周長亮，苗 盛，王明麗，柳 超

(1.青島大學數(shù)據(jù)科學與軟件工程學院，山東 青島 266071；2.山東省青島生態(tài)環(huán)境監(jiān)測中心， 山東 青島 266003;3.青島理工大學環(huán)境與市政工程學院，山東 青島 266033)

在智慧城市建設(shè)中，水資源的智慧化管理是其不可或缺的一環(huán)，智慧水務(wù)對促進城市的長期健康發(fā)展具有重大意義，國內(nèi)外學者已經(jīng)對此做了積極的探索。目前，我國大部分污水處理廠都是人工操作狀態(tài)，不僅費時費力，而且安全風險問題也較為突出。應(yīng)用物聯(lián)網(wǎng)技術(shù)，管理人員可以實現(xiàn)對污水處理過程的信息化管理，同時自動控制已成為解決污水處理智能化運行問題的熱點之一。把控制技術(shù)應(yīng)用到污水處理系統(tǒng)中，可以有效地降低人力成本，減輕對專家知識的消耗，提高處理效率，節(jié)省能源消耗，保證系統(tǒng)穩(wěn)定運行。目前國內(nèi)外已經(jīng)有很多研究者使用自動控制技術(shù)來解決污水處理所帶來的問題。此外，污水處理過程對數(shù)據(jù)的數(shù)量和質(zhì)量要求較高，傳統(tǒng)的數(shù)據(jù)驅(qū)動方法無法描述污水處理過程的生化反應(yīng)機制,并且單一模型難以保證測量精度，通過遠程交互進行數(shù)據(jù)采集，從而準確預(yù)測污水水質(zhì)變化，在國內(nèi)已有不少針對于此的研究與探討。在污水處理過程中，由于其不確定因素和外界干擾而出現(xiàn)故障的幾率大增，而故障預(yù)測是建立在大量已有數(shù)據(jù)的基礎(chǔ)上，通過對設(shè)備故障進行預(yù)測，可為系統(tǒng)的平穩(wěn)運行提供支撐，并可延長設(shè)備使用壽命，有效降低設(shè)備故障率。在對污水處理過程的故障預(yù)測方面，國內(nèi)也已經(jīng)取得了很多研究成果。如慈嘉偉等將加權(quán)模糊聚類算法用于污水處理過程的故障檢測，結(jié)果表明該算法可有效加快收斂速度，降低迭代次數(shù)；肖紅軍等在結(jié)合動態(tài)數(shù)據(jù)特性的基礎(chǔ)上，提出了一種基于變分貝葉斯混合因子的動態(tài)故障診斷方法，有效降低了故障診斷的誤報率和漏報率；劉成忠等利用基于鄰域粗糙集的支持向量機(Support Vector Machine，SVM)算法實現(xiàn)了污水處理過程中故障的自動診斷，提高了故障診斷的效率并具有較好的推廣性。

通過上述研究現(xiàn)狀分析可知，污水處理領(lǐng)域尚存在以下問題：部分智慧水務(wù)項目僅實現(xiàn)了較為基礎(chǔ)的遠程監(jiān)控，沒有實現(xiàn)智能化運行；自動控制考慮的因素較為單一，沒有全面考慮被控因素之間的相互關(guān)系，缺乏專家知識的結(jié)合；故障預(yù)測沒有與自動控制有機地結(jié)合在一起，應(yīng)用的算法較為簡單，模型精度不高。

基于以上存在的問題，本研究以青島市某精細化工廠的高濃度洗滌廢水(COD≤30 000 mg/L)為研究對象，采用“自混式厭氧反應(yīng)器(SMAD)和導流式活性污泥反應(yīng)器(BBR)”處理工藝對該化工廠產(chǎn)生的廢水進行處理，將人工智能技術(shù)與物聯(lián)網(wǎng)技術(shù)相結(jié)合并運用于該化工廠智慧污水管控系統(tǒng)中。該智慧污水管控系統(tǒng)應(yīng)用深度學習中的長短期記憶(Long Short-Term Memory，LSTM)神經(jīng)網(wǎng)絡(luò)算法對設(shè)備故障進行預(yù)測，設(shè)計并實現(xiàn)了基于強化學習和專家系統(tǒng)的智能運行模塊對該污水處理裝置進行管理。初步實驗結(jié)果表明：該系統(tǒng)可以實現(xiàn)對小型化、分布式的智慧污水管控系統(tǒng)的智能運行和預(yù)測性維護，具有可行性且運行穩(wěn)定。

1 系統(tǒng)設(shè)計

通過物聯(lián)網(wǎng)技術(shù)，從而實現(xiàn)智慧污水管控系統(tǒng)的穩(wěn)定運行。數(shù)據(jù)采集是物聯(lián)網(wǎng)的基礎(chǔ)，傳感器技術(shù)是數(shù)據(jù)采集技術(shù)中不可缺少的一部分。本系統(tǒng)通過Modbus協(xié)議實現(xiàn)對智能設(shè)備數(shù)據(jù)的讀取。Modbus通信協(xié)議是一種工業(yè)自動化控制系統(tǒng)中的重要通信協(xié)議,通過Modbus協(xié)議對智能設(shè)備數(shù)據(jù)進行采集匯總，從而實現(xiàn)對智能設(shè)備的遠程監(jiān)控。本系統(tǒng)采用多種支持Modbus協(xié)議的智能設(shè)備，如電磁流量計、COD在線檢測儀、智能溫控傳感器、pH值在線檢測儀、PM/PM激光傳感器、溫濕度傳感器、噪聲傳感器等。其中，電磁流量計分別部署于高濃度廢水進水、低濃度廢水進水和經(jīng)過設(shè)備處理后的出水3個位置，可以獲取流量、流速、pH值、溫度、溶解氧(DO)、即時COD值等相關(guān)數(shù)據(jù)?，F(xiàn)場采集到的數(shù)據(jù)通過4G技術(shù)的數(shù)據(jù)傳輸單元(Data Transfer Unit，DTU)傳輸至架設(shè)在互聯(lián)網(wǎng)上的智慧污水管控系統(tǒng)。該系統(tǒng)支持使用電腦和手機終端展示數(shù)據(jù)，遠程監(jiān)控污水處理過程，實現(xiàn)更廣泛的互聯(lián)互通。

此外，Modbus協(xié)議還支持對智能設(shè)備下達操作指令，實現(xiàn)參數(shù)修正和智能預(yù)警功能。通過實時監(jiān)測水質(zhì)質(zhì)量，從而實現(xiàn)智慧污水管控系統(tǒng)的智能化運行。該系統(tǒng)模擬專家操作，發(fā)送遠程控制指令，自動修正相關(guān)設(shè)備的運行參數(shù)，確保COD數(shù)據(jù)達到期望數(shù)值標準，并且通過處理COD變化趨勢以及傳感器數(shù)據(jù)，實現(xiàn)對易損設(shè)備的壽命預(yù)測和故障預(yù)警，及時發(fā)現(xiàn)異常，如COD變化趨勢不達標或智能設(shè)備出現(xiàn)故障，方便管理人員對污水處理過程的管控。

智慧污水管控系統(tǒng)架構(gòu)如圖1所示。

智慧污水管控系統(tǒng)主要包括3個模塊，分別是遠程交互模塊、智能運行模塊和預(yù)測性維護模塊。其中，遠程交互模塊可實時顯示數(shù)據(jù)以及下達操作指令，本系統(tǒng)支持查看智能設(shè)備的即時數(shù)據(jù)和過往歷史數(shù)據(jù)走勢，并且當COD變化趨勢不達標時，通過遠程手動控制智能設(shè)備，使COD數(shù)據(jù)達到允許數(shù)值范圍之內(nèi)，同時，本系統(tǒng)還支持定時拍照、設(shè)備地址查詢等功能；智能運行模塊可通過實時監(jiān)測水質(zhì)質(zhì)量，從而實現(xiàn)智慧污水管控系統(tǒng)的智能化運行，

圖1 智慧污水管控系統(tǒng)架構(gòu)圖Fig.1 Architecture diagram of the intelligent sewage management and control system

本系統(tǒng)可模擬專家操作，發(fā)送遠程控制指令，自動修正相關(guān)設(shè)備的運行參數(shù)，確保COD數(shù)據(jù)達到期望數(shù)值標準；預(yù)測性維護模塊可通過處理COD變化趨勢以及傳感器數(shù)據(jù)(如振動、噪聲等)，進而實現(xiàn)對易損設(shè)備的壽命預(yù)測和故障預(yù)警，本系統(tǒng)可及時發(fā)現(xiàn)異常，便于管理人員執(zhí)行相應(yīng)措施，例如遠程手動控制智能設(shè)備以及對智能設(shè)備進行檢修。

1.1 遠程交互模塊

遠程交互模塊分為PC監(jiān)控平臺和移動監(jiān)控平臺。PC監(jiān)控平臺采用B/S架構(gòu)模式，后端編程語言采用Java，數(shù)據(jù)庫使用體積小、速度快的MySQL關(guān)系型數(shù)據(jù)庫。在PC端，用戶既可以查看智能設(shè)備的即時數(shù)據(jù)，也可以查看設(shè)備某一時間段內(nèi)的數(shù)據(jù)歷史記錄走勢并下載所查詢數(shù)據(jù)。除此之外，智慧污水管控系統(tǒng)支持顯示現(xiàn)場實時畫面、歷史畫面，以及監(jiān)控設(shè)備的當前運行情況，了解設(shè)備的過往運行狀態(tài)；設(shè)備位置查詢功能支持查看當前設(shè)備的所在位置；且系統(tǒng)還具備故障報警通知功能，當COD變化趨勢不達標時，通過遠程手動控制智能設(shè)備，使COD數(shù)據(jù)達到允許數(shù)值范圍之內(nèi)，當設(shè)備發(fā)生故障時，及時通知管理員和維修人員，便于管理人員對設(shè)備進行檢查和維修。移動監(jiān)控平臺則擺脫了電腦設(shè)備攜帶不方便的困擾，通過PC端和移動監(jiān)控平臺，全方面掌握設(shè)備數(shù)據(jù)信息，進而實現(xiàn)對污水處理過程中智能設(shè)備的遠程交互。

(1)基于詞向量與深度學習的語義相似度計算模型的優(yōu)點是考慮到了文本中語義語法等信息，具有準確率較高、泛化能力較強的特點，并省去了大量的人工提取特征的工作。

遠程交互模塊功能結(jié)構(gòu)見圖2。

圖2 遠程交互模塊功能結(jié)構(gòu)圖Fig.2 Functional structure diagram of the remote interaction module

1.2 智能運行模塊

目前生化污水處理領(lǐng)域的系統(tǒng)運行和維護仍然主要依靠專家經(jīng)驗，專業(yè)性較強且人力成本很高，無法發(fā)揮數(shù)據(jù)自身所特有的優(yōu)點。所以，實現(xiàn)污水處理智能化運行成為了一個可行且有效的選擇。

智能運行模塊的基本設(shè)計思想是通過一系列傳感器采集數(shù)據(jù)，實現(xiàn)對水質(zhì)質(zhì)量的實時監(jiān)控，當COD數(shù)據(jù)超出所期望的數(shù)值范圍，系統(tǒng)模擬專家操作，通過Modbus協(xié)議發(fā)送遠程控制指令，自動修正相關(guān)設(shè)備的運行參數(shù)，從而確保COD數(shù)據(jù)達到期望數(shù)值標準。針對上述設(shè)計思想，本研究采用強化學習(Reinforcement Learning，RL)算法實現(xiàn)污水處理過程的智能化運行。

強化學習是一種基于環(huán)境獲得獎懲從而指導事物的行為操作，以環(huán)境的反饋作為輸入的機器學習方法。通過與環(huán)境的交互，智能體(Agent)以“試錯”的方式進行學習,利用評價性的反饋信號改進策略，以便盡可能多地獲得來自環(huán)境的獎勵，從而獲得最優(yōu)策略以實現(xiàn)特定目標，這種方法也是自然界中人類或動物學習的基本途徑。近年來，國內(nèi)外學者針對強化學習在機器人、自動控制等領(lǐng)域的應(yīng)用進行了廣泛的研究和討論，強化學習已成為設(shè)計智能化運行系統(tǒng)的關(guān)鍵技術(shù)之一。

在本研究中，所設(shè)計的智能化運行控制圖見圖3。

圖3 智能化運行控制圖Fig.3 Schematic diagram of intelligent operation

如圖3所示，在控制器和被控設(shè)備之間既有正向控制，也有反饋控制，即系統(tǒng)的實際值對期望值會造成一定的影響。首先為系統(tǒng)設(shè)定一個期望COD值，然后將污水處理現(xiàn)場所采集的實際COD數(shù)據(jù)通過COD在線檢測儀，進而傳輸?shù)街腔畚鬯芸叵到y(tǒng)。最后，通過強化學習算法，系統(tǒng)將接收到的實際COD值與已設(shè)定好的期望COD值進行對比，產(chǎn)生一個偏差值，模擬專家操作并反饋給DTU產(chǎn)生Modbus指令作用于被控設(shè)備，自動修正相關(guān)設(shè)備的運行參數(shù)并改變設(shè)備運行狀態(tài)。其中，模擬的專家操作包括加熱目標溫度、設(shè)備啟停、在線檢測設(shè)備啟動、設(shè)定風機運行速率等。系統(tǒng)根據(jù)潛在的獎賞函數(shù)對已執(zhí)行操作產(chǎn)生一個強化信號(獎勵或懲罰)，通過所給予的獎勵或懲罰的刺激，系統(tǒng)利用評價性的反饋信號改進策略，動態(tài)地調(diào)整設(shè)備運行參數(shù)，從而獲得最優(yōu)策略以實現(xiàn)特定目標，即實際COD值與期望COD值相符合。強化學習算法充分發(fā)揮了反饋的重要作用，使校正決策更準確，從而實現(xiàn)污水處理過程的智能化運行。

1.3 預(yù)測性維護模塊

由于不確定因素和外界的干擾，污水處理過程出現(xiàn)故障的幾率大增，可能會受天氣、進水流量或者毒性物質(zhì)的影響，同時傳感器長時間處于酸性環(huán)境中容易被腐蝕而出現(xiàn)故障，導致系統(tǒng)不穩(wěn)定，從而使測量結(jié)果出現(xiàn)偏差。針對所采集數(shù)據(jù)的時效性特征，本研究采用LSTM神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)建模，研究該化工廠洗滌廢水的未來變化趨勢，從而實現(xiàn)對污水處理過程的預(yù)測性維護。

LSTM神經(jīng)網(wǎng)絡(luò)模型單元結(jié)構(gòu)見圖4。

圖4 LSTM神經(jīng)網(wǎng)絡(luò)模型單元結(jié)構(gòu)圖Fig.4 Unit structure diagram of LSTM neural network model

如圖4所示，圖中

f

為遺忘門(forget gate)；

i

為輸入門(input gate)；

o

為輸出門(output gate)；

C

-1、

C

表示

t

-1、

t

時刻的單元狀態(tài)。每一個LSTM 單元有3個輸入:當前時刻的輸入

X

、上一時刻的輸出

h

-1和上一時刻的單元狀態(tài)

C

-1；2個輸出：當前時刻的輸出

h

和單元狀態(tài)

C

。LSTM單元內(nèi)部通過3個門控制單元狀態(tài)，從而實現(xiàn)信息的丟棄、更新以及狀態(tài)的更新。其中

W

、

W

、

W

、

W

分別表示所對應(yīng)的權(quán)重；

σ

表示sigmoid函數(shù)；tan

h

表示雙曲正切激活函數(shù)。在本研究中，

X

代表輸入的預(yù)處理完的數(shù)據(jù)特征值，

C

-1是

t

-1時刻細胞記憶的COD濃度狀態(tài)，

h

-1是

t

-1時刻COD濃度的輸出結(jié)果，將三者共同送入

t

時刻的隱藏層，得到

h

，

h

是

t

時刻COD濃度的預(yù)測結(jié)果。通過對大量的監(jiān)控數(shù)據(jù)進行數(shù)據(jù)建模，從而實現(xiàn)對COD濃度變化趨勢的預(yù)測，可及時發(fā)現(xiàn)異常，便于管理人員執(zhí)行相應(yīng)措施，確保COD數(shù)據(jù)達到允許數(shù)值范圍之內(nèi)。

此外，系統(tǒng)也支持根據(jù)傳感器數(shù)據(jù)判斷智能設(shè)備是否發(fā)生故障。例如可通過振動傳感器、噪聲傳感器、電流電壓傳感器、液位傳感器等設(shè)備數(shù)據(jù)對風機、水泵等一些易損設(shè)備進行壽命預(yù)測，判斷該設(shè)備是否即將達到閾值或出現(xiàn)損壞、堵塞等問題，以便及時通知管理人員和維修人員對該設(shè)備進行檢查和維修。通過對污水處理過程的預(yù)測性維護，可方便管理人員對污水處理過程的管控，以有效降低安全風險。

2 應(yīng)用分析

在遠程交互模塊，通過實時采集污水處理現(xiàn)場的數(shù)據(jù)，確保智能設(shè)備運行穩(wěn)定。在本系統(tǒng)中，用戶既可以查看智能設(shè)備的即時數(shù)據(jù)，以及某一時間段內(nèi)的數(shù)據(jù)歷史記錄走勢，也可以下載所查詢數(shù)據(jù)，進而為智慧污水管控系統(tǒng)的智能化運行和預(yù)測性維護奠定基礎(chǔ)。

該系統(tǒng)已在青島某精細化工廠建成并投入使用且穩(wěn)定運行一年左右，所采集數(shù)據(jù)全部保存在數(shù)據(jù)庫中。以進水電磁流量計中的進水溫度為例查詢歷史記錄，查詢時間區(qū)間為2020年1月1日至2020年1月31日，其顯示界面見圖5。

首先，通過物聯(lián)網(wǎng)技術(shù)，實現(xiàn)對智能設(shè)備數(shù)據(jù)信息的采集，其中進水量分成兩種，分別為高濃度進水量和低濃度進水量。在本研究中，共獲取到了7個時序數(shù)據(jù)特征，分別是COD濃度、罐內(nèi)溫度、出水溫度、進水溫度、低濃度進水量、高濃排溫度以及高濃度進水量，其中進水量的值指過去48 h的累計數(shù)據(jù)值，數(shù)據(jù)詳情見表1。

圖5 查詢的進水溫度歷史記錄Fig.5 Interface of query of inflow temperature historical records

然后,采用LSTM神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)建模，用大量已有數(shù)據(jù)訓練LSTM神經(jīng)網(wǎng)絡(luò)模型，讓其充分學習，進行有效的趨勢預(yù)測，從而實現(xiàn)對污水處理過程的預(yù)測性維護。將現(xiàn)場采集的數(shù)據(jù)進行標準化預(yù)處理，將所有的數(shù)據(jù)值變?yōu)?到1區(qū)間段，以適合數(shù)據(jù)模型的輸入形式；然后將數(shù)據(jù)分為訓練集和測試集，用測試集來測試數(shù)據(jù)模型的優(yōu)化程度。本研究中所采用的數(shù)據(jù)集共37 d，日期是從2019年4月9日至2019年5月15日，其中90%作為訓練集，10%作為測試集。選取罐內(nèi)溫度、出水溫度、進水溫度、低濃度進水量、高濃排溫度、高濃度進水量為輸入層，COD濃度為輸出層，采用3層的LSTM神經(jīng)網(wǎng)絡(luò)模型，并進行模型的訓練與預(yù)測。

表1 數(shù)據(jù)詳情

圖6為LSTM神經(jīng)網(wǎng)絡(luò)模型訓練結(jié)果圖，其中橫坐標表示訓練模型所得出的COD濃度值，縱坐標表示實際COD濃度值。由圖6可見，利用已有數(shù)據(jù)訓練LSTM神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過訓練后，模型的擬合性較好，具有較高的準確性，對COD≤1 000 mg/L的數(shù)據(jù)，該模型的預(yù)測效果尤為顯著，表明該模型適合進行時序序列的預(yù)測。

圖6 LSTM神經(jīng)網(wǎng)絡(luò)模型訓練結(jié)果圖Fig.6 Training result of LSTM neural netwrok model

圖7為LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果圖，橫坐標表示LSTM神經(jīng)網(wǎng)絡(luò)模型所預(yù)測的COD濃度值，縱坐標表示實際COD濃度值。由圖7可見，預(yù)測模型能夠較好地擬合出COD濃度的變化趨勢,即說明LSTM神經(jīng)網(wǎng)絡(luò)模型能夠較為準確地預(yù)測COD濃度的變化趨勢。因此，LSTM神經(jīng)網(wǎng)絡(luò)算法可作為智慧污水管控系統(tǒng)中預(yù)測性維護模塊的算法支撐，為該化工廠安全管理人員提供技術(shù)支持，方便管理人員對污水處理過程的管控。

圖7 LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果圖Fig.7 Predicted result of LSTM neural netwrok model

3 結(jié)論與建議

本研究以青島市某精細化工廠為例，將人工智能技術(shù)與物聯(lián)網(wǎng)技術(shù)相結(jié)合并運用于該化工廠智慧污水管控系統(tǒng)中，通過一系列傳感器采集數(shù)據(jù)，實現(xiàn)對水質(zhì)質(zhì)量的實時監(jiān)測。該智慧污水管控系統(tǒng)主要包括3個模塊，分別是遠程交互模塊、智能運行模塊和預(yù)測性維護模塊。智慧污水管控系統(tǒng)中遠程交互模塊可實時顯示從污水處理現(xiàn)場采集的數(shù)據(jù)并可以遠程手動控制智能設(shè)備；深度學習中的LSTM神經(jīng)網(wǎng)絡(luò)算法可作為智慧污水管控系統(tǒng)中預(yù)測性模塊的算法支撐，可較為準確地預(yù)測COD濃度的變化趨勢，從而實現(xiàn)對污水處理過程的預(yù)測性維護；基于強化學習和專家系統(tǒng)的智能運行模塊可對該污水處理裝置進行管理。初步實驗結(jié)果表明：該系統(tǒng)可以實現(xiàn)對小型化、分布式的智慧污水管控系統(tǒng)的智能運行和預(yù)測性維護，具有可行性且運行穩(wěn)定。

由于本項目當前仍處于初期運行階段，數(shù)據(jù)的收集和建模仍在進行中，因此本研究將會持續(xù)收集數(shù)據(jù)，繼續(xù)改進和優(yōu)化算法，從而獲得更為準確的決策。此外，針對所使用的移動通訊設(shè)備，本研究后期會將通訊技術(shù)由4G提升為5G，使其速度更快、延遲更低，通過這些改進，以確保智慧污水管控系統(tǒng)的長期穩(wěn)定運行。