劉鴻斌 李祥宇 楊沖

摘要：針對(duì)造紙廢水處理過程的復(fù)雜特性，本課題將主成分分析（PCA）與人工神經(jīng)網(wǎng)絡(luò)（ANN）和支持向量回歸（SVR）相結(jié)合，構(gòu)建出兩種新的軟測量模型：主成分分析-人工神經(jīng)網(wǎng)絡(luò)（PCA-ANN）和主成分分析-支持向量回歸（PCA-SVR）。本課題將這兩種軟測量模型應(yīng)用于造紙廢水處理過程中出水化學(xué)需氧量（COD）和出水懸浮固形物（SS）濃度的預(yù)測。計(jì)算結(jié)果表明，PCA-ANN和PCA-SVR的預(yù)測效果均優(yōu)于偏最小二乘、支持向量回歸和人工神經(jīng)網(wǎng)絡(luò)3種常規(guī)軟測量模型，并且PCA-ANN的預(yù)測效果最優(yōu)。對(duì)于出水COD濃度預(yù)測，PCA-ANN的決定系數(shù)（R2）為0.984，均方誤差（MSE）為1.892，較ANN分別優(yōu)化了9.7%和71.5%。對(duì)于出水SS濃度預(yù)測，PCA-ANN的R2為0.762，MSE為0.228，較ANN分別優(yōu)化了31.2%和58.7%。

關(guān)鍵詞：造紙廢水處理；主成分分析；支持向量回歸；人工神經(jīng)網(wǎng)絡(luò)；偏最小二乘；軟測量

中圖分類號(hào)：X793

文獻(xiàn)標(biāo)識(shí)碼：A

DOI：10.11981/j.issn.1000-6842.2018.04.50

在造紙廢水處理過程中，由于一些工業(yè)參數(shù)的在線測量傳感器缺乏[1]以及造紙廢水處理過程的非線性、時(shí)變性、不確定性、復(fù)雜性和滯后性等特點(diǎn)，導(dǎo)致某些與出水水質(zhì)指標(biāo)相關(guān)的關(guān)鍵參數(shù)無法實(shí)現(xiàn)在線測量，這直接影響到廢水處理過程的實(shí)時(shí)控制和優(yōu)化操作[2]。在造紙廢水處理過程中，通過建立出水水質(zhì)的關(guān)鍵變量與進(jìn)水水質(zhì)關(guān)鍵變量之間的關(guān)系，從而得到出水水質(zhì)關(guān)鍵參數(shù)的軟測量模型，可以更好地對(duì)廢水處理過程進(jìn)行控制。

軟測量常規(guī)的建模方法有機(jī)理建模法、回歸分析法、支持向量機(jī)法和神經(jīng)網(wǎng)絡(luò)法等[3]。偏最小二乘（PartialLeastSquares，PLS）算法是一種新型的多元統(tǒng)計(jì)回歸分析算法，該方法易受過程非線性特性和系統(tǒng)外部干擾等因素的影響而失效。針對(duì)這些問題，楊浩等[4]研究了遞歸偏最小二乘（RecursivePartialLeastSquares，RPLS）算法的造紙廢水處理過程軟測量建模。支持向量機(jī)是基于結(jié)構(gòu)最小化原則的人工智能技術(shù)，支持向量回歸（SupportVectorRegression，SVR）是支持向量機(jī)在回歸預(yù)測方面的一種算法，該算法可以克服回歸分析方法不適用于非線性過程問題。徐方舟等[5]通過SVR方法實(shí)現(xiàn)對(duì)化學(xué)需氧量（COD）質(zhì)量濃度的預(yù)測。水質(zhì)預(yù)測模型需要多種水質(zhì)指標(biāo)作為輸入變量，但變量過多會(huì)造成一定的信息重疊，使模型的預(yù)測效果變差。吳慧英等[6]在構(gòu)建SVR模型對(duì)池塘溶解氧預(yù)測時(shí)利用了理論較為完善的主成分分析（PrincipalComponentAnalysis，PCA）方法對(duì)輸入變量進(jìn)行降維處理，這種將PCA和SVR相結(jié)合的模型得到了很高的預(yù)測精度。劉博等[3]利用PCA和最小二乘支持向量回歸（LeastSquareSupportVectorRegression，LSSVR）相結(jié)合的模型對(duì)厭氧消化過程中的揮發(fā)性脂肪酸進(jìn)行預(yù)測，該模型也具有較好的預(yù)測能力。人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）是通過模仿人類大腦神經(jīng)元處理信息方式從而形成的一種智能算法[7]，該方法的優(yōu)點(diǎn)在于其擁有自學(xué)習(xí)、自適應(yīng)和自處理功能，其缺點(diǎn)在于泛化能力不足。將ANN和其他方法相結(jié)合的軟測量建模方法可以克服單獨(dú)使用ANN方法的局限性。Lee等[8]通過多元統(tǒng)計(jì)過程控制和基于虛擬傳感器的神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合的方法開發(fā)了污水處理廠遠(yuǎn)程控制系統(tǒng)。

針對(duì)造紙廢水處理過程的特點(diǎn)，筆者構(gòu)建主成分分析-支持向量回歸（PrincipalComponentAnalysis-SupportVectorRegression，PCA-SVR）和主成分分析-人工神經(jīng)網(wǎng)絡(luò)（PrincipalComponentAnalysis-ArtificialNeuralNetwork，PCA-ANN）對(duì)出水化學(xué)需氧量（COD）和出水懸浮固形物（SS）濃度進(jìn)行預(yù)測，并與PLS、SVR、ANN模型進(jìn)行對(duì)比。

3結(jié)論

通過構(gòu)建偏最小二乘（PLS）、支持向量回歸（SVR）、人工神經(jīng)網(wǎng)絡(luò)（ANN）、主成分分析-支持向量回歸（PCA-SVR）、主成分分析-人工神經(jīng)網(wǎng)絡(luò)（PCA-ANN）5種模型對(duì)造紙廢水處理過程中出水化學(xué)需氧量（COD）和出水懸浮固形物（SS）濃度進(jìn)行預(yù)測。計(jì)算結(jié)果表明，非線性SVR和ANN建模方法的預(yù)測效果要優(yōu)于線性PLS的預(yù)測效果；在5種模型中，基于PCA降維模型的軟測量方法可以獲得更好的預(yù)測效果，且PCA-ANN的預(yù)測效果最優(yōu)?？紤]到PCA-ANN與PCA-SVR2種模型的預(yù)測精度受各自模型參數(shù)的影響較大，本課題組下一步將研究模型參數(shù)的選擇對(duì)模型預(yù)測精度的影響。

參考文獻(xiàn)

[1]ZhuXF，LiY，HuangDP.Theoverviewoncontrolandoptimizationinwastewatertreatmentprocesses[J].Automation&InformationEngineering，2009，30（3）：7.

朱學(xué)峰，李艷，黃道平.污水處理過程的控制與優(yōu)化綜述[J].自動(dòng)化與信息工程，2009，30（3）：7.

[2]ZhaoC，DaiKC，WangGP，etal.Softsensormodelingforwastewatertreatmentprocessbasedonadaptiveweightedleastsquaressupportvectormachines[J].ChineseJournalofScientificInstrument，2015，36（8）：1792.

趙超，戴坤成，王貴評(píng)，等.基于AWLS-SVM的污水處理過程軟測量建模[J].儀器儀表學(xué)報(bào)，2015，36（8）：1792.

[3]LiuB，WanJQ，HuangMZ，etal.APCA-LSSVMmodelforon-linepredictionoftheeffluentVFAinananaerobicwastewatertreatmentsystem[J].ActaScientiaeCircumstantiae，2015，35（6）：1768.

劉博，萬金泉，黃明智，等.基于PCA-LSSVM的厭氧廢水處理系統(tǒng)出水VFA在線預(yù)測模型[J].環(huán)境科學(xué)學(xué)報(bào)，2015，35（6）：1768.

[4]YangH，MoWL，XiongZX，etal.SoftsensormodelingofpapermakingeffluenttreatmentprocessesusingRPLS[J].ChinaPulp&Paper，2016，35（10）：31.

楊浩，莫衛(wèi)林，熊智新，等.基于RPLS的造紙廢水處理過程軟測量建模[J].中國造紙，2016，35（10）：31.

[5]XuFZ，PanF.SoftsensingoftheparametersinsewagedisposalsystembasedonPSO-LSSVM[J].JournalofJiangnanUniversity（NaturalScienceEdition），2010，9（3）：253.

徐方舟，潘豐.基于PSO-LSSVM污水處理系統(tǒng)出水?dāng)?shù)據(jù)的軟測量[J].江南大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，9（3）：253.

[6]WuHY，YangRJ，ZhangY，etal.ForecastingmodelforDOofpondwaterqualitybasedonPCA-SVR[J].JournalofAnhuiUniversity（NaturalSciences），2016，40（6）：103.

吳慧英，楊日劍，張穎，等.基于PCA-SVR的池塘DO預(yù)測模型[J].安徽大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，40（6）：103.

[7]HuangMZ，MaYW，WanJQ，etal.Anapproachtoartificialneuralnetworkanditsapplicationtowastewatertreatment[J].EnvironmentalScience&Technology，2008，31（3）：131.

黃明智，馬邕文，萬金泉，等.污水處理中人工神經(jīng)網(wǎng)絡(luò)應(yīng)用研究的探討[J].環(huán)境科學(xué)與技術(shù)，2008，31（3）：131.

[8]LeeMW，HongSH，ChoiH，etal.Real-timeremotemonitoringofsmall-scaledbiologicalwastewatertreatmentplantsbyamultivariatestatisticalprocesscontrolandneuralnetwork-basedsoftwaresensors[J].ProcessBiochemistry，2008，43（10）：1107.

[9]WenXQ，LiGQ，SunLF，etal.Analysisofcarbonincoal-firedbasedonpartialleastsquaresregressionalgorithm[J].JournalofNortheastDianliUniversity（NaturalScienceEdition），2012，32（3）：31.

文孝強(qiáng)，李國強(qiáng)，孫靈芳，等.基于偏最小二乘回歸算法的燃煤碳元素分析[J].東北電力大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，32（3）：31.

[10]XuHM，WangHY，LiangJ，etal.Supportvectormachineregressionalgorithmanditsapplication[J].JournalofBeijingInstituteofPetro-ChemicalTechnology，2010，18（1）：62.

徐紅敏，王海英，梁瑾，等.支持向量機(jī)回歸算法及其應(yīng)用[J].北京石油化工學(xué)院學(xué)報(bào)，2010，18（1）：62.

[11]WangXC.Analysisof43casesofMATLABneuralnetwork[M].Beijing：BeihangUniversityPress，2013：128.

王小川.MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2013：128.

[12]WangY，XuL，YinWZ，etal.SoftsensormodelingofpapermakingwastewatertreatmentprocessesbasedonANNandLSSVR[J].TransactionsofChinaPulpandPaper，2017，32（1）：50.

汪瑤，徐亮，殷文志，等.基于ANN和LSSVR的造紙廢水處理過程軟測量建模[J].中國造紙學(xué)報(bào)，2017，32（1）：50.

[13]ShanY，LiLJ，SunDJ.Paralleldatastreamdimensionalreductionalgorithmbasedonprincipalcomponentanalysis[J].JournalofNanjingUniversityofPostsandTelecommunications（NaturalScience），2015，35（5）：99.

單燕，李玲娟，孫杜靖.基于主成分分析的并行化數(shù)據(jù)流降維算法研究[J].南京郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，35（5）：99.

[14]ZhangPQ，GongZL，DuXM，etal.Establishmentandapplicationofprincipalcomponentanalysis-supportvectorregressionmodelincigarettemainstreamsmokeanalysis[J].ActaTabacariaSinica，2010，16（6）：21.

章平泉，龔珍林，杜秀敏，等.主成分分析-支持向量機(jī)在卷煙主流煙氣分析中的應(yīng)用[J].中國煙草學(xué)報(bào)，2010，16（6）：21.

[15]LiXY，YangC，SongL，etal.Faultdiagnosisofpapermakingwastewatertreatmentprocessesbasedonsupportvectormachine[J].TransactionsofChinaPulpandPaper，2018，33（3）：55.

李祥宇，楊沖，宋留，等.基于支持向量機(jī)的造紙廢水處理過程故障診斷[J].中國造紙學(xué)報(bào)，2018，33（3）：55.

[16]SongL，YangC，ZhangH，etal.Soft-sensormodelingofpapermakingwastewatertreatmentprocessbasedonGaussianprocess[J].ChinaEnvironmentalScience，2018，38（7）：2564.

宋留，楊沖，張輝，等.造紙廢水處理過程的高斯過程回歸軟測量建模[J].中國環(huán)境科學(xué)，2018，38（7）：2564.