CN114460255B - 基于lstm的废水挥发性脂肪酸测量方法及系统 - Google Patents

Abstract

本发明公开了基于LSTM的废水挥发性脂肪酸测量方法及系统，包括：采集废水水样，对废水水样进行预处理获得水质指标数据集，将所述水质指标数据集划分为训练集与测试集；基于LSTM网络，构建挥发性脂肪酸检测模型；将所述训练集中的水质指标数据输入所述挥发性脂肪酸检测模型进行训练；基于所述测试集对训练完成的挥发性脂肪酸检测模型进行测试；采集待测废水水样，将所述待测废水水样输入通过测试的挥发性脂肪酸检测模型，获得挥发性脂肪酸检测结果。本发明将挥发性脂肪酸的测定与LSTM结合，有效提升废水处理器中挥发性脂肪酸测定的时效性与准确性，大大降低测量成本，便于工作人员根据相应数值调整反应器运行策略，保证废水处理效率。

Description

基于LSTM的废水挥发性脂肪酸测量方法及系统

技术领域

本发明属于废水处理领域，特别是涉及基于LSTM的废水挥发性脂肪酸测量方法及系统。

背景技术

挥发性脂肪酸Volatile Fatty Acid（VFA）属于脂肪酸大类，因其普遍具有较强的挥发性，故称挥发性脂肪酸，一般是具有1到6个碳原子碳链的有机酸，包括乙酸、丙酸、异丁酸、戊酸、异戊酸、正丁酸等。在废水的厌氧处理工艺中，废水大量残留有机物最终通过微生物的共同处理作用转化为甲烷、二氧化碳、水、硫化氢和氨等产物。

在废水处理反应器运行过程中，出水VFA为重要的控制指标。因VFA是废水厌氧硝化过程中重要的中间产物。当出现VFA在反应器中不断积累，浓度不断升高的情况出现时，可以反映出厌氧消化菌群（如甲烷菌）的不活跃状态或反应器操作条件的恶化，且当VFA（例如乙酸）浓度较高时，将对甲烷菌出现抑制作用，严重影响废水处理效率及处理效果。

目前主流的VFA测定方法为气相色谱法，可分析VFA的含量及其构成成分。其需要的主要实验仪器有高速微量台式离心机、配置火焰离子化检测器和自动积分仪的气相色谱仪等。测定样品复杂的预处理环节，测量成本高，耗时长，无法做到实时分析而影响调节反应器运行策略，且测定过程受人为因素影响大。

长短期记忆神经网络系统Long Short-Term Memory（LSTM）是深度学习模型中的一种时间循环神经网络，表现为设定一个记忆细胞，具备选择性记忆的功能，可以选择记忆重要信息过滤掉噪声信息，减轻记忆负担。可以解决一般的RNN（循环神经网络）在长序列训练过程中的梯度消失和梯度爆炸问题。相比普通的RNN，LSTM能够在更长的序列中有更好的表现。

将VFA的测定与LSTM结合后，可以有效提升废水处理器中VFA测定的时效性与准确性，并在此基础上大大降低VFA测量成本，仅需在LSTM模型中添加相关参数，即可得到准确的VFA值，便于工作人员根据相应数值调整反应器运行策略，保证废水处理效率。

发明内容

本发明的目的是提供基于LSTM的废水挥发性脂肪酸测量方法及系统，以解决上述现有技术存在的问题，以提高水质的预测精度。

一方面，为实现上述目的，本发明提供了基于LSTM的废水挥发性脂肪酸测量方法，包括以下步骤：

多次采集废水水样，对所述废水水样进行预处理及标准方法测定指标，获得水质指标数据集，将所述水质指标数据集划分为训练集与测试集；

基于LSTM网络，以挥发性脂肪酸为因变量，其余水质指标为自变量，构建挥发性脂肪酸检测模型；

将所述训练集中的水质指标数据输入所述挥发性脂肪酸检测模型进行训练；

基于所述测试集对训练完成的挥发性脂肪酸检测模型进行测试；

多次采集待测废水水样，将所述待测废水水样进行标准方法测定，取水质指标平均值形成待测废水水样数据，将所述待测废水水样数据输入通过测试的挥发性脂肪酸检测模型，获得挥发性脂肪酸检测结果。

可选的，采集废水水样过程为：在废水处理器出水口同一位置平行取三个样本，按照标准方法测定水质指标，将各水质指标平均值列出作为水质指标数据集中的一组数据，进一步整合数据得到水质指标数据集。

可选的，所述水质指标数据集包括：pH值、DO、CODcr、NH₃-N、TN、VFA。

可选的，所述训练集与所述测试集的划分比例为：8：2。

可选的，基于LSTM网络，构建挥发性脂肪酸检测模型的过程分为忘记阶段、输入阶段和细胞状态更新阶段三方面。

可选的，将所述训练集中的水质指标数据输入所述挥发性脂肪酸检测模型进行训练的过程为：初始化所述挥发性脂肪酸检测模型，将每个训练集中的水质指标数据输入所述挥发性脂肪酸检测模型同时训练，直到训练结束。

可选的，基于所述测试集对训练完成的挥发性脂肪酸检测模型进行测试的过程为：

将所述测试集输入训练完成的挥发性脂肪酸检测模型，

若所述训练完成的挥发性脂肪酸检测模型符合预设的模型预测指标，则获得通过测试的挥发性脂肪酸检测模型，

若所述训练完成的挥发性脂肪酸检测模型不符合预设的模型预测指标，则调整所述训练集的参数重新训练。

另一方面，为实现上述目的，本发明提供了基于LSTM的废水挥发性脂肪酸测量系统，包括：

采集模块、模型构建模块、训练模块、测试模块和检测模块；

所述采集模块用于多次采集废水水样，对所述废水水样进行预处理及标准方法测定指标，获得水质指标数据集，将所述水质指标数据集划分为训练集与测试集；

所述模型构建模块用于基于LSTM网络，以挥发性脂肪酸为因变量，其余水质指标为自变量，构建挥发性脂肪酸检测模型；

所述训练模块用于将所述训练集中的水质指标数据输入所述挥发性脂肪酸检测模型进行训练；

所述测试模块用于基于所述测试集对训练完成的挥发性脂肪酸检测模型进行测试；

所述检测模块用于多次采集待测废水水样，将所述待测废水水样进行标准方法测定，取水质指标平均值形成待测废水水样数据，将所述待测废水水样数据输入通过测试的挥发性脂肪酸检测模型，获得挥发性脂肪酸检测结果。

本发明的技术效果为：

本发明提供基于LSTM的废水挥发性脂肪酸测量方法及系统，解决废水处理反应器出水中的挥发性脂肪酸的测量设备昂贵，测量过程复杂，以及测定过程受人为影响大从而导致的挥发性脂肪酸指标测定不及时及误差过大，废水处理器菌群受到抑制发生处理效率降低的问题，以提高水质的预测精度。经过训练后的LSTM模型用于样品的挥发性脂肪酸测定，与气相色谱法相比，准确率达93.5%，符合挥发性脂肪酸测定标准。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例1中的流程图；

图2为本发明实施例1中的LSTM运行图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

如图1所示，本发明公开了基于LSTM的废水挥发性脂肪酸测量方法，

重复采集废水水样，对废水水样进行标准方法测定其水质指标，取平均值并进行数据整合，获得水质指标数据集，将水质指标数据集划分为训练集与测试集：其中，标准方法包括：pH采用符合标准的pH检测器测定；DO采用GB/T7489-1987：水质溶解氧的测定碘量法；CODcr采用HJ828-2017：水质化学需氧量的测定重铬酸盐法；NH3-N采用GB7479-87：水质氨氮的测定纳氏试剂比色法；TN采用HJ636-2012：水质总氮的测定碱性过硫酸钾消解紫外分光光度法。

具体的，废水处理器出水口同一位置平行取三个样本，按照标准方法测量6种水质指标数据，即pH、DO、CODcr、TN和NH₃-N，VFA；将各指标的平均值列出作为水质指标数据集中的一组数据；进一步整合为指标数据集；对指标数据集进行划分：以8:2的比例划分为训练集和测试集。

基于LSTM网络，以挥发性脂肪酸为因变量，其余水质指标为自变量，构建挥发性脂肪酸检测模型；

具体的，如图2所示，挥发性脂肪酸检测模型的搭建设置忘记阶段、输入阶段和细胞状态更新阶段：

忘记阶段：这个阶段主要是对上一个节点传进来的输入信息进行选择性忘记。主要由遗忘门层的S型网络层做出，通过计算得到的（f表示forget），表示接受/>和/>，并对细胞状态/>中的每一个数输出值都介于0和1之间。1表示“完全接受这个”，0表示“完全忽略这个”。

输入阶段：这个阶段将这个阶段的输入有选择性地进行“记忆”。哪些重要则着重记录下来，哪些不重要，则少记一些。其中第一部分，是“输入门层”的S形网络层确定哪些信息需要更新。第二部分，一个形网络层创建一个新的备选值向量/>，可以用来添加到细胞状态。在下一步中我们将上面的两部分结合起来，产生对状态的更新。

细胞状态更新阶段：这个阶段将现在更新旧的细胞状态更新到/>。对旧的状态乘以/>，用来忘记我们决定忘记的事。然后我们加上/>，这是新的候选值，根据我们对每个状态决定的更新值按比例进行缩放。

将训练集中的水质指标数据输入挥发性脂肪酸检测模型进行训练：

具体的，初始化所述挥发性脂肪酸检测模型，将每个训练集中的水质指标数据输入所述挥发性脂肪酸检测模型同时训练，直到训练结束。

基于所述测试集对训练完成的挥发性脂肪酸检测模型进行测试：

具体的，数据经LSTM处理与分析，与真实值进行对比，得到最终的模型评价指标并验证其鲁棒性；如通过则得到LSTM模型，如失败，则调整训练集参数从新进行训练环节。

重复采集待测废水水样，采用标准方法测定指标，取平均值得到待测废水水样数据，将所述待测废水水样数据输入通过测试的挥发性脂肪酸检测模型，获得挥发性脂肪酸检测结果，即通过测试的挥发性脂肪酸检测模型用于实际水质监测环节。

实施例2

本发明公开了基于LSTM的废水挥发性脂肪酸测量系统，包括：

采集模块、模型构建模块、训练模块、测试模块和检测模块；

采集模块用于重复采集废水水样，对废水水样进行标准方法测定指标，并取平均值进行数据整合，获得水质指标数据集，将水质指标数据集划分为训练集与测试集；

模型构建模块用于基于LSTM网络，以挥发性脂肪酸为因变量，其余水质指标为自变量，构建挥发性脂肪酸检测模型；

训练模块用于将训练集中的水质指标数据输入挥发性脂肪酸检测模型进行训练；

测试模块用于基于测试集对训练完成的挥发性脂肪酸检测模型进行测试；

检测模块用于重复采集待测废水水样，取平均值后得到待测水样数据，将待测废水水样数据输入通过测试的挥发性脂肪酸检测模型，获得挥发性脂肪酸检测结果。

由于反应器废水水质成分的多样性和复杂性，利用气相色谱法实时测定VFA的时效性和经济性难以保证。在水质预测方面，利用水质模型模拟计算反应器的出水水质状况，水质指标直接往往存在高度的非线性关系，故简单的线性预测模型很难精准预测指标。

目前典型的水质模拟模型的研究主要运用了QUAL2E综合水质模型、EFDC水动力模块等，类型分为单水质指标、耦合水质指标和水生生态模型，不随时间变化的稳定态和随时间变化的非稳定态模型，零维、一维、二维、三维模型等。但这些模型的建立需要充分考虑的自然环境影响，其数学表达式则可以区分为微分方程、积分方程、代数方程、差分方程、微分-差分方程等，种类繁多。建模复杂，求解难度大，模型稳定性及通用性无法保证，并且需要依靠环境测量的专业人员进行模型构建和数据评估。

长短时神经记忆网络（LSTM）作为一种优秀的深度学习预测方法，可以有效地挖掘和利用数据的隐藏信息。近年来，神经记忆网络在很多分类和回归任务中体现出了极大的优势，本发明提出了基于LSTM的废水挥发性脂肪酸测量方法及系统来解决上述问题，以提高水质的预测精度。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.基于LSTM的废水挥发性脂肪酸测量方法，其特征在于，包括以下步骤：

多次采集废水水样，对所述废水水样进行预处理及标准方法测定指标，获得水质指标数据集，将所述水质指标数据集划分为训练集与测试集；

基于LSTM网络，以挥发性脂肪酸为因变量，其余水质指标为自变量，构建挥发性脂肪酸检测模型；

将所述训练集中的水质指标数据输入所述挥发性脂肪酸检测模型进行训练；

基于所述测试集对训练完成的挥发性脂肪酸检测模型进行测试；

多次采集待测废水水样，将所述待测废水水样进行标准方法测定，取各个水质指标平均值形成待测废水水样数据，将所述待测废水水样数据输入通过测试的挥发性脂肪酸检测模型，获得挥发性脂肪酸检测结果；

采集废水水样过程为：在废水处理器出水口同一位置平行取三个样本，按照标准方法测定水质指标，将各水质指标平均值列出作为水质指标数据集中的一组数据，进一步整合数据得到水质指标数据集；

所述水质指标数据集包括：pH值、DO、CODcr、NH₃-N、TN、VFA。

2.根据权利要求1所述的基于LSTM的废水挥发性脂肪酸测量方法，其特征在于，所述训练集与所述测试集的划分比例为：8：2。

3.根据权利要求1所述的基于LSTM的废水挥发性脂肪酸测量方法，其特征在于，基于LSTM网络，构建挥发性脂肪酸检测模型的过程分为忘记阶段、输入阶段和细胞状态更新阶段三方面。

4.根据权利要求2所述的基于LSTM的废水挥发性脂肪酸测量方法，其特征在于，将所述训练集中的水质指标数据输入所述挥发性脂肪酸检测模型进行训练的过程为：初始化所述挥发性脂肪酸检测模型，将每个训练集中的水质指标数据输入所述挥发性脂肪酸检测模型同时训练，直到训练结束。

5.根据权利要求1所述的基于LSTM的废水挥发性脂肪酸测量方法，其特征在于，基于所述测试集对训练完成的挥发性脂肪酸检测模型进行测试的过程为：

将所述测试集输入训练完成的挥发性脂肪酸检测模型，

若所述训练完成的挥发性脂肪酸检测模型符合预设的模型预测指标，则获得通过测试的挥发性脂肪酸检测模型，

若所述训练完成的挥发性脂肪酸检测模型不符合预设的模型预测指标，则调整所述训练集的参数重新训练。

6.基于LSTM的废水挥发性脂肪酸测量系统，其特征在于，包括：

采集模块、模型构建模块、训练模块、测试模块和检测模块；

所述采集模块用于多次采集废水水样，对所述废水水样进行预处理及标准方法测定指标，获得水质指标数据集，将所述水质指标数据集划分为训练集与测试集；

所述模型构建模块用于基于LSTM网络，以挥发性脂肪酸为因变量，其余水质指标为自变量，构建挥发性脂肪酸检测模型；

所述训练模块用于将所述训练集中的水质指标数据输入所述挥发性脂肪酸检测模型进行训练；

所述测试模块用于基于所述测试集对训练完成的挥发性脂肪酸检测模型进行测试；

所述检测模块用于多次采集待测废水水样，将所述待测废水水样进行标准方法测定，取各个水质指标平均值形成待测废水水样数据，将所述待测废水水样数据输入通过测试的挥发性脂肪酸检测模型，获得挥发性脂肪酸检测结果；

采集废水水样过程为：在废水处理器出水口同一位置平行取三个样本，按照标准方法测定水质指标，将各水质指标平均值列出作为水质指标数据集中的一组数据，进一步整合数据得到水质指标数据集；

所述水质指标数据集包括：pH值、DO、CODcr、NH₃-N、TN、VFA。