(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910409208.1
(22)申请日 2019.05.17
(71)申请人 中冶华天工程技术有限公司
地址 243000 安徽省马鞍山市经济技术开
发区湖西南路259号福昌工业园
申请人 中冶华天南京工程技术有限公司
(72)发明人 钱小聪 韦雪文 高心宇 王星星
周煜申
(74)专利代理机构 马鞍山市金桥专利代理有限
公司 34111
代理人 王益西
(51)Int.Cl.
G06F 17/50(2006.01)
G06Q 10/04(2012.01)
G06N 20/00(2019.01)
(54)发明名称
(57)摘要
本发明公开了一种机器学习和工艺仿真的
污水处理目标参数预测方法，涉及污水处理技术
领域。该机器学习和工艺仿真的污水处理目标参
数预测方法，包括如下步骤：同时建立和维护工
仿真的污水处理目标参数预测方法，把机器学习
和工艺仿真进行集成，对污水处理的某个或多个
目标参数进行预测，不同于单一的机器学习，也
不同于单一工艺仿真模型，而是巧妙地把仿真模
行互补，成为一种新的智能模型，从而很好的保
证了污水处理过程积累的历史样本的质量，以及
保证了正负样本的平衡，同时加强了样本空间分
布的合理性，
加强了机器学习的效果。权利要求书2页 说明书5页 附图3页CN 110110466 A 2019.08.09
C N 110110466
A
1.一种机器学习和工艺仿真的污水处理目标参数预测方法，其特征在于：包括如下步骤：
S1、同时建立和维护工艺仿真模型和机器学习模型，并把工艺仿真模型在软件上开发实现为工艺仿真模块，把机器学习模型在软件上开发实现为机器学习引擎；
S2、工艺仿真模型的仿真输出记录到数据库里形成记录，为机器学习模型建模和优化提供样本，机器学习模型的性能评价，通过分析得出新增的仿真需求，对工艺仿真模型进行驱动；
S3、建立污水处理目标参数预测模型，具体操作如下：
3-1.根据数据库里保存的污水处理厂生产运行历史记录，完成工艺仿真模块中各配置项的校准。
3-2.对于校准好的工艺仿真模块，根据输入数据(进水数据、环境数据以及过去时刻的输出数据)，得到仿真计算的输出。
3-3.把通过仿真得到各组数据，以记录的方式，逐条加入到数据库中，和历史数据记录合并，作为机器学习所使用的样本库。
3-4.把样本库里的样本划分为训练集和测试集，划分的方法包括交叉验证和hold-out、bootstrapping方法。
3-5.建立机器学习模型。
3-6.评价机器学习模型的性能，如果接受评价结果，转入步骤3-7，否则转入步骤3-8。
3-7.将模型参数配置到实际预测所用的机器学习引擎中。
3-8.进一步判断性能不理想的原因在于机器学习模型的参数，还是样本数据本身的问题，如果原因在于机器学习模型的参数，则进行步骤3-9，否则进入步骤3-10。
3-9.尝试通过调整机器学习模型的参数对模型进行改进。
3-10.评估需要扩充样本的类型T i，和每类样本的数量q i，i＝1,2,...,N。
3-11.对于每类样本T i，通过专业知识映射出相应的工艺场景C i。
3-12.在工艺仿真模块中，配置符合工艺场景C i的输入参数集合，这样的集合共有q i套。当每一套输入进行仿真计算得到输出后，形成一条完整的记录。
3-13.把条构建的记录加入到样本空间中；
S4、应用污水处理目标参数预测模型进行计算，具体操作如下：
4-1.通过传感器、仪器仪表和PLC设备实时采集并检测得到污水处理厂的进水数据、出水数据和与工艺有关的数据。
4-2.把步骤4-1得到的数据，送入机器学习引擎，得到目标参数的预测值。
4-3.当检测或化验获得目标参数真实值时，把它与目标参数预测值按照误差评价准则进行评价计算。
4-4.根据误差评价结果，对机器学习模型参数进行调整。
4-5.根据误差评价结果，结合专业知识，对仿真器模型参数进行调整。
4-6.将步骤4-1采集到数据和步骤4-3中采集到的目标参数真实值，构成完整的记录，写入到历史数据库
中。
2.根据权利要求1所述的一种机器学习和工艺仿真的污水处理目标参数预测方法，其
特征在于：在步骤S3中的步骤3-1中，进水数据包括且不局限于水量、水温和水质(COD、氨氮、pH、SS和ORP)数据；出水数据包括且不局限于水量和水质(COD、氨氮、总氮和总磷)数据；与工艺有关的数据包括各工艺段与污水有关的监测数据(溶解氧、COD、氨氮、硝氮、SS、pH、水温和碱度)、与污泥有关的监测数据、生产设备(曝气装置、鼓风机和泵站)运行数据、药物投放数据。
3.根据权利要求1所述的一种机器学习和工艺仿真的污水处理目标参数预测方法，其特征在于：在步骤S3中的步骤3-1中，对于不具备实时检测条件，采用实验室化验得到数据，也将被记录下来，通过适当处理后，和实时检测到的数据一起作为输入数据。
4.根据权利要求1所述的一种机器学习和工艺仿真的污水处理目标参数预测方法，其特征在于：在步骤S3中的步骤3-5中，所用模型可以是基于神经网络的、基于支持向量机的、基于决策树的、基于贝叶斯决策的、基于概率图的、基于深度学习的，也可以是上述模型的改进或变种，还可以是在上述模型中同时选择若干种作为基学习器并在其基础上进行集成学习。
一种机器学习和工艺仿真的污水处理目标参数预测方法
技术领域
[0001]本发明涉及污水处理技术领域，具体为一种机器学习和工艺仿真的污水处理目标参数预测方法。
背景技术
[0002]当前，活性污泥法是城镇污水处理、工业废水处理过程中普遍使用的工艺。在采用活性污泥法进行污水处理的生产过程中，经常需要对一些指标进行重点监测，比如出水的水质是否达标，工艺的关键控制参数是否匹配当前进水和环境的变化，由于这些指标的采集化验存在时间上的迟滞，因此把指标作为目标参数进行预测是污水处理过程中普遍的需求。但是，污水处理过程本身就是一个多时变、高耦合、大时滞的非线性系统，给目标参数的预测带来了很大的困难。
[0003]为了更好地对目标参数的预测，基于国际水协会发布的活性污泥模型(包括ASM1、ASM2、ASM2d、ASM3模型)构建计算机仿真模型，计算污水处理过程的目标参数，是一种解决方案，并已在一些污水处理厂的设计和运行中得到应用。但是，基于活性污泥模型的计算机仿真方法不仅在初始建模时需要基于专业知识进行大量的仿真参数调试工作，而且在实际应用中仍然需要根据历史数据周期性地去优化参数，即使这样，仍难以根据污水处理实际运行中进水的变化做出实时反应并给出有效的控制策略。
[0004]在现有技术中，采用机器学习来进行污水处理目标参数的预测，但是在实际应用中，机器学习的效果不仅与选择的模型和参数有关，还与是否具备足够数量的合格样本息息相关，污水处理过程积累的历史样本往往存在质量问题(比如仪表示数的漂移、测量误差)，以及正负样本的不平衡(比如记录出水水质超标的负样本数量不足)，存在样本空间分布的不合理，直接导致机器学习的效果低于预期。
发明内容
[0005](一)解决的技术问题
[0006]针对现有技术的不足，本发明提供了一种机器学习和工艺仿真的污水处理目标参数预测方法，解决了污水处理目标参数预测的机器学习方法实际应用效果不佳问题。这是因为机器学习的效果不仅与选择的模型和参数有关，还与是否具备足够数量的合格样本息息相关。污水处理过程积累的历史样本往往存在质量问题(比如仪表示数的漂移、测量误差)，以及正负样本的不平衡(比如记录出水水质超标的负样本数量不足)，存在样本空间分布的不合理，直接导致机器学习的效果低于预期的问题。
[0007](二)技术方案
[0008]为实现以上目的，本发明通过以下技术方案予以实现：一种机器学习和工艺仿真的污水处理目标参数预测方法，包括如下步骤：
[0009]S1、同时建立和维护工艺仿真模型和机器学习模型，并把工艺仿真模型在软件上开发实现为工艺仿真模块，把机器学习模型在软件上开发实现为机器学习引擎；
[0010]S2、工艺仿真模型的仿真输出记录到数据库里形成记录，为机器学习模型建模和优化提供样本，机器学习模型的性能评价，通过分析得出新增的仿真需求，对工艺仿真模型进行驱动；
[0011]S3、建立污水处理目标参数预测模型，具体操作如下：
[0012]3-1.根据数据库里保存的污水处理厂生产运行历史记录，完成工艺仿真模块中各配置项的校准。
[0013]3-2.对于校准好的工艺仿真模块，根据输入数据(进水数据、环境数据以及过去时刻的输出数据)，得到仿真计算的输出。
[0014]3-3.把通过仿真得到各组数据，以记录的方式，逐条加入到数据库中，和历史数据记录合并，作为机器学习所使用的样本库。
[0015]3-4.把样本库里的样本划分为训练集和测试集，划分的方法包括交叉验证和hold-out、bootstrapping方法。
[0016]3-5.建立机器学习模型。
[0017]3-6.评价机器学习模型的性能，如果接受评价结果，转入步骤3-7，否则转入步骤3-8。
[0018]3-7.将模型参数配置到实际预测所用的机器学习引擎中。
[0019]3-8.进一步判断性能不理想的原因在于机器学习模型的参数，还是样本数据本身的问题，如果原因在于机器学习模型的参数，则进行步骤3-9，否则进入步骤3-10。[0020]3-9.尝试通过调整机器学习模型的参数对模型进行改进。
[0021]3-10.评估需要扩充样本的类型T i，和每类样本的数量q i，i＝1,2,...,N。[0022]3-11.对于每类样本T i，通过专业知识映射出相应的工艺场景C i。
[0023]3-12.在工艺仿真模块中，配置符合工艺场景C i的输入参数集合，这样的集合共有q i套。当每一套输入进行仿真计算得到输出后，形成一条完整的记录。
[0024]3-13.把条构建的记录加入到样本空间中；
[0025]S4、应用污水处理目标参数预测模型进行计算，具体操作如下：
[0026]4-1.通过传感器、仪器仪表和PLC设备实时采集并检测得到污水处理厂的进水数据、出水数据和与工艺有关的数据。
[0027]4-2.把步骤4-1得到的数据，送入机器学习引擎，得到目标参数的预测值。[0028]4-3.当检测或化验获得目标参数真实值时，把它与目标参数预测值按照误差评价准则进行评价计算。
[0029]4-4.根据误差评价结果，对机器学习模型参数进行调整。
[0030]4-5.根据误差评价结果，结合专业知识，对仿真器模型参数进行调整。
[0031]4-6.将步骤4-1采集到数据和步骤4-3中采集到的目标参数真实值，构成完整的记录，写入到历史数据库中。
[0032]优选的，在步骤S3中的步骤3-1中，进水数据包括且不局限于水量、水温和水质(COD、氨氮、pH、SS和ORP)数据；出水数据包括且不局限于水量和水质(COD、氨氮、总氮和总磷)数据；与工艺有关的数据包括各工艺段与污水有关的监测数据(溶解氧、COD、氨氮、硝氮、SS、pH、水温和碱度)、与污泥有关的监测数据、生产设备(曝气装置、鼓风机和泵站)运行
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议