人工智能应用于水污染控制过程的研究进展

李若飞 达尔仁·阿斯哈提 王振豪 梁 爽 张乐华

（华东理工大学资源与环境工程学院，上海 200237）

由于城乡差距大，水体分布不均匀，以及水的严重浪费和不合理使用，导致能有效使用的淡水资源变少。水污染控制技术在环境工程领域具有重要地位。从控制系统设计的角度看，由于污染物的多样性、复杂性和变化性，污水处理属于难以控制的复杂工业过程[1]。智能控制不需要建立被控对象精确数学模型的特点，因而适用于复杂的污水处理过程的控制。在欧、美、日等发达国家，人工智能在污水处理领域已有许多成功的应用实例，展现出极为广阔的应用前景[2]。与国外相比，我国的污水处理系统智能控制技术研究尚处于起步阶段，加强对污水处理系统智能控制技术的研究是当务之急[3]。本文根据现阶段人工智能在污水处理中的应用现状，介绍了控制系统和监测系统之间关系，包括污水处理系统模型、人工智能监测和人工智能控制等方面。

1 水污染控制系统模型

1.1 RBFNN软测量模型

在软测量建模中，神经网络因其较强的非线性映射能力和自学习能力，非常适合用于水处理方面，是目前软测量领域中最为活跃的研究分支[4]。QI H等[5]提出了一种机理模型和神经网络串联的混合建模方法。张勇等[6]提出了将主元分析一径向基神经网络的软测量模型用于浮选过程预测。肖红军等[7]将机理、统计或者是经过人工智能算法分析得到的各个过程变量输入到径向基神经网络中，以充分发挥RBFNN的逼近能力，提高软测量模型预测的准确率。

在水处理系统的浮选过程中，基于PCA方法与新型RBF神经网络相结合的技术指标软测量模型研发出来[8]。

软测量模型在矿物浮选实际应用中，将矿浆浓度、给矿流量、给矿浓度、给矿粒度、药剂流量和矿浆温度为辅助变量，作为PCA-RBFNN软测量模型的输入（如图1所示）。基于PCA（主成分分析）方法与新型RBF神经网络相结合的经济技术指标软测量模型来运算，RBF神经网络则实现输入变量到输出变量之间的非线性映射。

图1 PCA-RBFNN软测量模型结构

1.2 SVM模型

支持向量机是近年发展起来的新兴人工智能技术。在分析最小二乘支持向量机理论基础上，采用一种改进的粒子群优化算法优化支持向量机的参数，模型具有较高的精度，基本可以实现出水BOD（生化需氧量）值的在线预估[9]。与神经网络的启发式学习方法及其实现中的大量经验分量相比，支持向量机具有更为严密的理论和数学基础。赵超等[10]提出一种基于LS-SVM的出水水质软测量模型，并将其应用于污水处理过程中溶解氧浓度的控制。

1.3 神经网络

近年来，随着智能控制理论的发展，智能仿生技术在非线性系统建模与控制中的有效性引起了国内外研究者的广泛关注，尤其是神经网络的应用。Belchior等[11]设计了一种对溶解氧控制含有自适应模糊控制策略和监督模糊控制的反馈跟踪方法，实验表明，此方法提高了溶解氧浓度的跟踪控制精度。Zeng等[12]利用反向神经网络模型建立了污染物的去除率和化学药物添加量之间的非线性关系，经过人工智能算法分析得到的各个过程变量输入到神经网络中，以充分发挥RBFNN的逼近能力，提高软测量模型预测的准确率。

2 人工智能应用于水质监测

2.1 基于GPRS的水质监测

GPRS是通用无线分组业务（General Packet Radio System）的缩写，是介于第二代和第三代之间的一种技术，通常称为2.5G。GPRS采用与GSM相同的频段、频带宽度、突发结构、无线调制标准、跳频规则以及相同的TDMA帧结构。GPRS无线数据传输具有设备成本低、数据传输安全可靠、使用灵活方便等特点，非常适合远程数据传输上的应用。

对于实际应用中，污水排放口数据采集点（如图2所示）。

图2 基于GPRS的污水处理无线监测

现场污水排放监控点安装有流量计、COD仪等在线监测设备，数据采集模块通过通信口与这些监测设备相连采集数据，数据采集模块又通过RS232接口与GPRS透明数据传输终端相连，通过GPRS透明数据传输终端内置嵌入式处理器对数据进行处理发送到控制系统，控制系统再来收集整理给在线人员[13]。

2.2 水体环境中遥感（Remote Sensing）监测

遥感监测技术是通过航空或卫星等收集环境电磁波信息对远离的环境目标进行监测和识别的技术。对比其他方法，基于卫星数据的富营养化水体环境COD浓度遥感监测系统设计方法较为简单，但是存在遥感监测准确率低的问题；基于组件技术的富营养化水体COD环境监测系统设计方法所用时间较少，但存在遥感监测偏差大的问题。

2.3 基于物联网的水质监测

将物联网技术应用到污水自动化处理系统中去，检测处理污水包括pH值、色度、化学需氧量（COD）、生化需氧量（BOD）等指标，构造一套基于物联网的在线监测污水处理系统。

基于物联网的污水处理监测系统，它包括控制终端、现场流量计、取样泵、现场数据采集仪等，可将现场数据采集通过无线模块传至控制终端[14]。

3 人工智能控制在水处理中的应用

3.1 DCS控制系统

集散控制系统又称分布式计算机控制系统，简称DCS[15]。

DCS控制系统能满足污水处理领域的需求，满足于污水处理领域管控整合控制平台的需要，系统具备自功制水、自动再生，制水计量、水质监测、流毓控制、液位调节、压力保护、上位机监控和通过广域列监控等功能，能够实现电厂化学术处理过程的全方位自动控制[16]。

3.2 模糊控制

模糊控制是通过确定模糊变量，规范模糊论域，遵循模糊逻辑推理建立的一种模拟人的推理和决策的控制算法。首先，根据操作人员或专家的经验建立模糊规则。然后，对实际检测数据进行模糊化处理。作为系统的输入，系统通过模糊推理和模糊决策进行调整。最后，对执行器进行控制，将被检测对象的数据发送到输入端进行比较，完成控制的实时调整[17]。

费雷尔开发了模糊逻辑控制系统，并将其应用于中试规模巴登福工艺的主要曝气区域。实验结果表明，采用模糊逻辑控制系统的曝气系统节能40%，稳定性提高60%，具有良好的应用前景[18]。

4 结语

人工智能在水污染控制的应用模型主要包括RBFNN软测量模型、SVM模型和神经网络。智能控制主要集中在水污染控制工程设备的PLC、DCS模块及模糊控制，然而在整个水处理工程中，人工智能的系统化应用和集约程度仍不高，导致其自主学习能力差、数值计算能力弱、经验推理能力不足。

对于将来发展方向包括：对知识库中的规则不断地进行验证、修改、增加，通过知识库的不断完善来提高系统的运行可靠性和诊断效率；采用多种智能方法结合的集成智能诊断系统，发挥各自优势，取得更好的效果；在人工智能方面开发机器自主学习的方法，有助于及时补充知识，提高诊断系统能力。