基于pso-SVM廢水厭氧處理技術(shù)分析

廢水厭氧處理在工業(yè)廢水處理中越來(lái)越重要, 厭氧處理相對于好氧處理具有動(dòng)力消耗小、污泥產(chǎn)量少、對氮和磷的需要量低, 可減少補充氮和磷營(yíng)養的費用、厭氧消化可產(chǎn)生生物能等優(yōu)點(diǎn)(Wijekoon et al., 2011).厭氧消化過(guò)程可簡(jiǎn)單地分為水解、發(fā)酵酸化、產(chǎn)乙酸、產(chǎn)甲烷4個(gè)階段(賀延齡, 1998;成喜雨等, 2008;Demirel et al., 2002).從厭氧消化降解有機物的過(guò)程來(lái)看, 產(chǎn)甲烷菌對VFA的利用對厭氧消化至關(guān)重要.一方面厭氧消化的最終產(chǎn)物取決于產(chǎn)甲烷階段;另一方面未被利用的VFA在一定程度上會(huì )抑制產(chǎn)甲烷菌的活性.Mawson等(1986)的研究表明, 當乙酸和丙酸濃度分別達到2000 mg·L-1和500 mg·L-1時(shí), 產(chǎn)甲烷菌的活性受到了抑制.Xiao等(2013)研究了未降解的乙酸對厭氧消化過(guò)程中水解酸化菌和產(chǎn)甲烷菌的影響, 該研究表明水解酸化階段可接受的最高未降解的乙酸濃度高于產(chǎn)甲烷階段, 也即產(chǎn)甲烷菌對厭氧體系中未降解的乙酸濃度更敏感, 同時(shí)該研究結果指出當未降解的乙酸濃度在未超過(guò)閾值時(shí)乙酸的存在一定程度上提高了產(chǎn)甲烷菌的活性, 但當體系積累的乙酸達到閾值時(shí)極大地抑制了產(chǎn)甲烷菌的活性.需要指出的是, 不同的厭氧體系能忍受積累的VFA濃度是不同的, 這取決于厭氧消化降解的底物基質(zhì)和厭氧體系的操作條件(張仁瑞, 1997).因此監控厭氧消化過(guò)程VFA濃度對于優(yōu)化廢水厭氧處理管理, 監控厭氧處理設施的運行具有指導意義.

　　針對VFA濃度的檢測方法, 一直受到了高度的重視, 研究人員做了大量工作(Feitkenhauer et al., 2002;趙保全, 2008;Falk et al., 2015;姚崇齡, 2006).VFA濃度離線(xiàn)測定的方法主要有蒸餾法、滴定法、色譜法、比色法等(江偉, 2010), 然而這種基于電化學(xué)等離線(xiàn)分析耗時(shí)、滯后甚至費用昂貴, 不能滿(mǎn)足快速變化的高負荷厭氧消化系統的在線(xiàn)監測需求.因此, 很有必要進(jìn)一步研究VFA在線(xiàn)檢測技術(shù), 探究一個(gè)便捷、快速、低廉的檢測策略.

　　基于人工神經(jīng)網(wǎng)絡(luò )、數理統計學(xué)等的軟測量技術(shù)在廢水處理過(guò)程中應用越來(lái)越廣, 軟測量模型適用于非線(xiàn)性系統建模, 可以應用快速并行處理算法從而大大提高辨識速度, 用于系統建模的方法很簡(jiǎn)單, 只需通過(guò)系統的輸入和輸出數據等特點(diǎn), 使其對于水質(zhì)變化頻繁的廢水生物處理仍然具有比較好的精度(李勇等, 2005;傅永峰, 2007;Huang et al., 2010).目前, 針對基于人工神經(jīng)網(wǎng)絡(luò )的軟測量模型進(jìn)行了大量研究, 其在廢水處理中運用越來(lái)越廣(Huang et al., 2016;黃明智, 2011).研究人員發(fā)現, 盡管基于人工神經(jīng)網(wǎng)絡(luò )的軟測量模型表現較好, 但是由于神經(jīng)網(wǎng)絡(luò )是一種局部最優(yōu)算法, 面對廢水水質(zhì)變化頻繁亦存在過(guò)擬合和欠擬合, 且對于神經(jīng)網(wǎng)絡(luò )隱含層數和隱含層節點(diǎn)數的選擇并無(wú)理論上的指導.SVM是近年來(lái)在機器學(xué)習領(lǐng)域中受到關(guān)注較多的一種基于統計學(xué)原理的新技術(shù), 支持向量機(SVM, Support Vector Machine)作為一種高效簡(jiǎn)單的機器學(xué)習方法, 其在廢水處理中的運用越來(lái)越受到關(guān)注(Selakov et al., 2014;Nieto et al., 2013;韓雯, 2012).劉博等(2014)提出一種基于PCA-LSSVM的厭氧廢水處理系統出水VFA在線(xiàn)預測模型, 仿真結果表明在穩態(tài)環(huán)境下該模型具有很好的仿真能力, 然而元數據集加入非穩態(tài)數據后, 模型在非穩態(tài)環(huán)境下的仿真表現受到一定的干擾.

　　本文研究將基于SVM回歸和分類(lèi)模型構建軟測量模型, 利用粒子群算法對模型參數尋優(yōu), 預測廢水厭氧處理出水VFA濃度和COD去除率, 為監控和優(yōu)化廢水厭氧處理, 提高厭氧處理穩定性和效率提供指導.

　　2 材料及方法(Materials and methods) 2.1 實(shí)驗裝置與實(shí)驗系統

　　為獲得不同進(jìn)水條件下廢水厭氧降解有機物出水VFA濃度以及處理的效果, 在實(shí)驗室搭建一套廢水厭氧處理系統.實(shí)驗裝置如圖 1所示, 實(shí)驗所用的IC厭氧反應器為有機玻璃制作, 高1272 mm, 內徑200 mm, 有效容積25.1 L, 第一反應區與第二反應區的體積比為4:1, 廢水通過(guò)BT600-2J型蠕動(dòng)泵輸送至反應器內, 水質(zhì)參數在線(xiàn)監測系統由在線(xiàn)pH儀表(美國哈希公司, GLI MODEL33)、在線(xiàn)ORP儀表(GOLDTO TP560)、PT100溫度傳感器(u2p-010) 和濕式氣體流量計(LML-1型)組成.反應器經(jīng)過(guò)3個(gè)月成功啟動(dòng), 接種污泥為廣州某造紙廠(chǎng)IC反應塔厭氧顆粒污泥, 其總固體懸浮物(TSS)為112.56 g·L-1, 揮發(fā)性懸浮物(VSS)為132.04 g·L-1, VSS/TSS為0.852.

　　圖 1(Fig. 1)

　　圖 1 實(shí)驗裝置示意圖

　　實(shí)驗廢水采用自制廢水, 實(shí)驗廢水將采用人工自配有機廢水, 有機廢水以葡萄糖、尿素、磷酸二氫鉀按COD:N:P=200:5:1的比例配制, 同時(shí)加入1.8 mg·L-1 CaCl2·2H2O、0.5 mg·L-1 MgSO4、0.25 mg·L-1 CuSO4·5H2O、0.248 mg·L-1 CoCl2·6H2O、0.24 mg·L-1 FeCl3 ·5H2O、0.205 mg·L-1 ZnCl2、0.19 mg·L-1 NiCl2·6H2O、0.014 mg·L-1 H3BO4和0.009 mg·L-1 NH4MoO4·4H2O, 以保證厭氧微生物微量元素所需.反應器運行過(guò)程中通過(guò)變化進(jìn)水有機負荷, 變化進(jìn)水堿度的方式改變反應器進(jìn)水條件和處理條件來(lái)獲得不同條件下厭氧處理出水VFA濃度的變化以及出水VFA濃度與厭氧處理效果之間的聯(lián)系.試驗期間, pH值、ORP、溫度由在線(xiàn)監測系統檢測, COD采用重鉻酸鉀滴定法測定, 產(chǎn)氣量采用濕式氣體流量計測定, 產(chǎn)氣組分采用氣象色譜(A90氣相色譜儀)外標法測定, VFA濃度及其組分含量采用氣相色譜(A90氣相色譜儀)外標法測定.

　　2.2 SVM模型

　　SVM是由貝爾實(shí)驗室的Vapnik及其研究小組于1995年在統計學(xué)習理論的基礎上提出來(lái)的一類(lèi)新型的機器學(xué)習方法(Vapnik et al., 1995).它開(kāi)始是針對線(xiàn)性可分情況進(jìn)行分析的, 后來(lái)對于線(xiàn)性不可分的情況, 通過(guò)使用非線(xiàn)性映射算法將低維輸入空間線(xiàn)性不可分的樣本映射到高維屬性空間使其線(xiàn)性可分, 使得在高維屬性空間采用線(xiàn)性算法對樣本的非線(xiàn)性特性進(jìn)行分析成為可能, 通過(guò)使用結構風(fēng)險最小化準則在屬性空間構造最優(yōu)分割超平面, 使得機器學(xué)習得到全局最優(yōu)化, 解決了學(xué)習問(wèn)題, 對樣本具有較好的泛化能力, 由于支持向量機的訓練問(wèn)題本質(zhì)上是一個(gè)經(jīng)典的二次規劃問(wèn)題, 避免了局部最優(yōu)解, 有效地克服了維數災難.

　　為了使SVM模型獲得比較好的表現, 以下兩點(diǎn)是至關(guān)重要的：① 為SVM模型選擇核函數, 目前實(shí)際運用中比較常用的核函數有：高斯、多項式、樣條、S形、RBF等核函數;② 為模型選擇參數ε和C, 懲罰因子C又稱(chēng)正則化參數, 用以在訓練中平衡機器學(xué)習的復雜性和經(jīng)驗風(fēng)險(孫彤2013).

　　2.3 粒子群算法(pso算法)

　　粒子群(Particle Swarm Optimization, PSO)算法是由Kennedy和Eberhart (2013)在人工生命研究的影響之下提出來(lái)的, 又模擬了鳥(niǎo)群在尋找食物過(guò)程中的集體遷徙行為, 提出了這種基于群體智能的演化計算方法.國內外研究表明pso算法廣泛地用于優(yōu)化統計學(xué)模型, 比如ANN模型(Dhanarajan et al., 2014), SVM模型(Nieto et al., 2016).原始的PSO算法的基本模型描述為：設在一個(gè)n維搜索空間中, 種群X={x1, x2, ……, xN}是由N個(gè)粒子構成, 其中第i個(gè)粒子所處的當前位置為x1={xi1, xi2, ……, xin}T, 其速度為v1={vi1, vi2, ……, vin}T, 該粒子的個(gè)體極值表示為P1={Pi1, Pi2, ……, Pin}T, 整個(gè)種群的全局極值表示為Pg={Pg1, Pg2, ……, Pgn}T, 按照粒子不斷尋優(yōu)的原理, 粒子xi的速度及位置更新公式如下所示

(1) (2)

　　式中, w是權重值, C1、C2為加速常數.rand1、rand2是隨機函數, 作用是為了產(chǎn)生(0, 1) 的隨機數.pso算法優(yōu)化SVM模型的流程如圖 2所示.

　　圖 2(Fig. 2)

　　圖 2 pso算法優(yōu)化SVM模型流程

　　2.4 基于pso-SVM的軟測量模型建立

　　如前所述, 為得到模型較好的抗干擾能力、泛化能力和預測性能, 需要為模型選擇核函數、核參數和正則化參數, 本文選取RBF函數作為SVM模型的核函數, 利用pso算法優(yōu)化模型, 為SVM模型選擇最優(yōu)參數, 通過(guò)Matlab2015b軟件平臺建立模型.pso算法優(yōu)化SVM模型得到的最優(yōu)參數如表 1所示.

　　表 1(Table 1)

　　表 1 pso-svm模型參數

 

　　整個(gè)基于pso-SVM的軟測量模型流程

如圖 3所示.元數據分成測試集和訓練集, 訓練集用于建立模型, 測試集用于驗證模型.將訓練集數據用于pso-SVM-regression模型建模, 根據建模輸出數據與訓練集輸出量的相對誤差將訓練集分成兩個(gè)訓練集(訓練集① 及訓練集②), 并標記訓練集①、② 的元數據標簽分別為1、-1;根據分成的兩類(lèi)訓練集, 利用pso-SVM-classification模型將測試集分成兩類(lèi), 從而將元數據分成了兩個(gè)數據集;再利用SVM-Regression分別對數據集進(jìn)行處理, 將經(jīng)分類(lèi)和未分類(lèi)的模型表現進(jìn)行分析總結.

　　圖 3(Fig. 3)

　　圖 3 pso-SVM模型流程圖

　　2.4.1 原始數據集采集及預處理

　　通過(guò)進(jìn)水條件梯度變化, IC厭氧反應器成功運行60 d, 數據人工剔除明顯異常值后利用拉依達準則剔除離群值, 共采集159組元數據.模型的輸入量包括進(jìn)水有機負荷, 出水pH、T、產(chǎn)氣量及產(chǎn)氣組分(甲烷、二氧化碳產(chǎn)量)、進(jìn)水堿度、反應器ORP(氧化還原電位), 輸出量包括出水總VFA濃度以及反應器COD去除率.

　　為確保模型的輸入和輸出值的統計分布是大致均勻的, 提高模型的運行精度以及速度, 需要將元數據集作歸一化處理：

(3)

　　式中, S(i)為數據集中的一組數據;min(S)為數據集中值最小的一組數據;max(S)為數據集中值最大的一組數據;

　　2.4.2 模型性能的評價(jià)指標

　　為了直觀(guān)地表達軟測量模型的性能, 本文將選取以下評價(jià)指標來(lái)表征：

　�、� 平均絕對百分比誤差(Mean Absolute Percent Error，MAPE), MAPE是兩組數據之間的所有相對誤差的絕對值求和的平均值，平均絕對誤差由于離差被絕對值化，不會(huì )出現正負相抵消的情況，能從整體上更好地反映預測值與實(shí)際值的偏差情況;

(4)

　�、� 均方根誤差(Root Mean Square Error，RMSE)估計值與真值偏差的平方與檢測次數n比值的平方根，RMSE主要是為了說(shuō)明樣本的離散程度;

(5)

　�、� 相關(guān)系數(correlation coefficient，R), R反映了估計值整體偏離實(shí)際值的強弱，R越接近于1則說(shuō)明估計值與實(shí)際值越接近;

(6)

　　(4) 相對誤差(Relative Error，RE)，RE表示絕對誤差值與被測量值的真值之比，相對誤差更能反映預測的可靠程度;

(7)

　　以上各式中，y為實(shí)際值，y*為實(shí)際值均值，yp為預測值，yp*為實(shí)際值均值，m為樣本數量.

　　3 結果與討論(Results and discussion) 3.1 廢水處理系統COD去除率與VFA濃度之間的聯(lián)系

　　圖 4體現了厭氧處理系統COD去除率與出水VFA濃度之間的關(guān)系.分析圖 4可得：隨著(zhù)出水VFA濃度的增大, 系統COD去除率越來(lái)越低;出水VFA濃度在0~250 mg·L-1之間時(shí), 系統COD去除率大部分在75%以上;出水VFA濃度達到400 mg·L-1時(shí), 系統COD去除率降低到65%;由此可見(jiàn), 厭氧體系未降解的VFAs達到一定濃度時(shí)對厭氧系統微生物降解有機物產(chǎn)生了抑制.具體參見(jiàn)污水寶商城資料或http://www.sharpedgetext.com更多相關(guān)技術(shù)文檔

　　圖 4(Fig. 4)

　　圖 4 體系VFA濃度與COD去除率之間的聯(lián)系

　　運用MATLAB的聚類(lèi)多項式線(xiàn)性擬合工具體現VFA-COD去除率的線(xiàn)性關(guān)系.如圖 4a所示, 一次多項式擬合VFA-COD去除率的表現來(lái)看, VFA-COD去除率之間的聯(lián)系可用公式(4) 表示:

(8)

　　一次多項式線(xiàn)性擬合線(xiàn)性相關(guān)性系數為0.7476, 均方根誤差RMSE為0.4108;如圖 4b所示, 三次多項式擬合VFA-COD去除率的表現來(lái)看, VFA-COD去除率之間的聯(lián)系可用公式(5) 表示：

(9)

　　一次多項式線(xiàn)性擬合線(xiàn)性相關(guān)性系數為0.8765, 均方根誤差RMSE為0.1318.

　　目前經(jīng)常用作廢水厭氧消化效果的指標有產(chǎn)氣量、COD去除率、pH、VSS等, 然而pH、產(chǎn)氣量和VSS在指示厭氧消化過(guò)程中的突變往往過(guò)于滯后(Ahring et al., 1995).根據本文的結果可以看出, 體系累積的VFA與體系COD去除率存在一定的關(guān)系, 但VFA濃度累積到一定濃度時(shí), 體系COD去除率下降的幅度越來(lái)越大, 體系VFA濃度可以成為厭氧消化的性能指標.

　　3.2 廢水厭氧處理系統COD去除率預測仿真 3.2.1 元數據集分類(lèi)結果

　　數據集分類(lèi)前, 數據集分為訓練集和測試集, 其中訓練集共100組數據, 測試集共59組數據.模型運行開(kāi)始后, 根據模型針對訓練集的輸出量與實(shí)際值之間的誤差將訓練集平分為兩個(gè)訓練集(訓練集① 及訓練集②), 經(jīng)過(guò)pso-SVM-classification模型將測試集分成兩類(lèi)測試集(測試集① 及測試集②), 至此, 元數據集分類(lèi)成兩類(lèi)數據集：數據集①：訓練集共50組數據、測試集共28組數據;數據集②：訓練集共50組數據、測試集共31組數據.

　　3.2.2 模型仿真結果

　　廢水厭氧處理系統COD去除率預測仿真結果見(jiàn)表 2及圖 5.由表 2分析模型訓練過(guò)程中的性能指標, 分類(lèi)之后模型的線(xiàn)性相關(guān)性R由74.85%提高到91.43%和92.62%, 在元數據集分類(lèi)之后模型訓練過(guò)程中的其他指標均有提升, 由此可知分類(lèi)之后模型獲得了輸入量與輸出量之間更為明確的模糊關(guān)系.對比分類(lèi)前后的模型表現, 通過(guò)對比圖 5a與圖 5b、圖 5c, 模型在數據集分類(lèi)后的性能表現提升較大, 雖然在水質(zhì)變化較大時(shí), 模型的表現不夠理想, 但是相對于分類(lèi)前模型表現提升較大.分類(lèi)之前, 模型的各性能指標(測試集)RMSE為5.94, MAPE為4.61%, 相關(guān)性R為65.86%;分類(lèi)之后, 數據集① 及數據集② 的性能指標分別為：RMSE為3.75、3.73, MAPE為2.96%、2.75%, 相關(guān)性R為92.34%、83.41%.圖 6表示的是模型仿真結果與實(shí)驗值的相對誤差, 模型分類(lèi)前相對誤差最大為27.10%, 分類(lèi)后相對誤差最大分別為11.84%、11.95%.

　　圖 5(Fig. 5)

　　圖 5 pso-SVM模型對COD去除率仿真結果

　　表 2(Table 2)

　　表 2 厭氧體系COD去除率模型預測性能

 

　　圖 6(Fig. 6)

　　圖 6 pso-SVM模型對COD去除率仿真相對誤差

　　3.3 廢水厭氧處理系統VFA濃度預測仿真 3.3.1 元數據集分類(lèi)結果

　　數據集分為訓練集和測試集, 其中訓練集共100組數據, 測試集共59組數據.模型運行開(kāi)始后, 根據模型針對訓練集的輸出量與實(shí)際值之間的誤差將訓練集平分為兩個(gè)訓練集(訓練集① 及訓練集②), 經(jīng)過(guò)pso-SVM-classification模型將測試集分成兩類(lèi)測試集(測試集① 及測試集②), 至此, 元數據集分類(lèi)成兩類(lèi)數據集：數據集①：訓練集共50組數據、測試集共32組數據;數據集②：訓練集共50組數據、測試集共27組數據.

　　3.3.2 模型仿真結果

　　廢水厭氧處理系統VFA濃度預測仿真結果見(jiàn)表 2及圖 7.通過(guò)分析圖 7a, pso-SVM模型對廢水厭氧處理系統VFA濃度具有較好的預測仿真能力, 但是當水質(zhì)變化較大時(shí), 模型存在欠擬合的問(wèn)題, 局部表現較差.對比分類(lèi)前后的模型表現, 通過(guò)對比圖 7a與圖 7b、圖 7c, 模型在數據集分類(lèi)后的性能表現提升較大.分類(lèi)之前, 模型的各性能指標(測試集)RMSE為59.75, MAPE為42.97%, 相關(guān)性R為85.25%;分類(lèi)之后, 數據集① 及數據集集② 的性能指標分別為：RMSE為20.45、9.64, MAPE為12.11%、7.16%, 相關(guān)性R為99.14%、99.59%.圖 8表示的是模型仿真結果與實(shí)驗值的相對誤差, 模型分類(lèi)前相對誤差最大為179.47%, 分類(lèi)后相對誤差最大分別為21.91%、165.85%.從圖 8可以看出, 元數據集分類(lèi)后模型對個(gè)別樣本單元的預測表現依然不夠理想, 若要針對每個(gè)樣本集獲得更為精確的預測結果, 需要優(yōu)化模型的核函數、分類(lèi)策略等(Cao et al., 2016), 這也是未來(lái)的研究方向.

　　圖 7(Fig. 7)

　　圖 7 pso-SVM模型對VFA濃度預測結果

　　圖 8(Fig. 8)

　　圖 8 pso-SVM模型對VFA濃度仿真相對誤差

　　表 3(Table 3)

　　表 3 厭氧體系VFA濃度模型預測性能

 

　　4 結論(Conclusions)

　　1) 元數據集分類(lèi)之前, pso-SVM模型對廢水厭氧處理體系COD去除率及出水總VFA濃度的仿真表現較好, 測試樣本的整體預測數據與實(shí)際數據的相關(guān)系數分別為65.86%, 85.25%.

　　2) 為提升模型的表現加入分類(lèi)策略將元數據集分成兩類(lèi)(數據集① 和數據集②), 對比分類(lèi)前后仿真結果, 數據集數據量達到一定量后, 通過(guò)加入分類(lèi)策略可以較大地提升模型的表現, 模型預測系統COD去除率測試樣本數據相關(guān)系數分別為92.34%、83.41%;模型預測系統出水總VFA濃度測試樣本數據相關(guān)系數分別為99.14%、99.59%.

　　3) 引入分類(lèi)策略對元數據集進(jìn)行有效分類(lèi), 基于pso-SVM的軟測量模型可為監控、優(yōu)化和理解厭氧消化過(guò)程提供指導.