一系列连接的基于数据的模型,用于估计工业废水处理过程中的废水化学氧气需求

科学领域:

• 环境工程 环境工程
• 废水处理技术 废水处理技术
• 过程控制 过程控制

背景情况:

• 对化学氧气需求 (COD) 的持续监测对于有效的废水处理和监管遵守至关重要.
• 传统的COD测量是资源密集型,不频繁且昂贵的,阻碍了实时流程优化.
• 需要在工业废水处理厂 (WWTP) 中提供成本效益高,实时替代传统的COD监测.

研究的目的:

• 开发一个基于数据的模型,用于实时估计工业WWTP中的废水COD.
• 创建一个新的,连续连接的估计器链,用于在没有直接物理测量的情况下预测废水COD.
• 识别和测试各种线性和非线性模型结构,以准确的COD估计.

主要方法:

• 利用ARMAX,ARX,神经网络和部分最小平方回归 (PLSR) 模型结构进行基于数据的建模.
• 实施了系统的模型识别过程,使用详尽的搜索算法来确定最佳输入,延迟,参数和训练窗口.
• 通过连接已识别的影响力和废水COD模型,开发了一种新的两估计器链.

主要成果:

• 一个线性模型结构实现了足够的准确性 (R: 0.67,MAPE: 7.33%) 废水COD估计.
• 开发的基于数据的模型证明了实际的可解释性和可实施性.
• 连续连接的模型表现出高达20小时的预测能力,即使在不同的操作条件下.

结论:

• 一个具有成本效益的基于数据的线性模型可以准确地估计工业WWTP的废水COD实时.
• 开发的估计模型显示了工业应用的潜力,可以补充或取代传统的在线传感器.
• 这种方法通过在运营变化和干扰期间提供实时废水质量见解来提高WWTP的弹性.