張 璐，鐘麥英

(山東科技大學(xué) 電氣與自動(dòng)化工程學(xué)院，山東 青島 266590)

污水處理過(guò)程主要采用活性污泥法處理技術(shù)，以活性污泥為載體來(lái)吸附和氧化有機(jī)物，實(shí)現(xiàn)污染物的去除[1]。對(duì)于活性污泥法污水處理過(guò)程來(lái)說(shuō)，良好的泥水分離效果是保證其高效穩(wěn)定運(yùn)行的關(guān)鍵。然而，被動(dòng)接受的進(jìn)水水質(zhì)和進(jìn)水流量、復(fù)雜的生化反應(yīng)機(jī)理以及眾多的影響因素導(dǎo)致活性污泥法污水處理過(guò)程中污泥膨脹現(xiàn)象頻發(fā)[2]。污泥膨脹現(xiàn)象的發(fā)生不僅引起污泥持續(xù)流失，破壞出水水質(zhì)，還會(huì)導(dǎo)致污水處理系統(tǒng)性能的下降和崩潰[3]。因此，有效檢測(cè)污泥膨脹的發(fā)生、降低其危害已成為污水處理過(guò)程面臨的難點(diǎn)問(wèn)題。

為了實(shí)現(xiàn)污水處理過(guò)程中污泥膨脹的檢測(cè)，一些基于機(jī)理模型的方法得到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注[4-5]?；跈C(jī)理模型的方法主要通過(guò)莫諾方程、活性污泥模型等分析污泥的沉降特性，獲取表征污泥膨脹狀態(tài)的相關(guān)信息。Vazquez等[6]通過(guò)分析微生物菌類(lèi)的生長(zhǎng)變化和污泥顆粒的形態(tài)特點(diǎn)，建立污泥顆粒大小與相關(guān)過(guò)程變量間的機(jī)理模型，完成對(duì)污泥顆粒狀態(tài)的描述。Dominika等[7]基于活性污泥I號(hào)模型獲取污泥沉降狀態(tài)與底物濃度間的關(guān)系，實(shí)現(xiàn)污泥膨脹動(dòng)態(tài)特性的獲取。此外，韓紅桂等[8]設(shè)計(jì)了一種基于絲狀菌生長(zhǎng)動(dòng)力學(xué)的污泥容積指數(shù)簡(jiǎn)化機(jī)理模型，通過(guò)數(shù)據(jù)分析和統(tǒng)計(jì)方法校正機(jī)理模型參數(shù)，實(shí)現(xiàn)污泥容積指數(shù)的高效檢測(cè)。雖然上述基于機(jī)理模型的檢測(cè)方法能夠?qū)崿F(xiàn)對(duì)污泥膨脹狀態(tài)的描述，但大多數(shù)機(jī)理模型檢測(cè)方法均建立在微生物動(dòng)力學(xué)基礎(chǔ)上，檢測(cè)模型結(jié)構(gòu)復(fù)雜，模型參數(shù)難以根據(jù)動(dòng)態(tài)的污水處理過(guò)程進(jìn)行自適應(yīng)調(diào)整，無(wú)法保證污泥膨脹檢測(cè)效果[9-10]。

為了克服機(jī)理模型檢測(cè)方法的不足，數(shù)據(jù)驅(qū)動(dòng)檢測(cè)方法已成為提高污泥膨脹檢測(cè)效率的關(guān)鍵[11-12]。數(shù)據(jù)驅(qū)動(dòng)檢測(cè)方法主要利用圖像信息或過(guò)程變量數(shù)據(jù)等獲取污泥膨脹的關(guān)鍵特征信息，進(jìn)而實(shí)現(xiàn)污泥膨脹檢測(cè)。Mesquita等[13]通過(guò)顯微鏡獲取絲狀菌的形態(tài)圖像信息，利用偏最小二乘方法分析絲狀菌形態(tài)與污泥沉降之間的規(guī)律，實(shí)現(xiàn)絲狀菌污泥膨脹的檢測(cè)。Han等[14]研究了一種基于多元局部二次多項(xiàng)式回歸的污泥容積指數(shù)檢測(cè)方法，建立污泥容積指數(shù)與相關(guān)過(guò)程變量間的關(guān)系，完成污泥容積指數(shù)的檢測(cè)。許玉格等[15]設(shè)計(jì)一種基于核函數(shù)的加權(quán)極限學(xué)習(xí)機(jī)故障檢測(cè)方法，根據(jù)核函數(shù)的非線(xiàn)性映射實(shí)現(xiàn)數(shù)據(jù)線(xiàn)性可分，提高污水處理過(guò)程故障的檢測(cè)精度。此外，一些基于自組織映射神經(jīng)網(wǎng)絡(luò)[16]、徑向基神經(jīng)網(wǎng)絡(luò)[17]的污泥膨脹檢測(cè)方法也得到了學(xué)者的廣泛研究。上述數(shù)據(jù)驅(qū)動(dòng)檢測(cè)方法通過(guò)建立污泥容積指數(shù)等關(guān)鍵指標(biāo)與相關(guān)過(guò)程變量間的非線(xiàn)性關(guān)系，實(shí)現(xiàn)污泥容積指數(shù)等的檢測(cè)。然而由于實(shí)際污水處理過(guò)程運(yùn)行環(huán)境的復(fù)雜性以及運(yùn)行過(guò)程的時(shí)變性等，導(dǎo)致現(xiàn)有的數(shù)據(jù)驅(qū)動(dòng)檢測(cè)方法難以滿(mǎn)足污泥膨脹在線(xiàn)準(zhǔn)確檢測(cè)的需求。因此，設(shè)計(jì)有效的污泥膨脹檢測(cè)方法是亟需解決的難題。

針對(duì)上述難題，本研究提出一種基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的智能檢測(cè)方法，實(shí)現(xiàn)污泥膨脹的準(zhǔn)確判斷。該方法的主要?jiǎng)?chuàng)新點(diǎn)為：構(gòu)建一種基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的污泥膨脹檢測(cè)模型，實(shí)時(shí)準(zhǔn)確獲取污泥膨脹的動(dòng)態(tài)特性；設(shè)計(jì)基于智能檢測(cè)模型平均絕對(duì)誤差和標(biāo)準(zhǔn)差的多指標(biāo)評(píng)價(jià)策略，實(shí)現(xiàn)污泥膨脹的準(zhǔn)確判斷。

1 污泥膨脹特性分析及問(wèn)題描述

污泥膨脹是指由于絲狀菌或菌膠團(tuán)的過(guò)量生長(zhǎng)導(dǎo)致活性污泥沉降速率緩慢、活性污泥絮體壓縮惡化的狀態(tài)。污泥膨脹可以分為絲狀菌污泥膨脹和非絲狀菌污泥膨脹，其中，絲狀菌污泥膨脹是指絲狀菌大量繁殖形成的一種網(wǎng)狀結(jié)構(gòu)，阻礙污泥絮體的正常沉降；非絲狀菌污泥膨脹是指菌膠團(tuán)的大量繁殖導(dǎo)致多聚糖類(lèi)粘性物質(zhì)的積聚，影響污泥的沉降。在實(shí)際污水處理過(guò)程中，90%以上的污泥膨脹都是絲狀菌污泥膨脹，因此，將絲狀菌污泥膨脹作為研究對(duì)象。

污泥容積指數(shù)(sludge volume index,SVI)是反映絲狀菌污泥膨脹狀態(tài)的關(guān)鍵評(píng)價(jià)指標(biāo)之一，其標(biāo)準(zhǔn)測(cè)定方式為混合液(1 L)經(jīng)過(guò)30 min靜沉形成的活性污泥容積(mL)與混合液(1 L)中懸浮固體干重(g)的比，具體可表示為污泥沉降比(sludge volume rate,SV)與混合懸浮液固體濃度(mixed liquor suspended solids,MLSS)：

(1)

其中：SV是污泥沉降比，mL/L；MLSS為混合懸浮液固體濃度，g/L。通過(guò)其計(jì)算能有效反應(yīng)活性污泥的沉降性能。

由于絲狀菌種類(lèi)的多樣性以及生成過(guò)程的差異性，影響SVI值的因素較多，不僅受絲狀菌生長(zhǎng)率μf的影響，也與污泥負(fù)荷(organic load rate,F/M)密切相關(guān)，有：

(2)

其中：μm是絲狀菌最大比生長(zhǎng)率；SS和KS分別為底物濃度與底物飽和系數(shù)；SO和KO分別為溶解氧濃度與溶解氧飽和系數(shù)；SN和KN分別為氮濃度與氮飽和系數(shù)；SP和KP分別為磷濃度與磷飽和系數(shù)；s1、s2、s3和s4分別是開(kāi)關(guān)函數(shù)的選擇指數(shù)，其取值為0或1。

F/M=QSS/VX。

(3)

其中:Q是污水進(jìn)水量，V是曝氣池容積，X是混合液生物量濃度。此外，根據(jù)文獻(xiàn)[14]可知，SVI也受到一些非生物量，如溫度T、pH值和污泥停留時(shí)間SRT等的影響。綜上，影響SVI的主要因素包括F/M、SO、MLSS、SN、SP、T和pH，具體可描述為：

SVI=f(F/M,SO,MLSS,SN,SP,T,pH)。

(4)

其中:f( )是未知的非線(xiàn)性函數(shù)，用于描述SVI與相關(guān)影響因素間的關(guān)系。為了實(shí)現(xiàn)SVI的檢測(cè)，下面構(gòu)建SVI檢測(cè)模型，設(shè)計(jì)SVI評(píng)價(jià)指標(biāo)。

2 污泥膨脹智能檢測(cè)方法

2.1 基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的智能檢測(cè)模型設(shè)計(jì)

為了實(shí)時(shí)獲取污水處理過(guò)程SVI的動(dòng)態(tài)特性，設(shè)計(jì)一種基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的智能檢測(cè)模型(adaptive fuzzy neural network based intelligent detection, AFNN-ID)。模糊神經(jīng)網(wǎng)絡(luò)可充分利用模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，基于模糊規(guī)則描述污泥膨脹特性，并利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力來(lái)提高模糊系統(tǒng)的自適應(yīng)能力，進(jìn)而實(shí)現(xiàn)SVI與相關(guān)影響因素間關(guān)系的準(zhǔn)確描述。

以F/M，SO，MLSS，SN，SP，T和pH為輸入，設(shè)計(jì)一個(gè)多輸入單輸出的模糊神經(jīng)網(wǎng)絡(luò)智能檢測(cè)模型，其基本拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 模糊神經(jīng)網(wǎng)絡(luò)智能檢測(cè)模型拓?fù)浣Y(jié)構(gòu)圖Fig. 1 Topological structure diagram of fuzzy neural network-based intelligent detection model

由圖1可見(jiàn)，所設(shè)計(jì)的多輸入單輸出模糊神經(jīng)網(wǎng)絡(luò)智能檢測(cè)模型共包含4層：輸入層、徑向基(radial basis function,RBF)層、規(guī)則層和輸出層。輸入層個(gè)數(shù)由SVI相關(guān)影響因素個(gè)數(shù)確定，具體可描述為：

xi(t)=ui(t)。

(5)

其中，ui(t)是t時(shí)刻第i個(gè)輸入(i=1,2,…,7)，則x(t)=[x1(t),x2(t),…,x7(t)]=[F/M(t),SO(t),MLSS(t),SN(t),SP(t),T(t), pH(t)]是輸入層的輸出向量。

RBF層的主要功能是實(shí)現(xiàn)輸入層數(shù)據(jù)的模糊化，該層共包含10個(gè)神經(jīng)元，其個(gè)數(shù)由經(jīng)驗(yàn)法確定，具體可描述為：

(6)

其中：θj(t)是t時(shí)刻RBF層第j個(gè)神經(jīng)元輸出，其為隸屬度函數(shù)的乘積，θ(t)=[θ1(t),θ2(t),…,θj(t),…,θ10(t)]是t時(shí)刻RBF層的輸出向量，cj(t)=[c1j(t),c2j(t),…,c7j(t)]是t時(shí)刻第j個(gè)神經(jīng)元的中心，σj(t)=[σ1j(t),σ2j(t),…,σ7j(t)]T是t時(shí)刻第j個(gè)神經(jīng)元的寬度。

規(guī)則層的主要作用是實(shí)現(xiàn)輸入數(shù)據(jù)的模糊化推理，具體可描述為：

(7)

其中:vl(t)是t時(shí)刻規(guī)則層第l個(gè)神經(jīng)元輸出，規(guī)則層與RBF層神經(jīng)元個(gè)數(shù)相等，v(t)=[v1(t),v2(t),…,vl(t),…,v10(t)]是t時(shí)刻規(guī)則層的輸出向量。

輸出層通過(guò)加權(quán)因子法實(shí)現(xiàn)SVI值的計(jì)算，具體可描述為：

(8)

其中:SVI(t)是t時(shí)刻輸出層的輸出，ω(t)=[ω1(t),ω2(t),…,ωl(t),…,ω10(t)]是規(guī)則層與輸出層之間的權(quán)值向量。

為實(shí)現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)智能檢測(cè)模型參數(shù)ω(t)，c(t)(c(t)=[c1(t),c2(t),…,c10(t)])和σ(t) (σ(t)=[σ1(t),σ2(t),…,σ10(t)])的自適應(yīng)調(diào)整，設(shè)計(jì)一種基于二階L-M的參數(shù)更新算法，實(shí)現(xiàn)模型參數(shù)的同時(shí)調(diào)整，加快計(jì)算速度。模型參數(shù)的更新公式可表示為：

Ξ(t+1)=Ξ(t)+(Η(t)+κ(t)I(t))-1·G(t)，

(9)

其中:Ξ(t)是t時(shí)刻的參數(shù)向量，Ξ(t)=[ω(t),c1(t),c2(t),…,c10(t),σ1(t),σ2(t),…,σ10(t)]，H(t)是擬海森矩陣，

Η(t)=JT(t)J(t)，

(10)

其中J(t)是t時(shí)刻的雅克比向量。

(11)

(12)

(13)

(14)

(15)

(16)

其中，e(t)是t時(shí)刻SVI的檢測(cè)誤差，

e(t)=SVI′(t)-SVI(t)，

(17)

其中，SVI′(t)是t時(shí)刻SVI的實(shí)際輸出；I(t)是單位矩陣，用于避免矩陣求逆中的病態(tài)情況；G(t)是梯度向量，有

G(t)=JT(t)e(t)。

(18)

κ(t)是t時(shí)刻的自適應(yīng)學(xué)習(xí)率，用于提高智能檢測(cè)模型收斂速度，其計(jì)算方式為：

κ(t)=ξ(t)κ(t-1)。

(19)

其中，ξ(t)是t時(shí)刻學(xué)習(xí)率的調(diào)整系數(shù)，計(jì)算方式為：

ξ(t)=(εmin(t)+κ(t-1))/(εmax(t)+1)。

(20)

其中：εmin(t)和εmax(t)分別是擬海森矩陣H(t)的最小特征值、最大特征值，0<εmin(t)<εmax(t)，0<κ(t)<1。

上述設(shè)計(jì)的模糊神經(jīng)網(wǎng)絡(luò)智能檢測(cè)模型以及基于自適應(yīng)二階L-M算法的參數(shù)調(diào)整策略，能夠?qū)崿F(xiàn)污水處理過(guò)程SVI動(dòng)態(tài)特性的實(shí)時(shí)獲取。

2.2 污泥膨脹多指標(biāo)評(píng)價(jià)策略設(shè)計(jì)

評(píng)價(jià)指標(biāo)是檢測(cè)污泥膨脹狀態(tài)的主要依據(jù)，本研究根據(jù)智能檢測(cè)模型輸出誤差分布特點(diǎn)建立多指標(biāo)評(píng)價(jià)策略。智能檢測(cè)模型輸出平均絕對(duì)誤差反映檢測(cè)SVI與實(shí)際SVI間的大小差異，標(biāo)準(zhǔn)差反映檢測(cè)SVI與實(shí)際SVI間的離散程度?；跈z測(cè)SVI與實(shí)際SVI間的平均絕對(duì)誤差以及標(biāo)準(zhǔn)差，建立多指標(biāo)評(píng)價(jià)函數(shù)：

J1(t)=|SVI′(t)-SVI(t)|，

(21)

(22)

其中：t=1,…,T；J1(t)是t時(shí)刻的第一個(gè)評(píng)價(jià)指標(biāo)，反映SVI檢測(cè)輸出與實(shí)際輸出間誤差的大小;T是測(cè)試樣本的個(gè)數(shù);J2(t)是t時(shí)刻的第二個(gè)評(píng)價(jià)指標(biāo)，反映SVI檢測(cè)輸出與實(shí)際輸出間誤差的離散程度;N是測(cè)量樣本的個(gè)數(shù);mod(N, 2)是測(cè)量樣本數(shù)N與2之間的余數(shù)，若N為偶數(shù)，則mod(N, 2)=0，若N為奇數(shù)，則mod(N, 2)=1;|N/2|表示對(duì)N/2向負(fù)無(wú)窮方向取整。多指標(biāo)評(píng)價(jià)函數(shù)中的閾值主要取決于無(wú)污泥膨脹發(fā)生時(shí)輸入變量對(duì)輸出殘差的最大影響，因此，利用無(wú)污泥膨脹時(shí)的運(yùn)行數(shù)據(jù)，計(jì)算模型訓(xùn)練輸出絕對(duì)誤差最大值和標(biāo)準(zhǔn)差最大值，具體可表示為：

(23)

(24)

其中:t=1,…,S,S是訓(xùn)練樣本的個(gè)數(shù)；J1,th(t)是J1(t)的閾值函數(shù)，為訓(xùn)練樣本中模型輸出絕對(duì)誤差最大值；J2,th(t)是J2(t)的閾值函數(shù)，為訓(xùn)練樣本中模型輸出標(biāo)準(zhǔn)差的最大值。

若J1(t)超出閾值J1,th(t)或J2(t)高于閾值J2,th(t)時(shí)，則認(rèn)為發(fā)生污泥膨脹故障，具體判定邏輯為：

J1(t)≤J1,th(t) 且J2(t)≤J2,th(t),t=1,…,S,正常;

(25)

J1(t)>J1,th(t) 或J2(t)>J2,th(t),t=1,…,S,污泥膨脹。

(26)

只有J1(t)和J2(t)同時(shí)小于其閾值時(shí)，認(rèn)為無(wú)污泥膨脹現(xiàn)象發(fā)生。

基于多指標(biāo)評(píng)價(jià)策略和評(píng)價(jià)指標(biāo)閾值，通過(guò)式(25)～(26)所示的判定邏輯，能夠?qū)崿F(xiàn)污水處理過(guò)程污泥膨脹狀態(tài)的在線(xiàn)檢測(cè)。

基于所設(shè)計(jì)的智能檢測(cè)模型和多指標(biāo)評(píng)價(jià)策略，污泥膨脹智能檢測(cè)算法可總結(jié)為：

1) 獲取大量的無(wú)污泥膨脹運(yùn)行數(shù)據(jù)，并將其作為訓(xùn)練樣本；利用式(5)～(20)計(jì)算訓(xùn)練樣本輸出，獲取訓(xùn)練樣本輸出的平均絕對(duì)誤差和標(biāo)準(zhǔn)差，根據(jù)式(23)～(24)計(jì)算多指標(biāo)評(píng)價(jià)策略的閾值。

2) 對(duì)于在線(xiàn)測(cè)試樣本，根據(jù)式(5)～(20)計(jì)算測(cè)試樣本輸出，利用式(21)～(22)計(jì)算測(cè)試樣本輸出的平均絕對(duì)誤差和標(biāo)準(zhǔn)差，將測(cè)試樣本輸出的平均絕對(duì)誤差和標(biāo)準(zhǔn)差與其閾值進(jìn)行比較，并根據(jù)式(25)～(26)的判定邏輯判斷污泥膨脹現(xiàn)象是否發(fā)生。

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證所提出的AFNN-ID的有效性，利用從某活性污泥法污水處理廠(chǎng)獲得的2018年運(yùn)行數(shù)據(jù)對(duì)AFNN-ID方法進(jìn)行測(cè)試，分別從智能檢測(cè)效果和污泥膨脹檢測(cè)效果兩方面展開(kāi)。

3.1 智能檢測(cè)方法結(jié)果及分析

利用15天的無(wú)污泥膨脹數(shù)據(jù)進(jìn)行驗(yàn)證，分別包括厭氧池的pH、T，曝氣池的F/M、SO、SN、SP和二沉池的MLSS，其采集頻率均為30 min/次，共720組無(wú)污泥膨脹數(shù)據(jù)，剔除異常數(shù)據(jù)后，剩余600組運(yùn)行數(shù)據(jù)中500組運(yùn)行數(shù)據(jù)作為訓(xùn)練樣本，另外100組作為測(cè)試樣本?；镜膮?shù)設(shè)置為：輸入為7個(gè)，RBF層神經(jīng)元個(gè)數(shù)為10個(gè)，輸出為SVI，RBF層初始神經(jīng)元初始中心值在(0,3.5)范圍內(nèi)隨機(jī)生成，初始寬度在(0,1.2)范圍內(nèi)隨機(jī)生成，初始學(xué)習(xí)率設(shè)為0.8。利用均方根誤差(root mean square error,RMSE)和算法精度(model accuracy,MA)評(píng)價(jià)智能檢測(cè)方法的性能

(27)

(28)

圖2給出了AFNN-ID訓(xùn)練效果圖，圖3給出了智能檢測(cè)模型訓(xùn)練RMSE，圖4展示了智能檢測(cè)模型測(cè)試效果圖及測(cè)試誤差。

圖2 智能檢測(cè)模型訓(xùn)練效果圖Fig. 2 Training results of intelligent detection model

由圖2可見(jiàn)，所設(shè)計(jì)的AFNN-ID能夠?qū)崿F(xiàn)污泥膨脹變化趨勢(shì)的跟蹤以及動(dòng)態(tài)特性的描述，除少數(shù)訓(xùn)練樣本外，智能檢測(cè)模型訓(xùn)練誤差基本保持在[-5,5]之間，表明所設(shè)計(jì)的智能檢測(cè)模型能夠?qū)崿F(xiàn)污泥膨脹動(dòng)態(tài)特征的實(shí)時(shí)獲取。

由圖3可見(jiàn)，智能檢測(cè)模型最終訓(xùn)練RMSE可穩(wěn)定在0.085左右，進(jìn)一步驗(yàn)證了所提出的智能檢測(cè)模型能以較小的誤差跟蹤污泥膨脹實(shí)際值，具有較好的訓(xùn)練效果。

圖3 智能檢測(cè)模型訓(xùn)練RMSEFig. 3 Training RMSE of intelligent detection model

由圖4可以看出，所設(shè)計(jì)的AFNN-ID能夠獲得較好的測(cè)試效果，測(cè)試誤差分布在[-10,12]范圍內(nèi)，表明AFNN-ID可以有效描述污泥膨脹的動(dòng)態(tài)特性，能夠?yàn)槠錂z測(cè)提供實(shí)時(shí)的狀態(tài)信息。

圖4 智能檢測(cè)模型測(cè)試效果圖及測(cè)試誤差Fig. 4 Testing results and testing errors of intelligent detection model

為了進(jìn)一步驗(yàn)證所提出的基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的智能檢測(cè)模型(AFNN-ID)的優(yōu)勢(shì)，與其他4種 SVI檢測(cè)模型：簡(jiǎn)化機(jī)理模型(simplified mechanism model, SMM)[8]、基于多元局部二次多項(xiàng)式回歸模型(multivariate local quadratic polynomial regression, MLQPR)[14]、前饋神經(jīng)網(wǎng)絡(luò)檢測(cè)模型(feed forward neural network-based model, FNNM)[19]和動(dòng)態(tài)自回歸模型(dynamic autoregressive model, DARX)[20]方法進(jìn)行對(duì)比，結(jié)果如表1所示。

由表1可見(jiàn)，AFNN-ID能夠獲得較小的訓(xùn)練平均RMSE值0.085(輸入輸出樣本反歸一化前的平均RMSE)和測(cè)試平均RMSE值2.567(輸入輸出樣本反歸一化后的平均RMSE)，均低于其對(duì)比檢測(cè)模型。AFNN-ID的測(cè)試平均MA為94.23%，優(yōu)于SMM、MLQPR、FNNM和DARX方法。由此可見(jiàn)，所設(shè)計(jì)的智能檢測(cè)方法可以更有效地逼近實(shí)際SVI值，實(shí)現(xiàn)污泥膨脹特性的實(shí)時(shí)準(zhǔn)確獲取。

表1 不同檢測(cè)模型性能對(duì)比Tab. 1 Performance comparison of different detection models

3.2 智能檢測(cè)結(jié)果及分析

為了驗(yàn)證所設(shè)計(jì)的多指標(biāo)評(píng)價(jià)策略的有效性，對(duì)100組運(yùn)行數(shù)據(jù)(包含無(wú)污泥膨脹數(shù)據(jù)和污泥膨脹數(shù)據(jù))進(jìn)行檢測(cè)。在設(shè)計(jì)的多指標(biāo)評(píng)價(jià)策略中，J2指標(biāo)中的測(cè)量個(gè)數(shù)N取10，J1,th和J2,th通過(guò)無(wú)污泥膨脹數(shù)據(jù)訓(xùn)練獲得。存在污泥膨脹運(yùn)行數(shù)據(jù)的具體檢測(cè)效果如圖5所示。

由圖5可以看出，當(dāng)出現(xiàn)污泥膨脹運(yùn)行數(shù)據(jù)時(shí)，即運(yùn)行數(shù)據(jù)超出正常范圍(圖5下圖橙黃色線(xiàn)外)時(shí)，所設(shè)計(jì)的指標(biāo)策略會(huì)超出其閾值范圍，再次驗(yàn)證了所設(shè)計(jì)的智能檢測(cè)方法的性能。

圖5 AFNN-ID檢測(cè)效果Fig. 5 Detection results of AFNN-ID

4 結(jié)論

針對(duì)污水處理過(guò)程污泥膨脹難以在線(xiàn)檢測(cè)的問(wèn)題，設(shè)計(jì)了一種基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的智能檢測(cè)方法，實(shí)時(shí)獲取污泥膨脹的動(dòng)態(tài)特性，通過(guò)多指標(biāo)策略評(píng)價(jià)污泥膨脹狀態(tài)。實(shí)驗(yàn)結(jié)果表明，所設(shè)計(jì)的智能檢測(cè)方法能夠?qū)崿F(xiàn)污水處理過(guò)程污泥膨脹特性的實(shí)時(shí)描述和狀態(tài)的在線(xiàn)檢測(cè)，能夠?yàn)槲勰嗯蛎浺种铺峁┯行У膮⒖夹畔?。為了進(jìn)一步提高污水處理過(guò)程污泥膨脹檢測(cè)效率，在后續(xù)研究中，將研究基于運(yùn)行機(jī)理和數(shù)據(jù)驅(qū)動(dòng)融合的智能檢測(cè)方法。