人工智能應用于水污染控制過程的研究進展

李若飛 達爾仁·阿斯哈提 王振豪 梁 爽 張樂華

（華東理工大學資源與環境工程學院，上海 200237）

由于城鄉差距大，水體分布不均勻，以及水的嚴重浪費和不合理使用，導致能有效使用的淡水資源變少。水污染控制技術在環境工程領域具有重要地位。從控制系統設計的角度看，由于污染物的多樣性、復雜性和變化性，污水處理屬于難以控制的復雜工業過程[1]。智能控制不需要建立被控對象精確數學模型的特點，因而適用于復雜的污水處理過程的控制。在歐、美、日等發達國家，人工智能在污水處理領域已有許多成功的應用實例，展現出極為廣闊的應用前景[2]。與國外相比，我國的污水處理系統智能控制技術研究尚處于起步階段，加強對污水處理系統智能控制技術的研究是當務之急[3]。本文根據現階段人工智能在污水處理中的應用現狀，介紹了控制系統和監測系統之間關系，包括污水處理系統模型、人工智能監測和人工智能控制等方面。

1 水污染控制系統模型

1.1 RBFNN軟測量模型

在軟測量建模中，神經網絡因其較強的非線性映射能力和自學習能力，非常適合用于水處理方面，是目前軟測量領域中最為活躍的研究分支[4]。QI H等[5]提出了一種機理模型和神經網絡串聯的混合建模方法。張勇等[6]提出了將主元分析一徑向基神經網絡的軟測量模型用于浮選過程預測。肖紅軍等[7]將機理、統計或者是經過人工智能算法分析得到的各個過程變量輸入到徑向基神經網絡中，以充分發揮RBFNN的逼近能力，提高軟測量模型預測的準確率。

在水處理系統的浮選過程中，基于PCA方法與新型RBF神經網絡相結合的技術指標軟測量模型研發出來[8]。

軟測量模型在礦物浮選實際應用中，將礦漿濃度、給礦流量、給礦濃度、給礦粒度、藥劑流量和礦漿溫度為輔助變量，作為PCA-RBFNN軟測量模型的輸入（如圖1所示）。基于PCA（主成分分析）方法與新型RBF神經網絡相結合的經濟技術指標軟測量模型來運算，RBF神經網絡則實現輸入變量到輸出變量之間的非線性映射。

圖1 PCA-RBFNN軟測量模型結構

1.2 SVM模型

支持向量機是近年發展起來的新興人工智能技術。在分析最小二乘支持向量機理論基礎上，采用一種改進的粒子群優化算法優化支持向量機的參數，模型具有較高的精度，基本可以實現出水BOD（生化需氧量）值的在線預估[9]。與神經網絡的啟發式學習方法及其實現中的大量經驗分量相比，支持向量機具有更為嚴密的理論和數學基礎。趙超等[10]提出一種基于LS-SVM的出水水質軟測量模型，并將其應用于污水處理過程中溶解氧濃度的控制。

1.3 神經網絡

近年來，隨著智能控制理論的發展，智能仿生技術在非線性系統建模與控制中的有效性引起了國內外研究者的廣泛關注，尤其是神經網絡的應用。Belchior等[11]設計了一種對溶解氧控制含有自適應模糊控制策略和監督模糊控制的反饋跟蹤方法，實驗表明，此方法提高了溶解氧濃度的跟蹤控制精度。Zeng等[12]利用反向神經網絡模型建立了污染物的去除率和化學藥物添加量之間的非線性關系，經過人工智能算法分析得到的各個過程變量輸入到神經網絡中，以充分發揮RBFNN的逼近能力，提高軟測量模型預測的準確率。

2 人工智能應用于水質監測

2.1 基于GPRS的水質監測

GPRS是通用無線分組業務（General Packet Radio System）的縮寫，是介于第二代和第三代之間的一種技術，通常稱為2.5G。GPRS采用與GSM相同的頻段、頻帶寬度、突發結構、無線調制標準、跳頻規則以及相同的TDMA幀結構。GPRS無線數據傳輸具有設備成本低、數據傳輸安全可靠、使用靈活方便等特點，非常適合遠程數據傳輸上的應用。

對于實際應用中，污水排放口數據采集點（如圖2所示）。

圖2 基于GPRS的污水處理無線監測

現場污水排放監控點安裝有流量計、COD儀等在線監測設備，數據采集模塊通過通信口與這些監測設備相連采集數據，數據采集模塊又通過RS232接口與GPRS透明數據傳輸終端相連，通過GPRS透明數據傳輸終端內置嵌入式處理器對數據進行處理發送到控制系統，控制系統再來收集整理給在線人員[13]。

2.2 水體環境中遙感（Remote Sensing）監測

遙感監測技術是通過航空或衛星等收集環境電磁波信息對遠離的環境目標進行監測和識別的技術。對比其他方法，基于衛星數據的富營養化水體環境COD濃度遙感監測系統設計方法較為簡單，但是存在遙感監測準確率低的問題；基于組件技術的富營養化水體COD環境監測系統設計方法所用時間較少，但存在遙感監測偏差大的問題。

2.3 基于物聯網的水質監測

將物聯網技術應用到污水自動化處理系統中去，檢測處理污水包括pH值、色度、化學需氧量（COD）、生化需氧量（BOD）等指標，構造一套基于物聯網的在線監測污水處理系統。

基于物聯網的污水處理監測系統，它包括控制終端、現場流量計、取樣泵、現場數據采集儀等，可將現場數據采集通過無線模塊傳至控制終端[14]。

3 人工智能控制在水處理中的應用

3.1 DCS控制系統

集散控制系統又稱分布式計算機控制系統，簡稱DCS[15]。

DCS控制系統能滿足污水處理領域的需求，滿足于污水處理領域管控整合控制平臺的需要，系統具備自功制水、自動再生，制水計量、水質監測、流毓控制、液位調節、壓力保護、上位機監控和通過廣域列監控等功能，能夠實現電廠化學術處理過程的全方位自動控制[16]。

3.2 模糊控制

模糊控制是通過確定模糊變量，規范模糊論域，遵循模糊邏輯推理建立的一種模擬人的推理和決策的控制算法。首先，根據操作人員或專家的經驗建立模糊規則。然后，對實際檢測數據進行模糊化處理。作為系統的輸入，系統通過模糊推理和模糊決策進行調整。最后，對執行器進行控制，將被檢測對象的數據發送到輸入端進行比較，完成控制的實時調整[17]。

費雷爾開發了模糊邏輯控制系統，并將其應用于中試規模巴登福工藝的主要曝氣區域。實驗結果表明，采用模糊邏輯控制系統的曝氣系統節能40%，穩定性提高60%，具有良好的應用前景[18]。

4 結語

人工智能在水污染控制的應用模型主要包括RBFNN軟測量模型、SVM模型和神經網絡。智能控制主要集中在水污染控制工程設備的PLC、DCS模塊及模糊控制，然而在整個水處理工程中，人工智能的系統化應用和集約程度仍不高，導致其自主學習能力差、數值計算能力弱、經驗推理能力不足。

對于將來發展方向包括：對知識庫中的規則不斷地進行驗證、修改、增加，通過知識庫的不斷完善來提高系統的運行可靠性和診斷效率；采用多種智能方法結合的集成智能診斷系統，發揮各自優勢，取得更好的效果；在人工智能方面開發機器自主學習的方法，有助于及時補充知識，提高診斷系統能力。