基于物联网与深度学习的污水处理智能监控系统设计

2017-11-02张成彬邵星徐燕萍刘颖

软件导刊 2017年10期

张成彬++邵星++徐燕萍++刘颖

摘要：污水处理对提高水资源利用率、保护环境具有重要意义。污水处理过程中，污水水质变化剧烈、污水处理过程与工艺复杂，保持污水处理的精准性、稳定性显得极为重要。因此，提出基于物联网与深度学习的污水处理智能监控系统。该系统利用物联网技术，精准感知与监测污水处理设备及污水水质的实时数据；利用云计算技术，存储与处理采集得到的污水处理数据；利用深度学习，构建具有多层非线性映射的深度学习结构。结果表明，对采集到的数据进行深度学习，分析污水处理规律并进行预测与控制，能提高污水处理稳定性、精确性与效率，为污水治理与控制提供智慧支撑。

关键词：物联网；深度学习；云计算；污水处理；智能监测

DOIDOI：10.11907/rjdk.171621

中图分类号：TP319文献标识码：A文章编号：16727800（2017）010008903

0引言

污水处理是指为使污水达到排放标准或再次使用的水质要求对其进行净化的过程[1，2]。按照污水来源可将其分为生产污水处理与生活污水处理。污水如果未经处理直接排放，容易污染现有水源、降低水资源循环利用率、威胁动植物生存环境、影响生态平衡。因此，开展污水处理，对减少水污染、保护生态环境、提高水资源利用率具有重要意义[3]。

近年来，物联网产生被国家列为战略性新兴产业，并被写入国家战略发展规划而受到重点支持发展[4]。物联网就是物物相连的网络，它主要通过将传感器、射频识别等智能感知系统嵌入“物理实体”以随时获取其信息，从而将其连接起来。在物联网中，“物理实体”无需人工干预就能够彼此“交流”，以实现智能识别、定位、跟踪、监控及管理[5]。无线传感网是物联网的核心技术之一。它是由一组传感器节点以自组织方式构成的无线多跳网络，其目的是协作感知、采集与处理网络覆盖地理区域中感知对象的信息，并进行发布。无线传感网具有精度高、部署灵活、快捷方便、可靠性高、性价比高、抗损性强、网络自组织等特点，特别适合于远程环境监测等领域[6，7]。

云计算是一种商业化的计算模型，能够基于网络为用户提供计算资源服务，使用户按需获取计算资源[8]。其原理是通过网络统一调度分布在互联网各处的资源，并以统一的界面向用户提供服务，特别适合大规模信息处理[9]。

深度学习的概念源于人工神经网络研究，含多隐层的多层感知器就是一种深度学习结构[10]。深度学习通过组合低层特征形成更加抽象的高层表示（属性类别或特征），以发现数据的分布式特征表示。深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近表征输入数据分布式表示，并展现了从少数样本集中学习数据集本质特征的强大能力，因此在图像识别、语音识别、预测等领域具有广阔的应用前景，成为机器学习领域一个研究热点。

针对污水处理过程中污水水质变化剧烈、污水处理过程与工艺复杂等特点，本文提出基于物联网与深度学习的污水处理智能监控系统。考虑到污水处理过程和相关生化反应的复杂性，该系统利用物联网技术，以精准感知与监测污水处理设备及污水水质的实时数据；利用云计算技术，存储与处理采集得到污水处理设备数据和污水水质数据；利用深度学习，构建具有多层非线性映射的深度学习结构，对采集到数据进行深度学习，分析污水处理的规律并进行预测与控制，提高污水处理稳定性、精确性和效率，为污水治理和控制提供智慧支撑。

1系统架构

基于物联网的污水处理智能监控系统架构，主要对系统整体拓扑结构、功能结构进行设计，为系统整体设计与实现进行规划。实施目标主要包括两个方面：基于物联网的污水处理数据采集、基于深度学习的污水处理过程预测与控制。系统整体拓扑结构如图1所示，整体逻辑结构如图2所示。

系统以无线传感器节点作为物联网的数据感知设备，对污水处理设备与污水处理过程中各个中间环节的污水水质进行监测，监测结果交给云计算存储平台。在云计算存储平台上，运行深度学习算法对监测数据进行处理分析，产生预测结果，并对污水处理设备进行智能化控制。系统整体技术方案如图3所示。

2系统设计

2.1基于物联网的污水处理感知系统设计

一般的污水处理分为4级，基于物联网的污水处理感知系统针对污水处理每个处理流程、每项重要参数指标、重要处理设备部署无线传感器节点，实现对整个污水处理流程无死角全覆盖的信息感知，确保对污水处理流程信息进行全面、深入、透彻地感知与采集。各个传感器节点之间通过Zigbee协议自组织构建无线多跳网络，并将所采集的污水处理数据上报到汇聚节点。而协调器节点将把数据通过网关上传到云平台，用于后续智能分析与处理。（见图4）。

2.2基于深度学习的污水处理过程智能预测与控制设计

基于深度学习的污水处理智能预测与控制，首先利用无监督學习的机器学习DBN（Deep Belief Networks）进行污水处理预测建模，如图5所示。

物联网对污水处理过程中每个处理设备的参数与中间污水水质数据进行采集，得到历史原始数据，对其进行数据预处理以后，得到训练数据集。利用训练数据集确定DBN最优网络结构，包括输入层的节点个数、隐含层的节点个数、隐含层的层数等，并对权重进行调整，利用训练数据在此模型上进行训练，不断微调直至最终模型。

物联网系统实时采集污水处理设备参数与中间污水水质数据相关数据，构成当前原始数据。当前原始数据经数据预处理后，成为预测数据集。利用建立的DBN模型与预测数据集预测污水处理结果，进而控制污水处理全过程中相关设备的运行。

DBN是将多个限制玻尔兹曼机（Restricted Boltzmann Machine， RBM）模型重叠在一起，将每个RBM模型的可视层看作输入层，隐藏层看作输出层，继而完成训练。RBM网络结构如图6所示，该网络可视层与隐层单元彼此互联（层内无连接），隐单元可获取输入可视单元的高阶相关性。endprint

相比传统Sigmod信度网络，RBM权值的学习相对容易。为了获取生成性权值，预训练时采用无监督贪心逐层方式实现。在训练过程中，采用吉布斯采样原理，即将可视向量值映射给隐层单元，然后可视单元由隐层单元重建，这些新可视单元再次映射给隐层单元，就获取了新的隐层单元。

只有一个隐含层的典型DBN网络，可以采用联合概率密度分布刻画输入向量x与隐含向量gi的关系。

P（x，g1，g2，g3，…，g）=P（x|g1）P（g1|g2）

P（g2|g3）…P（gi|gi+1）P（g，g）（1）

其中，P（gi|gi+1）是条件概率分布。将隐层gi看作是一个有ni个元素gij的随机二进制矢量：

P（gi|gi+1）=∏nij=1P（gij|gi+1）P（gij=1|gi+1）=

sigm（bij+∑ni+1k=1Wikjgi+1k）（2）

其中，sigm（t）=1/（1+e-t），bij是第i层第j个单元的偏差值，Wi是第i层的权矩阵。

训练结束后，需要对DBN做微调整训练。根据输入数据与重构数据的损失函数，利用BP算法对相关度网络参数进行微调整，使损失函数最小化。损失函数的公式为：

L（x-x）=‖x-x‖22（3）

其中，x为训练数据真实值，x为DBN的拟合函数值。

考虑最终排放水质是最终的直接指标，因此将最终水质作为污水处理结果的表征指标，通过构建DBN网络实现对排放水质的预测。通过自底向上组合多个RBM构建DBN网络，预测模型输入包括每道工序参数、每道工序后的污水水质等参量。污水处理预测DBN网络构建流程如图7所示。

首先，对网络进行预训练，以确定初始化网络参数。以第i组的输入变量为输入，以排放被处理污水水质为输出，在此采用无监督贪婪优化算法，初始化各层间的连接权值与偏置。网络结构设置为100×100，网络大小设置为100，批量大小设置为110，学习效率设置为1，训练步数设置为500。在预训练结束后，每层RBM可以得到初始化的参数，组成了DBN的初步架构。

其次，对DBN做微调整训练，根据输入数据与重构数据的损失函数，调整层与层之间的权值与偏置值。DBN

的反馈算法只需对权值参数空间进行一个局部搜索，相比前向神经网络，训练快且收敛时间短。

3结语

本文提出基于物联网与深度学习的污水处理智能监控系统。该系统将物联网技术引入污水处理中，实现对污水处理过程中污水处理设备与各阶段水质不间断、自动化监测。该系统基于深度学习技术，构建污水处理的深度学习模型，实现对污水处理过程的预测与智能控制。

参考文献参考文献：

[1]周小波，王成瑞，张杰涛.污水处理智能控制系统的研究进展[J].水处理技术，2007，3（33）：610.

[2]马勇，彭永臻.城市污水处理系统实现全厂控制的发展前景[J].中国给水排水，2008，24（8）：813.

[3]李全德，丁志义.银川市污水资源处理工艺流程研究[J].软件导刊，2009，8（4）：100102.

[4]朱洪波，杨龙祥，于全.物联网的技术思想与应用策略研究[J].通信学报，2011，31（11）：29.

[5]钱志鸿，王义君.物联网技术与应用研究[J].电子学报，2012，40（5）：10231029.

[6]杜巖.基于ZigBee协议的远程监控系统设计[J].软件导刊，2015，14（11）：9597.

[7]史梦安，王志勃.基于C/S和B/S混合结构的物联网智能远程环境监控系统研究[J].软件导刊，2014，13（9）：69.