發(fā)布時間：2018-4-12 14:10:04  中國污水處理工程網(wǎng)

　　申請日2015.06.19

　　公開(公告)日2015.10.28

　　IPC分類號G06N3/12; G06F19/00

　　摘要

　　本發(fā)明公開了基于稀疏受限非負矩陣分解算法的超濾膜水處理預(yù)測方法，首先利用稀疏受限非負矩陣分解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)測模型對膜通量以及膜污染阻力的變化趨勢進行預(yù)測，并分析膜蒸餾的基本操作參數(shù)對膜通量和膜污染阻力的影響;最后對預(yù)測結(jié)果進行靈敏度分析計算，確定出影響膜通量和膜污染阻力的主導(dǎo)因素。本發(fā)明利用稀疏受限非負矩陣分解算法實時預(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膜污染的影響明晰化、量化。

　　摘要附圖

 

　　權(quán)利要求書

　　1.基于稀疏受限非負矩陣分解算法的超濾膜水處理預(yù)測方法，其特征在于， 包括以下步驟：

　　(1)利用稀疏受限非負矩陣分解算法建立超濾膜污水處理過程的預(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 膜通量和膜污染阻力的變化趨勢進行預(yù)測，并分析膜蒸餾的基本操作參數(shù)對膜通 量和膜污染阻力的影響;

　　(4)對步驟(3)得到的預(yù)測結(jié)果進行靈敏度分析計算，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所述基于稀疏受限非負矩陣分解算法的超濾膜水處理預(yù) 測方法，其特征在于，步驟(1)的具體過程如下：

　　首先，定義稀疏受限非負矩陣分解算法的目標函數(shù)F：

　　F(W,H)=||V-WH||2=Σij[Vij-(WH)ij]2 (1)

　　式(1)中，V為輸入數(shù)據(jù)樣本集，W為特征矩陣，H為投影稀疏矩陣;Vij表示 V第i行第j列元素，

　　初始化目標函數(shù)F中特征矩陣W和投影稀疏矩陣H，

　　若W具有稀疏約束，則先設(shè)置W=W-θw(WH-V)HT，再根據(jù)非負稀疏投影算 法把W的每一列轉(zhuǎn)換成非負的，同時保持它的L2范式不變，同時設(shè)置其L1范式， 以達到指定的稀疏度Sw;若W沒有稀疏約束，則迭代運算

　　$W=W\⊗\left({\mathrm{VH}}^T\right)\⊕\left({\mathrm{WHH}}^T\right),$

　　若H具有稀疏約束，則先設(shè)置H=H-θH(WH-V)，再根據(jù)非負稀疏投影算法 把H的每一行轉(zhuǎn)換成非負的，同時保持它的L2范式不變，并設(shè)置其L2范式，以 達到指定的稀疏度Sh;若H沒有稀疏約束，則迭代運算 其中，和分別表示基于矩陣元素的乘法和 除法，θw和θH為正數(shù)，且θw,θH<<1;

　　然后，建立式(2)所示稀疏受限非負矩陣分解算法的最優(yōu)化問題：

　　$\min E(W,H),W,H\&GreaterEqual;0,{\Sigma }_i{h_{ij}}^2=1,\&ForAll;j---\left(2\right)$

　　stSpareseness(wi)=Sw或者Spareseness(hi)=Sh

　　式(2)中，$Sparesenness\left(x\right)=\frac{\sqrt{n}-\left({\Sigma }_i\right|x_i\left|\right)/\sqrt{{\Sigma }_i{x_i}^2}}{\sqrt{n}-1},$n為向量x的維度，hij為 H第i行第j列元素，wi為W的第i列向量，hi為H的第i行向量，Sw和Sh的 取值范圍均為(0,1);

　　最后，求解式(2)所示稀疏受限非負矩陣分解算法的最優(yōu)化問題。

　　3.根據(jù)權(quán)利要求1所述基于稀疏受限非負矩陣分解算法的超濾膜水處理預(yù) 測方法，其特征在于：步驟(2)所述利用GA算法優(yōu)化的參數(shù)包括Sw、Sh、θw和θH。

　　4.根據(jù)權(quán)利要求1所述基于稀疏受限非負矩陣分解算法的超濾膜水處理預(yù) 測方法，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)下進行如下操作：

　　將溫度、錯流速度、進水pH、跨膜壓力作為預(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、錯流速度、進水 pH、膜孔徑和膜蒸餾處理時間中的一個參數(shù)，保證其他參數(shù)不變，運用GA算 法優(yōu)化預(yù)測模型的參數(shù)，并將優(yōu)化后的參數(shù)代入預(yù)測模型進行預(yù)測，再利用均方 根誤差RMSE和回歸系數(shù)R2這兩個評價參數(shù)對預(yù)測性能進行評價，當RMSE越 接近于0且R2越接近于1時，表明預(yù)測性能越好。

　　5.根據(jù)權(quán)利要求1所述基于稀疏受限非負矩陣分解算法的超濾膜水處理預(yù) 測方法，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)性對預(yù)測結(jié)果進行靈敏度分析計算。

　　說明書

　　基于稀疏受限非負矩陣分解算法的超濾膜水處理預(yù)測方法

　　技術(shù)領(lǐng)域

　　本發(fā)明屬于超濾膜技術(shù)、污水廢水處理領(lǐng)域，特別涉及了基于稀疏受限非負 矩陣分解算法的超濾膜水處理預(yù)測方法。

　　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，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。超濾膜篩分過程是以膜兩側(cè) 的壓力差為驅(qū)動力，以超濾膜為過濾介質(zhì)，在一定的壓力下，當原液流過膜表面 時，超濾膜表面密布的許多細小的微孔只允許水及小分子物質(zhì)通過而成為透過 液，而原液中體積大于膜表面微孔徑的物質(zhì)則被截留在膜的進液側(cè)，成為濃縮液， 因而實現(xiàn)對原液的凈化、分離和濃縮的目的。與傳統(tǒng)給水凈化工藝與消毒相比， 超濾的主要優(yōu)點：①超濾過濾法沒有相變，無需加熱，因此不僅省能，而且特別 適用于處理熱敏性物質(zhì);②設(shè)備簡單，占地面積小，特別是中空纖維超濾膜組件， 不僅設(shè)備簡單，由于單位體積膜面積大，即填充系數(shù)大，占地面積很小;③操作 壓力低;④能量消耗少。內(nèi)壓式的中空纖維超濾膜組件，沒有死角，覆蓋層薄， 滲透通量大，易清洗，更省能。

　　然而，利用超濾膜技術(shù)處理污水最主要的限制來源于膜污染，膜污染會嚴重 導(dǎo)致膜通量的降低，超濾膜處理效率的下降。此外，膜污染還將增加了額外的膜 清洗費用，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 增加了處理費用。膜的運行過程中，其污染程度主要取決于3個因素：1、系統(tǒng) 的運行參數(shù);2、進水水質(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)致了超濾處理過程中，其基本操作 參數(shù)(比如：溫度T、跨膜壓力TMP、錯流速度CFV、進水pH、溶質(zhì)粒子的粒 徑大小等)對膜污染的具體量化的影響還不明晰，有待進一步的研究。因此，為 探明系統(tǒng)操作參數(shù)對膜污染的具體影響并將這種影響進行量化，需對超濾膜處理 過程進行數(shù)學模擬，即建立超濾膜污水處理過程的預(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理知識的(即基本參數(shù)對膜污染 的影響機理)，要求對相應(yīng)的膜污染影響機理非常了解，才可以應(yīng)用理論模型進 行膜污染預(yù)測，但運算復(fù)雜、計算處理費用昂貴。而非參數(shù)模型則不需要對相應(yīng) 機理(基本參數(shù)對膜污染的影響機理)了解得很透徹，彌補了理論模型存在的弊 端。由于超濾膜處理過程的復(fù)雜性以及基本操作參數(shù)對膜污染影響機理的不明確 性，因此需要選取合適的非參數(shù)模型對超濾過程進行預(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，其中當前應(yīng)用最多的是ANN模型，它被廣泛運用于各種膜分離處理過程(例 如：微濾MF、反滲透RO、納濾NF、電滲析ED),其中ANN還成功用于超濾 過程的模擬預(yù)測。但是ANN存在以下缺點：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)拓撲結(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)明旨在提供基于稀疏受限非負 矩陣分解算法的超濾膜水處理預(yù)測方法，利用稀疏受限非負矩陣分解算法實時預(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膜污染的影響明晰 化、量化。

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

　　基于稀疏受限非負矩陣分解算法的超濾膜水處理預(yù)測方法，包括以下步驟：

　　(1)利用稀疏受限非負矩陣分解算法建立超濾膜污水處理過程的預(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 膜通量和膜污染阻力的變化趨勢進行預(yù)測，并分析膜蒸餾的基本操作參數(shù)對膜通 量和膜污染阻力的影響;

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

　　進一步地，步驟(1)的具體過程如下：

　　首先，定義稀疏受限非負矩陣分解算法的目標函數(shù)F：

　　F(W,H)=||V-WH||2=∑ij[Vij-(WH)ij]2 (1)

　　式(1)中，V為輸入數(shù)據(jù)樣本集，W為特征矩陣，H為投影稀疏矩陣;Vij表示 V第i行第j列元素，

　　初始化目標函數(shù)F中特征矩陣W和投影稀疏矩陣H，

　　若W具有稀疏約束，則先設(shè)置W=W-θw(WH-V)HT，再根據(jù)非負稀疏投影算 法把W的每一列轉(zhuǎn)換成非負的，同時保持它的L2范式不變，同時設(shè)置其L1范式， 以達到指定的稀疏度Sw;若W沒有稀疏約束，則迭代運算

　　$W=W\&CircleTimes;\left({\mathrm{VH}}^T\right)\&CirclePlus;\left({\mathrm{WHH}}^T\right),$

　　若H具有稀疏約束，則先設(shè)置H=H-θH(WH-V)，再根據(jù)非負稀疏投影算法 把H的每一行轉(zhuǎn)換成非負的，同時保持它的L2范式不變，并設(shè)置其L2范式，以 達到指定的稀疏度Sh;若H沒有稀疏約束，則迭代運算 其中，和分別表示基于矩陣元素的乘法和 除法，θw和θH為正數(shù)，且θw,θH<<1;

　　然后，建立式(2)所示稀疏受限非負矩陣分解算法的最優(yōu)化問題：

　　$\min E(W,H),W,H\&GreaterEqual;0,{\Sigma }_i{h_{ij}}^2=1,\&ForAll;j---\left(2\right)$

　　stSpareseness(wi)=Sw或者Spareseness(hi)=Sh

　　式(2)中，$Sparesenness\left(x\right)=\frac{\sqrt{n}-\left({\Sigma }_i\right|x_i\left|\right)/\sqrt{{\Sigma }_i{x_i}^2}}{\sqrt{n}-1},$n為向量x的維度，hij為 H第i行第j列元素，wi為W的第i列向量，hi為H的第i行向量，Sw和Sh的 取值范圍均為(0,1);

　　最后，求解式(2)所示稀疏受限非負矩陣分解算法的最優(yōu)化問題。

　　進一步地，步驟(2)所述利用GA算法優(yōu)化的參數(shù)包括Sw、Sh、θw和θH。

　　進一步地，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 行如下操作：

　　將溫度、錯流速度、進水pH、跨膜壓力作為預(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、錯流速度、進水 pH、膜孔徑和膜蒸餾處理時間中的一個參數(shù)，保證其他參數(shù)不變，運用GA算 法優(yōu)化預(yù)測模型的參數(shù)，并將優(yōu)化后的參數(shù)代入預(yù)測模型進行預(yù)測，再利用均方 根誤差RMSE和回歸系數(shù)R2這兩個評價參數(shù)對預(yù)測性能進行評價，當RMSE越 接近于0且R2越接近于1時，表明預(yù)測性能越好。

　　進一步地，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)性對預(yù)測結(jié)果進行靈敏度分析計算。

　　采用上述技術(shù)方案帶來的有益效果：

　　本發(fā)明采用稀疏受限非負矩陣分解算法來建立預(yù)測模型，克服了常用模型的 缺點，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LSSVM模型參數(shù)進行優(yōu)化，具有既可處理離散變量又可處理連續(xù)變量、針對 非線性目標以及不需要梯度信息來約束函數(shù)等優(yōu)點，優(yōu)化精度較高;本發(fā)明還對 預(yù)測結(jié)果進行靈敏度分析計算，篩選出影響膜通量以及膜污染阻力的主導(dǎo)因素。