預(yù)測膜蒸餾水處理系統(tǒng)中膜污染趨勢方法

　　申請(qǐng)日2015.06.19

　　公開(公告)日2015.09.23

　　IPC分類號(hào)G06F19/00

　　摘要

　　本發(fā)明公開了基于GA-LSSVM模型預(yù)測膜蒸餾水處理系統(tǒng)中膜污染趨勢的方法，首先利用LSSVM算法建立膜蒸餾污水處理過程的預(yù)測模型;其次分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用GA算法優(yōu)化預(yù)測模型的參數(shù);然后分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用優(yōu)化的預(yù)測模型對(duì)膜通量以及膜污染阻力的變化趨勢進(jìn)行預(yù)測，并分析膜蒸餾的基本操作參數(shù)對(duì)膜通量和膜污染阻力的影響;最后對(duì)預(yù)測結(jié)果進(jìn)行靈敏度分析計(jì)算，確定出影響膜通量和膜污染阻力的主導(dǎo)因素。本發(fā)明利用GA-LSSVM實(shí)時(shí)預(yù)測膜通量以及膜污染阻力變化情況，將膜蒸餾基本操作參對(duì)膜污染的影響明晰化、量化。

　　摘要附圖

 

　　權(quán)利要求書

　　1.基于GA-LSSVM模型預(yù)測膜蒸餾水處理系統(tǒng)中膜污染趨勢的方法，其特 征在于，包括以下步驟：

　　(1)利用LSSVM算法建立膜蒸餾污水處理過程的預(yù)測模型;

　　(2)分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用GA算法優(yōu)化步驟(1)建立 的預(yù)測模型的參數(shù);

　　(3)分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用步驟(2)優(yōu)化的預(yù)測模型對(duì) 膜通量以及膜污染阻力的變化趨勢進(jìn)行預(yù)測，并分析膜蒸餾的基本操作參數(shù)對(duì)膜 通量和膜污染阻力的影響;

　　(4)對(duì)步驟(3)得到的預(yù)測結(jié)果進(jìn)行靈敏度分析計(jì)算，確定出影響膜通量 和膜污染阻力的主導(dǎo)因素。

　　2.根據(jù)權(quán)利要求1所述基于GA-LSSVM模型預(yù)測膜蒸餾水處理系統(tǒng)中膜污 染趨勢的方法，其特征在于，步驟(1)的具體過程如下：

　　首先，輸入數(shù)據(jù)記為X，輸出數(shù)據(jù)記為Y，這些數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和測試數(shù) 據(jù)，所述訓(xùn)練數(shù)據(jù)的集合記為A={(x1,y1),…,(xi,yi),…,(xN,yN)}，其中，xi∈X，yi∈Y， 1≤i≤N，N為訓(xùn)練數(shù)據(jù)集合的大小，利用非線性映射函數(shù)建立如下式(1)的回歸 模型，將輸入數(shù)據(jù)X映射到高維特征空間，

　　式(1)中，w為權(quán)值，b為偏置項(xiàng)，為非線性映射函數(shù);

　　然后，建立式(2)所示的LSSVM優(yōu)化問題，

　　$\min J(w,b,\xi )=\frac{1}{2}{w}^{T}w+\frac{1}{2}\gamma \underset{i=1}{\overset{N}{\Sigma }}{\xi }_i^2---\left(2\right)$

　　式(2)中，ξi為松弛因子，ξi>0，γ為正則常數(shù);

　　最后，構(gòu)造式(3)所示的拉格朗日函數(shù)，求解LSSVM最優(yōu)化問題，

　　式(3)中，ai為拉格朗日乘數(shù);分別對(duì)w,b,ξi,ai求偏導(dǎo)數(shù)，并令偏導(dǎo)數(shù)為0，消 去w和ξi，得式(4)，

　　$\left[\begin{array}{cc}0& 1_N^T\\ 1_N& \Omega +{\gamma }^{-1}{I}_N\end{array}\right]\left[\begin{array}{c}b\\ a\end{array}\right]=\left[\begin{array}{c}0\\ Y\end{array}\right]---\left(4\right)$

　　式(4)中，Y=[y1,...,yN]T，1N=[1,...,1]T，a=[a1,...,aN]T，IN為N×N的單位矩陣， Ω為N×N的矩陣，它的第i行第j列的元素κ(xi,xj) 是內(nèi)核函數(shù)。

　　3.根據(jù)權(quán)利要求2所述基于GA-LSSVM模型預(yù)測膜蒸餾水處理系統(tǒng)中膜污 染趨勢的方法，其特征在于：所述內(nèi)核函數(shù)為徑向基函數(shù)：

　　$\kappa (x_i,x_j)=\exp \left(\frac{-||x_i-x_j^2||}{{\sigma }^2}\right)---\left(5\right)$

　　式(5)中，σ2為內(nèi)核參數(shù)。

　　4.根據(jù)權(quán)利要求3所述基于GA-LSSVM模型預(yù)測膜蒸餾水處理系統(tǒng)中膜污 染趨勢的方法，其特征在于：步驟(2)中所述利用GA算法優(yōu)化的參數(shù)包括正 則常數(shù)γ和內(nèi)核參數(shù)σ2。

　　5.根據(jù)權(quán)利要求2所述基于GA-LSSVM模型預(yù)測膜蒸餾水處理系統(tǒng)中膜污 染趨勢的方法，其特征在于，步驟(3)的具體過程為，分別在擬穩(wěn)定狀態(tài)和非 穩(wěn)定狀態(tài)下進(jìn)行如下操作：

　　將溫度差、錯(cuò)流速度、進(jìn)水pH、膜孔徑和膜蒸餾處理時(shí)間作為預(yù)測模型的 輸入數(shù)據(jù)，將膜通量和膜污染阻力作為預(yù)測模型的輸出數(shù)據(jù)，每次僅改變溫度差、 錯(cuò)流速度、進(jìn)水pH、膜孔徑和膜蒸餾處理時(shí)間中的一個(gè)參數(shù)，保證其他參數(shù)不 變，運(yùn)用GA算法優(yōu)化LSSVM模型的參數(shù)，并將優(yōu)化后的參數(shù)代入LSSVM模 型進(jìn)行預(yù)測，再利用均方根誤差RMSE和回歸系數(shù)R2這兩個(gè)評(píng)價(jià)參數(shù)對(duì)預(yù)測性 能進(jìn)行評(píng)價(jià)，當(dāng)RMSE越接近于0且R2越接近于1時(shí)，表明預(yù)測性能越好。

　　6.根據(jù)權(quán)利要求1所述基于GA-LSSVM模型預(yù)測膜蒸餾水處理系統(tǒng)中膜污 染趨勢的方法，其特征在于：在步驟(4)中，分別采用斯皮爾曼相關(guān)性、伽馬 相關(guān)性、肯德爾相關(guān)性和皮爾遜相關(guān)性對(duì)預(yù)測結(jié)果進(jìn)行靈敏度分析計(jì)算。

　　說明書

　　基于GA-LSSVM模型預(yù)測膜蒸餾水處理系統(tǒng)中膜污染趨勢的方法

　　技術(shù)領(lǐng)域

　　本發(fā)明屬于膜蒸餾技術(shù)、污水廢水處理領(lǐng)域，特別涉及了基于GA-LSSVM 模型預(yù)測膜蒸餾水處理系統(tǒng)中膜污染趨勢的方法。

　　背景技術(shù)

　　近年來，膜分離技術(shù)發(fā)展迅速，包括納濾膜、超濾膜、反滲透膜、膜蒸餾， 它們的快速發(fā)展為城市污水處理和工業(yè)廢水處理提供新途徑。膜蒸餾是基于氣液 平衡及傳熱傳質(zhì)原理的熱驅(qū)動(dòng)過程，以微孔疏水膜為介質(zhì)，在膜兩側(cè)蒸氣壓差的 作用下，進(jìn)水中的揮發(fā)性組分以蒸汽形式透過膜孔，在膜的低溫側(cè)冷凝為液態(tài)， 而非揮發(fā)性組分留在熱側(cè)進(jìn)料液中，從而達(dá)到分離并去除污染物的目的。膜蒸餾 技術(shù)應(yīng)用于污水處理過程的優(yōu)點(diǎn)在于：1、膜蒸餾濃縮過程在常壓下進(jìn)行，設(shè)備 簡單，操作方便;2、在非揮發(fā)性水溶液的膜蒸餾過程中，僅有水蒸氣能透過疏 水膜孔，因此出水水質(zhì)好;3、與反滲透相比，鹽濃度以及濃差極化對(duì)膜蒸餾影 響較小，因此可以處理含有高濃度無機(jī)鹽的溶液，甚至可以將溶液濃縮到過飽和 狀態(tài)。

　　然而，利用膜蒸餾技術(shù)處理污水最主要的限制來源于膜污染，膜污染會(huì)嚴(yán)重 導(dǎo)致膜通量的降低，膜蒸餾處理效率的下降。此外，膜污染還將增加額外的膜清 洗費(fèi)用，縮短膜的使用壽命，并且因污水處理過程中需要頻繁地更換新膜，而增 加了處理費(fèi)用。膜的運(yùn)行過程中，其污染程度主要取決于3個(gè)因素：1、系統(tǒng)的 運(yùn)行參數(shù);2、進(jìn)水水質(zhì);3、膜本身性能。由于膜分離過程的非線性特征以及膜 污染與系統(tǒng)操作參數(shù)之間關(guān)系的模糊性，導(dǎo)致了膜蒸餾處理過程中，其基本操作 參數(shù)(比如：溫度差、錯(cuò)流速度、進(jìn)水pH、膜孔徑、溶質(zhì)粒子的粒徑大小等) 對(duì)膜污染的具體量化的影響還不明晰，有待進(jìn)一步的研究。因此，為探明系統(tǒng)操 作參數(shù)對(duì)膜污染的具體影響并將這種影響進(jìn)行量化，需對(duì)膜蒸餾處理過程進(jìn)行數(shù) 學(xué)模擬，即建立膜蒸餾污水處理過程的預(yù)測模型。

　　目前，用于預(yù)測膜分離過程的數(shù)學(xué)模型大致分為兩類：1、理論模型(參數(shù) 模型);2、非參數(shù)模型;其中理論模型是基于機(jī)理知識(shí)的(即基本參數(shù)對(duì)膜污染 的影響機(jī)理)，要求對(duì)相應(yīng)的膜污染影響機(jī)理非常了解，才可以應(yīng)用理論模型進(jìn) 行膜污染預(yù)測，但運(yùn)算復(fù)雜、計(jì)算處理費(fèi)用昂貴。而非參數(shù)模型則不需要對(duì)相應(yīng) 機(jī)理(基本參數(shù)對(duì)膜污染的影響機(jī)理)了解得很透徹，彌補(bǔ)了理論模型存在的弊 端。由于膜蒸餾處理過程的復(fù)雜性以及基本操作參數(shù)對(duì)膜污染影響機(jī)理的不明確 性，因此需要選取合適的非參數(shù)模型對(duì)膜蒸餾過程進(jìn)行預(yù)測。目前，應(yīng)用較多的 算法模型有很多，包括GP(遺傳規(guī)劃算法)、模糊系統(tǒng)、ANN(人工神經(jīng)網(wǎng)絡(luò)) 等，其中當(dāng)前應(yīng)用最多的是ANN模型，它被廣泛運(yùn)用于各種膜分離處理過程(例 如：微濾MF、超濾UF、反滲透RO、納濾NF、電滲析ED),其中ANN還成功 用于膜蒸餾過程的模擬預(yù)測。但是ANN存在以下缺點(diǎn)：1、預(yù)測結(jié)果僅為局部 極小值，而非全局極小值;2、難以確定其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu);3、易出現(xiàn)過度擬合問 題。

　　發(fā)明內(nèi)容

　　為了解決上述背景技術(shù)提出的技術(shù)問題，本發(fā)明旨在提供基于GA-LSSVM 模型預(yù)測膜蒸餾水處理系統(tǒng)中膜污染趨勢的方法，利用GA-LSSVM實(shí)時(shí)預(yù)測膜 通量以及膜污染阻力變化情況，將膜蒸餾基本操作參對(duì)膜污染的影響明晰化、量 化。

　　為了實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為：

　　基于GA-LSSVM模型預(yù)測膜蒸餾水處理系統(tǒng)中膜污染趨勢的方法，包括以 下步驟：

　　(1)利用LSSVM算法建立膜蒸餾污水處理過程的預(yù)測模型;

　　(2)分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用GA算法優(yōu)化步驟(1)建立 的預(yù)測模型的參數(shù);

　　(3)分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用步驟(2)優(yōu)化的預(yù)測模型對(duì) 膜通量以及膜污染阻力的變化趨勢進(jìn)行預(yù)測，并分析膜蒸餾的基本操作參數(shù)對(duì)膜 通量和膜污染阻力的影響;

　　(4)對(duì)步驟(3)得到的預(yù)測結(jié)果進(jìn)行靈敏度分析計(jì)算，確定出影響膜通量 和膜污染阻力的主導(dǎo)因素。

　　步驟(1)的具體過程如下：

　　首先，輸入數(shù)據(jù)記為X，輸出數(shù)據(jù)記為Y，這些數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和測試數(shù) 據(jù)，所述訓(xùn)練數(shù)據(jù)的集合記為A={(x1,y1),…,(xi,yi),…,(xN,yN)}，其中，xi∈X，yi∈Y， 1≤i≤N，N為訓(xùn)練數(shù)據(jù)集合的大小，利用非線性映射函數(shù)建立如下式(1)的回歸 模型，將輸入數(shù)據(jù)X映射到高維特征空間，

　　式(1)中，w為權(quán)值，b為偏置項(xiàng)，為非線性映射函數(shù);

　　然后，建立式(2)所示的LSSVM優(yōu)化問題，

　　$\min J(w,b,\xi )=\frac{1}{2}{w}^{T}w+\frac{1}{2}\gamma \underset{i=1}{\overset{N}{\Sigma }}{\xi }_i^2---\left(2\right)$

　　式(2)中，ξi為松弛因子，ξi>0，γ為正則常數(shù);

　　最后，構(gòu)造式(3)所示的拉格朗日函數(shù)，求解LSSVM最優(yōu)化問題，

　　式(3)中，ai為拉格朗日乘數(shù);分別對(duì)w,b,ξi,ai求偏導(dǎo)數(shù)，并令偏導(dǎo)數(shù)為0，消 去w和ξi，得式(4)，

　　$\left[\begin{array}{cc}0& 1_N^T\\ I_N& \Omega +{\gamma }^{-1}{I}_N\end{array}\right]\left[\begin{array}{c}b\\ a\end{array}\right]=\left[\begin{array}{c}0\\ Y\end{array}\right]---\left(4\right)$

　　式(4)中，Y=[y1,...,yN]T，1N=[1,...,1]T，a=[a1,...,aN]T，IN為N×N的單位矩陣， Ω為N×N的矩陣，它的第i行第j列的元素κ(xi,xj) 是內(nèi)核函數(shù)。

　　所述內(nèi)核函數(shù)采用徑向基函數(shù)：

　　$\kappa (x_i,x_j)=\exp \left(\frac{-\left|\right|x_i-x_j^2\left|\right|}{{\sigma }^2}\right)---\left(5\right)$

　　式(5)中，σ2為內(nèi)核參數(shù)。

　　步驟(2)中所述利用GA算法優(yōu)化的參數(shù)包括正則常數(shù)γ和內(nèi)核參數(shù)σ2。

　　步驟(3)的具體過程為，分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下進(jìn)行如下操作：

　　將溫度差、錯(cuò)流速度、進(jìn)水pH、膜孔徑和膜蒸餾處理時(shí)間作為預(yù)測模型的 輸入數(shù)據(jù)，將膜通量和膜污染阻力作為預(yù)測模型的輸出數(shù)據(jù)，每次僅改變溫度差、 錯(cuò)流速度、進(jìn)水pH、膜孔徑和膜蒸餾處理時(shí)間中的一個(gè)參數(shù)，保證其他參數(shù)不 變，運(yùn)用GA算法優(yōu)化LSSVM模型的參數(shù)，并將優(yōu)化后的參數(shù)代入LSSVM模 型進(jìn)行預(yù)測，再利用均方根誤差RMSE和回歸系數(shù)R2這兩個(gè)評(píng)價(jià)參數(shù)對(duì)預(yù)測性 能進(jìn)行評(píng)價(jià)，當(dāng)RMSE越接近于0且R2越接近于1時(shí)，表明預(yù)測性能越好。

　　在步驟(4)中，分別采用斯皮爾曼相關(guān)性、伽馬相關(guān)性、肯德爾相關(guān)性和 皮爾遜相關(guān)性對(duì)預(yù)測結(jié)果進(jìn)行靈敏度分析計(jì)算。

　　采用上述技術(shù)方案帶來的有益效果：

　　本發(fā)明采用最小二乘支持向量機(jī)LSSVM來建立預(yù)測模型，克服了常用模型 的缺點(diǎn)，其適應(yīng)性和預(yù)測性能較好，預(yù)測的速度也更快;本發(fā)明選用遺傳算法 GA對(duì)LSSVM模型參數(shù)進(jìn)行優(yōu)化，具有既可處理離散變量又可處理連續(xù)變量、 針對(duì)非線性目標(biāo)以及不需要梯度信息來約束函數(shù)等優(yōu)點(diǎn)，優(yōu)化精度較高;本發(fā)明 還對(duì)預(yù)測結(jié)果進(jìn)行靈敏度分析計(jì)算，篩選出影響膜通量以及膜污染阻力的主導(dǎo)因 素。