@incollection{KernWolfTraueretal.2014,
  author    = {Peter Kern and Christian Wolf and Oliver Trauer and Michael Bongards},
  title     = {Online Messung prozessrelevanter Zulaufdaten der KA Rospe zur Vorhersage des CSB mittels Methoden des Machine Learning},
  series = {Kompendium der Forschungsgemeinschaft :metabolon 2012-2014},
  address   = {Gummersbach},
  url       = {https://nbn-resolving.org/urn:nbn:de:hbz:832-epub4-6887},
  year      = {2014},
  abstract  = {Die Messung des Chemischen Sauerstoffbedarfs (CSB) im Zulauf von Kl{\"a}ranlagen ist von zentraler Bedeutung f{\"u}r die Optimierung und Regelung der Abbauprozesse der Nitrifikation und Denitrifikation. Allerdings ist die Messung des CSB bislang sehr zeitaufw{\"a}ndig und kostenintensiv, da 24-Stunden Mischproben im Labor nasschemisch analysiert werden m{\"u}ssen. Online-Messtechnik in Form von spektroskopischen Messger{\"a}ten (10.000 ̶ 20.000 €) oder nass-chemischen Online-Analysatoren (> = 50.000 €) sind insbesondere f{\"u}r kleine und mittlere Kl{\"a}ranlagen aus Kostengr{\"u}nden keine Alternative. Eine extrem kosteng{\"u}nstige Alternative ist der im Folgenden beschriebene Softsensor f{\"u}r CSB im Kl{\"a}ranlagenzulauf, der auf Basis von Standardmesstechnik im Zulauf von kleinen und mittleren kommunalen Kl{\"a}ranlagen sowie mit zus{\"a}tzlicher Online-Messtechnik f{\"u}r Tr{\"u}bung sowie Ammonium- und Nitratstickstoff (NH4-N und NO3-N) die aktuelle CSB-Konzentration bestimmt. Zur Entwicklung des Softsensors werden Regressionsmethoden aus dem Bereich des Machine Learning eingesetzt. Die Ergebnisse einer Entwicklungs- und Testphase an der Kl{\"a}ranlage Rospe in Gummersbach zeigen, dass die Werte des Softsensors sehr gut mit den Originaldaten {\"u}bereinstimmen. Die Korrelationswerte beim Vergleich mit CSB-Messungen liegen bei der Regression mit Support Vector Regression bei 0,98 mit einem RSME von 2,45 mg/l.},
  language  = {de}
}