刘鸿斌 李祥宇 杨冲

摘要：针对造纸废水处理过程的复杂特性，本课题将主成分分析（PCA）与人工神经网络（ANN）和支持向量回归（SVR）相结合，构建出两种新的软测量模型：主成分分析-人工神经网络（PCA-ANN）和主成分分析-支持向量回归（PCA-SVR）。本课题将这两种软测量模型应用于造纸废水处理过程中出水化学需氧量（COD）和出水悬浮固形物（SS）浓度的预测。计算结果表明，PCA-ANN和PCA-SVR的预测效果均优于偏最小二乘、支持向量回归和人工神经网络3种常规软测量模型，并且PCA-ANN的预测效果最优。对于出水COD浓度预测，PCA-ANN的决定系数（R2）为0.984，均方误差（MSE）为1.892，较ANN分别优化了9.7%和71.5%。对于出水SS浓度预测，PCA-ANN的R2为0.762，MSE为0.228，较ANN分别优化了31.2%和58.7%。

关键词：造纸废水处理；主成分分析；支持向量回归；人工神经网络；偏最小二乘；软测量

中图分类号：X793

文献标识码：A

DOI：10.11981/j.issn.1000-6842.2018.04.50

在造纸废水处理过程中，由于一些工业参数的在线测量传感器缺乏[1]以及造纸废水处理过程的非线性、时变性、不确定性、复杂性和滞后性等特点，导致某些与出水水质指标相关的关键参数无法实现在线测量，这直接影响到废水处理过程的实时控制和优化操作[2]。在造纸废水处理过程中，通过建立出水水质的关键变量与进水水质关键变量之间的关系，从而得到出水水质关键参数的软测量模型，可以更好地对废水处理过程进行控制。

软测量常规的建模方法有机理建模法、回归分析法、支持向量机法和神经网络法等[3]。偏最小二乘（PartialLeastSquares，PLS）算法是一种新型的多元统计回归分析算法，该方法易受过程非线性特性和系统外部干扰等因素的影响而失效。针对这些问题，杨浩等[4]研究了递归偏最小二乘（RecursivePartialLeastSquares，RPLS）算法的造纸废水处理过程软测量建模。支持向量机是基于结构最小化原則的人工智能技术，支持向量回归（SupportVectorRegression，SVR）是支持向量机在回归预测方面的一种算法，该算法可以克服回归分析方法不适用于非线性过程问题。徐方舟等[5]通过SVR方法实现对化学需氧量（COD）质量浓度的预测。水质预测模型需要多种水质指标作为输入变量，但变量过多会造成一定的信息重叠，使模型的预测效果变差。吴慧英等[6]在构建SVR模型对池塘溶解氧预测时利用了理论较为完善的主成分分析（PrincipalComponentAnalysis，PCA）方法对输入变量进行降维处理，这种将PCA和SVR相结合的模型得到了很高的预测精度。刘博等[3]利用PCA和最小二乘支持向量回归（LeastSquareSupportVectorRegression，LSSVR）相结合的模型对厌氧消化过程中的挥发性脂肪酸进行预测，该模型也具有较好的预测能力。人工神经网络（ArtificialNeuralNetwork，ANN）是通过模仿人类大脑神经元处理信息方式从而形成的一种智能算法[7]，该方法的优点在于其拥有自学习、自适应和自处理功能，其缺点在于泛化能力不足。将ANN和其他方法相结合的软测量建模方法可以克服单独使用ANN方法的局限性。Lee等[8]通过多元统计过程控制和基于虚拟传感器的神经网络技术相结合的方法开发了污水处理厂远程控制系统。

针对造纸废水处理过程的特点，笔者构建主成分分析-支持向量回归（PrincipalComponentAnalysis-SupportVectorRegression，PCA-SVR）和主成分分析-人工神经网络（PrincipalComponentAnalysis-ArtificialNeuralNetwork，PCA-ANN）对出水化学需氧量（COD）和出水悬浮固形物（SS）浓度进行预测，并与PLS、SVR、ANN模型进行对比。

3结论

通过构建偏最小二乘（PLS）、支持向量回归（SVR）、人工神经网络（ANN）、主成分分析-支持向量回归（PCA-SVR）、主成分分析-人工神经网络（PCA-ANN）5种模型对造纸废水处理过程中出水化学需氧量（COD）和出水悬浮固形物（SS）浓度进行预测。计算结果表明，非线性SVR和ANN建模方法的预测效果要优于线性PLS的预测效果；在5种模型中，基于PCA降维模型的软测量方法可以获得更好的预测效果，且PCA-ANN的预测效果最优。考虑到PCA-ANN与PCA-SVR2种模型的预测精度受各自模型参数的影响较大，本课题组下一步将研究模型参数的选择对模型预测精度的影响。

参考文献

[1]ZhuXF，LiY，HuangDP.Theoverviewoncontrolandoptimizationinwastewatertreatmentprocesses[J].Automation&InformationEngineering，2009，30（3）：7.

朱学峰，李艳，黄道平.污水处理过程的控制与优化综述[J].自动化与信息工程，2009，30（3）：7.

[2]ZhaoC，DaiKC，WangGP，etal.Softsensormodelingforwastewatertreatmentprocessbasedonadaptiveweightedleastsquaressupportvectormachines[J].ChineseJournalofScientificInstrument，2015，36（8）：1792.

赵超，戴坤成，王贵评，等.基于AWLS-SVM的污水处理过程软测量建模[J].仪器仪表学报，2015，36（8）：1792.

[3]LiuB，WanJQ，HuangMZ，etal.APCA-LSSVMmodelforon-linepredictionoftheeffluentVFAinananaerobicwastewatertreatmentsystem[J].ActaScientiaeCircumstantiae，2015，35（6）：1768.

刘博，万金泉，黄明智，等.基于PCA-LSSVM的厌氧废水处理系统出水VFA在线预测模型[J].环境科学学报，2015，35（6）：1768.

[4]YangH，MoWL，XiongZX，etal.SoftsensormodelingofpapermakingeffluenttreatmentprocessesusingRPLS[J].ChinaPulp&Paper，2016，35（10）：31.

杨浩，莫卫林，熊智新，等.基于RPLS的造纸废水处理过程软测量建模[J].中国造纸，2016，35（10）：31.

[5]XuFZ，PanF.SoftsensingoftheparametersinsewagedisposalsystembasedonPSO-LSSVM[J].JournalofJiangnanUniversity（NaturalScienceEdition），2010，9（3）：253.

徐方舟，潘丰.基于PSO-LSSVM污水处理系统出水数据的软测量[J].江南大学学报（自然科学版），2010，9（3）：253.

[6]WuHY，YangRJ，ZhangY，etal.ForecastingmodelforDOofpondwaterqualitybasedonPCA-SVR[J].JournalofAnhuiUniversity（NaturalSciences），2016，40（6）：103.

吴慧英，杨日剑，张颖，等.基于PCA-SVR的池塘DO预测模型[J].安徽大学学报（自然科学版），2016，40（6）：103.

[7]HuangMZ，MaYW，WanJQ，etal.Anapproachtoartificialneuralnetworkanditsapplicationtowastewatertreatment[J].EnvironmentalScience&Technology，2008，31（3）：131.

黄明智，马邕文，万金泉，等.污水处理中人工神经网络应用研究的探讨[J].环境科学与技术，2008，31（3）：131.

[8]LeeMW，HongSH，ChoiH，etal.Real-timeremotemonitoringofsmall-scaledbiologicalwastewatertreatmentplantsbyamultivariatestatisticalprocesscontrolandneuralnetwork-basedsoftwaresensors[J].ProcessBiochemistry，2008，43（10）：1107.

[9]WenXQ，LiGQ，SunLF，etal.Analysisofcarbonincoal-firedbasedonpartialleastsquaresregressionalgorithm[J].JournalofNortheastDianliUniversity（NaturalScienceEdition），2012，32（3）：31.

文孝強，李国强，孙灵芳，等.基于偏最小二乘回归算法的燃煤碳元素分析[J].东北电力大学学报（自然科学版），2012，32（3）：31.

[10]XuHM，WangHY，LiangJ，etal.Supportvectormachineregressionalgorithmanditsapplication[J].JournalofBeijingInstituteofPetro-ChemicalTechnology，2010，18（1）：62.

徐红敏，王海英，梁瑾，等.支持向量机回归算法及其应用[J].北京石油化工学院学报，2010，18（1）：62.

[11]WangXC.Analysisof43casesofMATLABneuralnetwork[M].Beijing：BeihangUniversityPress，2013：128.

王小川.MATLAB神经网络43个案例分析[M].北京：北京航空航天大学出版社，2013：128.

[12]WangY，XuL，YinWZ，etal.SoftsensormodelingofpapermakingwastewatertreatmentprocessesbasedonANNandLSSVR[J].TransactionsofChinaPulpandPaper，2017，32（1）：50.

汪瑶，徐亮，殷文志，等.基于ANN和LSSVR的造纸废水处理过程软测量建模[J].中国造纸学报，2017，32（1）：50.

[13]ShanY，LiLJ，SunDJ.Paralleldatastreamdimensionalreductionalgorithmbasedonprincipalcomponentanalysis[J].JournalofNanjingUniversityofPostsandTelecommunications（NaturalScience），2015，35（5）：99.

单燕，李玲娟，孙杜靖.基于主成分分析的并行化数据流降维算法研究[J].南京邮电大学学报（自然科学版），2015，35（5）：99.

[14]ZhangPQ，GongZL，DuXM，etal.Establishmentandapplicationofprincipalcomponentanalysis-supportvectorregressionmodelincigarettemainstreamsmokeanalysis[J].ActaTabacariaSinica，2010，16（6）：21.

章平泉，龚珍林，杜秀敏，等.主成分分析-支持向量机在卷烟主流烟气分析中的应用[J].中国烟草学报，2010，16（6）：21.

[15]LiXY，YangC，SongL，etal.Faultdiagnosisofpapermakingwastewatertreatmentprocessesbasedonsupportvectormachine[J].TransactionsofChinaPulpandPaper，2018，33（3）：55.

李祥宇，杨冲，宋留，等.基于支持向量机的造纸废水处理过程故障诊断[J].中国造纸学报，2018，33（3）：55.

[16]SongL，YangC，ZhangH，etal.Soft-sensormodelingofpapermakingwastewatertreatmentprocessbasedonGaussianprocess[J].ChinaEnvironmentalScience，2018，38（7）：2564.

宋留，杨冲，张辉，等.造纸废水处理过程的高斯过程回归软测量建模[J].中国环境科学，2018，38（7）：2564.