劉鴻斌 李祥宇 楊沖

摘要：針對造紙廢水處理過程的復雜特性，本課題將主成分分析（PCA）與人工神經(jīng)網(wǎng)絡（ANN）和支持向量回歸（SVR）相結合，構建出兩種新的軟測量模型：主成分分析-人工神經(jīng)網(wǎng)絡（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用于造紙廢水處理過程中出水化學需氧量（COD）和出水懸浮固形物（SS）濃度的預測。計算結果表明，PCA-ANN和PCA-SVR的預測效果均優(yōu)于偏最小二乘、支持向量回歸和人工神經(jīng)網(wǎng)絡3種常規(guī)軟測量模型，并且PCA-ANN的預測效果最優(yōu)。對于出水COD濃度預測，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%。對于出水SS濃度預測，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；偏最小二乘；軟測量

中圖分類號：X793

文獻標識碼：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、時變性、不確定性、復雜性和滯后性等特點，導致某些與出水水質指標相關的關鍵參數(shù)無法實現(xiàn)在線測量，這直接影響到廢水處理過程的實時控制和優(yōu)化操作[2]。在造紙廢水處理過程中，通過建立出水水質的關鍵變量與進水水質關鍵變量之間的關系，從而得到出水水質關鍵參數(shù)的軟測量模型，可以更好地對廢水處理過程進行控制。

軟測量常規(guī)的建模方法有機理建模法、回歸分析法、支持向量機法和神經(jīng)網(wǎng)絡法等[3]。偏最小二乘（PartialLeastSquares，PLS）算法是一種新型的多元統(tǒng)計回歸分析算法，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。支持向量機是基于結構最小化原則的人工智能技術，支持向量回歸（SupportVectorRegression，SVR）是支持向量機在回歸預測方面的一種算法，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方法實現(xiàn)對化學需氧量（COD）質量濃度的預測。水質預測模型需要多種水質指標作為輸入變量，但變量過多會造成一定的信息重疊，使模型的預測效果變差。吳慧英等[6]在構建SVR模型對池塘溶解氧預測時利用了理論較為完善的主成分分析（PrincipalComponentAnalysis，PCA）方法對輸入變量進行降維處理，這種將PCA和SVR相結合的模型得到了很高的預測精度。劉博等[3]利用PCA和最小二乘支持向量回歸（LeastSquareSupportVectorRegression，LSSVR）相結合的模型對厭氧消化過程中的揮發(fā)性脂肪酸進行預測，該模型也具有較好的預測能力。人工神經(jīng)網(wǎng)絡（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)點在于其擁有自學習、自適應和自處理功能，其缺點在于泛化能力不足。將ANN和其他方法相結合的軟測量建模方法可以克服單獨使用ANN方法的局限性。Lee等[8]通過多元統(tǒng)計過程控制和基于虛擬傳感器的神經(jīng)網(wǎng)絡技術相結合的方法開發(fā)了污水處理廠遠程控制系統(tǒng)。

針對造紙廢水處理過程的特點，筆者構建主成分分析-支持向量回歸（PrincipalComponentAnalysis-SupportVectorRegression，PCA-SVR）和主成分分析-人工神經(jīng)網(wǎng)絡（PrincipalComponentAnalysis-ArtificialNeuralNetwork，PCA-ANN）對出水化學需氧量（COD）和出水懸浮固形物（SS）濃度進行預測，并與PLS、SVR、ANN模型進行對比。

3結論

通過構建偏最小二乘（PLS）、支持向量回歸（SVR）、人工神經(jīng)網(wǎng)絡（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（PCA-ANN）5種模型對造紙廢水處理過程中出水化學需氧量（COD）和出水懸浮固形物（SS）濃度進行預測。計算結果表明，非線性SVR和ANN建模方法的預測效果要優(yōu)于線性PLS的預測效果；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測效果，且PCA-ANN的預測效果最優(yōu)。考慮到PCA-ANN與PCA-SVR2種模型的預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)的選擇對模型預測精度的影響。

參考文獻

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

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

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

趙超，戴坤成，王貴評，等.基于AWLS-SVM的污水處理過程軟測量建模[J].儀器儀表學報，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在線預測模型[J].環(huán)境科學學報，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)出水數(shù)據(jù)的軟測量[J].江南大學學報（自然科學版），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預測模型[J].安徽大學學報（自然科學版），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)絡應用研究的探討[J].環(huán)境科學與技術，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，李國強，孫靈芳，等.基于偏最小二乘回歸算法的燃煤碳元素分析[J].東北電力大學學報（自然科學版），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.支持向量機回歸算法及其應用[J].北京石油化工學院學報，2010，18（1）：62.

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

王小川.MATLAB神經(jīng)網(wǎng)絡43個案例分析[M].北京：北京航空航天大學出版社，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].中國造紙學報，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].南京郵電大學學報（自然科學版），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-支持向量機在卷煙主流煙氣分析中的應用[J].中國煙草學報，2010，16（6）：21.

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

李祥宇，楊沖，宋留，等.基于支持向量機的造紙廢水處理過程故障診斷[J].中國造紙學報，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，2018，38（7）：2564.