公布日：2023.09.29
申請日：2023.05.17
分類號：G06F18/27(2023.01)I;G06Q50/06(2012.01)I;G06Q50/26(2012.01)I
摘要
本發(fā)明公開了一種基于多元線性回歸模型的污泥干化狀態(tài)智能預(yù)測方法，屬于污水處理污泥干化監(jiān)測技術(shù)領(lǐng)域，具體方法包括：步驟一：分析污泥干化機(jī)工作原理，建立污泥干化工藝監(jiān)控對象點(diǎn)。步驟二：設(shè)置采集時(shí)間段，在采集時(shí)間段內(nèi)通過監(jiān)測點(diǎn)，實(shí)時(shí)污泥干化機(jī)運(yùn)行狀態(tài)信息。步驟三：監(jiān)測空氣循環(huán)過程中，獲取得到干化室入口風(fēng)量、濕料含水率、干化室干燥溫度、去水量、干化室相對濕度、干化室出口風(fēng)溫度、干料含水率數(shù)據(jù)。步驟四：由于設(shè)備層傳感器的異構(gòu)性，使得原始采集到的數(shù)據(jù)類型不同，其間存在精度差異也較大，對采集到的數(shù)據(jù)進(jìn)行清洗處理。步驟五：建立多元線性回歸模型，并結(jié)合工程經(jīng)驗(yàn)加入改進(jìn)的定制化修正系數(shù)，實(shí)現(xiàn)模型對污泥干化機(jī)的干化效果進(jìn)行預(yù)測。用于解決污泥干化過程中處理結(jié)果狀態(tài)智能分析預(yù)測的問題，提升現(xiàn)場設(shè)備運(yùn)行工作效率，促進(jìn)水資源的更經(jīng)濟(jì)利用和污泥無害化、資源化利用。
權(quán)利要求書
1.基于多元線性回歸模型的污泥干化狀態(tài)智能預(yù)測方法，其特征在于：具體方法包括：步驟一：分析污泥干化機(jī)工作原理，建立污泥干化工藝監(jiān)控對象點(diǎn)；步驟二：設(shè)置采集時(shí)間段，在采集時(shí)間段內(nèi)通過監(jiān)測點(diǎn)，實(shí)時(shí)污泥干化機(jī)運(yùn)行狀態(tài)信息；步驟三：監(jiān)測空氣循環(huán)過程中，獲取得到干化室入口風(fēng)量、濕料含水率、干化室干燥溫度、去水量、干化室相對濕度、干化室出口風(fēng)溫度、干料含水率數(shù)據(jù)；步驟四：由于設(shè)備層傳感器的異構(gòu)性，使得原始采集到的數(shù)據(jù)類型不同，其間存在精度差異也較大，對采集到的數(shù)據(jù)進(jìn)行清洗處理；步驟五：建立多元線性回歸模型，并結(jié)合工程經(jīng)驗(yàn)加入改進(jìn)的定制化修正系數(shù)，實(shí)現(xiàn)模型對污泥干化機(jī)的干化效果進(jìn)行預(yù)測；對采集到的數(shù)據(jù)進(jìn)行清洗處理，由于設(shè)備層傳感器的異構(gòu)性，使得原始采集到的數(shù)據(jù)類型不同，其間存在精度差異也較大，傳感器節(jié)點(diǎn)采集的數(shù)據(jù)特征：浮動小，體量大，數(shù)據(jù)冗余度高，為了方便計(jì)算分析，將對數(shù)據(jù)進(jìn)行規(guī)劃清洗，整合精度值，提高計(jì)算的便捷性，處理中，設(shè)定數(shù)據(jù)冗余閾值函數(shù)，如公式1所示，降低有效節(jié)點(diǎn)的分布密度；
其中，T為參數(shù)閾值，t為均值，Δ代表了被測量值的合理波動范圍，通過該函數(shù)計(jì)算，當(dāng)原始數(shù)小于Δ值，則被判定數(shù)據(jù)落在合理波動范圍之內(nèi)，后續(xù)設(shè)置為冗余數(shù)據(jù)進(jìn)行過濾處理，若計(jì)算結(jié)果大于Δ值，則將數(shù)據(jù)定為異常。
2.根據(jù)權(quán)利要求1所述的一種基于多元線性回歸模型的污泥干化狀態(tài)智能預(yù)測方法，其特征在于：建立多元線性回歸預(yù)測模型，模型數(shù)據(jù)有干化室入口風(fēng)量、濕料含水率、干化室干燥溫度、去水量、干化室相對濕度、干化室出口風(fēng)溫度、干料含水率且均為連續(xù)型數(shù)值，污泥干化設(shè)備主要工作是將物料除濕干化，減小污泥體積，因此，將干化物料含水率設(shè)為目標(biāo)變量表示干化效果；將干化室入口風(fēng)量、濕料含水率、干化室干燥溫度、去水量、干化室相對濕度、干化室出口風(fēng)溫度作為解釋變量，建立多元線性回歸模型，并結(jié)合工程經(jīng)驗(yàn)加入改進(jìn)的定制化修正系數(shù)，實(shí)現(xiàn)模型對污泥干化機(jī)的干化效果進(jìn)行預(yù)測；模型的矩陣形式如式2所示；
其中，Y為因變量即目標(biāo)變量，X為自變量即解釋變量，β為回歸系數(shù)，ξ為隨機(jī)誤差項(xiàng)，Ω為定制修正系數(shù)。由于解釋變量的單位不同數(shù)值差異大，訓(xùn)練數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理，采用OLS(OrdinaryLeastSquares)最小二乘法通過最小化誤差(真實(shí)目標(biāo)對象與擬合目標(biāo)對象的差)的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配，估算參數(shù)求解出各個(gè)回歸系數(shù)，結(jié)合大量數(shù)據(jù)訓(xùn)練，進(jìn)而完成多元線性回歸預(yù)測模型的建立。
發(fā)明內(nèi)容：
為了解決上述問題，本發(fā)明提供基于多元線性回歸模型的污泥干化狀態(tài)智能預(yù)測方法。
一種基于多元線性回歸模型的污泥干化狀態(tài)智能預(yù)測方法，包括以下五個(gè)步驟：
步驟一：通過分析污泥干化機(jī)工作原理，建立污泥干化工藝監(jiān)控對象點(diǎn)。該監(jiān)控對象是在熱泵污泥干化基礎(chǔ)上，監(jiān)控空氣循環(huán)流程。
步驟二：設(shè)置采集時(shí)間段，在采集時(shí)間段內(nèi)通過監(jiān)測點(diǎn)實(shí)時(shí)污泥干化機(jī)運(yùn)行狀態(tài)信息。
步驟三：獲取關(guān)鍵狀態(tài)數(shù)據(jù)。監(jiān)測空氣循環(huán)過程中，獲取得到干化室入口風(fēng)量、濕料含水率、干化室干燥溫度、去水量、干化室相對濕度、干化室出口風(fēng)溫度、干料含水率且均為連續(xù)型數(shù)值，為后續(xù)分析監(jiān)控運(yùn)行關(guān)鍵參數(shù)提供基礎(chǔ)數(shù)據(jù)。
步驟四：對采集到的數(shù)據(jù)進(jìn)行清洗處理。由于設(shè)備層傳感器的異構(gòu)性，使得原始采集到的數(shù)據(jù)類型不同，其間存在精度差異也較大。傳感器節(jié)點(diǎn)采集的數(shù)據(jù)特征：浮動小，體量大，數(shù)據(jù)冗余度高。為了方便計(jì)算分析，將對數(shù)據(jù)進(jìn)行規(guī)劃清洗，整合精度值，提高計(jì)算的便捷性。處理中，設(shè)定數(shù)據(jù)冗余閾值函數(shù)，如公式1所示，降低有效節(jié)點(diǎn)的分布密度。
其中，T為參數(shù)閾值，t為均值，Δ代表了被測量值的合理波動范圍。通過該函數(shù)計(jì)算，當(dāng)原始數(shù)小于Δ值，則被判定數(shù)據(jù)落在合理波動范圍之內(nèi)，后續(xù)設(shè)置為冗余數(shù)據(jù)進(jìn)行過濾處理。若計(jì)算結(jié)果大于Δ值，則將數(shù)據(jù)定為異常。
步驟五：建立多元線性回歸預(yù)測模型。模型數(shù)據(jù)有干化室入口風(fēng)量、濕料含水率、干化室干燥溫度、去水量、干化室相對濕度、干化室出口風(fēng)溫度、干料含水率且均為連續(xù)型數(shù)值。污泥干化設(shè)備主要工作是將物料除濕干化，減小污泥體積。因此，將干化物料含水率設(shè)為目標(biāo)變量表示干化效果；將干化室入口風(fēng)量、濕料含水率、干化室干燥溫度、去水量、干化室相對濕度、干化室出口風(fēng)溫度作為解釋變量，建立多元線性回歸模型，并結(jié)合工程經(jīng)驗(yàn)加入改進(jìn)的定制化修正系數(shù)，實(shí)現(xiàn)模型對污泥干化機(jī)的干化效果進(jìn)行預(yù)測，模型的矩陣形式如式2所示。
其中，Y為因變量即目標(biāo)變量，X為自變量即解釋變量，β為回歸系數(shù)，ξ為隨機(jī)誤差項(xiàng)，Ω為定制修正系數(shù)。由于解釋變量的單位不同數(shù)值差異大，訓(xùn)練數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理，采用OLS(OrdinaryLeastSquares)最小二乘法通過最小化誤差(真實(shí)目標(biāo)對象與擬合目標(biāo)對象的差)的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配，估算參數(shù)求解出各個(gè)回歸系數(shù)。結(jié)合大量數(shù)據(jù)訓(xùn)練，進(jìn)而完成多元線性回歸預(yù)測模型的建立。
進(jìn)一步的，基于多元線性回歸模型建立污泥干化狀態(tài)智能預(yù)測方法，通過訓(xùn)練集對初始模型進(jìn)行訓(xùn)練，將訓(xùn)練成功后的初始模型通過校驗(yàn)集進(jìn)行校驗(yàn)，將校驗(yàn)成功的初始模型標(biāo)記為多元線性回歸模型，并結(jié)合現(xiàn)場實(shí)際運(yùn)行狀態(tài)，實(shí)現(xiàn)干化物料含水率目標(biāo)值預(yù)測。
本發(fā)明的有益效果：
本發(fā)明將多元線性回歸模型與污水處理污泥干化狀態(tài)預(yù)測相結(jié)合，準(zhǔn)確預(yù)測污泥干化狀態(tài)量，提升現(xiàn)場設(shè)備運(yùn)行工作效率，促進(jìn)水資源的更經(jīng)濟(jì)利用和污泥無害化、資源化利用，保證供水系統(tǒng)的可持續(xù)性。本發(fā)明的一種基于多元線性回歸模型的污泥干化狀態(tài)智能預(yù)測方法，在考慮干化室入口風(fēng)量、濕料含水率、干化室干燥溫度、去水量、干化室相對濕度、干化室出口風(fēng)溫度、干料含水率影響的基礎(chǔ)上，建立了多元線性回歸模型，能夠較準(zhǔn)確預(yù)測污泥干化狀態(tài)，輔助城市污水處理污泥無害化、資源化調(diào)度，發(fā)揮數(shù)據(jù)價(jià)值，給用戶提供更加精準(zhǔn)的數(shù)據(jù)分析服務(wù)。
（發(fā)明人：顏大鵬;李毅;崔靜）
