公布日：2023.09.29
申请日：2023.05.17
分类号：G06F18/27(2023.01)I;G06Q50/06(2012.01)I;G06Q50/26(2012.01)I
摘要
本发明公开了一种基于多元线性回归模型的污泥干化状态智能预测方法，属于污水处理污泥干化监测技术领域，具体方法包括：步骤一：分析污泥干化机工作原理，建立污泥干化工艺监控对象点。步骤二：设置采集时间段，在采集时间段内通过监测点，实时污泥干化机运行状态信息。步骤三：监测空气循环过程中，获取得到干化室入口风量、湿料含水率、干化室干燥温度、去水量、干化室相对湿度、干化室出口风温度、干料含水率数据。步骤四：由于设备层传感器的异构性，使得原始采集到的数据类型不同，其间存在精度差异也较大，对采集到的数据进行清洗处理。步骤五：建立多元线性回归模型，并结合工程经验加入改进的定制化修正系数，实现模型对污泥干化机的干化效果进行预测。用于解决污泥干化过程中处理结果状态智能分析预测的问题，提升现场设备运行工作效率，促进水资源的更经济利用和污泥无害化、资源化利用。
权利要求书
1.基于多元线性回归模型的污泥干化状态智能预测方法，其特征在于：具体方法包括：步骤一：分析污泥干化机工作原理，建立污泥干化工艺监控对象点；步骤二：设置采集时间段，在采集时间段内通过监测点，实时污泥干化机运行状态信息；步骤三：监测空气循环过程中，获取得到干化室入口风量、湿料含水率、干化室干燥温度、去水量、干化室相对湿度、干化室出口风温度、干料含水率数据；步骤四：由于设备层传感器的异构性，使得原始采集到的数据类型不同，其间存在精度差异也较大，对采集到的数据进行清洗处理；步骤五：建立多元线性回归模型，并结合工程经验加入改进的定制化修正系数，实现模型对污泥干化机的干化效果进行预测；对采集到的数据进行清洗处理，由于设备层传感器的异构性，使得原始采集到的数据类型不同，其间存在精度差异也较大，传感器节点采集的数据特征：浮动小，体量大，数据冗余度高，为了方便计算分析，将对数据进行规划清洗，整合精度值，提高计算的便捷性，处理中，设定数据冗余阈值函数，如公式1所示，降低有效节点的分布密度；
其中，T为参数阈值，t为均值，Δ代表了被测量值的合理波动范围，通过该函数计算，当原始数小于Δ值，则被判定数据落在合理波动范围之内，后续设置为冗余数据进行过滤处理，若计算结果大于Δ值，则将数据定为异常。
2.根据权利要求1所述的一种基于多元线性回归模型的污泥干化状态智能预测方法，其特征在于：建立多元线性回归预测模型，模型数据有干化室入口风量、湿料含水率、干化室干燥温度、去水量、干化室相对湿度、干化室出口风温度、干料含水率且均为连续型数值，污泥干化设备主要工作是将物料除湿干化，减小污泥体积，因此，将干化物料含水率设为目标变量表示干化效果；将干化室入口风量、湿料含水率、干化室干燥温度、去水量、干化室相对湿度、干化室出口风温度作为解释变量，建立多元线性回归模型，并结合工程经验加入改进的定制化修正系数，实现模型对污泥干化机的干化效果进行预测；模型的矩阵形式如式2所示；
其中，Y为因变量即目标变量，X为自变量即解释变量，β为回归系数，ξ为随机误差项，Ω为定制修正系数。由于解释变量的单位不同数值差异大，训练数据集进行标准化处理，采用OLS(OrdinaryLeastSquares)最小二乘法通过最小化误差(真实目标对象与拟合目标对象的差)的平方和寻找数据的最佳函数匹配，估算参数求解出各个回归系数，结合大量数据训练，进而完成多元线性回归预测模型的建立。
发明内容：
为了解决上述问题，本发明提供基于多元线性回归模型的污泥干化状态智能预测方法。
一种基于多元线性回归模型的污泥干化状态智能预测方法，包括以下五个步骤：
步骤一：通过分析污泥干化机工作原理，建立污泥干化工艺监控对象点。该监控对象是在热泵污泥干化基础上，监控空气循环流程。
步骤二：设置采集时间段，在采集时间段内通过监测点实时污泥干化机运行状态信息。
步骤三：获取关键状态数据。监测空气循环过程中，获取得到干化室入口风量、湿料含水率、干化室干燥温度、去水量、干化室相对湿度、干化室出口风温度、干料含水率且均为连续型数值，为后续分析监控运行关键参数提供基础数据。
步骤四：对采集到的数据进行清洗处理。由于设备层传感器的异构性，使得原始采集到的数据类型不同，其间存在精度差异也较大。传感器节点采集的数据特征：浮动小，体量大，数据冗余度高。为了方便计算分析，将对数据进行规划清洗，整合精度值，提高计算的便捷性。处理中，设定数据冗余阈值函数，如公式1所示，降低有效节点的分布密度。
其中，T为参数阈值，t为均值，Δ代表了被测量值的合理波动范围。通过该函数计算，当原始数小于Δ值，则被判定数据落在合理波动范围之内，后续设置为冗余数据进行过滤处理。若计算结果大于Δ值，则将数据定为异常。
步骤五：建立多元线性回归预测模型。模型数据有干化室入口风量、湿料含水率、干化室干燥温度、去水量、干化室相对湿度、干化室出口风温度、干料含水率且均为连续型数值。污泥干化设备主要工作是将物料除湿干化，减小污泥体积。因此，将干化物料含水率设为目标变量表示干化效果；将干化室入口风量、湿料含水率、干化室干燥温度、去水量、干化室相对湿度、干化室出口风温度作为解释变量，建立多元线性回归模型，并结合工程经验加入改进的定制化修正系数，实现模型对污泥干化机的干化效果进行预测，模型的矩阵形式如式2所示。
其中，Y为因变量即目标变量，X为自变量即解释变量，β为回归系数，ξ为随机误差项，Ω为定制修正系数。由于解释变量的单位不同数值差异大，训练数据集进行标准化处理，采用OLS(OrdinaryLeastSquares)最小二乘法通过最小化误差(真实目标对象与拟合目标对象的差)的平方和寻找数据的最佳函数匹配，估算参数求解出各个回归系数。结合大量数据训练，进而完成多元线性回归预测模型的建立。
进一步的，基于多元线性回归模型建立污泥干化状态智能预测方法，通过训练集对初始模型进行训练，将训练成功后的初始模型通过校验集进行校验，将校验成功的初始模型标记为多元线性回归模型，并结合现场实际运行状态，实现干化物料含水率目标值预测。
本发明的有益效果：
本发明将多元线性回归模型与污水处理污泥干化状态预测相结合，准确预测污泥干化状态量，提升现场设备运行工作效率，促进水资源的更经济利用和污泥无害化、资源化利用，保证供水系统的可持续性。本发明的一种基于多元线性回归模型的污泥干化状态智能预测方法，在考虑干化室入口风量、湿料含水率、干化室干燥温度、去水量、干化室相对湿度、干化室出口风温度、干料含水率影响的基础上，建立了多元线性回归模型，能够较准确预测污泥干化状态，辅助城市污水处理污泥无害化、资源化调度，发挥数据价值，给用户提供更加精准的数据分析服务。
（发明人：颜大鹏;李毅;崔静）