EM模型

2024-11-07

EM模型（共8篇）

EM模型篇1

期望最大值(Expectation Maximization,EM)算法收敛速度快,容易实现,能有效地解决丢失数据统计模型参数估计问题,在图像处理和计算机视觉等领域得到了广泛的应用[1]。但EM算法对初始值敏感且容易陷入局部极值或鞍点,导致统计模型拟合的效果并不理想。近年来,基于仿生学鸟群随机搜索食物行为发展起来的智能粒子群优化(Particle Swarm Optimization,PSO)算法引人注目,其最大的特点是信息共享,每个粒子在可行解空间中逐代寻求最优解,促使整个种群最终搜索到最优解,算法具有较强的全局搜索能力,需要调整的参数少,能有效地处理多峰值统计分布的拟合问题。

本文将粒子群算法和期望最大值算法有效地结合,提出一种PSO和EM混合图像统计模型参数优化算法。算法根据图像统计分布的拟合误差,将粒子分为最优粒子群和进化粒子群。利用PSO最优解的全局搜索的随机性[2],对进化粒子群用PSO算法进行更新;对历史潜在的最优粒子群,用EM算法进行更新,随着历史最优粒子群的不同,EM算法的初始值也不同,而最优粒子的获得是根据PSO算法和EM算法每代更新粒子的拟合误差来确定,从而保证EM算法初始化的随机性,克服EM算法对所有解都进行更新可能导致可行解容易陷入局部极值的不足。通过逐代更新最优可行解,最终获得图像统计模型参数估计的最优解。

1 研究基础

1.1 EM算法与图像有限混合统计模型

EM算法由Dempster等人于1977年提出[1],是解决丢失数据统计模型参数估计的强有力工具。EM算法是在观测数据的基础上添加一些潜在的“丢失数据”,假设用l表示,观测数据称为“不完全数据”,用x表示,由丢失数据和不完全数据组成的数据称为“完全数据”,用y表示,则y=(x,l)。

在建立图像统计模型过程中,给定的图像是不完全数据,像素的标号是丢失数据。假设像素的灰度在标号为l的区域服从均值为μl,方差为σ $_{l}^{2}$ (l=1,2,…,L)的某一分布,那么整个图像的统计分布可用有限混合统计模型来拟合,表达式如下

$f (x) = \prod_{i = 1}^{Μ} \sum_{l = 1}^{L} p_{l} f (x_{i}$ ;s $_{l}^{2}$ ,ml) (1)

式(1)中,pl、ml和s $_{l}^{2}$ 分别是第l个分量的先验概率、均值和方差,用l=(pl,s $_{l}^{2}$ ,ml)表示有限统计混合模型的参数,其中先验概率满足下列条件

$0 < p_{l} < 1 ‚ \sum_{l = 1}^{L} p_{l} = 1 (2)$

由于给定图像的统计直方图已知且常常呈多峰值分布,要用有限混合统计模型式(1)拟合图像的统计分布,必须解决式(1)中的参数估计问题。从式(1)可知,参数和统计分布函数具有非线性关系,且二者耦合在一起,即估计参数必须知道函数的统计分布,估计图像的统计模型必须知道参数,但二者却常常都是未知的[3],这使得此类参数估计十分困难,而参数估计的准确性对图像统计分布的拟合产生至关重要的影响。EM算法是解决具有丢失数据且数据呈多峰值统计分布参数估计的强有力工具,这种算法不是直接对不完全数据直接进行操作,而是采用迭代增加完全数据似然函数值的方式寻求模型参数估计的最优解,由期望步(E-步)与最大步(M-步)组成,具体表述为

E-步:计算完全数据条件概率的数学期望

F(l;l(t))=El[lnf(x,l|l)|x,l(t)] (3)

M-步:更新模型的参数

$l^{(t + 1)} = a r g m a x F (l; l^{(t)}) (4)$

式(4)中,t为迭代次数,对E-步和M-步进行交替迭代,直至‖l(t+1)-l(t)‖<e为止。从式(3)可知,模型参数估计依赖于初始值l(0),从式(4)可知,初始值最终决定参数更新的结果。由于通常待拟合图像的统计分布呈多峰形式,具有数个局部极值,因此初始化的好坏直接影响拟合的准确性。

1.2 增量式PSO算法

PSO算法由J. Kennedy等人于1955年提出的,通过群体最优方向、个体最优方法和惯性方向协调来求解参数优化问题。一个由N个粒子组成的群体在D维空间以一定的速度进行搜索,第i个粒子群的当前位置和搜索速度表示为(pi,ui)={(pid,uid); i=1,2,…,N;d=1,2,…,D},第i个粒子在D维空间中搜索的历史最优解为zi=argmaxpid,群体内所有粒子搜索的最优解为zj=(pjd;d=1,2,…,D),在最优解的搜索过程中,粒子的位置和速度按如下增量进行变化:

Du $_{i d}^{t}$ =b1h(Dp $_{i d}^{t}$ -Dz $_{i}^{t}$ )+b2x(Dp $_{j d}^{t}$ -Dz $_{j}^{t}$ ) (5)

$D p_{i d}^{t} = u_{i d}^{t - 1} + D u_{i d}^{t} (6)$

式中,t为迭代次数,b1和b2为学习因子,h和x是[0,1]区间内均匀分布的随机数,Dp $_{i d}^{t}$ =p $_{i d}^{t}$ -p $_{i d}^{t - 1}$ ,Du $_{i d}^{t}$ =u $_{i d}^{t}$ -atu $_{i d}^{t - 1}$ ,at是惯性权重,用来动态调节粒子群在后期具有更好的搜索能力,其更新由最大权重amax和最小权重amin线性表示为

$a_{t} = a_{\max} - t \frac{a_{\max} - a_{\min}}{Τ} (7)$

式中,T为总的迭代次数。

2 EM与PSO混合优化算法

图1为EM与PSO混合优化算法的流程,该混合算法的基本原理是:将种群分为最优种群和进化种群,在每次迭代中,将最优种群利用EM算法进行更新,而进化种群利用PSO算法进行更新,然后将二者得到的种群进行对比,选出最优种群和进化种群,如此反复,最终求出整个种群的最优解。由于PSO算法的进化是追逐最优解,从而保证了算法的收敛性。根据准则函数,对PSO算法的进化种群和EM算法更新的历史最优种群进行分类,选出的最优种群作为EM算法下次更新的初始值。由于每次迭代最优解是由PSO进化算法和EM算法共同提供,保证最优解的随机性,克服了经典EM算法在迭代过程中依赖确定初始值容易陷入局部极值的弱点。

从图1可知,要判断拟合误差是否满足要求必须确定评价准则。由于是应用有限混合模型拟合图像的统计分布,拟合误差评价准则可表示为

$f i t (e r r o r) = \min \sum_{x} | f (x) - \hat{f} (x$ ;λ)|2 (8)

式(8)中f(x)表示待拟合图像统计分布的直方图, $\hat{f}$ (x;λ)表示由式(1)确定的待估计图像的统计分布。

由式(1)和式(3),根据图1,则最优粒子用EM算法进行更新的表达式为

E-步,获得丢失数据后验概率表达式为

$f (l | x, l) = \frac{f_{j}^{o p t} (l) f (x | l_{j}^{o p t})}{\sum_{l = 1}^{L} f_{j}^{o p t} (l) f (x | l_{j}^{o p t})} (9)$

式(9)中,f $_{j}^{o p t}$ (l)表示历史最优种群先验概率。

M-步,最优种群模型参数更新表达式为

$l_{j}^{o p t (t + 1)} = a r g m a x F (l | l_{j}^{o p t (t)}) (10)$

由式(5)、式(6)和式(10),根据图1,则进化种群更新速度和位置的表达式可表示为

Du $_{i d}^{t}$ =b1h(Dl $_{i d}^{t}$ -Dl $_{i}^{t}$ )+b2ξ(Dl $_{j d}^{E Μ (t)}$ -Dl $_{j}^{t}$ ) (11)

$D l_{i d}^{t} = l_{i d}^{t - 1} + D u_{i d}^{t} (12)$

式中,l $_{j d}^{E Μ (t)}$ 表示由EM算法确定的最优模型参数。

3 EM与PSO混合优化算法拟合图像统计分布的实现步骤

Step1 设置粒子群的规模、学习因子、最大迭代次数、惯性权重的最大值和最小值,随机生成初始的粒子群。

Step2 按式(8)计算每个粒子的适应值,根据初始拟合误差,获得初始历史最好解,从而获得初始历史最优种群和进化种群。

Step3 应用EM算法,根据最优种群的先验概率、均值和方差的初始值,按式(9)计算最优种群的后验概率,按式(10)更新最优种群的先验概率、均值和方差。

Step4 将获得的最优种群代入式(8)中,判断拟合误差是否满足要求。若满足要求,则转Step6;若不满足要求,则转Step5。

Step5 应用PSO算法,对其余进化种群按式(11)、式(12)进行更新,迭代次数加1,若末达到终止条件,则转到Step2。

Step6 输出最优种群,获得最优解。

4 实验结果及分析

为检验本文算法的有效性,对标准测试Lena图像的统计分布进行拟合并与文献[1]的EM方法进行对比。图像的大小为256×256,灰度级为0～255,种群的大小为40,b1和b2取值为粒子的先验概率,算法的收敛误差为10-6,每种算法独立运行20次,最大迭代次数500次。

图2为原始的标准Lena图像。图3为Lena图像的统计分布,用蓝色的曲线表示。从图3可以看出,其统计分布具有多个峰值。图4为用文献[1]的EM算法对Lena图像的统计分布进行拟合,从绿线可以看出,在平滑区域,EM算法确定的统计模型基本能拟合图像的统计分布,但在峰值和峰谷附近,有些关键点不能很好地拟合,这是由于EM算法在估计模型参数时,没有得到参数估计的最优解,而是陷入了局部最优解,从而产生较大的拟合误差,这对后续图像处理将产生不利的影响。图5为用本文提出的方法对Lena图像的统计分布进行拟合,从红色的曲线可以看出,本文的方法能较好地拟合图像的统计分布,且对图像统计分布的峰值和峰谷具有一定的平滑作用,体现了PSO算法的全局寻优能力能有效地克服EM算法容易收敛到局部最优解的弱点。

5 结束语

本文针对经典EM算法对初始值敏感和容易陷入局部极值的缺陷,结合智能PSO进化算法全局寻优的思想,提出了一种EM- PSO混合优化算法。这种算法利用EM算法更新最优种群,利用PSO算法更新进化种群,然后再对新的种群根据拟合误差来进行分类,使EM算法更新下一代最优种群时的初始值是随机的,克服了EM算法容易陷入局部极值的不足。仿真结果表明,本文的方法估计的统计模型能有效地拟合标准Lena图像的统计分布,为下一步图像分割研究提供了有力保证。

参考文献

[1] Dempster A P,Lard N M,Rubin D B.Maximum likelihood from in-complete data via EM algorithm.Journal of the Royal Statistics Socie-ty,1977;39(1):1—37

[2]李丽,牛奔.粒子群优化算法.北京:冶金工业出版社,2009

[3] Li Xuchao,Bian Suxuan.Multiresolution fuzzy C-Means clustering u-sing markov random field for image segmentation.International Jour-nal of Information Technology and Computer Science,2009;1(1):49—57

EM模型篇2

有限混合分布[1]提供了为众多随机现象建立统计模型的数学基础。由于该分布的灵活性, 无论在理论上还是实践上都受到人们的极大关注。事实上, 在过去的几十年里, 有限混合模型的应用范围和潜力得到广泛认可。混合模型已成功被应用到天文学、生物学、遗传学、医学、精神病学、经济学、物理学、社会科学等领域。在这些应用中, 有限混合模型支撑着各种统计技术, 包括聚类分析、判别分析、模式识别和生存分析等。混合分布模型的提出是为了解决如何在大量的数据中发现有用的信息、模式和知识这一问题, 而传统的单一分布很难有效地解决这个问题。不同的混合分布模型应用于不同的领域, 其中混合泊松分布在医学领域有广泛应用;混合指数分布在工程领域里有一定应用;而混合正态分布应用最广, 因为许多随机现象在样本量足够大时都可以用正态分布逼近, 并且混合正态分布模型也具有灵活、高效的拟合能力。

近年来, 越来越多的学者致力于用EM算法来解决混合模型参数估计问题。Gelffrey[2]利用EM算法对有限正态混合模型进行了讨论, 并给出了具体例子;凌燕[3]用不同的方法对不同情况下的混合分布模型的参数进行了估计;谢勤岚[4]介绍了混合模型极大似然参数估计的EM算法实现;张香云等[5]用EM算法推导出了隐Markov模型中参数的迭代公式;温艳清[6]对区间型Weibull分布使用EM算法进行了极大似然估计。本文针对混合正态分布模型, 将混合分布观测数据视为不完全数据, 通过数据扩张达到简化似然函数的目的。最后利用EM算法进行极大似然估计, 并且在得到相应迭代公式后, 进行了数值模拟。

1 EM算法及其性质

1.1 EM算法

EM算法由Dempster[7]等人提出, 是一种从不完全数据求参数的极大似然估计的迭代算法。该算法的每一次迭代由两步组成:第一步是求对数似然函数的条件期望 (E步) , 第二步是最大化E步计算所得的条件期望 (M步) 。该算法利用数据扩张, 将比较复杂的似然函数最优化问题化成一系列比较简单的函数优化问题。

形式上, 我们有两个样本空间X、Y, 以及从X到Y的一个多对一映射x→y (x) 。其中x= (x1, x2, …, xn) 是不能被观测到的, 被称为“完全数据”。我们只能观测到Y里的y= (y1, y2, …, yn) , 也就是所谓的“不完全数据”。设参数Ψ∈Ω, x的密度函数为fc (x|Ψ) , 则y的密度函数为:

这里的X (y) ={x∶y (x) =y}。

我们想用极大似然法估计参数Ψ, 也即对Ψ∈Ω, 使g (y|Ψ) 极大化。做法是令x= (y, z) 来表示y的完全数据, 其中z= (z1, z2, …, zn) 表示不可观测数据或缺失数据, 即将yi, i=1, …, n用缺值扩张为xi= (yi, zi) 。由于在统计问题中, 极大化不完全数据的密度函数g (y|Ψ) 要比极大化完全数据的密度函数fc (y|Ψ) 难很多, EM算法就是试图对AΨ∈Ω, 使lnfc (y|Ψ) 极大化。但是x不能被观测到, 从而就不知道1nfc (y|Ψ) , 所以我们用1n fc (x|Ψ) 在给定y和Ψ (k) (第k步Ψ的迭代值) 下的条件期望来代替。

更具体地说, 设Ψ (0) 是Ψ的初值, 则在第一次迭代中, E步需要计算:

Q (Ψ;Ψ (0) ) =EΨ (0) {lnfc (x|Ψ) |y}

M步则需要关于Ψ最大化Q (Ψ;Ψ (0) ) , 也就是求Ψ (1) , 使得对所有的Ψ∈Ω, 有:

再次执行E步和M步, 但是这次用Ψ (1) 的当前值来代替Ψ (0) 。在k+1次迭代时, E步和M步可以被定义如下:

E步:计算Q (Ψ;Ψ (k) ) , 其中Q (Ψ;Ψ (k) ) =EΨ (K) {lnfc (x|Ψ) |y}。

M步:求Ψ (k+1) ∈Ω, 使Q (Ψ;Ψ (k) ) 极大化, 即对所有的Ψ∈Ω, Q (Ψ (k+1) ;Ψ (k) ) ≥Q (Ψ;Ψ (k) ) 。

如此形成了一次迭代Ψ (k) →Ψ (k+1) 。将上述E步和M步进行迭代直至|Ψ (k+1) -Ψ (k) |或|Q (Ψ (k+1) ;Ψ (k) ) -Q (Ψ (k) ;Ψ (k) ) |充分小时停止。

1.2 EM算法的性质

简单和稳定是EM算法的最大优点, 以下定理[7]表明, 利用EM算法所得到的估计序列具有良好的收敛性, 且收敛到g (y|Ψ) 的最大值。估计序列为Ψ (k) , k=1, 2, …, L (Ψ|y) =lng (y|Ψ) 。

定理1 EM算法在每次迭代后均提高后验分布密度函数值, 即:

定理2 (1) 如果g (y|Ψ) 有上界, 则L (Ψ (k) |y) 收敛到某个L*; (2) 如果Q (Ψ;θ) 关于Ψ和θ都连续, 则在关于L的很一般的条件下, 由EM得到的估计序列Ψ (k) 的收敛值Ψ*是L的稳定点。

2 混合分布参数估计的EM算法

设混合正态分布模型的密度函数为:

以下根据两个正态分布混合建立模型, 利用EM算法对未知参数Ψ进行估计。

如果一组数据样本y= (y1, y2, …, yn) 来自于正态分布N (μ1, σ2) 与N (μ2, σ2) 的混合, 混合比为π与1-π, 且0<π<1, 则Ψ= (π, μ1, μ2, σ2) 为未知参数, 我们的目的是求Ψ的极大似然估计。设两重混合正态分布的概率密度函数为:

得到其似然函数:

对以上似然函数取对数得:

由于

很难用数值方法直接得到解, 下面我们用EM算法来进行分析。

引入潜在变量z= (z1, z2, …, zn) , 其中z1, z2, …, zn相互独立, 且

满足

这样, yi有如下条件分布:

yi|zi=1□N (μ1, σ2) , yi|zi=0□N (μ2, σ2) 。

设x= (y, z) , 则xi= (zi, yi) 的似然函数为:

对上式取对数并去掉与参数π, μ1, μ2, σ2无关的量, 则:

设在第k+1步迭代中, 有估计值Ψ (k) , 由EM算法的E步和M步得到新的估计值Ψ (k+1) 。

在E步中, 令

容易验证, 其中

在M步中, 解

得:

3 EM算法的随机模拟

下面用R统计软件分两种情形对EM算法进行随机模拟。

第一种情形:建立混合模型0.6N (0, 1) +0.4N (8, 1) , 分别产生100个和200个来自该混合模型的随机数, 然后取两组不同的初值:π (0) =0.4, μ1 (0) =-1, μ2 (0) =7, σ2 (0) =0.1和π (0) =0.8, μ1 (0) =3, μ2 (0) =10, σ2 (0) =4进行数值模拟, EM算法参数估计值结果如表一所示。

第二种情形:建立混合模型0.6N (0, 1) +0.4N (2, 1) , 分别产生100个和200个来自该混合模型的随机数, 也是取两组不同的初值:π (0) =0.5, μ1 (0) =-1, μ2 (0) =1, σ2 (0) =0.1和π (0) =0.7, μ1 (0) =1, μ2 (0) =3, σ2 (0) =2进行数值模拟, EM算法参数估计值结果如表二所示。

EM算法的收敛性和有效性从表一和表二可以明显看出。首先, 不论参数初值如何选取, 相同的样本容量得到的估计值几乎相同, 也就是说由EM得到的估计序列Ψ (k) 的收敛值Ψ*是L的稳定点。其次, 随着样本容量的增加, 迭代次数也在逐渐增加, 参数的估计值越接近于真值。最后, 由表一、表二对比可以看出, 当μ1和μ2的距离越远时, 迭代次数越少, 收敛速度越快;当μ1和μ2的距离越近时, 迭代次数越多, 收敛速度越慢。

参考文献

[1]McLachlan G J.Finite Mixture Models[M].New York:Wiley&Sons, Inc, 2000.

[2]McLachlan G J.The EM Algorithm and Extensions (Second Edition) [M].New York:Wiley&Sons, Inc, 2008.

[3]凌燕.混合模型中的参数估计问题[D].上海:华东师范大学, 2006.

[4]谢勤岚.基于EM算法的混合模型的参数估计[J].计算机与数字工程, 2006, 34 (12) :42-44.

[5]张香云, 张秀伟.基于EM算法隐Markov模型参数估计[J].大学数学, 2008, 24 (03) :53-56.

[6]温艳清.EM算法的一个应用[J].山东理工大学学报 (自然科学版) , 2012, 26 (06) :66-68.

[7]Dempster A P, Laird N.Maximum Likelihood from Incomplete Data via EM Algorithm[J].J.Royal Statistical Society Series B, 1977, (39) :1-38.

[8]肖枝洪, 朱强.统计模拟及其R实现[M].武汉:武汉大学出版社, 2010.

Intel EM64T技术详解篇3

寻址空间对应表

处理器

虚拟内存寻址

物理内存寻址

物理内存容量

Prescott（P4,普通PC处理器）

Nocona（Xeon，服务器处理器）

48 bit

36 bit

为了实现64bit和32bit两种运算间的兼容，Intel在原来32bit处理器核心的基础上加入了8个64 bit GPRs（通用寄存器）和内存指针（memory pointers），从而实现了64 bit内存寻址。在理论上，虽然EM64T架构最高可以支持64 bit内存寻址，但由于设计和制造工艺等方面的因素，并非所有EM64T的处理器都能达到理论的上限，所以，在64 bit和32bit内存寻址之间提供一个48 bit的虚拟内存寻址，以增强两者间的兼容性。

EM64T模式的运行及识别

既然，EM64T是一种兼容性很强的64 bit扩展技术，那么它是如何工作的呢？

Intel为支持EM64T技术的处理器可分为两大类：传统IA-32模式和IA-32e 扩展模式，两大类下具体又可分为多种运行模式，具体如下表：在支持EM64T技术的处理器内有一个称之为扩展功能激活寄存器（Extended Feature Enable Register，IA32_EFER）的部件，其中一个被称作长模式有效（Long Mode Active，LMA)的Bit10控制器控制EM64T是否被激活。当LMA＝0时，处理器便作为一颗标准的32 bit（IA32）处理器运行在传统IA-32模式；当LMA＝1时，EM64T便被激活，处理器会运行在IA-32e扩展模式下。

EM64T的运行模式

传统IA-32模式

IA-32e扩展模式

保护模式

真实地址模式

真实8086模式

兼容模式

64位模式

在IA- 32e扩展模式下的兼容模式和64位模式，两者都需要64bit操作系统和64bit驱动程序的支持，但后者才是真正的64bit计算。在64bit模式下，必须要有64bit的操作系统、驱动程序和应用程序三者合作。此时，处理器内的新增的8个GPRs和8个SSE寄存器（XMM8 -XMM15）才会被激活，原有的8个GPRS(RAX, RBX, RCX, RDX, RSI, RDI, RBP, RSP）的宽度也会同时扩展为64bit，并且启用64bit指令指针。此时，处理器才能利用64bit指令操作来支持64bit内存寻址，进行双精度（64bit）整数运算。

而在另一种兼容模式下，计算机允许在64bit操作系统下不需要预编译就可以运行大多数传统16bit或32bit应用程序，这和传统IA-32模式下基本相同，只不过此时的操作系统和驱动程序都是64bit的，

从上面的描述我们可以看出，在不同模式的转换中，处理最大的变化便是寄存器的改变。这正是因为64bit与32bit定义的最大不同就是在寄存器上。我们可以从下表看出寄存器的具体变化情况。

64位模式

64兼容模式

名称

数量

容量bits

名称

数量

容量bits

通用寄存器（GPRs）

RAX,BX,

RCX,RDX,

RBP,RSI,

RDI,RSP,

R8-15

EAX, EBX, ECX,

EDX, EBP, ESI,

EDI, ESP

指令指针

RIP

EIP

浮点寄存器

ST0-7

多媒体寄存器

MM0-7

SSE寄存器

XMM0-15

128

XMM0-7

128

栈宽度

无

16或32

在上表中，我们可以清楚地看到处理器的寄存器在不同模式下的变化情况。虽然支持EM64T的Prescott核心拥有16个GPRs（通用寄存器），但他们并非任何时候都会工作的，Intel根据不同的运行模式定义了他们的工作状态。

支持EM64T的处理器型号

EM64T技术最早是被应用在采用了Nocona核心的Xeon处理器上，尽管 Prescott核心支持EM64T技术，但直到最近的 Prescott 2M核心，EM64T才开始被激活。这样，支持此技术的处理器便有Xeon、Pentium 4 Extreme Edition、Pentium 4 600和酷睿系列等。酷睿之后的Intel处理器也将一直支持EM64T技术。

EM模型篇4

EM-106是一种常用的无刷直流电机驱动器, 用户可以将电机的使能、方向、速度信号输入给驱动器来控制电机的运动。该驱动器在我司某款正在研发的医用加速器中使用较多, 在近期的现场调试中, 我们发现该驱动器有一定数量的故障。为解决该问题, 我们全部故障的驱动器故障现象进行了表格统计, 并针对共性问题进行了彻底分析, 采取有效对策保证了系统的可靠性。

2 EM-106驱动器简介

EM-106驱动器的原理框图如图1所示。驱动器采用经典的双芯片设计, 以ON公司的33035为核心, 完成对转子的位置检测及解码, 依照一定的时序, 以PWM方式输出驱动MOSFET, 最终驱动无刷电机转动。33039完成对无刷电机的测速, 它是通过对3相霍尔信号的处理输出一个频率和转速成正比的脉冲信号, 这个脉冲信号将参与到电机转速的闭环控制中去。33035的参考电源输出6.25V, 这个电源给盘式电机的霍尔传感器供电, 同时也给33039供电。速度给定是由外部输入的电压信号决定的, 其输出到33035的误差放大器的同相输入管脚。在开环模式下, 误差放大器接成跟随器, 其输出和芯片内部锯齿波振荡器的输出进行比较, 从而生成PWM波形, 驱动底部MOSFET, 从而达到控制速度的目的。

3 EM-106驱动器故障分析

3.1 33039损坏分析

33039的内部框图如图2所示, 其输入和电源上都有齐纳二极管保护。但是在实际应用中, 我们发现有多只驱动器的33039芯片的第8脚, 即VCC管脚被钳位在1.7V左右, 导致整个驱动器中包括33035内部使用这个电源的功能模块和电机的霍尔元件都不能正常工作。从这现象来看, 应该是齐纳二极管损坏造成的。另外还有几只EM-106驱动器的33039的霍尔输入管脚上有明显的烧蚀痕迹, 这说明有一个大电流流过了管脚, 有可能是共模电压 (110VAC) 引起的, 也有可能是加速器出束时产生的干扰信号耦合进来造成的。从安装位置来看, EM-106驱动器与电机的距离较远, 两者之间的电机的霍尔信号和电源线的长度大约为5~7米, 在研发样机中该电缆没有经过隔离和保护就直接接入到了33039和33035中去, 而且电机的霍尔输出端内部有上拉电阻, 这样很容易把在出束时的干扰信号拾取进来。并且加速器系统在出束期间驱动器是掉电的, 这就会造成芯片的信号管脚有电而电源管脚无电, 导致电流将从信号脚流向电源脚, 这与带电插拔电源造成的损坏相类似。

3.2 霍尔信号的干扰

在系统测试中我们发现, 随着连接驱动器到电机的电缆的长度增加, 霍尔信号上的干扰信号越来越大, 如图3所示。这会影响33035对霍尔的译码, 从而导致电机的旋转不平滑。之所以出现如此大的干扰, 是因为电机的驱动信号和霍尔信号在同一根线缆中, 线缆越长则霍尔信号耦合到的干扰就越大。当线缆在50cm长 (厂家推荐长度) 的时候, 干扰完全消失。因为整机布局关系, 驱动器和电机不可能安装的很近。为了解决这个问题, 我们采取的措施是在驱动器的霍尔输入和地之间焊接了103电容来进行滤波。

3.3 电机转速与设定电压的非线性关系

一直以来, 我们始终认为输入到EM-106驱动器的设定电压和电机转速之间是一个线性关系, 但是通过对33035的原理分析和实际测试, 我们发现设定电压和电机转速之间并不是线性的。这是因为控制电机转速是通过设定电压和33035内部振荡器进行比较后生成的PWM信号来控制的, 而振荡器是通过RC充放电来实现的, 这本身就是一个指数/对数关系, 因此最后生成的PWM信号的占空比和设定电压之间一定是非线性的。我们将测试结果用曲线进行了统计分析, 如图4所示。这个发现可以指导整机软件编写的时候不能使用线性的方式控制电机, 否则会出现一些不可预料的现象。

3.4 闭环速度控制模式

目前使用的EM-106是具有闭环速度控制模式的, 这可以降低负载的影响, 保持电机转速和给定电压之间的关系不受负载变化的影响。但在调试时我们发现使用EM-106闭环模式时, 电机的转速不能连续变化, 当给定电压达到一定值时电机转速直接变到最大。进过分析, 这是由于驱动器上用于控制33039充放电时间的电容和电阻参数不合适造成的。33039是一个测速芯片, 它把输入的霍尔脉冲信号转换成和转速成正比的脉冲信号输出, 其时序图如图5所示。33039每一相霍尔输入的上升沿和下降沿都会使Ct放电, 然后进入充电过程, 这时输出Fout为高电平;当充电至0.67Vcc时, 比较器翻转, Fout输出低电平。Rt和Ct决定了充电时间, 充电时间应小于Fout的周期。我们使用的电机有8对磁极, 则电机每转一圈, 每一相霍尔元件将会输出8个周期的脉冲信号, 将会使Ct进行6*8=48次充电过程。假设我们设定的转速范围是6000r/min, 那么每秒转速为100r/s, 生成的Fout的频率为48*100=4800pps, 周期为0.2083ms, 即RC<0.2083ms。假设R=68K, 则C应为3.3n F。我们现在驱动器上的C是10n F, 这将导致充电时间太长, Fout的输出在电机达到一定转速时会一直输出高电平。

4采取的对策

通过以上分析, 我们重新设计了驱动器到电机之间的电缆, 将电缆从一整条分为电机绕组信号和霍尔信号两条, 使用屏蔽电缆并接地。为去掉增加在电缆上的干扰, 在EM-106的霍尔信号和地之间焊接了4支103电容。为了进一步防止33039芯片在加速器出束时由于干扰而烧损, 我们霍尔信号与地之间并联了TVS管。经过改进后的霍尔信号波形如图6所示。为实现电机转速的连续变化, 我们将EM-106的充放电电容Ct改为3.3n F。

5 结论

经过对EM-106驱动器的原理分析和大量试验, 找到了该驱动器故障的根本原因, 采取相应措施彻底解决了驱动器霍尔反馈信号干扰、33039烧毁、充放电电容不匹配等问题, 很大程度的提高了系统的可靠性。同时也确定了输入给驱动器的电压与电机转速之间的非线性关系, 为整机运动系统软件的编写提供了重要参考。

摘要：EM-106是一种进口的直流无刷电机驱动器, 在我司的某款正在研发的大型医疗设备中使用较多。笔者对EM-106驱动器发生的故障情况进行了详细统计, 在此基础上深入分析了该驱动器的故障原因, 并提出了应对方案, 有效提高了系统的可靠性。

关键词：EM-106,33035,33039

参考文献

[1]ON Semiconductor.MC33035 Brushless DC Motor ontroller.April, 2001-Rev.4.

水性移膜树脂Em型系列产品篇5

Em系列产品与普通湿法移膜树脂比较, 无污染,粘着力强,透气性好,涂层特别丰满、柔软,弹性好,泡感强。

Em系列产品与普通涂饰树脂相比, 遮盖力好,补伤能力强,特别丰满柔软,增厚效果明显。Em- 2增厚效果略高于Em- 1。

用于剖层皮底层涂饰, 可省去干填充工序,成品不松面, 涂饰后的皮比涂饰前更为丰满柔软,手感更舒适。

Em型树脂可直接使用, 也可加少许水性着色材料搅匀后使用。

如还想增加涂层的增厚效果, 可在使用前对Em树脂进行适当的高速搅拌。

EM模型篇6

1. 系统仿真

系统仿真是迅速发展起来的一门新兴学科, 随着系统仿真的理论和应用技术研究的深入以及计算机技术的发展, 应用数字计算机对实际系统或假想的系统进行仿真的技术越来越受到人们的重视[1]。现在人们普遍接收的系统仿真的定义是:以相似性原理、系统技术、信息技术及应用领域有关专业技术为基础, 以计算机、仿真器和各种专用物理效应设备为工具, 利用系统模型对真实地或假想的系统进行动态研究的一门多学科的综合性技术。仿真技术是研究复杂问题的一种有效的方法。由于仿真技术在应用上的安全性和经济性, 仿真技术的应用取得了广泛的范围。首先应用于军事领域, 仿真技术在武器系统研制, 战术互联网仿真等方面都取得了良好的效果;其次, 在航空、航天、航海、核电站等方面也利用仿真技术减小了项目的风险, 并在安全防御方面起到了实际系统不可比拟的作用;另外, 仿真技术已逐步发展到应用于社会、经济、交通、生态系统等各个领域, 成为高科技产品从论证、设计、生产试验、训练到更新等整个阶段不可缺少的技术手段, 为研究和解决复杂系统问题提供了有效的工具。

2. 物流系统仿真

随着中国加入WTO, 中国经济的发展更是进一步的加快了步伐。加之近几年电子商务的飞速发展, 使得中国的物流业也迅速的成长起来。现代自动化物流系统是集光、机、电技术为一体的复杂的系统, 能够实现物流传输、识别、拣选、分拣、堆码、仓储、检索和发售等各个环节的全程自动化作业。可以看到, 物流系统是一个多因素、多目标的复杂系统。正是由于物流系统的复杂性, 运用系统仿真的方法对其进行建模仿真的分析研究, 以此来确定物流系统中物料运输、存储动态过程的各种统计, 了解设备的处理能力是否能满足实际需要, 运输设备的利用率是否合理, 运输线路是否通畅;以及物流配送中心的地理位置选择是否恰当, 物流配送中心的建设容量设计是否适当等问题。由于现代生产物流系统具有突出的离散性、随机性的特点, 因此人们希望通过对现代物流系统的计算机辅助设计及仿真的研究, 将凭经验的猜测从物流系统设计中去除, 能使物流合理化进而提高企业生产效率。

物流仿真技术是借助计算机技术、网络技术和数学手段, 采用虚拟现实方法, 对物流系统进行实际模仿的一项应用技术, 它需要借助计算机仿真技术对现实物流系统进行系统建模与求解算法分析, 通过仿真实验得到各种动态活动及其过程的瞬间仿效记录, 进而研究物流系统的性能和输出效果。物流仿真是指评估对象系统 (配送中心、仓库存储系统、拣货系统、运输系统等) 的整体能力的一种评价方法。在系统仿真中, 仿真的三项基本要素是:系统、模型和计算机。将三要素联系起来的三项基本活动是系统建模、仿真建模和仿真试验。应用于物流仿真中, 系统建模就是要根据物流仿真的目的, 系统试验知识和试验资料来确定系统数学模型的框架、结构和参数。模型的繁简程度应与仿真目的相匹配, 确保模型的有效性和仿真的经济性。其次将数学模型转变成仿真模型, 建立仿真试验框架, 之后利用仿真软件将仿真模型输入计算机, 设定试验条件, 根据仿真目的在模型上进行试验。最后将试验结果进行分析、整理及文档化, 根据分析的结果修正数学模型、仿真模型、仿真程序, 以进行新的试验。

2.e M_plant物流仿真软件

e M-Plant是以色列Tecnomatix公司出品的e MPower软件工具, 又称为Si MPLE++, 是用C++实现的关于生产、物流和工程的高级面向对象仿真软件, 是一个面向对象、图形化、集成的建模仿真工具, 系统结构和实施都满足面向对象的要求。e M-Plant (SIMPLE++) 物流仿真及规划软件用于项目规划、物流仿真和优化制造厂、生产系统和工艺过程。软件能给出开发项目规划中所有层次的解决方案, 许多世界级的制造商和物流系统开发商都在使用e M-Plant (SIMPLE++) 做全局规划, 用它来评估不同的方案以作出科学的生产、经营决策。软件的面向对象的技术使得可以生成结构合理的层次模型, 模型对系统外部和内部的供应链、生产资源和所有与生产和经营过程相关的环节上都给予了充分的考虑。

总结e M-Plant工具的特点具有如下几点:

可对高度复杂的生产系统和控制策略进行仿真分析;

标准的和专用的应用目标库为典型的方案进行迅速而高效的建模;

使用图形和图表分析产量、资源和瓶颈;

综合分析工具, 包括自动瓶颈分析器、Sankey图和Gantt图;

三维可视化和动画;

使用遗传算法 (genetic algorithms) 对系统参数进行自动优化;

支持多界面和集成能力 (ODBC、SQL、ORACLE、ERP、CAD etc.) 的开放系统结构。

具体的主要体现在以下几个方面:

(1) 使用标准的和专用的应用目标库建立系统仿真模型

使用应用目标库 (Application Object Libraries) ) 的组件, e M-Plant可以为生产设备、生产线及生产过程建立结构层次清晰的仿真模型。用户可以从预定义好的资源、订单目录、操作计划、控制规则中进行选择。通过向库中加入自己的对象 (object) 来扩展系统库, 用户可以获取被实践证实的工程经验来用于进一步的仿真研究。

(2) 仿真系统优化

使用e M-Plant仿真工具可以优化产量、缓解瓶颈、减少再加工零件。e M-Plant能够定义各种物料流的规则并检查这些规则对生产线性能的影响。从系统库中挑选出来的控制规则 (control rules) 可以被进一步的细化以便应用于更复杂的控制模型。用户使用e M-Plant试验管理器 (Experiment Manager) 可以定义试验, 设置仿真运行的次数和时间, 也可以在一次仿真中执行多次试验。用户可以结合数据文件, 例如Excel格式的文件来配置仿真试验。

使用e M-Plant可以自动为复杂的生产线找到并评估优化的解决方案。在考虑到诸如产量、在制品、资源利用率、交货日期等多方面的限制条件时, 可采用遗传算法 (genetic algorithms) 来优化系统参数。通过仿真手段来进一步评估这些解决方案, 按照生产线的平衡和各种不同批量, 交互地找到优化的解决方案。

(3) 分析仿真结果

使用e M-Plant分析工具可以轻松的解释仿真结果。统计分析、图、表可以显示缓存区、设备、劳动力 (personnel) 的利用率。用户可以创建广泛的统计数据和图表来支持对生产线工作负荷、设备故障、空闲与维修时间、专用的关键性能等参数的动态分析;由e M-Plant可以生成生产计划的Gantt图并能被交互地修改。随着数据库应用的增加, e M-Plant还提供了与SQL、ODBC、RPC、DDE的接口, 能够读入CAD图形进行仿真;e M-Plant具有图形化和交互化的建模能力, 同时, 它通过内置的编程语言“Sim TALK”进行过程的定义、参数的输入和控制策略的调整, 也能够建立完整的仿真模型。

三、结束语

物流也已经成为现在社会不可或缺的一个行业。仿真方法的应用应当会主要集中在对真实的复杂物流系统的建模研究和总体优化上。e M-Plant软件几乎考虑到了实际工程领域中的各个方面, 完全可以仿真出实际模型, 所得出的分析结果对现实有直接的指导意义, 非常适合于运用在物流系统的仿真上。

摘要：本文简要介绍了系统仿真的基本概念和物流系统仿真实现的方法。随着计算机技术的不断发展, 物流仿真软件已经成为物流系统仿真的主要工具, 并将得到更为广泛的应用与发展。

参考文献

[1]康凤举杨惠珍高立娥等:现代仿真技术与应用[M], 北京:国防工业出版社, 2006.1

[2]宋建新徐菱宋远卓:现代生产物流系统仿真研究[J], 物流科技, 2007年第3期

[3]陈子侠:龚剑虹:物流仿真软件的应用现状与发展[J], 浙江工商大学学报, 2007年第4期[总第85期]

[4]http://www.ugs.com.cn/

[5]王煜蔡临宁岳秀江:物流系统的仿真研究综述[J].制造业自动化, 2004.9

二号线电话系统EM中继路由实现篇7

关键词：电话系统,EM

一、引言

南京地铁二号线公务电话、专用电话采用的是H20-20®IXP2000系列公专一体化电话系统 (以下简称:电话系统) 。该系统由公务电话与专用电话两部分组成:公务电话用于地铁各部门间进行公务通话及业务联系, 为运营、管理、维修等部门的工作人员提供服务;专用电话是调度员和车站 (车辆段) 值班员指挥列车运行和指导设备操作的重要通信工具, 为列车运营、电力供应、日常维修、防灾救护提供专用通信指挥手段。

南京地铁二号线电话系统由29个独立交换节点组成。一般情况下公务电话业务以马群基地为主干, 专用电话业务以控制中心为主干 (如图1所示) 。

各个车站、停车场的电话交换机分别通过2M数字中继与控制中心的电话交换机和马群基地的电话交换机采用专用的透明信令组网, 同时控制中心与车辆段的电话交换机也通过2M数字中继采用专用的透明信令组网, 实现整个公务电话和专用电话的各项功能。

该系统所有的2M数字中继均由传输系统OTN节点箱的E1-24P板卡通过E1-X3M业务实现。一旦传输系统发生故障, 很容易影响到电话系统。所以笔者认为, 电话系统, 尤其是专用电话应具备一定的独立性, 地铁的专用电话系统有条件且应该通过站间电缆实现自己的保护路由。

二、实现方法

(一) 硬件实现

二号线车站电话交换机主要由中央处理板GCPU、时隙交换矩阵TSA、电源板PSM、多功能用户板MFUA、模拟用户板ALU、数字中继板DTU及铃流告警板组成 (如图2所示) 。

其中多功能用户板MFUA支持16路双音多频接收器、8路模拟来电显示信令处理、6路数字电话用户和2路EM中继。即

EM是一个用于程控交换的通用中继信令技术。EM中的信令和语音中继是分开的。EM通常被形象地称为“耳朵和嘴”或“接收和发送”。EM信号定义一个中继电路和信令单元之间的连接类型, 类似数据通信设备 (DCE) 和数据终端设备 (DTE) 连接类型。

EM中继电缆利用了专用电话站间的20对电缆。

(二) 软件实现

一个出局的电话业务需要通过以下数据完成:

1、分机表EXT:定义用户电话号码、服务级别COS、电路位置BOA等信息;

2、服务级别表COS:由功能级别表FEA、路由级别ROU和拨号控制级别DIA组成;

3、功能级别表FEA:决定调用的通话功能;

4、路由级别表ROU:决定允许出局的路由;

5、拨号控制级别表DIA:决定呼叫处理的类型, 指定一个数据库表用于处理用户所拨的数字;

6、收集路由表COL:定义系统的拨号计划, 用于收集主叫用户所拨的数字;

7、路由模式表PAT:用于对出局呼叫的路由级别进行检查;

8、控制级别表FAC:负责将呼叫发送到指定的中继组;

9、中继组TRU:用于选择和控制中继电路;

10、电路板表BOA:用于对每一个用户电路板接口分配插槽位置。

以上这些数据库表对呼叫的处理流程如图4所示。

三、实现案例

以新街口站呼叫上海路为例, 路由模式表PAT的数据如下:

表1给新街口站专用电话值班台呼叫大行宫站定义了5条路由, 按照选择的次序分别是:

路由1:通过控制中心专用电话中继时隙转接至上海路;

路由2:通过马群基地专用电话中继时隙转接至上海路;

路由3:通过控制中心公务电话中继时隙转接至上海路;

路由4:通过马群基地公务电话中继时隙转接至上海路;

路由5:通过EM中继直连上海路站。

前4种路由为2M数字中继路由, 第5种为EM中继路由。2M数字中继路由可提供多达30路全双工语音呼叫, 对于地铁专网通信来说, 电话2M数字中继必须在传输系统完好的前提下才能实现。EM中继路由只能提供单通道全双工语音呼叫, 它不依赖传输系统, 只要主叫方和被叫方电话交换设备正常即可实现。

四、结束语

笔者采用添加站间EM中继路由, 降低电话系统对传输系统的依赖性和设备故障的风险性, 提高了系统的稳定性。轨道交通是个新兴行业, 它的发展必带动一系列产业的发展。其中专用电话通信系统是轨道交通行车指挥的重要手段, 是防止意外事故发生以及提高运营管理效率的有效保障, 也是发生灾害事故时, 迅速进行救援工作的有力工具, 提高容灾能力的趋势所在。

参考文献

[1]叶敏.程控数字交换与交换网[M].北京邮电大学出版社, 2004.

[2]程鑫.公专一体化电话系统在地铁中的应用[J].2008, (10) .

EM技术在污水处理中的应用篇8

日本、美国、巴西、泰国已有较成功的范例。EM技术20世纪90年代初引进我国,经过短短十几年的发展已取得了显著成果。人们常用EM处理生活污水和高浓度工业废水,净化游泳池等景观水体,处理下水道污水,以及对重度富营养化湖泊和海港水面进行净化等,因此EM技术在废水处理方面有着广阔的应用前景[4,5]。

1 EM技术处理污水的作用机理

EM菌群的作用机理是基于“头领效应”的微生物群体生存理论和抗氧化学说,以光合细菌为中心,乳酸菌群、酵母菌群、革兰氏阳性放线菌和醋酸杆菌与其并存,形成一个强大的功能群体,各种微生物在其生长过程中产生的有用物质及分泌物,又将成为各自或相互间生长的基质和原料,通过这种相互作用、相互促进起到协同的作用,代谢出抗氧化物质,生成稳定而复杂的生态系统,抑制有害微生物的生长繁殖和含硫、氮等恶臭物质产生的臭味,激活水中具有净化水功能的原生动物,利用微生物及水生植物的生物综合效应达到净化废水的目的。由于这种作用不是单一的也不是特定微生物的作用,而是一个由多种微生物组成的菌群,因此它比一般的微生物制剂的功能齐全,处理效果较明显。该方法又被称为EMBC法,精髓在于全部的有效微生物在发酵合成的状态下“共生、共存、共荣”,最终净化废水[6,7,8,9,10,11,12]。

2 EM技术在污水处理中的应用

EM集数十种好氧和厌氧微生物于一体,对生活污水中的有机质具有较强的降解能力。目前,EM技术已显示了它在污水处理领域具有较好的推广和应用前景。

2.1 EM对污水中有机物的去除

EM是一个微生物菌群,它们之间依靠相互间的互生作用和协同作用代谢出抗氧化物质,生成稳定而复杂的生态系统,通过这些生物的综合效应达到去除BOD5、COD和净化水体的效果。EM技术可应用于处理含有机废物及某些无机物的工业废水,如啤酒厂、肉联厂、味精厂、柠檬酸厂、制药厂等的废水,提高它们的出水水质,从而避免这些废水对江河湖泊的污染,达到保护环境的目的。

在污水处理方面,最具有代表性的是日本志川县立图书馆采用有效微生物群处理生活污水,他们按原来0.1%的比例投加有效微生物群,每天2—4次,曝气3h/d。通过一段时间处理,14d可使原污水的BOD5和SS分别从196mg/L降到19mg/L和2.0mg/L;30d后大肠杆菌无检出,无污泥产生。该工艺处理污水的电耗仅为原来电耗的1/8[13]。

在食品废水处理中,党建章[14]只用光合细菌法进行处理,尽管COD可去除80%,但仍不能达到排放标准;而采用EM作进一步处理,COD、SS、S2-去除率可分别达到98%、81%、71%,实现达标排放。曹国良[15]对味精废水进行水解酸化后采用EM处理,第一、二天添加1.0%的EM,之后添加0.6%的EM,基本能消除臭味;1.5个月后添加0.2%的EM能达到稳定的除臭效果,12d后废水中COD可达到国家一级排放标准,污泥的产生量相对较少。可见,EM技术处理味精废水,可明显提高COD的去除率。

王平[16]等在常规生物滤池中引入EM有效微生物对啤酒工业废水进行处理,成功构建了EM—好氧生物滤池反应器,并表现出较强的降解和去除啤酒废水中有机物的能力。当进水有机负荷为1000—1200mg/L、水力停留时间为0.9h时,COD、BOD5去除率分别可达94.53%和96.47%,处理出水水质达到并超过国家排放一级标准。与其它生物好氧法相比,该方法具有水力停留时间短,抗有机负荷能力强,对有机质的去除率较高的特点。刘英军利用有效微生物群处理养猪场排放的污水,1月后BOD下降36.4,SS下降69%左右[17]。杨维本用EM液净化油污废水和豆腐废水的效果也较明显。试验表明,以在1000ml的EM原液净化效果最好,COD的平均去除率分别达到81.8%和95.0%[13]。

2.2 EM对污水中氮的去除

氮是生物细胞的重要组成元素。有机物经生物处理后,在有氧条件下的反应式为:RCHNH2COOH+O2——RCOOH+CO2+NH3;在缺氧条件下的反应式为:RCHNH2COOH+H2——RCH2COOH+NH3。将已上两式进一步转化为硝酸盐,结果为:2NH3+3O3——2HNO2+2H2O+619.6 KJ;2HNO2+O2——2HNO3+201kJ。这主要是EM菌群中的细菌等将NH4+—N转化为亚硝酸或硝酸之后再进行反硝化脱氮。EM的脱氮结果表明,它对氮的转化去除率可达75%[18]。氮在好氧条件下比在厌氧条件下的效果更明显,这是因为曝气为污水中的硝化反应提供了条件,而EM的加入能促使污水中更多的NH4+发生硝化反应,为提高现有的污水生物脱氮工艺的效率创造了有利条件。如EM中的梭状芽胞杆菌等专性厌氧菌和兼性厌氧菌在厌氧条件下能进行还原脱氮,氨基酸自身也能水解脱氨。废水经EM处理后,NH4+—N、TN的去除效果良好。

中南林学院孟范平[19]等人对高效复合菌技术处理生活污水进行了研究,认为在好氧条件下,当菌液加入量为5/1000时,能显著或极显著提高污水氨态氮的硝化程度,增幅达37.62%。在厌氧条件下,当加入量为1/10000—1/1000时,能显著增加污水的反硝化作用,硝态氮的去除率约提高14%。武汉大学程晓如研究了有效微生物在SBR反应器中对生活污水中的TP、NH3—N和TN的去除效果。结果表明,当EM投加量(VEM/V污水)为1/10000—1/1000时,能显著提高SBR工艺对TP、NH3—N和TN的去除率和降解速度,具有节能降耗的优点。当EM投加量(VEM/V污水)为1/10000—5/1000时,TN的去除率随EM的增加而逐渐提高[20]。

2.3 EM对污水中磷的去除

磷是控制水体富营养化过程的关键性营养物质,污水中一般有3种形式的磷,即有机磷、正磷酸盐和聚合磷。在EM净化污水时,这几种状态的磷只有被水解正磷酸盐的条件才能被同化。通常除磷是微生物细胞将磷储存起来,实验证明去除率高达75%[18]。EM除磷是通过聚磷菌的释磷和吸磷两个相反过程完成的,其机理为:在厌氧条件下,聚磷菌吸收污水中的乙酸、甲酸、丙酸和乙醇等极易被微生物降解的有机物质,贮存在体内作为营养物质,同时将贮存的聚磷酸盐以PO43-—P等形式释放出来,以便获得能量。在好氧条件下,聚磷菌则将体内贮存的有机物氧化分解产生能量,同时将污水中的PO43—P从污水中脱除。因此,聚磷菌在厌氧状态下释磷越多,在好氧状态下吸磷就越多。

庞艳[21]等提出了一种新型的生物除磷工艺,即EM菌+化学除磷强化SBR工艺。EM配合SBR工艺能够提高COD的降解速度,并能加速污水中的NH3—N的硝化过程。当EM的接种量为0.01%时,COD、磷、氮的去除率分别高达95.1%、97%、94.2%。邵青[22,23]等人对高效复合菌技术处理生活污水进行了一系列研究,他们通过大量实验认为:高效复合菌液对生活污水中的有机物、氨氮和总磷均有一定的去除效果,且在好氧条件下其去除效果优于在厌氧条件下的去除效果,接种量也有所不同,去除有机物所需要的接种量为(0.03‰)脱氮除磷所需要的接种量大(8‰—10‰)。

综合目前的研究和应用成果表明,有效微生物群在污水处理中具有降解有机物,减少污染量、分解营养盐类物质并具有除臭功能。宋昆衡[24]等人采用有效微生物群对高浓度硫酸盐有机废水的处理试验表明,有效微生物群能利用CH4、NH3和H2O作为营养,对提高厌氧处理效果显著。

3 有效微生物群存在的问题及展望

在有效微生物群处理污水的过程中,由于特定条件中的营养、pH值、氧化还原点位、离子强度和培养温度等对混合菌种并非都是最适条件,因此导致各种菌种的生长速率不尽相同,造成混合菌群各菌种的比例失调而影响应用效果[25]。虽然有效微生物群的应用前景广阔,但对混合体系中菌群间相互关系和作用机制尚不清楚,有待进行深入的研究。此外,复合微生物制剂的稳定性差,易受环境影响、群体结构或因环境变化的影响,使某些微生物死亡或因新的微生物介入而导致复合微生物制剂的群体优势被改变,这也是亟需解决的问题[15]。

3.1 加强高效复合菌剂的筛选和培养

目前,大规模产业化研究主要集中在如何降低生产成本和高效地处理污水,因此充分利用现代生物技术是我们必须面对的任务。发酵工程是生物强化技术的瓶颈,应当致力于EM的发酵生产技术研究,降低其生产成本,才能得到大规模的推广应用[26]。构建基因工程菌和大规模培养具有专一耐受性的EM高效菌也是未来发展的方向[27]。

3.2 开展高效EM生物反应器的研究

【EM模型】推荐阅读：

模型组织07-14

提升模型07-15

稳态模型07-17

演示模型07-17

机翼模型07-18

接头模型07-18

农户模型07-19

模型细化10-13

指派模型10-14

查询模型10-15