基于線性回歸算法的工業(yè)循環(huán)水濃縮條件判斷情況研究

蔡朝陽，柳 源，沈曉莉，吳新國

(中海油天津化工研究設計院有限公司，天津正達科技有限責任公司，天津 300308)

目前，工業(yè)循環(huán)冷卻水處理系統(tǒng)正在加速數(shù)字化與智能化轉(zhuǎn)型，許多系統(tǒng)已經(jīng)安裝了在線檢測和遠程控制裝置，但大多數(shù)裝置只能提供數(shù)據(jù)展示和可視化，無法自動判斷系統(tǒng)運行狀況。隨著國家大力發(fā)展數(shù)字經(jīng)濟和人工智能，研發(fā)能自動判斷和調(diào)整循環(huán)水系統(tǒng)的水處理裝置已變得極為必要。

循環(huán)水的濃縮或稀釋條件是循環(huán)水冷卻系統(tǒng)運行狀態(tài)中最重要的指標之一[1]。它綜合反映了循環(huán)水系統(tǒng)補水、排水和熱負荷等參數(shù)。準確掌握循環(huán)水濃縮與稀釋情況，可以提前預警循環(huán)水補排水異常和漏水問題。

線性回歸算法是人工智能中最基本的機器學習算法，也是目前應用最廣泛的算法之一，普遍用于數(shù)據(jù)預測與線性相關分析[2]。本文將在線檢測的電導率數(shù)據(jù)與線性回歸算法結(jié)合，擬合一段時間內(nèi)電導率變化成一條直線，直線斜率用來判斷循環(huán)水的濃縮狀態(tài)。

1 線性回歸算法原理

1)x、y均為輸入?yún)?shù)，x原為采集時間，共有n個，但時間格式無法參與計算，即將時間轉(zhuǎn)換為由1到n整數(shù)列，并與時間對應，y為相應電導率值。

w，b∈R

4)因共有n個時刻的電導率，所以要建立一個總體損失函數(shù)，方程為損失函數(shù)的算術平均值的二分之一，總體損失函數(shù)表征預測值與實際值的近似程度。

5)為了找到J(w，b)最優(yōu)解，我們使用反向傳播算法，通過鏈式求導法，反向推進，逐步求出該函數(shù)對于未知數(shù)w，b的偏導數(shù)：

7)根據(jù)最優(yōu)解的w值及擬合的直線斜率來判斷時間n內(nèi)電導率變化情況，及水系統(tǒng)濃縮情況，當w大于0時，水系統(tǒng)電導率呈整體上升趨勢；w小于0 時，水系統(tǒng)電導率呈整體下降趨勢。

2 線性回歸算法實現(xiàn)

本次線性回歸算法實現(xiàn)是通過python編程語言，結(jié)合Pandas和numpy庫進行科學計算，通過matplotlib庫實現(xiàn)可視化。

2.1 數(shù)據(jù)源

本次研究數(shù)據(jù)來源于某石化公司循環(huán)水系統(tǒng)近一年的歷史數(shù)據(jù)，該系統(tǒng)的保有水量為2.5萬m3，循環(huán)水量為7萬m3/h。正常運行時，濃縮倍數(shù)在7～10。該水系統(tǒng)安裝了在線檢測和遠程控制系統(tǒng)，可以監(jiān)測pH值、電導率、氧化還原電位和藥劑濃度等參數(shù)，每分鐘向云服務器上傳一次數(shù)據(jù)。該水系統(tǒng)熱負荷較高，濃縮速度較快，十分適合本次算法的實現(xiàn)與驗證。

我們在天津正達科技有限責任公司自主研發(fā)的“正達智慧水質(zhì)控制云平臺”上下載了該系統(tǒng)近半年的歷史電導率數(shù)據(jù)，采用Python的Pandas庫讀取這些電導率歷史數(shù)據(jù)。

2.2 數(shù)據(jù)預處理

2.2.1 缺失、異常值處理

在對電導率歷史數(shù)據(jù)進行線性回歸分析前，必須先對數(shù)據(jù)進行處理，消除異常值和缺失值。

對于缺失值，我們遍歷整個數(shù)據(jù)集，定位缺失的數(shù)據(jù)點，并用上一時間節(jié)點的數(shù)據(jù)進行替換。這可以最大限度地補充丟失的數(shù)據(jù)，使數(shù)據(jù)集更加完整。

對于異常值，需要將整個數(shù)據(jù)近似看作服從正態(tài)分布，計算出平均值μ與標準差σ。如果某個數(shù)據(jù)值落在μ±3σ區(qū)間外，即可判斷該數(shù)據(jù)異常，并將其替換為上一時刻的數(shù)據(jù)[3]。

2.2.2 數(shù)據(jù)類型處理

為了更好的實現(xiàn)線性回歸算法，需設定每次線性回歸時所截取的初始位置和范圍(本文設定初始位置start=10000，范圍area=2000)。將時間轉(zhuǎn)換為整數(shù)列，并通過numpy庫將電導率值及整數(shù)列均轉(zhuǎn)換為矩陣格式。圖1為電導率折線圖。

圖1 start=10000，area=2000時電導率圖

2.3 線性回歸算法

設定迭代次數(shù)m=500次，初始設定w，b均為1，設定w的學習速率為a=10-6，b的學習速率為c=0.1，根據(jù)線性回歸原理編寫代碼，并每迭代100次打印w、b、J的值。

運行結(jié)果如下：

第1次循環(huán)，w：1.1977805665，b：53.74745000000001，J：301909.00675

第100次循環(huán)，w：0.1164001784998458，b：1379.196607649783，J：2476.082405

第200次循環(huán)，w：0.0212565758988605，b：1503.7705236895，J：28.4377887435

第300次循環(huán)，w：0.0125798508467344，b：1515.13117841144，J：8.0813947012

第400次循環(huán)，w：0.0117885674017936，b：1516.1672257623，J：7.91209611774

第500次循環(huán)，w：0.0117164054413215，b：1516.261709235，J：7.910688107473

由以上看出，隨著迭代開始，J值迅速下降，并最終收斂于7.91左右，最終w值為0.01172，b值為1516.2617。w值為正值，該時間范圍內(nèi)水系統(tǒng)為濃縮過程。將直線繪制至電導率圖像內(nèi)可得到圖2。

圖2 start =10000，area=2000時電導率及趨勢線圖

3 實驗室分析數(shù)據(jù)對比

對起始位置start取不同值，area不變，得出不同時間段內(nèi)水系統(tǒng)濃縮情況變化(表1)。再通過與實驗室分析濃縮倍數(shù)變化情況做出對比，以確定如何以w值判斷水系統(tǒng)濃縮情況。

表1 算法結(jié)果與實驗室分析對比

由表1看出，當w值處于-0.005～0.005之間時，可判斷水系統(tǒng)處于既不濃縮也不稀釋的穩(wěn)定運行狀態(tài)；當w>0.005時，水系統(tǒng)處于濃縮狀態(tài)；當w<-0.005時，水系統(tǒng)處于稀釋狀態(tài)。

4 算法修正

上述線性回歸算法雖然可以自動判斷一定時間范圍內(nèi)電導率變化趨勢，但考慮到實際情況，當上述算法對實時采集的電導率進行判斷時，會出現(xiàn)一定的滯后性(如先升后降時，當電導率降低至一定程度時w值才會變?yōu)樨摂?shù))。

此時可采用對w值的實時監(jiān)測進行彌補，即在進行實時線性回歸時最優(yōu)解中w的變化情況。通過代碼對取值初始位置(start=10000)不斷向后迭代(200次)以模擬實時采集判斷(area保持2000不變)，記錄每次迭代中w的最優(yōu)值，如圖3。

圖3 w值變化曲線圖

由圖3看出，w值再不斷升高，也就表明再水系統(tǒng)在后 200 min 內(nèi)濃縮是逐漸加劇的。對比圖4中藍框中數(shù)據(jù)表明，該 200 min 電導率是急劇上升的。這樣就可以通過w值的變化情況來表征一部分系統(tǒng)濃縮情況。即當出現(xiàn)表2中的情況時可給予判斷。(本次w值以w1標識，上次為w0)

表2 濃縮情況修正表

圖4 start =10000，area=2200時電導率及趨勢線圖

5 不足

線性回歸算法作為機器學習中基礎算法，擁有模型簡單、解釋性強等優(yōu)勢，但也有不足之處：

1)對異常值敏感，異常值會對最優(yōu)解產(chǎn)生極大的影響，所以使用線性回歸時必須提前對異常值進行處理[4]。

2)通過對電導率進行線性回歸對水系統(tǒng)濃縮情況的判斷，過于依賴電導率的準確性，并容易被電導率的異常升高或降低誤導，如漏入高鹽水或系統(tǒng)出現(xiàn)鹽的沉積等，所以研發(fā)出更多的可以表征濃縮情況的在線檢測探頭，如K+、SiO2等，結(jié)合多個參數(shù)可以得到更加準確的判斷。

3)線性回歸存在一定滯后性。因電導率在線檢測波動性，我們無法設定較小的時間范圍。這會導致在判斷變化趨勢時出現(xiàn)滯后。

6 結(jié)語

通過使用線性回歸算法對循環(huán)水系統(tǒng)電導率進行趨勢判斷，可輔助水處理工作者們判斷循環(huán)水處理系統(tǒng)運行狀態(tài)，以便更好地管理循環(huán)水系統(tǒng)。

下一步工作，將通過優(yōu)化算法，解決上述不足，并將更多的人工智能算法如聚類算法、決策樹、神經(jīng)網(wǎng)絡算法、強化學習等引入到工業(yè)循環(huán)水處理工作中[5]。

未來，隨著人工智能技術發(fā)展，高效的智能系統(tǒng)將逐漸廣泛應用于工業(yè)生產(chǎn)各環(huán)節(jié)。工業(yè)4.0的實施離不開高水平的人才與技術支撐，這也是工業(yè)發(fā)展與轉(zhuǎn)型升級的必然要求。我們應抓住歷史機遇，努力提高自身的知識與技能，致力于人工智能技術的研發(fā)與應用，為人類社會的進步與發(fā)展作出應有的貢獻。