导　　师： 黄道平

授予学位： 博士

作　　者： (）;

机构地区： 华南理工大学

摘　　要： 污水处理厂作为水环境保护链中关键的一环,其安全、稳定的运行是保证出水质量达标的前提条件。而要实现这个目标,离不开对一些关键或主要的过程指标的实时监测。这些指标反映了污水处理过程的重要信息,但大部分属于难以直接测量或不易测量,它们的实时可用性通常与昂贵的硬件成本和不菲的维修费用,以及延迟性响应相联系,因此往往不适合实时监测。要解决这类变量的在线实时获取,软测量技术提供了一个可行、有效的方案。本论文以城市污水处理过程为背景,对数据驱动软测量建模展开了研究。主要研究工作如下:1.研究了面向污水处理的常用数据驱动软测量建模方法的在线预测性能。面向污水处理存在多种数据驱动软测量建模技术,这些方法针对各自文献中的工艺对象建模效果良好,但少有文献对常用基础性建模方法的应用效果进行归纳性研究。与其它过程工业相比,污水处理具有其独特性。如果对这些建模方法在实际应用的表现能有个直接、客观上的认知,不仅有助于加深对污水处理过程特性的理解,而且也能给软测量建模的后续研究,提供一个基础性的参考。因此,通过一组实际污水处理过程数据,对比研究了面向污水处理的四种常用数据驱动软测量建模方法的在线预测性能,所得结论用于后续软测量建模研究的参考。2.提出了一种面向污水处理的深层神经网络软测量模型。有监督神经网络方法是面向污水处理中最为受欢迎的数据驱动软测量建模技术之一,但多以浅层结构为主,在遭遇极端复杂干扰时(如恶劣天气),往往表现得无能为力,而潜在的解决方案之一是诉诸于具有多层结构的深层神经网络。早期深度架构神经网络受困于训练效果不佳,泛化能力差等问题,鲜有成功的应用案例;再者,污水处理具有其独特的实际问题,难以采集到�

关 键 词： 污水处理 软测量 深层神经网络 栈式自编码 多输出 自适应 多步预测

领　　域： [] []