蔡朝陽，柳 源，沈曉莉，吳新國

(中海油天津化工研究設(shè)計(jì)院有限公司，天津正達(dá)科技有限責(zé)任公司，天津 300308)

目前，工業(yè)循環(huán)冷卻水處理系統(tǒng)正在加速數(shù)字化與智能化轉(zhuǎn)型，許多系統(tǒng)已經(jīng)安裝了在線檢測和遠(yuǎn)程控制裝置，但大多數(shù)裝置只能提供數(shù)據(jù)展示和可視化，無法自動(dòng)判斷系統(tǒng)運(yùn)行狀況。隨著國家大力發(fā)展數(shù)字經(jīng)濟(jì)和人工智能，研發(fā)能自動(dòng)判斷和調(diào)整循環(huán)水系統(tǒng)的水處理裝置已變得極為必要。

循環(huán)水的濃縮或稀釋條件是循環(huán)水冷卻系統(tǒng)運(yùn)行狀態(tài)中最重要的指標(biāo)之一[1]。它綜合反映了循環(huán)水系統(tǒng)補(bǔ)水、排水和熱負(fù)荷等參數(shù)。準(zhǔn)確掌握循環(huán)水濃縮與稀釋情況，可以提前預(yù)警循環(huán)水補(bǔ)排水異常和漏水問題。

線性回歸算法是人工智能中最基本的機(jī)器學(xué)習(xí)算法，也是目前應(yīng)用最廣泛的算法之一，普遍用于數(shù)據(jù)預(yù)測與線性相關(guān)分析[2]。本文將在線檢測的電導(dǎo)率數(shù)據(jù)與線性回歸算法結(jié)合，擬合一段時(shí)間內(nèi)電導(dǎo)率變化成一條直線，直線斜率用來判斷循環(huán)水的濃縮狀態(tài)。

1 線性回歸算法原理

1)x、y均為輸入?yún)?shù)，x原為采集時(shí)間，共有n個(gè)，但時(shí)間格式無法參與計(jì)算，即將時(shí)間轉(zhuǎn)換為由1到n整數(shù)列，并與時(shí)間對(duì)應(yīng)，y為相應(yīng)電導(dǎo)率值。

w，b∈R

4)因共有n個(gè)時(shí)刻的電導(dǎo)率，所以要建立一個(gè)總體損失函數(shù)，方程為損失函數(shù)的算術(shù)平均值的二分之一，總體損失函數(shù)表征預(yù)測值與實(shí)際值的近似程度。

5)為了找到J(w，b)最優(yōu)解，我們使用反向傳播算法，通過鏈?zhǔn)角髮?dǎo)法，反向推進(jìn)，逐步求出該函數(shù)對(duì)于未知數(shù)w，b的偏導(dǎo)數(shù)：

7)根據(jù)最優(yōu)解的w值及擬合的直線斜率來判斷時(shí)間n內(nèi)電導(dǎo)率變化情況，及水系統(tǒng)濃縮情況，當(dāng)w大于0時(shí)，水系統(tǒng)電導(dǎo)率呈整體上升趨勢；w小于0 時(shí)，水系統(tǒng)電導(dǎo)率呈整體下降趨勢。

2 線性回歸算法實(shí)現(xiàn)

本次線性回歸算法實(shí)現(xiàn)是通過python編程語言，結(jié)合Pandas和numpy庫進(jìn)行科學(xué)計(jì)算，通過matplotlib庫實(shí)現(xiàn)可視化。

2.1 數(shù)據(jù)源

本次研究數(shù)據(jù)來源于某石化公司循環(huán)水系統(tǒng)近一年的歷史數(shù)據(jù)，該系統(tǒng)的保有水量為2.5萬m3，循環(huán)水量為7萬m3/h。正常運(yùn)行時(shí)，濃縮倍數(shù)在7～10。該水系統(tǒng)安裝了在線檢測和遠(yuǎn)程控制系統(tǒng)，可以監(jiān)測pH值、電導(dǎo)率、氧化還原電位和藥劑濃度等參數(shù)，每分鐘向云服務(wù)器上傳一次數(shù)據(jù)。該水系統(tǒng)熱負(fù)荷較高，濃縮速度較快，十分適合本次算法的實(shí)現(xiàn)與驗(yàn)證。

我們?cè)谔旖蛘_(dá)科技有限責(zé)任公司自主研發(fā)的“正達(dá)智慧水質(zhì)控制云平臺(tái)”上下載了該系統(tǒng)近半年的歷史電導(dǎo)率數(shù)據(jù)，采用Python的Pandas庫讀取這些電導(dǎo)率歷史數(shù)據(jù)。

2.2 數(shù)據(jù)預(yù)處理

2.2.1 缺失、異常值處理

在對(duì)電導(dǎo)率歷史數(shù)據(jù)進(jìn)行線性回歸分析前，必須先對(duì)數(shù)據(jù)進(jìn)行處理，消除異常值和缺失值。

對(duì)于缺失值，我們遍歷整個(gè)數(shù)據(jù)集，定位缺失的數(shù)據(jù)點(diǎn)，并用上一時(shí)間節(jié)點(diǎn)的數(shù)據(jù)進(jìn)行替換。這可以最大限度地補(bǔ)充丟失的數(shù)據(jù)，使數(shù)據(jù)集更加完整。

對(duì)于異常值，需要將整個(gè)數(shù)據(jù)近似看作服從正態(tài)分布，計(jì)算出平均值μ與標(biāo)準(zhǔn)差σ。如果某個(gè)數(shù)據(jù)值落在μ±3σ區(qū)間外，即可判斷該數(shù)據(jù)異常，并將其替換為上一時(shí)刻的數(shù)據(jù)[3]。

2.2.2 數(shù)據(jù)類型處理

為了更好的實(shí)現(xiàn)線性回歸算法，需設(shè)定每次線性回歸時(shí)所截取的初始位置和范圍(本文設(shè)定初始位置start=10000，范圍area=2000)。將時(shí)間轉(zhuǎn)換為整數(shù)列，并通過numpy庫將電導(dǎo)率值及整數(shù)列均轉(zhuǎn)換為矩陣格式。圖1為電導(dǎo)率折線圖。

圖1 start=10000，area=2000時(shí)電導(dǎo)率圖

2.3 線性回歸算法

設(shè)定迭代次數(shù)m=500次，初始設(shè)定w，b均為1，設(shè)定w的學(xué)習(xí)速率為a=10-6，b的學(xué)習(xí)速率為c=0.1，根據(jù)線性回歸原理編寫代碼，并每迭代100次打印w、b、J的值。

運(yùn)行結(jié)果如下：

第1次循環(huán)，w：1.1977805665，b：53.74745000000001，J：301909.00675

第100次循環(huán)，w：0.1164001784998458，b：1379.196607649783，J：2476.082405

第200次循環(huán)，w：0.0212565758988605，b：1503.7705236895，J：28.4377887435

第300次循環(huán)，w：0.0125798508467344，b：1515.13117841144，J：8.0813947012

第400次循環(huán)，w：0.0117885674017936，b：1516.1672257623，J：7.91209611774

第500次循環(huán)，w：0.0117164054413215，b：1516.261709235，J：7.910688107473

由以上看出，隨著迭代開始，J值迅速下降，并最終收斂于7.91左右，最終w值為0.01172，b值為1516.2617。w值為正值，該時(shí)間范圍內(nèi)水系統(tǒng)為濃縮過程。將直線繪制至電導(dǎo)率圖像內(nèi)可得到圖2。

圖2 start =10000，area=2000時(shí)電導(dǎo)率及趨勢線圖

3 實(shí)驗(yàn)室分析數(shù)據(jù)對(duì)比

對(duì)起始位置start取不同值，area不變，得出不同時(shí)間段內(nèi)水系統(tǒng)濃縮情況變化(表1)。再通過與實(shí)驗(yàn)室分析濃縮倍數(shù)變化情況做出對(duì)比，以確定如何以w值判斷水系統(tǒng)濃縮情況。

表1 算法結(jié)果與實(shí)驗(yàn)室分析對(duì)比

由表1看出，當(dāng)w值處于-0.005～0.005之間時(shí)，可判斷水系統(tǒng)處于既不濃縮也不稀釋的穩(wěn)定運(yùn)行狀態(tài)；當(dāng)w>0.005時(shí)，水系統(tǒng)處于濃縮狀態(tài)；當(dāng)w<-0.005時(shí)，水系統(tǒng)處于稀釋狀態(tài)。

4 算法修正

上述線性回歸算法雖然可以自動(dòng)判斷一定時(shí)間范圍內(nèi)電導(dǎo)率變化趨勢，但考慮到實(shí)際情況，當(dāng)上述算法對(duì)實(shí)時(shí)采集的電導(dǎo)率進(jìn)行判斷時(shí)，會(huì)出現(xiàn)一定的滯后性(如先升后降時(shí)，當(dāng)電導(dǎo)率降低至一定程度時(shí)w值才會(huì)變?yōu)樨?fù)數(shù))。

此時(shí)可采用對(duì)w值的實(shí)時(shí)監(jiān)測進(jìn)行彌補(bǔ)，即在進(jìn)行實(shí)時(shí)線性回歸時(shí)最優(yōu)解中w的變化情況。通過代碼對(duì)取值初始位置(start=10000)不斷向后迭代(200次)以模擬實(shí)時(shí)采集判斷(area保持2000不變)，記錄每次迭代中w的最優(yōu)值，如圖3。

圖3 w值變化曲線圖

由圖3看出，w值再不斷升高，也就表明再水系統(tǒng)在后 200 min 內(nèi)濃縮是逐漸加劇的。對(duì)比圖4中藍(lán)框中數(shù)據(jù)表明，該 200 min 電導(dǎo)率是急劇上升的。這樣就可以通過w值的變化情況來表征一部分系統(tǒng)濃縮情況。即當(dāng)出現(xiàn)表2中的情況時(shí)可給予判斷。(本次w值以w1標(biāo)識(shí)，上次為w0)

表2 濃縮情況修正表

圖4 start =10000，area=2200時(shí)電導(dǎo)率及趨勢線圖

5 不足

線性回歸算法作為機(jī)器學(xué)習(xí)中基礎(chǔ)算法，擁有模型簡單、解釋性強(qiáng)等優(yōu)勢，但也有不足之處：

1)對(duì)異常值敏感，異常值會(huì)對(duì)最優(yōu)解產(chǎn)生極大的影響，所以使用線性回歸時(shí)必須提前對(duì)異常值進(jìn)行處理[4]。

2)通過對(duì)電導(dǎo)率進(jìn)行線性回歸對(duì)水系統(tǒng)濃縮情況的判斷，過于依賴電導(dǎo)率的準(zhǔn)確性，并容易被電導(dǎo)率的異常升高或降低誤導(dǎo)，如漏入高鹽水或系統(tǒng)出現(xiàn)鹽的沉積等，所以研發(fā)出更多的可以表征濃縮情況的在線檢測探頭，如K+、SiO2等，結(jié)合多個(gè)參數(shù)可以得到更加準(zhǔn)確的判斷。

3)線性回歸存在一定滯后性。因電導(dǎo)率在線檢測波動(dòng)性，我們無法設(shè)定較小的時(shí)間范圍。這會(huì)導(dǎo)致在判斷變化趨勢時(shí)出現(xiàn)滯后。

6 結(jié)語

通過使用線性回歸算法對(duì)循環(huán)水系統(tǒng)電導(dǎo)率進(jìn)行趨勢判斷，可輔助水處理工作者們判斷循環(huán)水處理系統(tǒng)運(yùn)行狀態(tài)，以便更好地管理循環(huán)水系統(tǒng)。

下一步工作，將通過優(yōu)化算法，解決上述不足，并將更多的人工智能算法如聚類算法、決策樹、神經(jīng)網(wǎng)絡(luò)算法、強(qiáng)化學(xué)習(xí)等引入到工業(yè)循環(huán)水處理工作中[5]。

未來，隨著人工智能技術(shù)發(fā)展，高效的智能系統(tǒng)將逐漸廣泛應(yīng)用于工業(yè)生產(chǎn)各環(huán)節(jié)。工業(yè)4.0的實(shí)施離不開高水平的人才與技術(shù)支撐，這也是工業(yè)發(fā)展與轉(zhuǎn)型升級(jí)的必然要求。我們應(yīng)抓住歷史機(jī)遇，努力提高自身的知識(shí)與技能，致力于人工智能技術(shù)的研發(fā)與應(yīng)用，為人類社會(huì)的進(jìn)步與發(fā)展作出應(yīng)有的貢獻(xiàn)。