基于物聯(lián)網(wǎng)與深度學習的污水處理智能監(jiān)控系統(tǒng)設計

張成彬++邵星++徐燕萍++劉穎

摘要：污水處理對提高水資源利用率、保護環(huán)境具有重要意義。污水處理過程中，污水水質(zhì)變化劇烈、污水處理過程與工藝復雜，保持污水處理的精準性、穩(wěn)定性顯得極為重要。因此，提出基于物聯(lián)網(wǎng)與深度學習的污水處理智能監(jiān)控系統(tǒng)。該系統(tǒng)利用物聯(lián)網(wǎng)技術，精準感知與監(jiān)測污水處理設備及污水水質(zhì)的實時數(shù)據(jù)；利用云計算技術，存儲與處理采集得到的污水處理數(shù)據(jù)；利用深度學習，構建具有多層非線性映射的深度學習結構。結果表明，對采集到的數(shù)據(jù)進行深度學習，分析污水處理規(guī)律并進行預測與控制，能提高污水處理穩(wěn)定性、精確性與效率，為污水治理與控制提供智慧支撐。

關鍵詞：物聯(lián)網(wǎng)；深度學習；云計算；污水處理；智能監(jiān)測

DOIDOI：10.11907/rjdk.171621

中圖分類號：TP319文獻標識碼：A文章編號：16727800（2017）010008903

0引言

污水處理是指為使污水達到排放標準或再次使用的水質(zhì)要求對其進行凈化的過程[1，2]。按照污水來源可將其分為生產(chǎn)污水處理與生活污水處理。污水如果未經(jīng)處理直接排放，容易污染現(xiàn)有水源、降低水資源循環(huán)利用率、威脅動植物生存環(huán)境、影響生態(tài)平衡。因此，開展污水處理，對減少水污染、保護生態(tài)環(huán)境、提高水資源利用率具有重要意義[3]。

近年來，物聯(lián)網(wǎng)產(chǎn)生被國家列為戰(zhàn)略性新興產(chǎn)業(yè)，并被寫入國家戰(zhàn)略發(fā)展規(guī)劃而受到重點支持發(fā)展[4]。物聯(lián)網(wǎng)就是物物相連的網(wǎng)絡，它主要通過將傳感器、射頻識別等智能感知系統(tǒng)嵌入“物理實體”以隨時獲取其信息，從而將其連接起來。在物聯(lián)網(wǎng)中，“物理實體”無需人工干預就能夠彼此“交流”，以實現(xiàn)智能識別、定位、跟蹤、監(jiān)控及管理[5]。無線傳感網(wǎng)是物聯(lián)網(wǎng)的核心技術之一。它是由一組傳感器節(jié)點以自組織方式構成的無線多跳網(wǎng)絡，其目的是協(xié)作感知、采集與處理網(wǎng)絡覆蓋地理區(qū)域中感知對象的信息，并進行發(fā)布。無線傳感網(wǎng)具有精度高、部署靈活、快捷方便、可靠性高、性價比高、抗損性強、網(wǎng)絡自組織等特點，特別適合于遠程環(huán)境監(jiān)測等領域[6，7]。

云計算是一種商業(yè)化的計算模型，能夠基于網(wǎng)絡為用戶提供計算資源服務，使用戶按需獲取計算資源[8]。其原理是通過網(wǎng)絡統(tǒng)一調(diào)度分布在互聯(lián)網(wǎng)各處的資源，并以統(tǒng)一的界面向用戶提供服務，特別適合大規(guī)模信息處理[9]。

深度學習的概念源于人工神經(jīng)網(wǎng)絡研究，含多隱層的多層感知器就是一種深度學習結構[10]。深度學習通過組合低層特征形成更加抽象的高層表示（屬性類別或特征），以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。深度學習可通過學習一種深層非線性網(wǎng)絡結構，實現(xiàn)復雜函數(shù)逼近表征輸入數(shù)據(jù)分布式表示，并展現(xiàn)了從少數(shù)樣本集中學習數(shù)據(jù)集本質(zhì)特征的強大能力，因此在圖像識別、語音識別、預測等領域具有廣闊的應用前景，成為機器學習領域一個研究熱點。

針對污水處理過程中污水水質(zhì)變化劇烈、污水處理過程與工藝復雜等特點，本文提出基于物聯(lián)網(wǎng)與深度學習的污水處理智能監(jiān)控系統(tǒng)。考慮到污水處理過程和相關生化反應的復雜性，該系統(tǒng)利用物聯(lián)網(wǎng)技術，以精準感知與監(jiān)測污水處理設備及污水水質(zhì)的實時數(shù)據(jù)；利用云計算技術，存儲與處理采集得到污水處理設備數(shù)據(jù)和污水水質(zhì)數(shù)據(jù)；利用深度學習，構建具有多層非線性映射的深度學習結構，對采集到數(shù)據(jù)進行深度學習，分析污水處理的規(guī)律并進行預測與控制，提高污水處理穩(wěn)定性、精確性和效率，為污水治理和控制提供智慧支撐。

1系統(tǒng)架構

基于物聯(lián)網(wǎng)的污水處理智能監(jiān)控系統(tǒng)架構，主要對系統(tǒng)整體拓撲結構、功能結構進行設計，為系統(tǒng)整體設計與實現(xiàn)進行規(guī)劃。實施目標主要包括兩個方面：基于物聯(lián)網(wǎng)的污水處理數(shù)據(jù)采集、基于深度學習的污水處理過程預測與控制。系統(tǒng)整體拓撲結構如圖1所示，整體邏輯結構如圖2所示。

系統(tǒng)以無線傳感器節(jié)點作為物聯(lián)網(wǎng)的數(shù)據(jù)感知設備，對污水處理設備與污水處理過程中各個中間環(huán)節(jié)的污水水質(zhì)進行監(jiān)測，監(jiān)測結果交給云計算存儲平臺。在云計算存儲平臺上，運行深度學習算法對監(jiān)測數(shù)據(jù)進行處理分析，產(chǎn)生預測結果，并對污水處理設備進行智能化控制。系統(tǒng)整體技術方案如圖3所示。

2系統(tǒng)設計

2.1基于物聯(lián)網(wǎng)的污水處理感知系統(tǒng)設計

一般的污水處理分為4級，基于物聯(lián)網(wǎng)的污水處理感知系統(tǒng)針對污水處理每個處理流程、每項重要參數(shù)指標、重要處理設備部署無線傳感器節(jié)點，實現(xiàn)對整個污水處理流程無死角全覆蓋的信息感知，確保對污水處理流程信息進行全面、深入、透徹地感知與采集。各個傳感器節(jié)點之間通過Zigbee協(xié)議自組織構建無線多跳網(wǎng)絡，并將所采集的污水處理數(shù)據(jù)上報到匯聚節(jié)點。而協(xié)調(diào)器節(jié)點將把數(shù)據(jù)通過網(wǎng)關上傳到云平臺，用于后續(xù)智能分析與處理。（見圖4）。

2.2基于深度學習的污水處理過程智能預測與控制設計

基于深度學習的污水處理智能預測與控制，首先利用無監(jiān)督學習的機器學習DBN（Deep Belief Networks）進行污水處理預測建模，如圖5所示。

物聯(lián)網(wǎng)對污水處理過程中每個處理設備的參數(shù)與中間污水水質(zhì)數(shù)據(jù)進行采集，得到歷史原始數(shù)據(jù)，對其進行數(shù)據(jù)預處理以后，得到訓練數(shù)據(jù)集。利用訓練數(shù)據(jù)集確定DBN最優(yōu)網(wǎng)絡結構，包括輸入層的節(jié)點個數(shù)、隱含層的節(jié)點個數(shù)、隱含層的層數(shù)等，并對權重進行調(diào)整，利用訓練數(shù)據(jù)在此模型上進行訓練，不斷微調(diào)直至最終模型。

物聯(lián)網(wǎng)系統(tǒng)實時采集污水處理設備參數(shù)與中間污水水質(zhì)數(shù)據(jù)相關數(shù)據(jù)，構成當前原始數(shù)據(jù)。當前原始數(shù)據(jù)經(jīng)數(shù)據(jù)預處理后，成為預測數(shù)據(jù)集。利用建立的DBN模型與預測數(shù)據(jù)集預測污水處理結果，進而控制污水處理全過程中相關設備的運行。

DBN是將多個限制玻爾茲曼機（Restricted Boltzmann Machine， RBM）模型重疊在一起，將每個RBM模型的可視層看作輸入層，隱藏層看作輸出層，繼而完成訓練。RBM網(wǎng)絡結構如圖6所示，該網(wǎng)絡可視層與隱層單元彼此互聯(lián)（層內(nèi)無連接），隱單元可獲取輸入可視單元的高階相關性。endprint

相比傳統(tǒng)Sigmod信度網(wǎng)絡，RBM權值的學習相對容易。為了獲取生成性權值，預訓練時采用無監(jiān)督貪心逐層方式實現(xiàn)。在訓練過程中，采用吉布斯采樣原理，即將可視向量值映射給隱層單元，然后可視單元由隱層單元重建，這些新可視單元再次映射給隱層單元，就獲取了新的隱層單元。

只有一個隱含層的典型DBN網(wǎng)絡，可以采用聯(lián)合概率密度分布刻畫輸入向量x與隱含向量gi的關系。

P（x，g1，g2，g3，…，g）=P（x|g1）P（g1|g2）

P（g2|g3）…P（gi|gi+1）P（g，g）（1）

其中，P（gi|gi+1）是條件概率分布。將隱層gi看作是一個有ni個元素gij的隨機二進制矢量：

P（gi|gi+1）=∏nij=1P（gij|gi+1）P（gij=1|gi+1）=

sigm（bij+∑ni+1k=1Wikjgi+1k）（2）

其中，sigm（t）=1/（1+e-t），bij是第i層第j個單元的偏差值，Wi是第i層的權矩陣。

訓練結束后，需要對DBN做微調(diào)整訓練。根據(jù)輸入數(shù)據(jù)與重構數(shù)據(jù)的損失函數(shù)，利用BP算法對相關度網(wǎng)絡參數(shù)進行微調(diào)整，使損失函數(shù)最小化。損失函數(shù)的公式為：

L（x-x）=‖x-x‖22（3）

其中，x為訓練數(shù)據(jù)真實值，x為DBN的擬合函數(shù)值。

考慮最終排放水質(zhì)是最終的直接指標，因此將最終水質(zhì)作為污水處理結果的表征指標，通過構建DBN網(wǎng)絡實現(xiàn)對排放水質(zhì)的預測。通過自底向上組合多個RBM構建DBN網(wǎng)絡，預測模型輸入包括每道工序參數(shù)、每道工序后的污水水質(zhì)等參量。污水處理預測DBN網(wǎng)絡構建流程如圖7所示。

首先，對網(wǎng)絡進行預訓練，以確定初始化網(wǎng)絡參數(shù)。以第i組的輸入變量為輸入，以排放被處理污水水質(zhì)為輸出，在此采用無監(jiān)督貪婪優(yōu)化算法，初始化各層間的連接權值與偏置。網(wǎng)絡結構設置為100×100，網(wǎng)絡大小設置為100，批量大小設置為110，學習效率設置為1，訓練步數(shù)設置為500。在預訓練結束后，每層RBM可以得到初始化的參數(shù)，組成了DBN的初步架構。

其次，對DBN做微調(diào)整訓練，根據(jù)輸入數(shù)據(jù)與重構數(shù)據(jù)的損失函數(shù)，調(diào)整層與層之間的權值與偏置值。DBN

的反饋算法只需對權值參數(shù)空間進行一個局部搜索，相比前向神經(jīng)網(wǎng)絡，訓練快且收斂時間短。

3結語

本文提出基于物聯(lián)網(wǎng)與深度學習的污水處理智能監(jiān)控系統(tǒng)。該系統(tǒng)將物聯(lián)網(wǎng)技術引入污水處理中，實現(xiàn)對污水處理過程中污水處理設備與各階段水質(zhì)不間斷、自動化監(jiān)測。該系統(tǒng)基于深度學習技術，構建污水處理的深度學習模型，實現(xiàn)對污水處理過程的預測與智能控制。

參考文獻參考文獻：

[1]周小波，王成瑞，張杰濤.污水處理智能控制系統(tǒng)的研究進展[J].水處理技術，2007，3（33）：610.

[2]馬勇，彭永臻.城市污水處理系統(tǒng)實現(xiàn)全廠控制的發(fā)展前景[J].中國給水排水，2008，24（8）：813.

[3]李全德，丁志義.銀川市污水資源處理工藝流程研究[J].軟件導刊，2009，8（4）：100102.

[4]朱洪波，楊龍祥，于全.物聯(lián)網(wǎng)的技術思想與應用策略研究[J].通信學報，2011，31（11）：29.

[5]錢志鴻，王義君.物聯(lián)網(wǎng)技術與應用研究[J].電子學報，2012，40（5）：10231029.

[6]杜巖.基于ZigBee協(xié)議的遠程監(jiān)控系統(tǒng)設計[J].軟件導刊，2015，14（11）：9597.

[7]史夢安，王志勃.基于C/S和B/S混合結構的物聯(lián)網(wǎng)智能遠程環(huán)境監(jiān)控系統(tǒng)研究[J].軟件導刊，2014，13（9）：69.

[8]陳康，鄭緯民.云計算：系統(tǒng)實例與研究現(xiàn)狀[J].軟件學報， 2009，20（5）：13371348.

[9]胡瑩.云計算及其關鍵技術研究[J].軟件導刊，2016，15（8）：159161.

[10]余凱，賈磊，陳雨強，等.深度學習的昨天、今天和明天[J].計算機研究與發(fā)展，2013，50（9）：17991804.

責任編輯（責任編輯：何麗）endprint