基于人工智能的水處理設(shè)備自動(dòng)化監(jiān)控與控制系統(tǒng)研究

趙青娥

[益科德（上海）有限公司，上海200070]

0 引言

隨著全球工業(yè)化和城市化進(jìn)程的加速，水資源的質(zhì)量和可用性成為各國(guó)都非常關(guān)注的問(wèn)題[1]。在這樣的背景下，水處理設(shè)備不僅僅是一種技術(shù)裝置，更是確保水資源安全、滿(mǎn)足人類(lèi)生活和生產(chǎn)需求的關(guān)鍵環(huán)節(jié)。水處理設(shè)備的效率、準(zhǔn)確性和穩(wěn)定性直接影響到供水質(zhì)量、環(huán)境保護(hù)和工業(yè)生產(chǎn)的持續(xù)性。

然而，隨著技術(shù)的進(jìn)步和需求的增長(zhǎng)，傳統(tǒng)的水處理設(shè)備監(jiān)控和控制方法逐漸暴露出其局限性[2]。例如，這些傳統(tǒng)方法可能不能及時(shí)檢測(cè)和應(yīng)對(duì)突發(fā)事件，也可能難以處理大量、復(fù)雜的數(shù)據(jù)。因此，為了更好地滿(mǎn)足現(xiàn)代社會(huì)對(duì)水處理設(shè)備的高效、智能的需求，我們亟需尋找一種新的技術(shù)方案。

人工智能（AI）作為近年來(lái)的熱門(mén)技術(shù)，已在許多領(lǐng)域顯示出其巨大的潛力和價(jià)值。特別是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)，通過(guò)模型訓(xùn)練和智能分析，能夠處理和解析大量數(shù)據(jù)，為決策提供有力支持。考慮到這一點(diǎn)，將人工智能技術(shù)應(yīng)用于水處理設(shè)備的自動(dòng)化監(jiān)控與控制系統(tǒng)[3]，無(wú)疑是一個(gè)創(chuàng)新和前沿的研究方向。

本研究旨在探討和驗(yàn)證人工智能在水處理設(shè)備自動(dòng)化監(jiān)控與控制中的應(yīng)用價(jià)值。通過(guò)本研究，為水處理行業(yè)提供一種新的、高效的技術(shù)方案，以提高設(shè)備的運(yùn)行效率，確保水質(zhì)的穩(wěn)定，為相關(guān)領(lǐng)域的研究者和工程師提供借鑒和參考。

1 水處理設(shè)備的種類(lèi)與特性

水處理實(shí)驗(yàn)時(shí)，選擇合適的水處理設(shè)備并了解其規(guī)格與參數(shù)是至關(guān)重要的。因此，本節(jié)將詳細(xì)介紹實(shí)驗(yàn)中所使用的水處理設(shè)備的種類(lèi)、工作原理及特性。通過(guò)了解這些設(shè)備的特性和參數(shù)，我們可以更好地理解它們?cè)谒幚韺?shí)驗(yàn)中的作用，為后續(xù)實(shí)驗(yàn)提供準(zhǔn)確的評(píng)估。

過(guò)濾器：過(guò)濾器是水處理設(shè)備中常見(jiàn)的一種，主要用于去除水中的懸浮物和顆粒物。監(jiān)測(cè)水質(zhì)中的顆粒物密度，過(guò)濾介質(zhì)含量等，其工作原理是通過(guò)過(guò)濾介質(zhì)（如砂、活性炭等）截留水中的雜質(zhì)。過(guò)濾器的特性包括高過(guò)濾效率、大流量處理能力以及對(duì)顆粒物的有效去除。

離子交換器：離子交換器主要用于去除水中的離子，如硬度離子、酸性離子等。其工作原理是通過(guò)離子交換樹(shù)脂中的離子與水中的離子進(jìn)行交換，從而達(dá)到去除特定離子的目的。離子交換器的特性是能夠高效地去除離子，但需要定期再生以恢復(fù)樹(shù)脂的交換能力。

逆滲透設(shè)備：逆滲透設(shè)備是一種通過(guò)半透膜去除水中溶解物和離子的設(shè)備。監(jiān)測(cè)其中的半透膜通過(guò)速度，通過(guò)的分子大小等。其工作原理是通過(guò)施加壓力，使水分子通過(guò)半透膜，而溶解物和離子被截留在膜的一側(cè)。逆滲透設(shè)備的特性是能夠生產(chǎn)出高純度的水，但能耗較高。

超濾設(shè)備：超濾設(shè)備通過(guò)超濾膜過(guò)濾水中的懸浮物和膠體物質(zhì)。監(jiān)測(cè)指標(biāo)主要是水質(zhì)中懸浮物質(zhì)濃度指標(biāo)和大分子物質(zhì)的密度，工作原理是通過(guò)超濾膜的微孔結(jié)構(gòu)截留水中的雜質(zhì)。超濾設(shè)備的特性是能夠處理大流量的水，并有效去除膠體物質(zhì)。

2 基于人工智能的水處理設(shè)備自動(dòng)化監(jiān)控控制系統(tǒng)

2.1 問(wèn)題建模與求解思路

實(shí)現(xiàn)水處理設(shè)備自動(dòng)化監(jiān)控控制系統(tǒng)，我們可以將其建模為一個(gè)分類(lèi)問(wèn)題。具體來(lái)說(shuō)，我們可以將水處理設(shè)備的狀態(tài)分為兩類(lèi)，例如“正?！薄爱惓！?，并使用支持向量機(jī)對(duì)其進(jìn)行分類(lèi)。進(jìn)一步，根據(jù)所得到的水處理設(shè)備監(jiān)控系統(tǒng)檢測(cè)的設(shè)備運(yùn)行狀態(tài)信息以及水質(zhì)檢測(cè)信息，通過(guò)人工運(yùn)行維護(hù)策略的歷史記錄信息，建立有監(jiān)督的決策樹(shù)學(xué)習(xí)，最后為提高系統(tǒng)的決策性能，使用Bagging 方法，通過(guò)N 個(gè)決策樹(shù)的決策結(jié)果，實(shí)現(xiàn)對(duì)每一個(gè)水處理設(shè)備的控制策略的選擇，從而實(shí)現(xiàn)一個(gè)自動(dòng)化的水處理設(shè)備自動(dòng)化監(jiān)控控制系統(tǒng)，具體實(shí)現(xiàn)過(guò)程如圖1 所示。

圖1 水處理設(shè)備自動(dòng)化監(jiān)控控制系統(tǒng)示意圖

首先，需要部署監(jiān)測(cè)設(shè)備。這些設(shè)備包括傳感器，它們被安裝在水處理設(shè)備上，用于實(shí)時(shí)監(jiān)測(cè)水質(zhì)和設(shè)備狀態(tài)。過(guò)濾器的壓差，流量分別用pfilter，Sfilter表示。離子交換器的出水水質(zhì)，流量用pH 傳感器和流量傳感器進(jìn)行實(shí)時(shí)測(cè)量，表示為，se，逆滲透設(shè)備的監(jiān)控信息用進(jìn)水壓力、產(chǎn)水流量和脫鹽率表示為pre，s re，rNa。

其次，針對(duì)水質(zhì)的監(jiān)測(cè)，我們考慮使用的傳感器包括：pH 值傳感器用于監(jiān)測(cè)水的酸堿度，濁度傳感器用于監(jiān)測(cè)水的清澈度，電導(dǎo)率傳感器用于監(jiān)測(cè)與水中的溶解鹽分有關(guān)的電導(dǎo)率，溫度傳感器用于監(jiān)測(cè)水溫，而余氯傳感器則用于監(jiān)測(cè)水中的余氯含量。為了確保監(jiān)測(cè)的準(zhǔn)確性，我們還需要確定一些關(guān)鍵的監(jiān)測(cè)指標(biāo)，如pH 值、濁度、電導(dǎo)率、溫度和余氯含量。分別用xph，xz，xp，xCl表示，作為水質(zhì)監(jiān)控系統(tǒng)的輸入與監(jiān)測(cè)指標(biāo)。

針對(duì)上述所采集的信息，我們首先對(duì)設(shè)備的監(jiān)測(cè)參數(shù)指標(biāo)進(jìn)行歸一化，這里我們使用z-score 進(jìn)行標(biāo)準(zhǔn)化，以消除數(shù)據(jù)量綱對(duì)實(shí)驗(yàn)結(jié)果的影響。

針對(duì)該系統(tǒng)，首先，對(duì)水處理設(shè)備進(jìn)行建模，將該問(wèn)題轉(zhuǎn)化為一個(gè)分類(lèi)問(wèn)題，確定單個(gè)設(shè)備的運(yùn)行狀態(tài)正?；蚴钱惓?。

其次，基于單個(gè)設(shè)備的運(yùn)行信息（通過(guò)傳感器信息獲取到了設(shè)備運(yùn)行狀態(tài)下的實(shí)時(shí)監(jiān)測(cè)指標(biāo)），假設(shè)：對(duì)于設(shè)備A 監(jiān)測(cè)指標(biāo)共有n個(gè)，則輸入向量可以表示為：

這是一個(gè)二分類(lèi)問(wèn)題，數(shù)據(jù)的標(biāo)簽可以基于人工進(jìn)行標(biāo)注，基于各個(gè)設(shè)備運(yùn)行的歷史信息對(duì)設(shè)備運(yùn)行狀態(tài)進(jìn)行標(biāo)注，從而獲得用于模型訓(xùn)練的數(shù)據(jù)集，隨后利用機(jī)器學(xué)習(xí)方法，對(duì)該數(shù)據(jù)進(jìn)行建模，這里針對(duì)水處理設(shè)備的監(jiān)控采用SVM 支持向量機(jī)進(jìn)行分類(lèi)。

SVM[3]的本質(zhì)是求解以下凸二次規(guī)劃問(wèn)題，目標(biāo)是在特征空間中找到一個(gè)超平面，將不同類(lèi)別的樣本分開(kāi)。這個(gè)超平面的選擇是通過(guò)最大化間隔來(lái)實(shí)現(xiàn)的。間隔是指超平面到最近的訓(xùn)練樣本的距離，最大化間隔可以提高分類(lèi)的魯棒性。

其中，w是超平面的法向量，x是特征向量，b是超平面的截距。

在對(duì)該水處理系統(tǒng)進(jìn)行控制時(shí)，需要對(duì)多個(gè)水處理設(shè)備進(jìn)行控制，以獲得最優(yōu)的效益[4]，這是一個(gè)多分類(lèi)問(wèn)題，分類(lèi)的個(gè)數(shù)取決于水處理設(shè)備的種類(lèi)個(gè)數(shù)，機(jī)器學(xué)習(xí)算法方面，選擇使用隨機(jī)森林作為分類(lèi)算法。在模型訓(xùn)練完畢后，使用驗(yàn)證數(shù)據(jù)集對(duì)其進(jìn)行驗(yàn)證，以確保其分類(lèi)效果。部署到實(shí)際的監(jiān)控系統(tǒng)中，實(shí)時(shí)接收傳感器數(shù)據(jù)并進(jìn)行分類(lèi)，從而確定單個(gè)水處理設(shè)備的響應(yīng)狀態(tài)。

隨機(jī)森林來(lái)源于決策樹(shù)[5]，其中的每顆決策樹(shù)取決于p維的隨機(jī)變量集X，隨機(jī)變量Y代表響應(yīng)，目的是為了尋找用于預(yù)測(cè)Y的預(yù)測(cè)函數(shù)f（X），其中預(yù)測(cè)函數(shù)由損失函數(shù)L（Y，f（X））表示，隨機(jī)森林算法使用集成學(xué)習(xí)的方法，訓(xùn)練多個(gè)決策樹(shù)，分類(lèi)過(guò)程中通過(guò)結(jié)合器將多個(gè)估計(jì)器的結(jié)果整合作為最終決策結(jié)果輸出，可以提升單個(gè)決策樹(shù)的通用性和魯棒性，具有更強(qiáng)的決策性能。

隨機(jī)森林（圖2）通過(guò)bagging 算法，假設(shè)訓(xùn)練數(shù)據(jù)集大小為N，每次從其中有放回地取出M個(gè)子數(shù)據(jù)，取K次，則可以根據(jù)這些數(shù)據(jù)集建立K個(gè)決策樹(shù)，基于這些決策樹(shù)的預(yù)測(cè)結(jié)果進(jìn)行多數(shù)分類(lèi)策略，得到最終的模型預(yù)測(cè)結(jié)果。

圖2 隨機(jī)森林算法基本過(guò)程

針對(duì)每一個(gè)決策樹(shù)的建立，由于傳感器的數(shù)據(jù)往往是連續(xù)值，因此采用可以處理連續(xù)屬性的C4.5 算法，該算法使用最大信息增益比的原則進(jìn)行決策樹(shù)分支的選取，信息熵是一種信息度量方法，其算式為：

式中，D表示數(shù)據(jù)集D，pk表示類(lèi)別xi出現(xiàn)的概率。

C4.5 算法中信息增益率表示為：

式中，Dv表示在第v特征分支下，劃分出的數(shù)據(jù)集樣本數(shù)目，這樣就可以得到用于分類(lèi)的決策樹(shù)?；贙個(gè)決策樹(shù)進(jìn)行多數(shù)投票，即可實(shí)現(xiàn)隨機(jī)森林算法，實(shí)現(xiàn)更加穩(wěn)健的分類(lèi)效果。

2.2 模型性能評(píng)估

設(shè)備異常檢出率用于水處理設(shè)備的故障檢出，由于在該場(chǎng)景中，會(huì)出現(xiàn)樣本不均衡現(xiàn)象，所以這里對(duì)水處理設(shè)備的自動(dòng)化監(jiān)控指標(biāo)用異常狀態(tài)的召回率和精準(zhǔn)率進(jìn)行表示，召回率表示能否對(duì)水處理設(shè)備的異常狀態(tài)實(shí)現(xiàn)檢出，精確率表示日常運(yùn)行中水處理設(shè)備是否會(huì)經(jīng)常出現(xiàn)誤報(bào)，綜合考慮兩者，使用F1-score 指標(biāo)進(jìn)行描述：

3 實(shí)驗(yàn)結(jié)果

針對(duì)某大型水處理廠(chǎng)的水處理，在前期調(diào)研中收集了該水處理廠(chǎng)各個(gè)水處理設(shè)備的運(yùn)行狀態(tài)、可獲取參數(shù)以及水質(zhì)的歷史監(jiān)測(cè)信息，并基于該工廠(chǎng)的運(yùn)維記錄實(shí)現(xiàn)標(biāo)簽的獲取，減少人工進(jìn)行標(biāo)注的困難，針對(duì)四種水處理設(shè)備，分別監(jiān)測(cè)第一節(jié)中所述指標(biāo)，以30min 為時(shí)間步長(zhǎng)獲取歷史的水處理設(shè)備所處的運(yùn)行環(huán)境指標(biāo)，共獲取5836 個(gè)數(shù)據(jù)樣本，約半年內(nèi)的運(yùn)行維護(hù)數(shù)據(jù)，每個(gè)樣本可以為四種水處理設(shè)備的二分類(lèi)提供數(shù)據(jù)支持，隨后利用該運(yùn)行信息，通過(guò)Python實(shí)現(xiàn)時(shí)間維度上的對(duì)齊，保證數(shù)據(jù)和設(shè)備運(yùn)行狀態(tài)的對(duì)齊。隨后利用sklearn 工具箱實(shí)現(xiàn)兩種機(jī)器學(xué)習(xí)算法，分別實(shí)現(xiàn)設(shè)備的運(yùn)行狀態(tài)監(jiān)測(cè)以及水處理系統(tǒng)中的控制策略（這里的控制策略用預(yù)測(cè)采取措施的水處理設(shè)備與真實(shí)運(yùn)維記錄的水處理設(shè)備控制類(lèi)型進(jìn)行比較，相同則該類(lèi)型的控制認(rèn)為是有效的），訓(xùn)練集和測(cè)試集劃分比例為4∶1。實(shí)驗(yàn)結(jié)果列于表1 和表2。

表1 水處理設(shè)備二分類(lèi)監(jiān)控實(shí)驗(yàn)結(jié)果

表2 水處理控制系統(tǒng)控制準(zhǔn)確率

從表1 和表2 可以看出，基于機(jī)器學(xué)習(xí)的人工智能算法，可以較為有效地在水處理設(shè)備的運(yùn)行狀態(tài)檢測(cè)和控制中采取較為準(zhǔn)確的措施，這為自動(dòng)化水處理廠(chǎng)設(shè)備的運(yùn)行維護(hù)具有較為重要的意義，但是本文的結(jié)果也表明，在某些水處理設(shè)備，比如逆滲透設(shè)備的控制和狀態(tài)檢測(cè)中仍有一些不足，需要進(jìn)一步研究其效果不佳的原因。

4 結(jié)語(yǔ)

通過(guò)實(shí)驗(yàn)驗(yàn)證基于機(jī)器學(xué)習(xí)的人工智能方法在水處理設(shè)備自動(dòng)化監(jiān)控與控制中的應(yīng)用價(jià)值。該方法具有較好的監(jiān)控結(jié)果，取得了較為良好的控制預(yù)期，期望通過(guò)本研究，為水處理行業(yè)提供一種新的、高效的技術(shù)方案，以提高設(shè)備的運(yùn)行效率，確保水質(zhì)的穩(wěn)定，為相關(guān)領(lǐng)域的研究者和工程師提供借鑒和參考。