本發(fā)明涉及廢水處理技術(shù)領(lǐng)域，具體涉及一種厭氧廢水處理系統(tǒng)出水揮發(fā)性脂肪酸的軟測量方法。

背景技術(shù)：

隨著我國經(jīng)濟(jì)發(fā)展和工業(yè)化進(jìn)程的加快，我國的廢水排放量逐年增加，水污染控制任重而道遠(yuǎn)。厭氧生物處理工藝具有動力消耗小、污泥產(chǎn)量少、對氮和磷的需要量低，可減少補(bǔ)充氮和磷營養(yǎng)的費(fèi)用、厭氧消化可產(chǎn)生生物能等優(yōu)點，使得厭氧生物處理在工業(yè)廢水處理中越來越重要，運(yùn)用也越來越廣泛。然而，厭氧消化過程是一個極其復(fù)雜、非線性、極具不確定的生化過程。一方面，厭氧微生物對包括三氯苯酚等有毒有機(jī)物較為敏感，若對于有毒廢水性質(zhì)了解不足或操作不當(dāng)，在嚴(yán)重情況下可能導(dǎo)致反應(yīng)器運(yùn)行條件的惡化；另一方面，厭氧生物處理的效果容易受到操作條件變化的擾動，厭氧微生物(特別是產(chǎn)甲烷菌)對環(huán)境條件要求比較苛刻。當(dāng)進(jìn)水負(fù)荷突然增高或水溫、堿度過低時，水解酸化過程與甲烷化過程容易失衡，從而導(dǎo)致有機(jī)酸大量積累、厭氧甲烷化受到抑制甚至厭氧體系崩潰。

由于厭氧消化體系的復(fù)雜性和易受運(yùn)行條件的擾動的特點，厭氧消化過程的監(jiān)控和水質(zhì)參數(shù)的分析對于保證厭氧生物處理工藝的穩(wěn)定性、高效性極為重要。然而，我國大部分廢水處理廠在處理廢水過程中大多靠人工化驗來確定這些參數(shù)，人工化驗不僅費(fèi)時費(fèi)力，還耗費(fèi)了大量化學(xué)品，增加了污染物的排放量，嚴(yán)重影響了廢水處理工藝的控制效果。雖然，由于近年儀表技術(shù)的發(fā)展，出現(xiàn)了可以在線測量這些廢水水質(zhì)的分析儀表，但這些專用儀表在我國發(fā)展比較晚，通常選用國外產(chǎn)品；同時，專用儀表普遍存在價格昂貴、設(shè)備投資和運(yùn)行維護(hù)成本高、檢測滯后時間長、穩(wěn)定性不好和重復(fù)性差等問題，從而降低了重要參數(shù)的控制品質(zhì)，這使其應(yīng)用受到了進(jìn)一步的限制。

近年來，基于人工神經(jīng)網(wǎng)絡(luò)、數(shù)理統(tǒng)計學(xué)等的軟測量技術(shù)在廢水處理過程中的應(yīng)用越來越廣。軟測量模型適用于非線性系統(tǒng)建模，可以應(yīng)用快速并行處理算法從而大大提高辨識速度。用于系統(tǒng)建模的方法很簡單，只需通過系統(tǒng)的輸入和輸出數(shù)據(jù)，使系統(tǒng)對于水質(zhì)變化頻繁的廢水生物處理仍然具有比較好的精度。近些年來，科研工作者對軟測量建模技術(shù)以及其運(yùn)用的研究和實踐，特別是最近一兩年人工智能算法和在各領(lǐng)域的運(yùn)用逐漸成為研究熱點，通過軟測量技術(shù)構(gòu)建的軟測量系統(tǒng)逐步可以用來代替?zhèn)鹘y(tǒng)硬件儀表，也可以與硬件儀表同時使用以確保測量的準(zhǔn)確性。

支持向量機(jī)(supportvectormachine，svm)是近年來機(jī)器學(xué)習(xí)領(lǐng)域中受到關(guān)注較多的一種軟測量建模新技術(shù)，svm基于統(tǒng)計學(xué)原理，相比神經(jīng)網(wǎng)絡(luò)的啟發(fā)式學(xué)習(xí)機(jī)制，svm的經(jīng)驗成分甚少，具有更為嚴(yán)格的數(shù)學(xué)論證。同時，svm對于所提供的樣本數(shù)據(jù)的依賴性較少，且泛化能力較強(qiáng)，局部最優(yōu)解一定是全局最優(yōu)解，避免了產(chǎn)生維數(shù)災(zāi)難，特別適用于解決小樣本、非線性、局部極小點等問題。目前，針對揮發(fā)性脂肪酸的檢測，研究人員提出了很多方法，基于支持向量機(jī)的厭氧廢水處理系統(tǒng)出水揮發(fā)性脂肪酸的軟測量方法也有相關(guān)的文獻(xiàn)及專利報道。如劉博等提出一種基于pca-lssvm的厭氧廢水處理系統(tǒng)出水vfa在線預(yù)測模型，仿真結(jié)果表明在穩(wěn)態(tài)環(huán)境下該模型具有很好的仿真能力(劉博，萬金泉，黃明智等.基于pca-lssvm的厭氧廢水處理系統(tǒng)出水vfa在線預(yù)測模型.[j].環(huán)境科學(xué)學(xué)報，35(6):1768-1778.)。然而，從這些文獻(xiàn)中可知，元數(shù)據(jù)集加入非穩(wěn)態(tài)數(shù)據(jù)后，模型在非穩(wěn)態(tài)環(huán)境下的仿真表現(xiàn)會受到干擾。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種廢水厭氧處理系統(tǒng)出水揮發(fā)性脂肪酸(vfa)的軟測量方法，為了提高模型的精確性和魯棒性，該檢測方法結(jié)合了粒子群算法和支持向量機(jī)。

粒子群算法(particleswarmoptimization，pso)用于對模型參數(shù)的選優(yōu)。

支持向量機(jī)(svm)特別適用于解決小樣本、非線性、局部極小點等問題，且訓(xùn)練速度快，并對加入的元數(shù)據(jù)集具有有效的分類策略；svm模型是在統(tǒng)計學(xué)習(xí)理論的vc維理論和結(jié)構(gòu)風(fēng)險最小原理之上發(fā)展而來的一種新的智能算法，是由corinnacortes和vapnik等人(cortesc,vapnikv.1995.support-vectornetworks[j].machinelearning，20(3):273-297)首先提出來，其基本思想就是引入核函數(shù)的概念，將低維空間不可分的問題通過核函數(shù)映射到高維空間線性可分，在高維空間做分類或者回歸處理。

svm最初是學(xué)術(shù)界針對兩個數(shù)據(jù)類別的分類問題提出來的，分類問題可數(shù)學(xué)表達(dá)為：對于樣本集(xi，yi)，i＝1,2,...,n，xn∈rⁿ，yn∈{-1,1}，構(gòu)造分類面wx+b＝0，該分類面能將兩類樣本無錯誤的分開，并且使兩類之間的距離最大；w、x為n維向量，線性判別函數(shù)的一般形式為g(x)＝wx+b，同倍縮放w、b使其進(jìn)行歸一化處理，使離分類面最近的樣本滿足|g(x)|＝1，那么兩類所有樣本都滿足|g(x)|≥1，其中兩類樣本的分類間隔為2/||w||。

則svm要解決的數(shù)學(xué)問題是：在滿足式(3)的條件下，求式(4)的最小值：

yi(w^txi+b)-1≥0,i＝1,2,3……n(3)；

定義lagrange函數(shù)，其中，ai為lagrange系數(shù)，ai≥0；問題轉(zhuǎn)化為對w和b求lagrange函數(shù)的最小值。

分別對w、b、ai求偏微分，當(dāng)?shù)扔诹銜r，得：

式(6)和式(3)構(gòu)成把原問題轉(zhuǎn)化為如下凸二次規(guī)劃的對偶問題的約束條件：

原問題形成不等式約束下的二次函數(shù)機(jī)制問題，存在唯一最優(yōu)解；若為最優(yōu)解，則其中不為零的樣本即為支持向量；因此，最優(yōu)分類面的權(quán)系數(shù)向量是支持向量的線性組合；

b*由約束條件式(3)等于零時求解，由此求得的最優(yōu)分類函數(shù)是：

最終，svm求解回歸性問題可描述為如下優(yōu)化問題：

式(9)中，為第i個樣本點的訓(xùn)練誤差，為經(jīng)驗風(fēng)險，衡量機(jī)器學(xué)習(xí)的復(fù)雜性；γ>0為懲罰因子，又稱正則化參數(shù)，用以在訓(xùn)練中平衡機(jī)器學(xué)習(xí)的復(fù)雜性和經(jīng)驗風(fēng)險；式(9)應(yīng)滿足約束條件：

yi＝w^tφ(xi)+b+ξi,i＝1,2,3,……,n(10)；

式(10)中引入lagrange函數(shù)：

式(11)中，ai是lagrange乘子，利用karush-kuhn-tucker’s(kkt)最優(yōu)化條件對式(11)進(jìn)行優(yōu)化，對w、b、ξ、ai求偏導(dǎo)可得：

消除w、ξ，式(11)優(yōu)化的問題就可以轉(zhuǎn)化為下面的線性方程求解問題：

式(13)中，將k(xi,xj)定義為核函數(shù)，解方程(13)求得ξ、ai的值，獲得的回歸模型，表達(dá)為：

本發(fā)明采用徑向基核函數(shù)(rbf,radialbasisfunctions)作為核函數(shù)，即：

由式(15)得到的分類器與傳統(tǒng)rbf方法的重要區(qū)別是，每個基函數(shù)中心對應(yīng)一個支持向量，輸出權(quán)值一般由算法自動確定的，式中σ為核寬度。

粒子群算法(pso)和支持向量機(jī)(svm)二者結(jié)合實現(xiàn)厭氧廢水處理系統(tǒng)揮發(fā)性脂肪酸的軟測量，對厭氧廢水處理系統(tǒng)的在線監(jiān)測及后續(xù)工藝優(yōu)化控制具有重要意義，同時對厭氧廢水處理系統(tǒng)其他難以在線監(jiān)測的指標(biāo)具有指導(dǎo)意義。

為了實現(xiàn)本發(fā)明目的，本發(fā)明的技術(shù)方案如下。

一種基于粒子群算法和支持向量機(jī)的廢水厭氧處理系統(tǒng)出水揮發(fā)性脂肪酸的軟測量方法，包括如下步驟：

(1)搭建厭氧廢水處理系統(tǒng)，獲取并收集輸入量以及不同輸入量條件下對應(yīng)的厭氧反應(yīng)器輸出量的元數(shù)據(jù)；

(2)將得到的元數(shù)據(jù)分為訓(xùn)練集p訓(xùn)練＝{x；y}和測試集和p測試＝{x’；y’}，并將數(shù)據(jù)集p＝{xx’；yy’}做歸一化處理；將訓(xùn)練集數(shù)據(jù)用于svm-regression模型建模，得到訓(xùn)練集的模型輸出量y，根據(jù)模型輸出量y與訓(xùn)練集實際值y的相對誤差，將訓(xùn)練集分成兩個訓(xùn)練集，即訓(xùn)練集①和訓(xùn)練集②，也即p訓(xùn)練1＝{x1；y1}和p訓(xùn)練2＝{x2；y2}，并標(biāo)記訓(xùn)練集①和訓(xùn)練集②的元數(shù)據(jù)標(biāo)簽分別為1和-1；

(3)根據(jù)分類的訓(xùn)練集①和訓(xùn)練集②，利用svm-classification模型將測試集分成兩個對應(yīng)的測試集，即測試集①和測試集②，也即p測試1＝{x’1；y’1}和p測試2＝{x’2；y’2}，從而將元數(shù)據(jù)分為兩組數(shù)據(jù)集，即數(shù)據(jù)集①和數(shù)據(jù)集②，也即p1＝{x1x’1；y1y’1}和p2＝{x2x’2；y2y’2}；

(4)將得到的訓(xùn)練集①和訓(xùn)練集②分別利用svm-regression模型進(jìn)行處理，并分別用對應(yīng)的測試集①和測試集②驗證模型的有效性；當(dāng)模型的精度達(dá)到設(shè)定要求，得到包含svm-classification模型和svm-regression模型的pso-svm的出水揮發(fā)性脂肪酸軟測量模型；

(5)將訓(xùn)練并測試后的pso-svm的出水揮發(fā)性脂肪酸軟測量模型嵌入工控機(jī)中，并利用工控機(jī)中的組態(tài)軟件構(gòu)建好人機(jī)交互界面；

(6)采用opc(oleforprocesscontrol)技術(shù)實現(xiàn)基于pso-svm的出水揮發(fā)性脂肪酸軟測量模型與工控機(jī)的組態(tài)軟件之間的數(shù)據(jù)交換，將收集的數(shù)據(jù)輸送至pso-svm的出水揮發(fā)性脂肪酸軟測量模型，計算出水揮發(fā)性脂肪酸濃度的預(yù)測值，再把該預(yù)測值返回至工控機(jī)人機(jī)交互界面顯示；

(7)不斷重復(fù)步驟(6)，從而實現(xiàn)厭氧廢水處理系統(tǒng)出水揮發(fā)性脂肪酸的在線實時監(jiān)測；

(8)將系統(tǒng)輸出以報表形式展現(xiàn)，并給出表征系統(tǒng)的表征指標(biāo)指數(shù)。

進(jìn)一步地，所述粒子群算法是迭代模式的算法，數(shù)學(xué)描述為：

設(shè)在一個n維搜索空間中，種群x＝{x1,x2,……,xn}是由n個粒子構(gòu)成，其中第i個粒子所處的當(dāng)前位置為x1＝{xi1,xi2,……,xin}t，速度為v1＝{vi1,vi2,……,vin}t，該粒子的個體極值表示為p1＝{pi1,pi2,……,pin}t，整個種群的全局極值表示為pg＝{pg1,pg2,……,pgn}t，按照粒子不斷尋優(yōu)的原理，粒子群算法的粒子xj的速度及位置更新公式如下所示：

式中，xj是粒子向量位置，vj是粒子的速度，w是權(quán)重值，c1、c2為加速常數(shù)；rand1、rand2是隨機(jī)函數(shù)，作用是為了產(chǎn)生(0，1)的隨機(jī)數(shù)；pbest是個體極值，gbest是全局極值；k表示迭代次數(shù)；j表示向量維數(shù)。

進(jìn)一步地，步驟(1)中，所述厭氧廢水處理系統(tǒng)包括厭氧反應(yīng)器、與厭氧出水揮發(fā)性脂肪酸相關(guān)的監(jiān)測和檢測儀表、工控機(jī)、d/a及a/d模塊。

進(jìn)一步地，步驟(1)中，所述輸入量包括進(jìn)水有機(jī)負(fù)荷(cod)、出水ph、出水溫度(t)、產(chǎn)氣的量及組分、進(jìn)水堿度和厭氧反應(yīng)器的氧化還原電位(orp)。

更進(jìn)一步地，步驟(1)中，所述產(chǎn)氣的組分及產(chǎn)量包括甲烷和二氧化碳的產(chǎn)量。

進(jìn)一步地，步驟(1)中，所述輸出量包括出水總揮發(fā)性脂肪酸的濃度。

進(jìn)一步地，步驟(2)中，所述歸一化處理為：

式中，s(i)為數(shù)據(jù)集中的任一組數(shù)據(jù)；min(s)為數(shù)據(jù)集中，值最小的一組數(shù)據(jù)；max(s)為數(shù)據(jù)集中，值最大的一組數(shù)據(jù)。

進(jìn)一步地，步驟(2)中，模型輸出量y與訓(xùn)練集實際值y的相對誤差低于50％的為訓(xùn)練集①；模型輸出量y與訓(xùn)練集實際值y的相對誤差高于或等于50％的為訓(xùn)練集②。

進(jìn)一步地，步驟(3)中，所述svm-classification模型為：

式中，x為輔助變量樣本數(shù)據(jù)，為拉格朗日乘子，b^*為偏移量，w^*為最優(yōu)權(quán)重值，t代表轉(zhuǎn)置，xi^*為最優(yōu)樣本數(shù)據(jù)，n為≥1的自然數(shù)；(xi,yj)為訓(xùn)練集樣本，xn∈rⁿ，yn∈{-1，1}。

進(jìn)一步地，步驟(2)、(4)中，所述的svm-regression模型為：

式中，x為輔助變量樣本數(shù)據(jù)，ai為拉格朗日乘子，b為偏移量，n為≥1的自然數(shù)；k(xi,xj)為核函數(shù)且滿足mercer條件。

進(jìn)一步地，步驟(4)中，所述模型的精度要求由用戶根據(jù)需要自行設(shè)置。

進(jìn)一步地，步驟(8)中，所述表征指標(biāo)指數(shù)包括相關(guān)系數(shù)(r)、平均絕對百分比誤差(mape)、相對誤差(re)和均方根誤差(msre)。

表征指標(biāo)指數(shù)的數(shù)學(xué)表達(dá)如下：

相關(guān)系數(shù)(correlationcoefficient，r)反映了預(yù)測值與實際值線性關(guān)系的強(qiáng)弱，r越接近于1，則預(yù)測值與實際值越接近。

平均絕對百分比誤差(meanabsolutepercenterror，mape)是所有相對誤差的絕對值求和的平均值，能從整體上更好地反映預(yù)測值的實際情況；

相對誤差(relativeerror，re)表示絕對誤差值與被測量值的真實值之比，相對誤差更能反映預(yù)測的可靠程度；

均方根誤差(rootmeansquareerror，rmse)，觀測值與真值偏差的平方與觀測次數(shù)n比值的平方根，rmse主要是為了說明樣本的離散程度。

rmse的值越小，說明預(yù)測模型描述實驗數(shù)據(jù)具有更好的精確程度，反之，模型預(yù)測精度較差；

以上r、mape、re、rmse式中，y為實際值，y^*為實際值均值，yp為預(yù)測值，為實際值均值，m為樣本數(shù)量。

進(jìn)一步地，借助傳輸控制協(xié)議、互聯(lián)網(wǎng)協(xié)議和串行數(shù)據(jù)標(biāo)準(zhǔn)，通過計算機(jī)和雙向通信，對測量輸出數(shù)據(jù)進(jìn)行實時監(jiān)控，并通過組態(tài)軟件的監(jiān)控窗口顯示，從而系統(tǒng)及時、準(zhǔn)確地了解污水處理系統(tǒng)的指標(biāo)變化情況，促進(jìn)污水處理廠高效穩(wěn)定運(yùn)行。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點和有益效果：

(1)本發(fā)明提供了新的建模方法，引入分類策略來處理數(shù)據(jù)量大的對模型造成的性能下降問題，根據(jù)實驗應(yīng)用于實際，具備較好的仿真能力，可用于廢水厭氧處理過程中出水vfa濃度的實時檢測；

(2)本發(fā)明的建模方法對厭氧出水揮發(fā)性脂肪酸預(yù)測值與真實數(shù)據(jù)符合得較好，誤差相對也較小，完全滿足實際應(yīng)用；

(3)本發(fā)明的軟測量方法解決了測量設(shè)備滯后時間長的問題，真正實現(xiàn)對廢水出水水質(zhì)全面實時的監(jiān)測，防止突發(fā)污染事故，同時可用于反饋控制實現(xiàn)厭氧廢水處理系統(tǒng)的優(yōu)化控制，為監(jiān)控、優(yōu)化和理解厭氧消化過程提供指導(dǎo)；

(4)本發(fā)明可用于代替部分價格昂貴的測量設(shè)備，節(jié)省維護(hù)費(fèi)用，降低廢水處理成本，容易在廢水處理工程推廣應(yīng)用，具有很好的社會效益和經(jīng)濟(jì)效益。

附圖說明

圖1為實施例1中搭建的廢水厭氧處理實時監(jiān)控系統(tǒng)示意圖；

圖2a、圖2b和圖2c為實施例1中pso算法的尋優(yōu)過程示意圖；

圖3a和圖3b為實施例1中的pso-svm的出水揮發(fā)性脂肪酸軟測量模型的建模流程示意圖；

圖4為實施例1中軟測量模型matlab與組態(tài)軟件mcgs之間的數(shù)據(jù)交換流程示意圖；

圖5a為實施例1中pso-svm的出水揮發(fā)性脂肪酸軟測量模型分類前的仿真結(jié)果圖；

圖5b和圖5c為實施例1中pso-svm的出水揮發(fā)性脂肪酸軟測量模型分類后的仿真結(jié)果圖。

具體實施方式

以下結(jié)合具體的實施例及附圖對本發(fā)明做進(jìn)一步的闡述。以下實施例僅用于對本發(fā)明做說明而不是對本發(fā)明的限制。需指出的是，以下若有未特別詳細(xì)說明之過程或符號，如省略號，均是本領(lǐng)域技術(shù)人員可參照現(xiàn)有技術(shù)理解或?qū)崿F(xiàn)的。

實施例1

基于粒子群算法和支持向量機(jī)的廢水厭氧處理系統(tǒng)出水揮發(fā)性脂肪酸的軟測量方法，使用mcgs作為組態(tài)軟件收集來自傳感器來的信息數(shù)據(jù)，使用matlab作為軟測量建模平臺，測量方法的步驟如下：

(1)搭建ic反應(yīng)器作為廢水厭氧處理系統(tǒng)，整個系統(tǒng)的搭建示意圖如圖1所示，虛線表示數(shù)據(jù)信息的傳輸路線，實線表示廢水的流通路徑，點虛線表示堿液的流通路徑；實驗所用的厭氧反應(yīng)器是自主設(shè)計的ic厭氧反應(yīng)器，該反應(yīng)器為有機(jī)玻璃制作，高1272mm，內(nèi)徑200mm，有效容積25.1l，第一反應(yīng)區(qū)與第二反應(yīng)區(qū)的體積比為4∶1；

廢水厭氧處理系統(tǒng)包括堿液罐1、進(jìn)水儲罐2、溫度在線監(jiān)測儀3、orp在線監(jiān)測儀4、ph在線監(jiān)測儀5、濕式氣體流量計6、數(shù)據(jù)處理中心7、厭氧反應(yīng)器9、堿液蠕動泵10和進(jìn)水蠕動泵11；進(jìn)水儲罐2內(nèi)設(shè)有攪拌裝置，以調(diào)勻廢水水質(zhì)，配好的堿液放置于堿液罐1中；廢水和堿液分別通過兩個bt600-2j型蠕動泵，即進(jìn)水蠕動泵11和堿液蠕動泵10輸送至厭氧反應(yīng)器9內(nèi)；進(jìn)水蠕動泵11和堿液蠕動泵10通過調(diào)節(jié)輸入電壓來調(diào)節(jié)轉(zhuǎn)速，以此控制堿液和廢水的流量；裝置頂部設(shè)有導(dǎo)管以導(dǎo)出反應(yīng)器產(chǎn)生的沼氣，供后期氣體收集和分析；為方便厭氧消化體系水質(zhì)指標(biāo)等參數(shù)的檢測，系統(tǒng)設(shè)有ph在線監(jiān)測儀5、orp在線監(jiān)測儀4、溫度在線監(jiān)測儀3以及濕式氣體流量計6等在線監(jiān)測儀表；

反應(yīng)器運(yùn)行過程中通過變化進(jìn)水有機(jī)負(fù)荷，變化進(jìn)水堿度的方式改變反應(yīng)器進(jìn)水條件和處理條件來獲得不同條件下厭氧處理出水vfa濃度的變化，并據(jù)國標(biāo)監(jiān)測進(jìn)水cod、出水ph、出水t、產(chǎn)氣量及產(chǎn)氣組分、反應(yīng)器氧化還原電位作為系統(tǒng)的輸入量，反應(yīng)器運(yùn)行60d，收集數(shù)據(jù)共159組；

(2)將得到的元數(shù)據(jù)分為訓(xùn)練集p訓(xùn)練＝{x；y}和測試集p測試＝{x’；y’}，此時數(shù)據(jù)集p＝{xx’；yy’}數(shù)據(jù)集(共計159組數(shù)據(jù))分為訓(xùn)練集(共計118組數(shù)據(jù))和測試集(共計41組數(shù)據(jù))，并做歸一化處理：

式中，s(i)為數(shù)據(jù)集中的任一組數(shù)據(jù)；min(s)為數(shù)據(jù)集中，值最小的一組數(shù)據(jù)；max(s)為數(shù)據(jù)集中，值最大的一組數(shù)據(jù)；

(3)將訓(xùn)練集數(shù)據(jù)用于svm-regression模型建模，此時得到訓(xùn)練集的模型輸出量y，根據(jù)模型輸出量y與訓(xùn)練集實際值y的相對誤差，將訓(xùn)練集分成兩個訓(xùn)練集(相對誤差低于50％為一類，高于或等于50％為另一類)，即訓(xùn)練集①和訓(xùn)練集②，也即p訓(xùn)練1＝{x1；y1}和p訓(xùn)練2＝{x2；y2}，并標(biāo)記訓(xùn)練集①和訓(xùn)練集②的元數(shù)據(jù)標(biāo)簽分別為1和-1；

(4)根據(jù)分類的訓(xùn)練集①和訓(xùn)練集②，利用svm-classification模型將測試集分成兩個對應(yīng)的測試集，即測試集①和測試集②，也即p測試1＝{x’1；y’1}和p測試2＝{x’2；y’2}，從而將元數(shù)據(jù)分為兩組數(shù)據(jù)集，即數(shù)據(jù)集①和數(shù)據(jù)集②，也即p1＝{x1x’1；y1y’1}和p2＝{x2x’2；y2y’2}；其中數(shù)據(jù)集①：訓(xùn)練集51組數(shù)據(jù)、測試集20組數(shù)據(jù)；數(shù)據(jù)集②：訓(xùn)練集67組數(shù)據(jù)、測試集21組數(shù)據(jù)；

(5)將得到的訓(xùn)練集①和訓(xùn)練集②分別利用svm-regression模型進(jìn)行建模處理，并分別用對應(yīng)的測試集①和測試集②驗證模型的有效性，pso參數(shù)尋優(yōu)過程見圖2a至圖2c，從圖2a至圖2c可知，分類之前模型經(jīng)過127次迭代達(dá)到最佳適應(yīng)度(圖2a)，分類之后，兩個模型分別經(jīng)過8次和10次迭代達(dá)到最佳適應(yīng)度(見圖2b及2c)，由此可見將元數(shù)據(jù)集分類有效地加快了模型的訓(xùn)練速度；

整個軟測量模型的建模流程如圖3a和圖3b所示，得到包含svm-classification模型和svm-regression模型的pso-svm的出水揮發(fā)性脂肪酸軟測量模型；

(6)將訓(xùn)練并測試后的pso-svm的出水揮發(fā)性脂肪酸軟測量模型嵌入工控機(jī)中，并利用工控機(jī)中的組態(tài)軟件構(gòu)建好人機(jī)交互界面；

(7)采用opc(oleforprocesscontrol)技術(shù)實現(xiàn)基于pso-svm的出水揮發(fā)性脂肪酸軟測量模型與工控機(jī)的組態(tài)軟件之間的數(shù)據(jù)交換，mcgs與matlab之間的數(shù)據(jù)交流流程見圖4。安裝mcgs組態(tài)軟件及其高級開發(fā)包到正確路徑，開啟msgs的opc服務(wù)器，按照工程要求組態(tài)好人機(jī)交互界面。在組態(tài)軟件中，定義好包括進(jìn)水cod、出水ph、出水t、產(chǎn)氣量及產(chǎn)氣組分，反應(yīng)器氧化還原電位和出水揮發(fā)性脂肪酸濃度的參量，供mcgs進(jìn)行讀寫操作。啟動matlab，在命令窗口中輔助變量命令opcregister(‘install’)，用來安裝由opcfoundation提供的一套可以在網(wǎng)絡(luò)上瀏覽其他計算機(jī)并且能通信的核心組件。再輔助變量命令：a＝opcda(‘localhost’,‘mcgs.opc.server’):connect(da)，則mcgs與matlab建立連接。將訓(xùn)練好的pso-svm軟測量模型嵌入工控機(jī)后，系統(tǒng)運(yùn)行期間，計算機(jī)把收集到的水力進(jìn)水cod，出水ph、t，產(chǎn)氣量及產(chǎn)氣組分，反應(yīng)器氧化還原電位和出水揮發(fā)性脂肪酸的數(shù)據(jù)傳遞給軟件，運(yùn)行pso-svm軟測量模型進(jìn)行預(yù)測出水揮發(fā)性脂肪酸值，把軟測量值返回到人機(jī)交互界面；

(8)不斷重復(fù)步驟(7)，從而實現(xiàn)厭氧廢水處理系統(tǒng)出水揮發(fā)性脂肪酸的在線實時監(jiān)測；

(9)將系統(tǒng)輸出以報表形式展現(xiàn)，并給出表征系統(tǒng)的表征指標(biāo)指數(shù)。

經(jīng)系統(tǒng)分析運(yùn)算后，實驗實際值與系統(tǒng)運(yùn)算分析值差異見圖5a(svm-regression模型分類前)、圖5b和圖5c(svm-regression模型分類后)，得到的仿真結(jié)果的表征指標(biāo)指數(shù)如表1所示。

表1系統(tǒng)仿真結(jié)果

由圖5a～圖5c和表1可知，分類之前，模型的各性能指標(biāo)(測試集)rmse為59.75，mape為42.97％，相關(guān)性r為85.25％；分類之后，數(shù)據(jù)集①及數(shù)據(jù)集集②的性能指標(biāo)分別為：rmse為20.45、9.64，mape為12.11％、7.16％，相關(guān)性r為99.14％、99.59％。

上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍內(nèi)。