废水处理过程的KPLS-GPR软测量建模

发布时间：2021-02-24 10:34

　　采取基于核函数偏最小二乘法的高斯过程回归模型（KPLS-GPR）,对复杂的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）质量浓度进行预测.首先,采用KPLS的潜变量作为预测模型的输入变量,以降低数据维度,优化数据结构;其次,建立潜变量与输出变量的GPR回归模型.基于某工厂造纸废水数据进行仿真试验,引入人工神经网络（ANN）、基于偏最小二乘潜变量的预测模型（PLS-ANN）及基于核函数偏最小二乘潜变量的预测模型（KPLS-ANN）作为对比.试验结果表明:KPLS潜变量对预测模型有明显的优化效果,在这些模型中KPLS-GPR预测精度最高;对于出水COD和SS质量浓度的预测,KPLS-GPR的决定系数分别为0.575和0.610,相比于常规预测模型,决定系数可分别提升36.90%和43.87%. 

【文章来源】：江苏大学学报(自然科学版). 2020,41(05)北大核心

【文章页数】：8 页

【部分图文】：

基于KPLS潜变量的软测量流程图

造纸废水数据取自广东省东莞市某造纸厂好氧段废水监测数据.取样间隔2～3 d.数据包括8个废水变量,每个变量包括170个测量值[17].造纸废水处理过程数据如图2所示.对数据进行预处理后,共有162个测量数据用于仿真试验,其中前100个测量样本为训练集,后62个测量样本作为测试集.预测模型的输入端包括ρ(COD)in,ρ(SS)in,ρ(DO),Q,t和pH等6个变量;ρ(COD)eff和ρ(SS)eff为输出端变量.4.2 预测模型

由表4可知:GPR,PLS-GPR和KPLS-GPR在常规预测模型、PLS潜变量预测模型和KPLS潜变量预测模型中分别具备较优预测结果,其中KPLS-GPR预测精度最高,PLS-GPR次之,GPR最低.相比于PLS潜变量,KPLS潜变量对常规模型的预测效果提升更为明显.以R2为准,KPLS-GPR的预测效果较GPR提升7.21%,PLS-GPR较GPR提升2.11%,KPLS-ANN较ANN提升16.51%,PLS-ANN较ANN提升7.78%.对测试集出水SS质量浓度的预测,最优模型KPLS-GPR的RMSE为0.656 mg·L-1,R2为0.610,相比于常规的预测模型,R2提升最多,为43.87%.总之,KPLS潜变量预测模型对输出变量均具备相对较好的预测结果.图3-6分别为KPLS-ANN和KPLS-GPR对出水COD和SS质量浓度的预测.图4 KPLS-ANN对出水SS质量浓度预测结果

【参考文献】：
期刊论文
[1]基于PCA降维模型的造纸废水处理过程软测量建模[J]. 刘鸿斌,李祥宇,杨冲.  中国造纸学报. 2018(04)
[2]造纸废水处理过程的高斯过程回归软测量建模[J]. 宋留,杨冲,张辉,刘鸿斌.  中国环境科学. 2018(07)
[3]基于ANN和LSSVR的造纸废水处理过程软测量建模[J]. 汪瑶,徐亮,殷文志,胡慕伊,黄明智,刘鸿斌.  中国造纸学报. 2017(01)



本文编号：3049239