一、序言

編者按：在科技日新月異的時(shí)代，人工智能AI正以前所未有的速度滲透到各行各業(yè)，引領(lǐng)著新一輪的產(chǎn)業(yè)升級(jí)；在環(huán)境保護(hù)與資源利用領(lǐng)域，AI技術(shù)的應(yīng)用正展現(xiàn)出巨大的潛力與價(jià)值。

標(biāo)志卓信科技，作為深耕能源與資源生產(chǎn)領(lǐng)域十五載的工業(yè)信息化服務(wù)企業(yè)，立足于對(duì)傳統(tǒng)自動(dòng)化系統(tǒng)的時(shí)序數(shù)據(jù)進(jìn)行實(shí)時(shí)分析、AI建模、精準(zhǔn)預(yù)測(cè)、在線預(yù)警和在環(huán)控制，提高企業(yè)的關(guān)鍵裝備和工藝的智能化水平。

本文全文轉(zhuǎn)載由標(biāo)志卓信科技與合作伙伴在項(xiàng)目實(shí)踐的基礎(chǔ)上，共同撰寫的核心期刊論文《AI人工智能在采煤廢水重介速沉工藝中的應(yīng)用》，該論文探討了如何將人工智能技術(shù)融入傳統(tǒng)煤炭工業(yè)的廢水處理過程，為實(shí)現(xiàn)綠色、高效、可持續(xù)的煤炭開采提供了創(chuàng)新思路和生動(dòng)案例。

煤炭作為我國能源結(jié)構(gòu)的重要組成部分，其開采過程中產(chǎn)生的大量廢水處理一直是行業(yè)面臨的一大挑戰(zhàn)。傳統(tǒng)的重介質(zhì)懸浮液（重介）速沉工藝，能在一定程度上實(shí)現(xiàn)煤水分離，提高水資源的循環(huán)利用率，但在精準(zhǔn)高效加藥、出水水質(zhì)穩(wěn)定性方面，仍然存在改善空間。本文作者團(tuán)隊(duì)巧妙地引入了人工智能算法，通過對(duì)海量生產(chǎn)數(shù)據(jù)的深度學(xué)習(xí)與分析，實(shí)現(xiàn)了對(duì)重介速沉過程的智能優(yōu)化與精確控制。

論文首先概述了采煤廢水處理的現(xiàn)狀，隨后詳細(xì)闡述了AI算法，特別是隨機(jī)森林回歸模型、深度學(xué)習(xí)、集成學(xué)習(xí)模型等在預(yù)測(cè)水質(zhì)變化、優(yōu)化藥劑添加量、動(dòng)態(tài)調(diào)整工藝參數(shù)等方面的具體應(yīng)用。通過構(gòu)建智能預(yù)測(cè)模型，系統(tǒng)能夠?qū)崟r(shí)監(jiān)測(cè)并預(yù)判水質(zhì)指標(biāo)的變化趨勢(shì)，從而自動(dòng)調(diào)節(jié)藥劑投放策略，不僅有效減少了藥劑浪費(fèi)，降低了運(yùn)營成本，還提升了出水水質(zhì)的合格率和穩(wěn)定性。這一探索，不僅對(duì)煤炭行業(yè)具有重要的實(shí)踐意義，也為其他資源開發(fā)領(lǐng)域的環(huán)保技術(shù)創(chuàng)新提供了寶貴借鑒。

我們相信，隨著AI技術(shù)的不斷成熟與普及，未來在環(huán)境保護(hù)與資源高效利用方面將會(huì)涌現(xiàn)出更多創(chuàng)新解決方案。《AI人工智能在采煤廢水重介速沉工藝中的應(yīng)用》拋磚引玉，讓我們看到了科技助力綠色礦業(yè)的無限可能，期待更多同行和從業(yè)者能從中汲取靈感，共同推動(dòng)煤炭行業(yè)的可持續(xù)發(fā)展，守護(hù)好我們共有的藍(lán)天綠水。

二、AI人工智能加藥技術(shù)在采煤廢水重介速沉工藝中的應(yīng)用

［摘要］重介速沉工藝在煤礦采煤廢水中應(yīng)用廣泛，其工藝特點(diǎn)是多變量、非線性和時(shí)變性。

加藥的精準(zhǔn)程度影響重介速沉工藝出水指標(biāo)和運(yùn)行成本。AI人工智能軟件作為一款數(shù)據(jù)科學(xué)工具，用數(shù)字技術(shù)取代了“傳統(tǒng)人的經(jīng)驗(yàn)和直覺”。與傳統(tǒng)加藥控制方式相比，采用AI人工智能加藥系統(tǒng)，可以根據(jù)水量和水質(zhì)，實(shí)時(shí)的精準(zhǔn)調(diào)控加藥量，保證出水水質(zhì)平穩(wěn)，可以實(shí)現(xiàn)提前對(duì)出水水質(zhì)指標(biāo)的預(yù)測(cè)。本項(xiàng)目通過AI人工智能軟件對(duì)現(xiàn)有重介速沉工藝進(jìn)行數(shù)據(jù)分析，并尋找數(shù)據(jù)間的潛在關(guān)聯(lián)，自主創(chuàng)建算法模型，并對(duì)其有效性進(jìn)行驗(yàn)證，最終達(dá)到可用運(yùn)于指導(dǎo)生產(chǎn)的實(shí)驗(yàn)?zāi)康?。在同樣工控下?duì)比，AI人工智能加藥比傳統(tǒng)加藥節(jié)省藥量13.5%，實(shí)現(xiàn)節(jié)能降耗；AI人工智能加藥系統(tǒng)可以對(duì)連續(xù)增加的數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，不斷自動(dòng)校正模型參數(shù)，使控制更加精確。

［關(guān)鍵詞］AI人工智能加藥；采煤廢水；重介速沉；精準(zhǔn)加藥

煤礦在井下采煤過程中會(huì)產(chǎn)生采煤廢水，采煤廢水中的主要污染物是懸浮顆粒。目前，重介速沉水處理工藝作為一種新型的廢水處理技術(shù)，已經(jīng)開始逐漸應(yīng)用到采煤廢水處理行業(yè)中。

在實(shí)際運(yùn)行過程中，重介速沉水處理工藝存在處理效果不穩(wěn)定、運(yùn)行成本高、操作復(fù)雜等問題，其根本原因?yàn)槭窃诠に嚳刂七^程中，主要是根據(jù)人為的經(jīng)驗(yàn)和直覺設(shè)定并調(diào)整各項(xiàng)運(yùn)行參數(shù)，而重介速沉工藝是一個(gè)極其復(fù)雜的系統(tǒng)，特點(diǎn)是多變量、非線性、時(shí)變性［1］。

當(dāng)其中一個(gè)參數(shù)發(fā)生變化時(shí)，可能需要同時(shí)調(diào)整多個(gè)關(guān)聯(lián)參數(shù)，人為設(shè)定的調(diào)整方法不夠及時(shí)和準(zhǔn)確。為了提高重介速沉水處理工藝的效率和可靠性，人工智能技術(shù)被引入到該領(lǐng)域，從而實(shí)現(xiàn)智能控制和精準(zhǔn)加藥。

目前人工智能技術(shù)已經(jīng)已逐漸應(yīng)用于多個(gè)領(lǐng)域，由于具有自主學(xué)習(xí)、海量數(shù)據(jù)處理、數(shù)據(jù)挖掘等特性，人工智能在廢水處理領(lǐng)域的應(yīng)用也正成為一種趨勢(shì)。本研究對(duì)重介速沉工藝案例成果進(jìn)行展示與總結(jié)，以期促進(jìn)國內(nèi)廢水處理行業(yè)的智能控制和精準(zhǔn)加藥的研究。

1.項(xiàng)目概述

1.1 進(jìn)出水參數(shù)設(shè)計(jì)

本項(xiàng)目為國內(nèi)某大型煤礦采煤廢水處理工程，處理規(guī)模為30 000 m3/d，主要污染物為懸浮物。綜合考慮24 h內(nèi)的水質(zhì)指標(biāo)波動(dòng)情況、井下生產(chǎn)實(shí)際情況，設(shè)計(jì)進(jìn)水懸浮物濃度為10 000 mg/L。出水水質(zhì)應(yīng)達(dá)到《煤炭工業(yè)污染物排放標(biāo)準(zhǔn)》（GB20426—2006）中采煤廢水污染物限值要求。設(shè)計(jì)進(jìn)出水水質(zhì)見表1。

表1 設(shè)計(jì)進(jìn)出水水質(zhì)

Table 1 Design influent and effluent quality

注：除pH外，其余指標(biāo)單位均為mg/L。

1.2 總工藝流程

      廢水處理工藝流程見圖1。

圖1 廢水處理總工藝流程圖

Fig. 1 Overall process flow diagram of wastewater treatment

1）預(yù)處理。

礦井水匯總至進(jìn)水渠內(nèi)經(jīng)機(jī)械格柵去除大顆粒物質(zhì)后進(jìn)入集水池，集水池內(nèi)礦井水水由提升泵提升至煤泥脫水裝置，去除礦井水中≥0.3 mm粒徑的煤泥，煤泥通過皮帶輸送至主運(yùn)皮帶，處理后礦井水進(jìn)入預(yù)沉調(diào)節(jié)池。水中大比重物質(zhì)在調(diào)節(jié)預(yù)沉池中沉積下來，調(diào)節(jié)預(yù)沉池內(nèi)設(shè)置行車刮泥機(jī)，將底泥定期刮入調(diào)節(jié)預(yù)沉池儲(chǔ)泥斗，泥斗內(nèi)設(shè)置調(diào)節(jié)池污泥泵，泥斗中的污泥通過泵提升排入污泥池。

2）絮凝沉淀。

預(yù)沉調(diào)節(jié)池礦井水由提升泵提升至廢水處理設(shè)備，混凝區(qū)和反應(yīng)區(qū)通過投加混凝劑（PAC和PAM）和微砂，使懸浮物在較短時(shí)間內(nèi)形成以微砂為載體的“微絮團(tuán)”；在絮凝后，水進(jìn)入沉淀段的底部向上方流動(dòng)，通過高密度斜板增加絮凝顆粒沉淀面積，出水由集水渠收集后通過重力流入中央水倉。

3）污泥循環(huán)。

污泥循環(huán)泵連續(xù)抽取沉積在設(shè)備沉淀區(qū)儲(chǔ)泥斗中的泥水混合物，把微砂和污泥輸送到泥砂旋流器中；從污泥中分離出來的微砂直接投加到混合池中循環(huán)使用。污泥從分離裝置上部溢出排往污泥池。污泥池的污泥經(jīng)污泥泵提升進(jìn)入板框壓濾機(jī)，壓濾后的泥餅由皮帶輸送至主運(yùn)皮帶。

4）泥和油處置。

廢水處理設(shè)備上設(shè)置有撇油裝置，對(duì)水中油類進(jìn)行去除。撇油裝置下設(shè)置吸油裝置，當(dāng)吸油裝置飽和后通過礦車將去除的油類運(yùn)至井上。板框壓濾機(jī)產(chǎn)生的壓濾液自流最終進(jìn)入到集水池進(jìn)行再處理。

5）自動(dòng)控制。

該水處理系統(tǒng)同時(shí)配置在線濁度儀、電磁流量計(jì)和在線液位計(jì)、自動(dòng)閥門及遠(yuǎn)程視頻監(jiān)控和控制系統(tǒng)，可以實(shí)現(xiàn)遠(yuǎn)程監(jiān)控污泥池、加藥箱液位、系統(tǒng)處理流量等相關(guān)數(shù)據(jù)，也可以實(shí)現(xiàn)遠(yuǎn)程設(shè)備啟停及閥門開關(guān)。

1.3 工藝介紹

本項(xiàng)目采用了3套并聯(lián)AGPW-5型微砂重介速沉設(shè)備，單套處理能力為500 m3/h。

重介速沉水處理技術(shù)以“微砂絮凝循環(huán)技術(shù)”為基礎(chǔ)研發(fā)而成。廢水進(jìn)入重介速沉裝置后，通過連續(xù)投加PAC和PAM藥劑、微砂之后進(jìn)入沉淀池進(jìn)行沉淀，沉淀池底部污泥經(jīng)泥砂分離器后，分離出來的微砂回到裝置前端進(jìn)行循環(huán)使用，分離出來的污泥排至污泥處理系統(tǒng)進(jìn)行污泥脫水。本工藝的優(yōu)點(diǎn)在于，微砂的投加可以加速絮凝過程，在相同的沉淀性能情況下，其速度梯度相當(dāng)于8倍以上的傳統(tǒng)的絮凝工藝，且微砂可以進(jìn)行回收，循環(huán)利用。

1.4 重介速沉工段主要設(shè)備清單及設(shè)計(jì)參數(shù)

本項(xiàng)目共設(shè)置3套重介速沉水處理設(shè)備，型號(hào)為AGPW-5型，處理能力500 m3/h，單臺(tái)裝機(jī)功率37.5 kW。其設(shè)備清單及參數(shù)見表2。

表2主要設(shè)備清單及參數(shù)

Table 2 Main structures and their parameters

2.重介速沉工藝現(xiàn)有控制方式

本項(xiàng)目中的重介速沉裝置設(shè)置了兩臺(tái)在線儀表，分別為進(jìn)水電磁流量計(jì)和出水在線濁度儀。

自控系統(tǒng)采用PLC程序控制，如圖2所示，采用線性比例PID加藥控制方式，其中PAM加藥泵和PAC加藥泵流量控制采用變頻器控制，其加藥流量QPAM與QPAC與進(jìn)水流量Q1和出水濁度N線性關(guān)聯(lián)；微砂回流泵共2臺(tái)，1臺(tái)微砂回流泵定頻滿負(fù)荷運(yùn)行，另1臺(tái)微砂回流泵變頻控制，其頻率與進(jìn)水流量Q1和出水濁度N線性關(guān)聯(lián)。當(dāng)進(jìn)水流量Q和出水濁度N發(fā)生變化時(shí)，由進(jìn)水流量計(jì)檢測(cè)出當(dāng)前進(jìn)水量的數(shù)值，出水濁度儀檢測(cè)當(dāng)前出水濁度數(shù)值，各輸出一個(gè)4-20 mA的標(biāo)準(zhǔn)信號(hào)送至PLC系統(tǒng)，PLC系統(tǒng)根據(jù)設(shè)定的程序，經(jīng)PID計(jì)算后，向PAC、PAM計(jì)量泵和微砂回流泵的變頻器發(fā)出控制信號(hào)，將加藥泵和微砂回流泵的流量自動(dòng)調(diào)節(jié)到合適的值。

圖2 PLC程序控制原理

Fig. 2 Principles of PLC program control

PLC程序是在系統(tǒng)調(diào)試期間，技術(shù)人員通過連續(xù)的試驗(yàn)和調(diào)試，摸索出運(yùn)行所需要的經(jīng)驗(yàn)參數(shù)，輸入控制系統(tǒng)，控制系統(tǒng)按照預(yù)設(shè)的參數(shù)運(yùn)行。

在運(yùn)行過程中發(fā)現(xiàn)以下情況：

1）系統(tǒng)按照設(shè)定的程序運(yùn)行，其程序的準(zhǔn)確性完全依賴技術(shù)人員的調(diào)試經(jīng)驗(yàn)；

2）可準(zhǔn)確記錄的瞬時(shí)運(yùn)行數(shù)據(jù)只有進(jìn)水流量（通過進(jìn)水流量計(jì)記錄）和出水濁度（通過出水濁度儀記錄），PAC藥劑和PAM藥劑的使用量只能模糊記錄，即通過統(tǒng)計(jì)周消耗量去計(jì)算日平均消耗量和噸水平均消耗量，無法準(zhǔn)確的得到藥劑的瞬時(shí)加藥量；

3）加藥方式缺乏精確的數(shù)據(jù)記錄，操作人員缺乏數(shù)據(jù)支持無法進(jìn)行工藝優(yōu)化；

4）因出水濁度相對(duì)于藥劑投加的時(shí)間存在滯后，滯后的時(shí)間約為廢水在重介速沉反應(yīng)器中停留的時(shí)間，而PLC程序無法準(zhǔn)確的判斷滯后時(shí)間，導(dǎo)致通過出水濁度調(diào)節(jié)加藥量響應(yīng)慢精度低。

圖3為進(jìn)水流量與出水濁度的對(duì)應(yīng)關(guān)系。進(jìn)水流量波形與出水濁度波形一致性較差，出水濁度不平穩(wěn)。在PLC控制下，該種情況發(fā)生的頻率較高。

圖3 PLC控制下的水量與水質(zhì)

Fig. 3 Water quantity and quality under PLC control

3.人工智能介紹和應(yīng)用

3.1 介紹

目前人工智能在水處理中應(yīng)用較多的是智能控制和智能加藥。其中智能控制是采用基于多因子參與的智能算法模型，自主驅(qū)動(dòng)具備相當(dāng)執(zhí)行能力的設(shè)備系統(tǒng)，實(shí)現(xiàn)水處理工藝過程的精準(zhǔn)控制；智能加藥是在水處理加藥環(huán)節(jié)，基礎(chǔ)水量、水質(zhì)等實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，利用智能算法模型實(shí)現(xiàn)藥劑投加的精準(zhǔn)控制。

智能控制和智能加藥具備以下優(yōu)點(diǎn)：

1）智能加藥和智能控制可實(shí)時(shí)記錄水質(zhì)、加藥情況，形成加藥記錄進(jìn)而形成可記錄的經(jīng)驗(yàn)；

2）智能加藥和智能控制可記錄整個(gè)加藥過程的設(shè)備、水質(zhì)、加藥比例等數(shù)據(jù)，可對(duì)該工藝段優(yōu)化提供強(qiáng)有力的數(shù)據(jù)基礎(chǔ)；

3）智能加藥和智能控制聯(lián)動(dòng)進(jìn)水和出水水質(zhì)數(shù)據(jù)、各工藝段水質(zhì)數(shù)據(jù)，采用“前饋+模型+反饋”的多參數(shù)控制模式，通過廢水處理系統(tǒng)本身的運(yùn)作規(guī)律，對(duì)投藥量進(jìn)行科學(xué)預(yù)判，使加藥更科學(xué)；

4）智能加藥和智能控制可對(duì)水質(zhì)異常時(shí)投藥量進(jìn)行科學(xué)預(yù)判，降低人工操作強(qiáng)度，可有效提高出水水質(zhì)的穩(wěn)定性。

5）人工智能具備深度學(xué)習(xí)功能，隨著運(yùn)行數(shù)據(jù)不斷的增加，人工智能可以對(duì)增加的數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，不斷校正模型參數(shù)，使控制更加精確。

本項(xiàng)目采用AI人工智能學(xué)習(xí)軟件，對(duì)煤礦采煤廢水重介速沉工段的數(shù)據(jù)進(jìn)行智能分析。該AI人工智能學(xué)習(xí)軟件作為一款數(shù)據(jù)科學(xué)工具，用數(shù)字技術(shù)取代了“傳統(tǒng)人的經(jīng)驗(yàn)和直覺”，并輕松將其整合到控制系統(tǒng)中。該技術(shù)通過分析數(shù)據(jù)并尋找數(shù)據(jù)間的潛在關(guān)聯(lián)，自主創(chuàng)建算法模型，并對(duì)其有效性進(jìn)行驗(yàn)證，經(jīng)驗(yàn)證后的模型可用運(yùn)于指導(dǎo)生產(chǎn)。該技術(shù)可以解決技術(shù)傳承、人員短缺，以及削減成本、提高生產(chǎn)效率和質(zhì)量，不斷尋找改進(jìn)的空間并進(jìn)一步促進(jìn)生產(chǎn)的進(jìn)化。

3.2 人工智能分析步驟

3.2.1 數(shù)據(jù)收集及預(yù)處理

收集與重介速沉工藝段相關(guān)的可連續(xù)獲取的數(shù)據(jù)，包括水量、水質(zhì)、加藥量、加藥濃度、攪拌時(shí)間、回流量等。

本項(xiàng)目中，通過傳統(tǒng)方法可獲取的連續(xù)數(shù)據(jù)只有進(jìn)水量和出水濁度。人工智能軟件可以分析的數(shù)據(jù)除了傳統(tǒng)意義上的工藝參數(shù)，還可以從其相關(guān)的參數(shù)中獲取數(shù)據(jù)聯(lián)系。煤礦采煤廢水處理站的控制中心可以實(shí)時(shí)記錄所有運(yùn)行設(shè)備的電流。

加藥泵和回流泵的電流與流量相對(duì)應(yīng)，可以通過分析水泵電流的變化，反應(yīng)出流量的變化。最終建立的單臺(tái)重介速沉設(shè)備動(dòng)態(tài)數(shù)據(jù)訓(xùn)練集見表3。

表3 動(dòng)態(tài)數(shù)據(jù)訓(xùn)練集

Table 3 Dynamic data training set

諸如重介回流泵2、各攪拌機(jī)、刮泥機(jī)電機(jī)均為定頻控制，加藥濃度和定期手動(dòng)投加的微砂量均為固定值，這些靜態(tài)數(shù)據(jù)對(duì)建立動(dòng)態(tài)人工智能模型實(shí)際意義較，因此不進(jìn)行數(shù)據(jù)分析。

3.2.2 數(shù)據(jù)分析

對(duì)數(shù)據(jù)進(jìn)行探索性分析，了解數(shù)據(jù)的分布、關(guān)系和趨勢(shì)。通過編制可視化分析圖表，找出水質(zhì)指標(biāo)與各參數(shù)之間的關(guān)系。本項(xiàng)目中數(shù)據(jù)分析的重點(diǎn)是采用人工智能軟件確定影響出水濁度的各個(gè)因子，并對(duì)其貢獻(xiàn)值進(jìn)行分析，其結(jié)果見圖4。

圖4 影響因子貢獻(xiàn)度

Fig. 4 Contribution of influencing factors

通過數(shù)據(jù)分析，確定各影響因子對(duì)出水濁度的貢獻(xiàn)度排序?yàn)檫M(jìn)水流量＞重介回流泵1電流＞PAM計(jì)量泵電流＞PAC計(jì)量泵電流。其中進(jìn)水流量和重介回流泵1電流貢獻(xiàn)度遠(yuǎn)遠(yuǎn)大于PAM計(jì)量泵電流和PAC計(jì)量泵電流，這表明進(jìn)水流量和重介回流泵流量的變化對(duì)出水濁度影響最大。圖5中對(duì)連續(xù)20 d、每間隔3 min取一組數(shù)據(jù)，共約10 000組數(shù)據(jù)進(jìn)行分析統(tǒng)計(jì)，以進(jìn)水量每50 m3/h作為一個(gè)區(qū)間，統(tǒng)計(jì)得出當(dāng)進(jìn)水量在區(qū)間350~500 m3/h時(shí)，出水濁度升高的比例均為15%以上。特別是當(dāng)進(jìn)水量在400~450 m3/h之間，出水濁度升高的比例達(dá)到20%以上。

圖5 出水濁度與水量的關(guān)系

Fig. 5 The relationship between effluent turbidity and water volume

3.2.3 算法模型的建立及訓(xùn)練

選擇適合問題的機(jī)器學(xué)習(xí)算法，并根據(jù)訓(xùn)練集的表現(xiàn)選擇最佳的模型。常用的機(jī)器學(xué)習(xí)算法包括決策樹、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、邏輯回歸、隨機(jī)森林、粒子群算法等。經(jīng)過多次模擬訓(xùn)練和模型評(píng)估，本項(xiàng)目最終確定使用的算法模型見圖6。

圖6 算法模型示意圖

Fig. 6 Schematic diagram of algorithm model

一般來說，組合模型比單一的模型效果更好［2］。集成學(xué)習(xí)模型預(yù)測(cè)精度高于單一模型，可以更精確地進(jìn)行水質(zhì)預(yù)測(cè)［3］；因此本研究采用隨機(jī)森林加深度學(xué)習(xí)的組合學(xué)習(xí)方式來建立智能算法模型，并通過集成學(xué)習(xí)的方法進(jìn)行提升訓(xùn)練。

1）隨機(jī)森林回歸模型介紹。

隨機(jī)森林回歸模型是由多棵回歸樹構(gòu)成，且森林中的每一棵決策樹之間沒有關(guān)聯(lián)，模型的最終輸出由森林中的每一棵決策樹共同決定。隨機(jī)森林算法是決策樹的集成，通過平均決策樹可以大大降低過擬合的風(fēng)險(xiǎn)，是比單一決策樹性能更優(yōu)的模型［4］，從同一個(gè)大型數(shù)據(jù)集中觀察到不同機(jī)器學(xué)習(xí)模型的不同預(yù)測(cè)性能，隨機(jī)森林也比其他模型更高的預(yù)測(cè)精度［5］。

回歸樹的生成。

從給定訓(xùn)練數(shù)據(jù)集中隨機(jī)抽取N個(gè)樣本構(gòu)成樣本集D，即：

假設(shè)將輸入空間化為了M個(gè)單元，R1，R2…Rm，并且每個(gè)單元上都有著一個(gè)固定的輸出值Cm。則回歸樹的模型可以表示為：

訓(xùn)練的誤差可以使用平方誤差來表示，用平方誤差最小的準(zhǔn)則求解每個(gè)單元上的最優(yōu)輸出值。

回歸樹的剪枝：

回歸樹選取Gain_σ為評(píng)價(jià)分裂屬性的指標(biāo)。選擇具有最小的屬性及其屬性值，作為最優(yōu)分裂屬性以及最優(yōu)分裂屬性值。值越小，說明二分之后的子樣本的“差異性”越小，說明選擇該屬性（值）作為分裂屬性（值）的效果越好。針對(duì)含有連續(xù)型預(yù)測(cè)結(jié)果的樣本集S，總方差計(jì)算如下，其中，μ表示樣本集S中預(yù)測(cè)結(jié)果的均值，Yk表示第k個(gè)樣本預(yù)測(cè)結(jié)果。

2）深度學(xué)習(xí)模型。

深度學(xué)習(xí)模型是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)重要分支，通過模擬人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和工作原理，實(shí)現(xiàn)了對(duì)大規(guī)模數(shù)據(jù)的高效處理和學(xué)習(xí)能力。深度學(xué)習(xí)基于一種概率論不斷遞歸進(jìn)而尋求最優(yōu)解的方法，其通過正反饋優(yōu)化網(wǎng)絡(luò)參數(shù)，采用多個(gè)隱含層及非線性變換識(shí)別數(shù)據(jù)的特征。與傳統(tǒng)的淺層學(xué)習(xí)相比，深度學(xué)習(xí)的核心架構(gòu)在于其強(qiáng)調(diào)網(wǎng)絡(luò)的縱向深度。通過構(gòu)建包含多個(gè)非線性處理單元的隱含層，深度神經(jīng)網(wǎng)絡(luò)能通過分層學(xué)習(xí)從大量數(shù)據(jù)集中挖掘復(fù)雜特征［6］。

3）集成學(xué)習(xí)。

集成學(xué)習(xí)是將多種模型結(jié)合在一起用來提升訓(xùn)練結(jié)果的一種訓(xùn)練的方式。該方式是將幾種機(jī)器學(xué)習(xí)技術(shù)組合成一個(gè)預(yù)測(cè)模型的元算法，以減小方差、偏差、或者改進(jìn)預(yù)測(cè)。集成方式包括同構(gòu)集成和異構(gòu)集成，學(xué)習(xí)模式包括串行方法和并行方法。

圖7 集成學(xué)習(xí)方法過程

Fig. 7 Integrated learning method process

采用更多的訓(xùn)練集對(duì)選擇的模型進(jìn)行訓(xùn)練，并調(diào)整模型參數(shù)，以使其在訓(xùn)練集上表現(xiàn)更好。訓(xùn)練過程采用了梯度下降和隨機(jī)梯度下降優(yōu)化算法來加速收斂。

3.2.4 模型評(píng)估

AI人工智能學(xué)習(xí)軟件會(huì)對(duì)模型進(jìn)行自動(dòng)評(píng)估，評(píng)估的方法為對(duì)模型自動(dòng)打分，分值區(qū)間為0~100分；分值為模型的R2乘以100后的整數(shù)值，也即模型解釋了因變量方差的百分比。通常認(rèn)為，分值在80~90分之間，模型精度良好，分值在90分以上，模型精度非常好。

如圖8所示，本次數(shù)據(jù)模型的自動(dòng)評(píng)分為94分。

圖8 最終模型評(píng)估結(jié)果

Fig. 8 Final model evaluation results

3.2.5 模型驗(yàn)證

采用該模型，對(duì)廢水站2023年5月20日至5月31日共12天的實(shí)際記錄數(shù)據(jù)進(jìn)行模型驗(yàn)證。驗(yàn)證的方式為，向模型輸入實(shí)際的進(jìn)水流量、出水濁度、PAC電流、PAM電流、重介回流泵1電流。模型可以自動(dòng)計(jì)算出水濁度。將計(jì)算濁度和實(shí)際濁度進(jìn)行對(duì)比。驗(yàn)證結(jié)果如圖9、圖10。

圖9 模型驗(yàn)證結(jié)果（局部）

Fig. 9 Model validation results（local）

圖10 針對(duì)圖9的誤差分析

Fig. 10 Error analysis for Figure 9

數(shù)據(jù)表明模型在測(cè)試集上的誤差平均值為0.82，模型的測(cè)試集準(zhǔn)確率為98.33%，結(jié)論為模型精準(zhǔn)可用。

3.2.6 模型應(yīng)用

將訓(xùn)練好的模型應(yīng)用于煤礦采煤廢水控制系統(tǒng)中，通過實(shí)時(shí)監(jiān)測(cè)水質(zhì)數(shù)據(jù)和電機(jī)電流，預(yù)測(cè)水質(zhì)變化趨勢(shì)，并根據(jù)預(yù)測(cè)結(jié)果精準(zhǔn)控制各加藥參數(shù)。本項(xiàng)目模型應(yīng)用的方式，通過模型算法，控制產(chǎn)水濁度N趨于區(qū)間（7~8 NTU）之間，期間自動(dòng)調(diào)整PAC、PAM加藥量和微砂回流量。如圖12所示，智能模型控制原理是通過接入實(shí)時(shí)數(shù)據(jù)，輸入到AI模型中，AI經(jīng)過分析預(yù)測(cè)出水濁度，再由SPC進(jìn)行判定AI預(yù)測(cè)的出水濁度是否超標(biāo)，若超標(biāo)則通過外部python調(diào)優(yōu)程序進(jìn)行對(duì)可調(diào)輸入?yún)?shù)PAC、PAM及微砂回流進(jìn)行尋優(yōu)調(diào)整，若SPC判定為不超標(biāo)則停止尋優(yōu)。

4.人工智能控制后的運(yùn)行情況

在人工智能控制引入后，至2023年8月底，系統(tǒng)穩(wěn)定運(yùn)行兩個(gè)月，對(duì)比人工智能軟件引入前后的出水濁度變化曲線如圖12、圖13所示。

圖12 PLC控制出水濁度曲線

Fig. 12 PLC controlled effluent turbidity curve

圖13 人工智能控制出水濁度曲線

Fig. 13 Artificial intelligence control of effluent turbidity curv

采用人工智能控制后，出水濁度上下波動(dòng)范圍較小，曲線平滑，水質(zhì)穩(wěn)定。通常在廢水處理中，固體顆粒物含量的多少采用SS（懸浮物濃度）表示，SS無法通過在線檢測(cè)獲取。所以在工程上常用濁度代替SS進(jìn)行連續(xù)在線檢測(cè)。本項(xiàng)目通過多次實(shí)測(cè)，確定出水濁度和出水SS之間的數(shù)值關(guān)系為N=0.10 SS。本項(xiàng)目根據(jù)設(shè)計(jì)標(biāo)準(zhǔn)，出水SS要求小于50 mg/L，即出水濁度小于10 NUT即可。而原控制中，為了達(dá)到極限去除SS的目的，通過多投加藥劑的方式，長期將出水濁度控制在5 NUT以下，代價(jià)是投加的PAC和PAM藥劑量多。最終將人工智能軟件出水濁度設(shè)定在7~8 NTU區(qū)間中進(jìn)行運(yùn)行，統(tǒng)計(jì)的藥劑使用量對(duì)比見表4和表5。

表4 PAC藥劑使用量對(duì)比表

Table 4 PAC dosage

表5 PAM藥劑使用量對(duì)比表

Table 5   PAM dosage

經(jīng)計(jì)算，采用人工智能軟件控制后，平均節(jié)約藥劑使用量為13.5%；以2022年為例，煤礦廢水處理站PAC和PAM藥劑費(fèi)用為87.28萬元，若采用人工智能軟件控制后，年節(jié)約藥劑費(fèi)用約為11.78萬元。同時(shí)，隨著藥劑使用量的下降，加藥泵的頻率也相應(yīng)下降，可以間接節(jié)約電費(fèi)。

5.總結(jié)

煤礦采煤廢水處理工程加藥系統(tǒng)采用AI人工智能軟件控制后，效果明顯，主要體現(xiàn)在以下方面。

1）重介速沉工藝出水濁度指標(biāo)平穩(wěn)，波動(dòng)小，可實(shí)現(xiàn)對(duì)出水濁度值的預(yù)測(cè)；

2）原水水量水質(zhì)突變時(shí)，系統(tǒng)會(huì)立即響應(yīng)，保證出水水質(zhì)穩(wěn)定達(dá)標(biāo)；

3）同樣工控下對(duì)比，智能加藥比傳統(tǒng)加藥節(jié)省藥量13.5%，節(jié)能降耗；

4）操作簡單，操作人員只需要設(shè)置目標(biāo)期望值（出水濁度的范圍值）和過量或異常投加量有誤最大最小投加量，系統(tǒng)可自動(dòng)通過控制各運(yùn)行參數(shù)保證出水目標(biāo)；

5）隨著運(yùn)行數(shù)據(jù)不斷的增加，人工智能可以對(duì)增加的數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，不斷校正模型參數(shù)，使控制更加精確。

6.參考文獻(xiàn)

［1］王超. 人工智能在污水處理中的應(yīng)用［J］. 實(shí)驗(yàn)科學(xué)與技術(shù)，2005，3（S1）：162-164.

WANG Chao. Application of artificial intelligence in sewage treatment［J］. Experiment Science and Technology，2005，3（S1）：162-164.

［2］皇甫小留，王晶瑞，龍鑫隆，等. 機(jī)器學(xué)習(xí)在水處理系統(tǒng)中的應(yīng)用［J］. 給水排水，2022，58（11）：153-165.

HUANGFU Xiaoliu，WANG Jingrui，LONG Xinlong，et al. Application of machine learning in water treatment system［J］. Water & Wastewater Engineering，2022，58（11）：153-165.

［3］嵇曉燕，楊凱，陳亞男，等. 基于ARIMA和Prophet的水質(zhì)預(yù)測(cè)集成學(xué)習(xí)模型［J］. 水資源保護(hù)，2022，38（6）：111-115.

JI Xiaoyan，YANG Kai，CHEN Yanan，et al. An ensemble learning model for water quality forecast based on ARIMA and Prophet［J］. Water Resources Protection，2022，38（6）：111-115.

［4］張瑩，謝仕義，鄧偉彬，等. 基于機(jī)器學(xué)習(xí)理論的海洋水質(zhì)評(píng)價(jià)模型［J］. 物探化探計(jì)算技術(shù)，2019，41（6）：819-825.

ZHANG Ying，XIE Shiyi，DENG Weibin，et al. Ocean water quality evaluation model based on machine learning theory［J］. Computing Techniques for Geophysical and Geochemical Exploration，2019，41（6）：819-825.

［5］WANG Shuo，PENG Hui，LIANG Shengkang. Prediction of estuarine water quality using interpretable machine learning approach［J］. Journal of Hydrology，2022，605：127320.

［6］LECUN Y，BENGIO Y，HINTON G. Deep learning［J］. Nature，2015，521：436-444.