分析是一种无监督分类技术，可以很好地用来进行先验知识少的数据的分析，因此聚类分析技术在污水过程监测中得到了广泛的应用。

模糊c-均值聚类(fuzzy c-means clustering，FCM)算法是经典的聚类算法之一。FCM给出了样本对于类别的不确定性程度，建立了样本对于类别的不确定性描述，更符合对客观世界的描述。然而，污水处理过程数据具有高维度及非线性，传统的FCM算法无法处理高维以及非线性数据，这就增加了过程监测的难度，降低了故障检测的可靠性，对于污水出水质量产生很大的影响，造成一定的经济损失甚至事故发生。同时，FCM算法的聚类数目需要人为预先设定,在实际应用中有极大的局限性。

发明内容

针对现有技术存在的问题，本发明提供一种基于KPLS和FCM的污水处理过程监测方法，能够对高维数据进行降维且能够处理非线性数据，能够准确方便地确定聚类数目，提高污水处理过程监测的及时性和准确性。

本发明的技术方案为：

一种基于KPLS和FCM的污水处理过程监测方法，其特征在于，包括下述步骤：