基于跨时间尺度迁移学习的污水处理模型漂移校正方法

作     者：申渝 廖万山 李慧敏 冯东 郭智威 张冰 高旭 王建辉 陈猷鹏 

作者机构：重庆中法环保研发中心有限公司 重庆工商大学智能制造服务国际科技合作基地 重庆大学环境与生态学院 重庆南向泰斯环保技术研究院有限公司 

出 版 物：《环境科学》 (Environmental Science)

年 卷 期：2024年

核心收录：

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 08[工学] 

基　　金：国家自然科学基金项目(52300031) 国家重点研发计划项目(2016YFE0205600) 重庆市高校工业污染控制新技术创新群体项目(CXQT19023) 

主　　题：多层感知机神经网络(MLP)模型 机制模型 迁移学习 模型漂移 系统适应性 知识迁移 

摘      要：数据是智能运维的核心基础，但当前污水厂数据普遍不足，且污水处理系统状态随内外部环境动态演化。污水厂的智能运维面临着建模难度大，及因系统演化而导致的模型漂移问题。针对该问题，选取水温、水质和微生物状态等都有显著差异的夏冬两季作为典型对比场景，将机制模型与神经网络结合，建立了基于跨时间尺度迁移学习的污水处理模型漂移校正方法。首先，针对数据不足问题，建立并校准活性污泥模型（ASM），以夏季工况数据作为输入，模拟计算运行参数和出水数据，生成模拟运行数据集，实现数据增广和质量提升，用于训练多层感知机神经网络（MLP）模型，结果显示，MLP模型对夏季出水COD、氨氮和总磷等的平均模拟准确率在95%以上；然后，针对模型在冬季工况中出现模拟准确率大幅下降等模型漂移问题，将冬季实测数据作为目标域数据集，以MLP模型作为预训练模型进行迁移学习。结果表明，迁移学习后模型性能显著提升，出水COD、氨氮、总氮和总磷的平均模拟准确率分别提高了21.49%、60.79%、58.14%和46.74%。研究提出的跨时间尺度迁移学习方法，能有效解决模型漂移问题，实现模型对污水处理系统动态演化的跟随响应。