基于關(guān)聯(lián)向量機(jī)的污水處理軟測(cè)量模型研究

摘 要：出水總氮（TN）和總磷（TP）是衡量水質(zhì)的重要指標(biāo)，用人工方法分析存在很大的滯后性且難以測(cè)量。針對(duì)污水處理過(guò)程中強(qiáng)非線性、隨機(jī)干擾等因素帶來(lái)的一系列問(wèn)題，運(yùn)用基于關(guān)聯(lián)向量機(jī)（RVM）的軟測(cè)量方法，通過(guò)數(shù)據(jù)訓(xùn)練建立起水質(zhì)軟測(cè)量模型。試驗(yàn)結(jié)果表明，基于關(guān)聯(lián)向量機(jī)的污水處理軟測(cè)量模型能起到較好的預(yù)測(cè)效果，適合工業(yè)應(yīng)用。

關(guān)鍵詞：軟測(cè)量;關(guān)聯(lián)向量機(jī);污水處理

0 ? ?引言

當(dāng)前，污水排放量隨著城市化推進(jìn)和工農(nóng)業(yè)發(fā)展而日益增加。我國(guó)近年興建了大量的污水處理廠，來(lái)改善水資源環(huán)境，以免其進(jìn)一步惡化[1]。由于污水處理過(guò)程機(jī)理復(fù)雜，為建立良好的監(jiān)測(cè)機(jī)制，保證良好的出水水質(zhì)，必須及時(shí)監(jiān)控污水處理過(guò)程中的水質(zhì)參數(shù)。根據(jù)國(guó)家相關(guān)排放標(biāo)準(zhǔn)，總氮（TN）、總磷（TP）是衡量水質(zhì)好壞的重要指標(biāo)，但目前大部分檢測(cè)由人工完成，存在難以在線測(cè)量、時(shí)間延遲長(zhǎng)、無(wú)法實(shí)時(shí)監(jiān)控調(diào)節(jié)等問(wèn)題。而水質(zhì)在線檢測(cè)儀的技術(shù)尚不完善，存在檢測(cè)精度不高、維護(hù)困難、設(shè)備昂貴等問(wèn)題。為此，近年來(lái)興起了軟測(cè)量技術(shù)，能夠代替硬件儀表進(jìn)行實(shí)時(shí)測(cè)量，針對(duì)污水處理過(guò)程中難以測(cè)量或暫時(shí)不能測(cè)量的參數(shù)，通過(guò)建立某種數(shù)學(xué)模型，對(duì)其進(jìn)行估計(jì)。國(guó)外在軟測(cè)量技術(shù)研究方面十分活躍，在化工領(lǐng)域已經(jīng)取得了可喜的研究成果，而在污水處理領(lǐng)域還處于基礎(chǔ)研究階段[2]。

在污水處理水質(zhì)指標(biāo)的軟測(cè)量研究中，國(guó)內(nèi)外專(zhuān)家提出了多種智能建模方法，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等，其中以神經(jīng)網(wǎng)絡(luò)為建模工具的基于知識(shí)的方法研究最為活躍[3]。神經(jīng)網(wǎng)絡(luò)法采用經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的原則，在樣本有限的條件下，學(xué)習(xí)過(guò)程容易陷入過(guò)學(xué)習(xí)、維數(shù)災(zāi)難、局部最小等境地，而支持向量機(jī)的支持向量個(gè)數(shù)隨著訓(xùn)練樣本的增大而線性增大，導(dǎo)致在線檢測(cè)時(shí)間更長(zhǎng);而且支持向量機(jī)的懲罰因子難以選擇合適的值，設(shè)置不當(dāng)容易引起過(guò)學(xué)習(xí)問(wèn)題。關(guān)聯(lián)向量機(jī)（RVM）基于貝葉斯框架構(gòu)建，其泛化能力優(yōu)于支持向量機(jī)，且其測(cè)試時(shí)間更短，更適用于在線檢測(cè)。為此，本文提出引入關(guān)聯(lián)向量機(jī)（RVM）這一軟測(cè)量方法，建立水質(zhì)中重要指標(biāo)總氮（TN）和總磷（TP）的模型。

1 ? ?污水處理工藝

一個(gè)典型的污水處理過(guò)程如圖1所示，該污水處理過(guò)程又叫活性污泥法處理過(guò)程，它包括初沉池、曝氣池和二沉池[4]。初沉池用來(lái)除去廢水中的可沉物和漂浮物;在曝氣池中使污水中的有機(jī)污染物與活性污泥充分接觸，并吸附和氧化分解有機(jī)污染物;二次沉淀池用以分離曝氣池水中的活性污泥，并將池中的一部分沉淀污泥回流到曝氣池，以供應(yīng)曝氣池賴(lài)以進(jìn)行生化反應(yīng)的微生物，剩余污泥作為固體廢物排出做進(jìn)一步處理。

2 ? ?關(guān)聯(lián)向量機(jī)

關(guān)聯(lián)向量機(jī)是M. E. Tipping提出的跟支持向量機(jī)類(lèi)似的稀疏概率模型，它是在貝葉斯框架下進(jìn)行的，基于主動(dòng)相關(guān)決策理論，在先驗(yàn)參數(shù)的結(jié)構(gòu)中移除不相關(guān)的點(diǎn)，從而獲得稀疏的模型。同支持向量機(jī)（SVM）相比，關(guān)聯(lián)向量機(jī)具有以下優(yōu)點(diǎn)：（1）避免主觀設(shè)置誤差參數(shù);（2）所用的相關(guān)向量少于SVM;（3）核函數(shù)不用滿足Mercer條件，有更大的選擇范圍[5]。

3 ? ?基于關(guān)聯(lián)向量機(jī)的出水TN和TP預(yù)測(cè)模型和試驗(yàn)

污水處理過(guò)程是一個(gè)多變量、多目標(biāo)、多層次、含海量信息的復(fù)雜系統(tǒng)，各種參數(shù)之間存在強(qiáng)烈的耦合和關(guān)聯(lián)。在本研究中出水TN選擇流量、進(jìn)水濁度、懸浮物濃度SS及NH4+-N、曝氣池氧DO、溫度T、酸堿度pH、氧化還原電ORP、混合液懸浮固體濃度MLSS、NO3--N及曝氣池電導(dǎo)率k、出水懸浮物濃度SS及NH4+-N等13個(gè)參數(shù);出水TP選擇流量、進(jìn)水濁度、懸浮物濃度SS及曝氣池氧DO、溫度T、酸堿度pH、氧化還原電ORP、混合液懸浮固體濃度MLSS、NO3--N及曝氣池電導(dǎo)率k、出水懸浮物濃度SS等11個(gè)參數(shù)。

本文采用廣州市某污水廠采集的1 000組數(shù)據(jù)進(jìn)行軟測(cè)量建模，選取250個(gè)樣本，經(jīng)過(guò)3σ法則預(yù)處理后，剩余222個(gè)樣本，選取200個(gè)樣本，將其中前170個(gè)樣本作為訓(xùn)練樣本建立模型，后30個(gè)樣本作為測(cè)試樣本檢驗(yàn)?zāi)Ｐ偷姆夯芰Γ瑢?duì)TN與TP的30個(gè)泛化樣本的檢測(cè)結(jié)果如圖2所示。

從表1可以看出，對(duì)比神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的建模效果，關(guān)聯(lián)向量機(jī)在各項(xiàng)性能上都有提升?；陉P(guān)聯(lián)向量機(jī)的出水TN模型預(yù)測(cè)誤差平均值0.92，誤差最大值2.11，RMSE=1.05;出水TP模型預(yù)測(cè)誤差平均值0.15，誤差最大值0.42，RMSE=0.19。其擬合精度高于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)建立的模型，體現(xiàn)出關(guān)聯(lián)向量機(jī)在小樣本情況下具有更好的泛化能力。

4 ? ?結(jié)語(yǔ)

本文基于關(guān)聯(lián)向量機(jī)建立了水質(zhì)中重要指標(biāo)總氮（TN）和總磷（TP）的模型，實(shí)驗(yàn)例證表明，在小樣本情況下，基于關(guān)聯(lián)向量機(jī)所建立的模型比神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)建立的模型具有更好的泛化能力，對(duì)于進(jìn)一步實(shí)現(xiàn)污水自動(dòng)化的實(shí)時(shí)控制有一定的應(yīng)用價(jià)值。

[參考文獻(xiàn)]

[1] 李暢，潘豐.基于XGBoost的出水氨氮和總磷濃度的軟測(cè)量研究[J].計(jì)算機(jī)與數(shù)字工程，2021，49（5）：1003-1008.

[2] 劉勇.基于關(guān)聯(lián)向量機(jī)建模方法及化工軟測(cè)量應(yīng)用研究[D].杭州：浙江工業(yè)大學(xué)，2017.

[3] 李東，黃道平，許翀，等.基于協(xié)同訓(xùn)練的集成自適應(yīng)GPR-RVM多輸出模型研究[J].華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，49（6）：100-108.

[4] 楊吉祥.污水處理軟測(cè)量技術(shù)研究進(jìn)展[J].凈水技術(shù)，2020，39（4）：12-18.

[5] TIPPING M E.Sparse Bayesian Learning and the Relevance Vector Machine[J].Jonrnal of Machine Learning Research，2001（1）：211-244.

收稿日期：2021-09-03

作者簡(jiǎn)介：羅?。?976—），男，湖南邵陽(yáng)人，博士，副教授，主要從事自動(dòng)化控制研究和教學(xué)工作。