文摘
水处理过程的模型是具有挑战性的,因为其复杂性、非线性、和无数贡献的变量,但它是特别重要的,因为水低质量导致健康和经济问题,对人们的日常生活产生相当大的影响。这里使用线性和非线性建模方法在处理过的水模型残余铝和浊度,使用实验室和过程数据作为输入变量。包括变量选择的方法找到最重要的因素影响质量参数。的相关性0.7 - -0.9之间的模拟和真实值参数最终实现目标。这个数据分析过程似乎提供了一种有效的方法模拟水处理过程和定义最重要的变量。
1。介绍
水质正成为一个越来越重要的问题,低质量的水会导致很多严重的问题。特别是,有一个广泛的微生物和化学成分的饮用水可能会导致急性或慢性有害健康的影响,和这些成分的检测处理过的水往往是耗时的,复杂的,昂贵的(1]。另一方面,水的质量也可以是有害的从经济的角度来看,作为资源必须指向改善供水系统每次出现问题。由于这些原因,越来越多的压力,改善水处理和水质量管理以确保安全的饮用水以合理的成本。系统对原水的评估、治疗过程和运行监测问题需要应对这些挑战。
有很多参数,可以用来测量水的质量,浊度是一种常见的其中之一,目的是测量水中的杂质。从物理意义上讲,浊度的减少水的清晰度是由于暂停或胶体粒子的存在,这是常用的作为饮用水的一般条件的指标(1]。此外,浊度已经用于许多几十年作为一个指示器的饮用水凝固和过滤效率的过程,所以它是一个重要的运行参数出于这个原因,。高浊度值是指贫困消毒并可能污染问题的分销网络,因此浊度应该最小化(2]。然而,浊度是一个很明智的和错误的测量,和许多变量和现象的影响。这使建模目的(浊度具有挑战性1,2]。
处理过的水的另一个重要的质量参数是残余铝、特别是铝絮凝剂用于治疗过程(2]。残余铝导致水浊度网络,导致消费者的可接受性问题(1]。通常这种现象可以看到当残余铝超过0.1 - -0.2 mg / L,这是通常的残余铝含量规定指导原则(1]。此外,金属,如铝都牵连到阿尔茨海默病的发病机制3]。一些流行病学研究表明,可能有相关性神经失调和铝浓度为0.1 mg / L的饮用水(3]。
许多化学和物理特性的原水影响水处理过程。许多有机和无机化合物悬浮胶体,或解决形式影响絮凝过程。有机化合物,通常由KMnO测量4测试中,在这个过程中起着关键作用。此外,许多无机化合物如硅酸盐或原料水的pH值也会影响这个过程。作为物理参数的一个例子,水温度有显著影响絮凝水处理流程(4- - - - - -6]。自然工艺条件也有很大的影响。絮凝剂的化学是自然的关键参数,调整pH值。此外,液压变量如流流程或过滤器影响性能(2]。
此外,在水处理中有可观测的周期或情景事件导致动态行为的过程。用水量的变化是其中之一,引起的变化不仅在一天内,而且一个星期内,甚至在一年之内。年周期可以清楚的区分更如果地表水处理,因为水温观测到一些影响过程(7]。此外,该现象存在的过程通常依赖状态,这意味着某种现象在这个过程中可能有不同的工作在不同的工艺条件(8]。
作为一个通用的工具,可以帮助改善水处理,水的造型过程面临诸多挑战。由于治疗过程是物理和化学异构(4- - - - - -6),水和工艺参数通常是复杂和非线性相互交互9]。此外,传统的机械模型的成功应用仅限于理想化,人工系统(10),所以从实际过程模拟和实验数据之间的相关性一直可怜的和昂贵的原位测试需要(9- - - - - -11]。
面向流程的方法执行优化基于真实流程数据。在实践中,使用的变量在造型源于实验室存档或处理数据资源。目前,基于数据的多元线性回归等多元方法(高)和人工神经网络等多层感知器(mlp)被认为是便于分析处理数据。许多应用程序已经证明,他们提供了一个高效的自动化方法,模拟工业过程数据(12- - - - - -14]。基于数据的建模与废水处理也被用于连接(15)、水资源(16,17),配水系统(18),和水处理。最一般的应用水处理流程包括浊度等质量参数的预测,颜色(9,19),或絮凝的最佳剂量的化学物质(9,11]。
mlp、最重要的是,已经证明了他们在水处理过程的建模效率。向MLP方法有许多优点:技术是健壮的,并允许多元的发展,非线性模型没有任何物理或化学知识的过程11),这意味着它提供了一个强大的选择存在非线性的复杂问题。然而,延时模型的缺点是,他们比更明确的模型有更复杂的数学公式,如那些基于线性回归。简要从用户还需要更多的知识比简单的统计方法。因此合理使用这种技术只有在应用线性方法已经失败。
传统上,多元分析方法如因子分析和主成分分析(PCA)已经广泛应用于水文分析系统。然而,传统的多元统计方法的局限性带来的挑战之前提到的是已知的(20.]。
总之,理解复杂的关系和现象盛行在大型系统是一个具有挑战性的任务。水处理过程的质量,例如,可能受到几个因素的影响,彻底不知道或没有一个实验的基础上验证。由于这些原因,基于数据的建模方法,如延时,将更好的水处理过程的建模。
在本文中,我们采用多元线性回归方法(高)和非线性建模方法(MLP)模型浊度和残余铝水处理流程中的使用过程和实验室数据作为模型输入。因为处理数据通常包含大量的变量,我们使用变量选择作为一种诊断工具来找到最重要的输入变量影响输出。我们比较高的结果和延时模型探讨其适用于现实生活中的造型的目的。
2。流程和数据
实验数据收集的水处理厂芬兰Sokeri Kirkkonummi,芬兰。工厂使用主要地表水Humaljarvi湖或与水的混合物从Pikkala水库。这个过程是一个典型的化学混凝和絮凝过程单元,浮选,粉末活性炭(PAC)过滤(见图1)。PAX-14,对铝瓶装凝固产生的化学Kemira Kemwater,用于不同剂量30至80 g / m3。剂量设置作为原水KMnO的函数4内容,所以Al / KMnO4比0.8和2法理/ kgKMnO之间4。对于大多数的时间,比在1.3附近。最后的决定关于剂量是人员手中的过程。流程如图1。
pH值调整为6.1 - -6.3与氢氧化钙絮凝之前,这已经发现实验的最佳pH值去除有机化合物和浊度。过滤后调整到8.2是适合分布。最后,水是通过将次氯酸钠消毒和紫外线辐射。
数据从过程和实验室测量获得的373天。最初的过程数据时间是5分钟,这是平均每日数据要与实验室数据。在建模之前,数据中的异常值过滤掉手动和丢失的数据点通过线性插值填充。原始的水和流程变量如表所示1和2,分别图。
的一些流程变量被排除在建模之前,所以,只有那些有可能产生影响的变量选择的操纵控制器时,输出为例。因此,所有输出后的变量测量测点都省略了,也被这些变量不能转换为在线测量。另外,变量包含数据糟糕的质量(例如,太多缺失的数据点)是手动排除。过程变量的测量分图所示1。
3所示。方法
3.1。看不到多元线性回归(MLR)
高钙(7)可用于模型之间的关系两个或两个以上的解释变量和响应变量的拟合观测数据样本的线性方程。一个高模型观察和变量被定义为 在哪里表示响应变量的值,的值是预测变量(解释),是一个常数,⋯ 等于未知系数的估计,和由不可控因素和实验模型中的错误。执行装置通过最小化的平方和的垂直偏差从每个数据点到线适合最好的观测数据,也就是被称为最小二乘拟合。
3.2。多层感知器(mlp)
MLP网络是众所周知的前馈神经网络(12,14处理元素组成的,称为神经元,连接。被安排在三个或更多的神经元层:一个输入层、一个或多个隐藏层和输出层。一个延时网络与数据样本训练,导致监督学习过程。网络的输入信号处理通过连续层的神经元在一层的基础上。在第一阶段的输入层分配输入第一个隐藏层。接下来,隐藏神经元总结输入基于预定义的权重,这削弱或加强每个输入的影响。权重是由学习(也就是例子。数据样本),称为监督学习。最终,由传递函数输入处理,结果是作为线性组合转移到下一层,一般输出层。然后评估模型的性能与一个独立的验证数据集。
MLP神经网络必须为每个问题分开训练。一个受欢迎的误差反向传播算法(简要培训技术21),输出值与原始数据的正确答案为了计算一个预定义的误差函数的值。最终迭代训练过程定义了一组权重的实际和预期输出之间的误差最小化所有输入模式。总之,反向传播训练的工作分为两个阶段(12]。
(1)阶段
网络权值是固定的,通过网络输入转发,直到达到输出。
(2)落后的阶段
网络的输出与预期的响应来获得一个错误信号,向后传播的网络。与此同时,网络权值调整先后以减少误差。
3.3。选择的变量
近年来极大地增加数量的信息造成的选择输入变量或减少模型,成为数据分析的相关部分(22- - - - - -25]。这个选择过程的目标可以提高模型的预测性能,提供更快的处理数据或提供一个更好的理解的过程24]。当利用人工神经网络计算的目的,例如,减少模型输入的数量可能大大缩短计算时间。对特定的任务,如诊断过程,然而,它也很有用发现物理现象的主要影响因素。
在实践中,其目的是选择一个子集从组变量没有明显退化模型和可能改善它的性能。虽然详尽的子集选择方法涉及大量的子集的评价,可以显著减少计算数量使用次优搜索过程(26]。其中之一是顺序向前选择方法,该方法用于变量在这种情况下的选择。
在顺序向前选择变量都包含在越来越大的子集,模型的预测性能最大化。选择变量的设置,(1)寻找出最佳值的变量选择的标准;(2)寻找出最佳值的变量与选择的变量(s)在第一阶段;(3)重复第二阶段,直到变量被选择;
3.4。应用程序的方法
在第一阶段变量选择使用多元线性回归和顺序向前搜索。数据被分为两个子集:训练子集组成总数量的样本,用于训练模型,验证数据集组成的的样本,作为一个独立的测试模型。前8个变量,提高了模型的性能最终于选择,因为在实践中以外的模型似乎并没有改善这一点。
接下来,变量选择使用一个MLP网络反向传播算法和序列搜索。数据被分成三个子集:训练子集,组成总数的样本,用于训练网络,其中一个测试子集包含20%的训练数据是用于反向传播误差计算和验证数据集,剩下的组成的样本,作为一个独立的测试模型。
的人工神经网络由工艺参数作为输入,一个隐层神经元5描述预测变量和输出神经元。神经网络训练算法的参数测定实验。径向基(radbas传递函数是用于隐藏层和线性(purelin)传递函数为输出层。贝叶斯正则化反向传播(trainbr)算法27)是利用训练,和均方误差(上交所)的误差函数训练。Matlab(7.11版)软件的神经网络工具箱(7.0版)是用于数据处理。
4所示。结果
4.1。造型的浊度
水浊度的变量选择使用高钙和简要介绍了表3和4,分别。演化曲线的选择变量使用高钙和延时技术如图2。预测结果验证数据使用高钙和MLP与8个变量给出数据3和4,分别。
此外,两个示例进行了野生之间高钙和延时模型的输出与8个变量。测试显示,不能拒绝零假设值为0.5323时使用0.95置信水平;也就是说,没有显著的线性和非线性模型之间的差异。
4.2。残余铝造型
变量选择在水中残余铝用高钙和简要介绍了表5和6,分别。演化曲线的选择变量使用线性回归和MLP方法如图5。预测结果验证数据使用高钙和MLP与8个变量给出数据6和7,分别。
此外,两个示例进行了野生高钙和延时模型输出之间的8个变量。测试表明,零假设可以被拒绝,0.95和信心值为0.0485,有统计上的显著差异之间的线性和非线性模型。
5。讨论
饮用水的质量是一个重要的问题,因为水的低质量可能导致健康和经济问题对人们的日常生活产生相当大的影响。水质监测和控制是一项具有挑战性的任务;然而,随着水处理过程的质量可能受到众多因素的影响是不彻底或尚未验证在实验的基础上。水质的造型,因此,近年来变得越来越重要。
线性和非线性建模方法用于本文模型浊度和残余铝水处理过程。总的结论是,在这两种情况下的非线性模型略优于线性,这将表明,这两个问题有一些非线性特性。另一方面,改善模型的善良不是伟大,这似乎表明,简单的计算方法可能适用于这些问题。
至于浊度,结果(见图3)表明,线性模型能够预测的一般趋势,而大多数的山峰被延时模型更好的(见图4)。不过看来,一些尖锐的峰仍然模糊的原因不管所使用的方法。特别是,野生测试没有任何明显的线性和非线性模型的区别。总的来说,使用线性方法是合理的,如果目的只是揭示一般趋势和非线性,如果一个目标是尽可能准确地预测极端值。此外,高更适合需要显式模型的应用程序或快速计算,例如,在自适应软传感器。
稍微更好的模型可以实现对残余铝(见表5)。事实上,铝的非线性模型的适应()很好。旁边产生更精确的估计,MLP似乎也优于线性方法,因为它能够预测通用的趋势和浓度峰值,而线性方法找不到峰值的原因,我们可以看到数据6和7。此外,野生显示模型之间的统计上的显著差异。中长期规划,因此,被视为造型残余铝更可取的方法。
变量选择的结果表明,大多数的现象背后的残余铝可以解释有两个最好的关联变量(温度和Al / KMnO剂量4的比率),而铝剂量摄入Pikkala水库,和浊度原水浊度最好的解释变量。在水化学的感觉,最重要的工艺参数通常剂量和pH值(2]。根据我们的结果,美联剂量(或铝/ KMnO4比率)是一个重要的变量,因为它是在第二轮中选择变量的选择。这意味着可能会有潜在的剂量的优化,例如,通过一个更复杂的配料控制器。相比之下,pH值并不是最重要的变量,这意味着pH值将已经优化的过程中。
此外,值得注意的是,所选变量不一定是一样的那些有最好的相关性与浊度或残余铝(见表1和2)。这是因为变量选择在每一轮总是说最信息模型在特定轮。换句话说,选择变量考虑了多元互动的过程,而计算简单相关性不。
根据文献[9,11,17)、水水文和水处理过程非线性性质,所以应该使用非线性方法建模。然而,结果显示无显著差异在浊度的情况下,只有一个小的差异之间的残余铝情况下线性和非线性模型。一个可能的解释是现象,比如季节性或情景事件影响的过程。在这种情况下,这种现象将水温(强烈的季节依赖性)和摄入量从Pikkala(情景事件)。这是支持的事实已经证明,季节性或情景事件也有强烈影响水处理流程(7,8]。有时可能会给更好的结果比线性的非线性模型,但很大一部分可能出现非线性的季节性和/或情景事件,另一方面,从多元变量与这些现象之间的相互作用。在这种情况下,我们可以找到解释这些现象的变量使用一个线性多变量方法,由此产生的模型,能够捕捉到这种行为,这尤其是在浊度的情况下两种方法之间的差异不显著。因此,非线性模型并不总是必要的,尽管他们可以有所改善模型的美好。
这里使用的结果表明,该方法有几个好处。方法本身显然是灵活不管计算方法,它有一个很高的计算能力。训练与实际过程数据,该方法还能够适应过程中的异常情况。此外,该方法适用于物理过程的情况下并不是众所周知的或者是高度复杂的。一般来说,虽然结果模型吸收良好的预测能力,他们可以改善后通过添加更多的数据样本或一些流程变量没有使用这一次。
一些限制性能的方法可能遵循从变量的选择是实现变量添加到模型中。这意味着所有可能的组合效果没有评估就像在更复杂的方法。因此,可能有两个或两个以上变量的相互作用对浓度可能有相当大的影响,虽然他们个人对模型的影响可能会微不足道。另一方面,远期选择方法使变量选择健壮的方法,变量之间。它肯定会有可能模型所有组合的变量的影响,但在现实中,所需的计算时间很长,尤其是在过程涉及大量的变量,这将明显降低方法的可用性在任何实际的流程应用程序。不过这里的相关性观察到相同的顺序(观察到的9),他们没有使用变量选择方法。
基于数据的建模是近年来用于各种水处理应用程序,例如,原水水质参数,预测最优絮凝剂量,或处理过的水的质量参数11,17]。这项研究表明,基于数据的建模结合变量选择提供一个有效的工具来分析具体问题影响水处理过程。此外,它表明,在线数据和过程数据可以合并在同一数据集用于这些目的。此外,不需要手动选择变量纳入模型,因为他们可以选择在建模的过程中变量的选择。此外,这项研究表明,非线性模型并不总是必要如果更简单和更明确的线性多变量模型表现得足够好。
这个方法有许多潜在的应用。首先,回归模型可以用作实时估计水质参数的预测模型。此外,预测模型可用于主动管理的过程和预测或评估水质和相关的风险。诊断过程是另一个潜在的应用领域。变量的选择,例如,提供了有价值的信息影响水质的因素。此外,可以构建一个基于数据的水质参数的软测量可进一步用于控制和故障检测的目的。
当离线使用时,该模型可以帮助评估质量和/或风险方面的水安全在不同的场景中,包括消费者的铝的积累。使用虚拟流程接口,可以获得更好的理解这些东西,进行场景分析基于过程的历史。变量选择技术允许最有效的变量选择试点阶段,这将减少飞行员测试的数量。造型后可能仍需实验室检测,但变量可以是有限的数量最有效的。总的来说,这里介绍的方法提供了一个简单的经济工具,分析和优化水处理的流程和富有成效的方式调查变量影响这些过程之间的相互作用。
6。结论
饮用水质量方针继续变得更加严格,造型方法,利用过程的历史将提供有价值的工具,用于过程建模和控制在水处理厂和提供一个替代传统方法。此外,这些模型技术允许这样的工具来提高他们的知识和过程,因此,促进过程控制。结果承诺到广泛使用的数据驱动的选择变量和模型在水处理过程中,无疑,这里使用的方法有相当大的潜力。
确认
写这篇文章是由Maa - Ja Vesitekniikan Tuki。北极星项目中产生的材料是由芬兰资助机构对技术和创新(tek)。作者欣然承认金融支持。