基于PCA降維模型的造紙廢水處理過程軟測量建模

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）與人工神經網絡（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-人工神經網絡（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的預測效果均優于偏最小二乘、支持向量回歸和人工神經網絡3種常規軟測量模型，并且PCA-ANN的預測效果最優。對于出水COD濃度預測，PCA-ANN的決定系數（R2）為0.984，均方誤差（MSE）為1.892，較ANN分別優化了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；人工神經網絡；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，由于一些工業參數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無法實現在線測量，這直接影響到廢水處理過程的實時控制和優化操作[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網絡法等[3]。偏最小二乘（PartialLeastSquares，PLS）算法是一種新型的多元統計回歸分析算法，該方法易受過程非線性特性和系統外部干擾等因素的影響而失效?！?br>