摘 要：出水總氮（TN）和總磷（TP）是衡量水質(zhì)的重要指標，用人工方法分析存在很大的滯后性且難以測量。針對污水處理過程中強非線性、隨機干擾等因素帶來的一系列問題，運用基于關(guān)聯(lián)向量機（RVM）的軟測量方法，通過數(shù)據(jù)訓(xùn)練建立起水質(zhì)軟測量模型。試驗結(jié)果表明，基于關(guān)聯(lián)向量機的污水處理軟測量模型能起到較好的預(yù)測效果，適合工業(yè)應(yīng)用。

關(guān)鍵詞：軟測量;關(guān)聯(lián)向量機;污水處理

0 ? ?引言

當前，污水排放量隨著城市化推進和工農(nóng)業(yè)發(fā)展而日益增加。我國近年興建了大量的污水處理廠，來改善水資源環(huán)境，以免其進一步惡化[1]。由于污水處理過程機理復(fù)雜，為建立良好的監(jiān)測機制，保證良好的出水水質(zhì)，必須及時監(jiān)控污水處理過程中的水質(zhì)參數(shù)。根據(jù)國家相關(guān)排放標準，總氮（TN）、總磷（TP）是衡量水質(zhì)好壞的重要指標，但目前大部分檢測由人工完成，存在難以在線測量、時間延遲長、無法實時監(jiān)控調(diào)節(jié)等問題。而水質(zhì)在線檢測儀的技術(shù)尚不完善，存在檢測精度不高、維護困難、設(shè)備昂貴等問題。為此，近年來興起了軟測量技術(shù)，能夠代替硬件儀表進行實時測量，針對污水處理過程中難以測量或暫時不能測量的參數(shù)，通過建立某種數(shù)學(xué)模型，對其進行估計。國外在軟測量技術(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)指標的軟測量研究中，國內(nèi)外專家提出了多種智能建模方法，如神經(jīng)網(wǎng)絡(luò)、支持向量機等，其中以神經(jīng)網(wǎng)絡(luò)為建模工具的基于知識的方法研究最為活躍[3]。神經(jīng)網(wǎng)絡(luò)法采用經(jīng)驗風險最小化的原則，在樣本有限的條件下，學(xué)習(xí)過程容易陷入過學(xué)習(xí)、維數(shù)災(zāi)難、局部最小等境地，而支持向量機的支持向量個數(shù)隨著訓(xùn)練樣本的增大而線性增大，導(dǎo)致在線檢測時間更長;而且支持向量機的懲罰因子難以選擇合適的值，設(shè)置不當容易引起過學(xué)習(xí)問題。關(guān)聯(lián)向量機（RVM）基于貝葉斯框架構(gòu)建，其泛化能力優(yōu)于支持向量機，且其測試時間更短，更適用于在線檢測。為此，本文提出引入關(guān)聯(lián)向量機（RVM）這一軟測量方法，建立水質(zhì)中重要指標總氮（TN）和總磷（TP）的模型。

1 ? ?污水處理工藝

一個典型的污水處理過程如圖1所示，該污水處理過程又叫活性污泥法處理過程，它包括初沉池、曝氣池和二沉池[4]。初沉池用來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污染物與活性污泥充分接觸，并吸附和氧化分解有機污染物;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)曝氣池賴以進行生化反應(yīng)的微生物，剩余污泥作為固體廢物排出做進一步處理。

2 ? ?關(guān)聯(lián)向量機

關(guān)聯(lián)向量機是M. E. Tipping提出的跟支持向量機類似的稀疏概率模型，它是在貝葉斯框架下進行的，基于主動相關(guān)決策理論，在先驗參數(shù)的結(jié)構(gòu)中移除不相關(guān)的點，從而獲得稀疏的模型。同支持向量機（SVM）相比，關(guān)聯(lián)向量機具有以下優(yōu)點：（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)向量機的出水TN和TP預(yù)測模型和試驗

污水處理過程是一個多變量、多目標、多層次、含海量信息的復(fù)雜系統(tǒng)，各種參數(shù)之間存在強烈的耦合和關(guān)聯(lián)。在本研究中出水TN選擇流量、進水濁度、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個參數(shù);出水TP選擇流量、進水濁度、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)進行軟測量建模，選取250個樣本，經(jīng)過3σ法則預(yù)處理后，剩余222個樣本，選取200個樣本，將其中前170個樣本作為訓(xùn)練樣本建立模型，后30個樣本作為測試樣本檢驗?zāi)Ｐ偷姆夯芰?，對TN與TP的30個泛化樣本的檢測結(jié)果如圖2所示。

從表1可以看出，對比神經(jīng)網(wǎng)絡(luò)和支持向量機的建模效果，關(guān)聯(lián)向量機在各項性能上都有提升?；陉P(guān)聯(lián)向量機的出水TN模型預(yù)測誤差平均值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)和支持向量機建立的模型，體現(xiàn)出關(guān)聯(lián)向量機在小樣本情況下具有更好的泛化能力。

4 ? ?結(jié)語

本文基于關(guān)聯(lián)向量機建立了水質(zhì)中重要指標總氮（TN）和總磷（TP）的模型，實驗例證表明，在小樣本情況下，基于關(guān)聯(lián)向量機所建立的模型比神經(jīng)網(wǎng)絡(luò)和支持向量機建立的模型具有更好的泛化能力，對于進一步實現(xiàn)污水自動化的實時控制有一定的應(yīng)用價值。

[參考文獻]

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

[2] 劉勇.基于關(guān)聯(lián)向量機建模方法及化工軟測量應(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（自然科學(xué)版），2021，49（6）：100-108.

[4] 楊吉祥.污水處理軟測量技術(shù)研究進展[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

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