哈尔滨工业大学WR｜基于渐进式机器学习的城市智能饮用水处理厂安全保障策略

1 关键科学问题

城市饮用水处理厂（DWTP）的智能化转型面临三大核心挑战：

数据可信度问题：传感器长期暴露导致灵敏度下降，数据传输误差频发；

模糊控制缺陷：人工经验主导的投药策略（MFC）易造成消毒剂过量投加（如次氯酸钠浪费高达22%）；

极端场景脆弱性：突发数据缺失或异常干扰下，传统模型鲁棒性不足，威胁供水安全。

2 创新点

本研究提出渐进式机器学习策略（Step-by-Step, SBS），突破传统单一模型局限：

分步修正机制：通过预建模中间变量（如混凝剂Al³⁺投加量），逐层修正输入特征，降低原始数据误差干扰；

多模型融合验证：系统评估8类机器学习算法（含DNN、LSTM等深度学习模型），揭示SBS对模型性能的普适提升；

实战验证：在日均处理量21万m³的实际水厂中，实现消毒剂用量降低22.0%、出水浊度下降16.0%，并成功抵御极端数据扰动。

3 研究方案

数据基础：

来源：深圳某水厂5年运行数据（2018-2023），涵盖进水浊度（NTUin）、pH、藻类等12项水质指标及消毒剂投加记录；

预处理：异常值剔除、缺失值填充、归一化处理，构建1820组有效样本。

模型构建：

算法库：线性回归（LINEAR）、决策树（DT）、随机森林（RF）、深度神经网络（DNN）等8类模型；

SBS流程：

预训练：以混凝剂Al³⁺为中间变量，利用其他特征预测其理论需求值（Al³⁺SBS）；

替代修正：用Al³⁺SBS替换原始Al³⁺数据，重新训练消毒剂（NaClO）投加模型；

鲁棒性测试：模拟传感器故障、数据异常等极端场景，验证模型抗干扰能力。

4 结果与讨论

模型性能：

DNN-SBS全面领先：平均绝对百分比误差（MAPE）从传统DNN的20.7%降至11.3%，R²提升至0.91；

算法普适性：SBS策略使所有模型MAPE平均降低35%，MAE减少18%-25%。

实际应用效果：

消毒剂优化：单位水量次氯酸钠投加量从0.0277 mmol/m³降至0.0216 mmol/m³；

水质提升：出水浊度（NTUeff）稳定在0.107，较MFC降低16%；pH波动范围缩减16%。

极端场景鲁棒性：

数据缺失模拟：在30%数据异常干扰下，SBS模型MAPE仅上升至17.3%，显著优于传统模型（22.3%）；

特征解释性：SHAP分析表明，SBS通过平衡特征贡献度（如Al³⁺SBS重要性从30.6%降至22.5%），增强模型稳定性。

5 结论与展望

结论：

SBS策略通过分步修正数据偏差，显著提升模型预测精度与抗干扰能力；

DNN-SBS在实际水厂中实现“降耗提质”双重目标，为智能水厂建设提供可靠技术路径。

不足与展望：

长期依赖性：需验证SBS在更长周期（>5年）及多气候带水厂的泛化能力；

多维风险耦合：未考虑网络攻击与物理设备故障的协同影响，未来需构建“数据-设备-安全”一体化防护体系；

扩展应用：SBS策略可推广至管网水质监测、暴雨预警等城市水系统全链条场景。