本站小編為你精心準備了污水處理中數據挖掘技術的運用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：

目前，科學技術水平的進步與提升，人類的生活以及工業用水也隨之增加，所排放的污水量也在不斷增大，為了能讓人人都有干凈的水喝，污水處理技術在人們的生存需求下迅速發展；污水處理過程并不是單一的污水過濾，其工藝過程相當復雜，而當前，對于污水處理的整個過程中，數據處理、發掘數據技能和故障診斷等都與其有很大的關聯；因此本文就污水處理中數據挖掘技術的運用進行了闡述，并通過對污水處理數據的特點，進一步探究了數據挖掘在污水處理異常檢測中應用的方法。

關鍵詞：

污水處理；數據挖掘；運用

污水處理屬于處理工藝非常繁復的生化過程，無法一直保持穩定的狀態。操作人員以及管理者們一直以來都是按照多年積累的經驗，對污水處理的整個過程加以管理，這就需要操作人員及管理者們具備廣泛的知識以及較長時間的實踐操作經驗。處理污水故障的專家在診斷系統知識庫時，也需要依賴于污水處理專家的經驗進行建立。當污水處理在工作過程當中，會由監控設備獲取大量的污水狀態數據。而數據挖掘過程，就是從這些獲取的歷史數據中挖掘出可用的知識模式，運用數據挖掘技術來對歷史數據進行分析，這也是極其實用的獲取知識的途徑。數據挖掘技術中涵蓋了無監督的分類技術，可優先對所收集的歷史數據對數據挖掘中的數據加以分析，再運用專家的知識分析污水處理挖掘的有效數據知識，進而獲取污水處理廠設備的相關監控進行分析，例如污水處理設備故障檢測以及活性泥成分分析等。

1污水處理數據的特點

污水處理是一個不簡單的過程，因其高維且有較強的耦合性，加之數據量較大，儲存在數據庫中的數據經過幾年以后，數據積累量非常大。此外，在污水處理的過程中，很多行為狀態是根據變量因素共同決定的，它們間有較強的非線性或者耦合關系存在，例如溫度的高低會給水的溶氧度值帶來影響，在污水處理自動化中，其監控設備所搜集到的數據有以下特點，如圖1所示。

1.1工業噪聲以及處理過程中的不確定性工業處理過程中，系統工作環境非常復雜，噪聲、磁以及電的干擾較強，此外，系統內有不確定性存在，以至于數據容易受到污染，導致監控數據失效或者丟失。

1.2動態性與數據類型的多樣性污水處理，是屬于動態變化的過程，每個處理步驟或者處理設備都會對進入流程內的污水加以處理，中和、加入以及將某些物質過濾后，污水的每個屬性參數所占的比例都會無時無刻發生變化，在監控中將數據獲取，對數據挖掘進行深入分析，能夠獲取預測系統狀態以及系統狀態變化趨勢的有利知識。此外，監控設備所采集污水處理過程當中，其所取得的數據類型也是不統一的：例如邏輯型、數據型以及非數據型等。

1.3不統一性與多時標性在儲存污水處理數據的數據庫當中，經常會有數據丟失的情況存在，通常對不相同的數據屬性使用信號所采集的頻率也不一樣，存儲時間無法同步存儲，以至于數據出現不完整性的情況。

1.4多模態性污水處理過程無法長期處于正常的運行狀態，會有不同程度的異常設備故障出現。系統狀態變化的反應可通過數據分析，由污水處理數據進行數據挖掘，能夠挖掘出異常的工作狀態。除此之外，在污水處理中，數據挖掘一般要對部分質量指標如能耗、出水水質以及環境影響等加以評價，加大了數據挖掘的整體難度。

2在污水處理中數據挖掘應用

因污水處理過程數據具有多種特點，所以，數據挖掘應用會有很大的限制，從數據緣由分析，目前，取得污水處理過程的知識要依賴于運用直接運行過程所得出的數據加以辨識；利用實驗室對系統的動態性能和靜態性能進行了詳細的探究；這兩種方式都均為從現有的數據中尋找可利用的知識。同時，這也是數據挖掘以后要進一步探討的內容。而今，污水處理過程獲取知識的方式應用主要分為預測模型以及異常診斷兩大類。如圖2所示。

2.1污水處理過程中的異常檢測污水處理這個過程非常的復雜，污水處理廠長期穩定運行不僅較為困難，還受很多環境因素的影響，加之水量波動以及進水水質的隨機干擾也較大。活性污泥在處理過程當中，有污泥上浮、污泥膨脹以及泡沫等現象等，這些故障不僅導致污水處理工藝的故障，還加大了污水處理的整體能耗，影響了污水處理的出水水質。所以，怎樣對污水處理工藝過程的故障進行診斷，是目前需進一步探究的問題。污水處理，一般處于正常狀態，而故障狀態對于個別性能來說，正常狀態下的數據點會大于數據點的故障狀態，因此利用異常檢測的思想來識別異常值，根據異常檢測技術來收集異常數據信息，對異常檢測數據加以解釋，確定好工藝處理的故障，及時的糾正并維護設備故障，進而確保污水處理中出水的質量，進一步降低能耗。

2.2污水處理過程中的建模模型結構分為3種類別，灰盒、白盒以及黑盒，從獲取污水處理過程知識的角度看，用到的主要是黑盒模型和灰盒模型，這是由于一旦對整個過程的各個細節和機理都了解的非常透徹，就無需再利用觀測數據學習。在創設黑盒及灰盒過程當中，都需有模型參數的估量工作，待定的參數多則幾個，少則一個，其數目確定模型的整體結構；待定參數的確定通常有統計回歸法、時間序列模型法以及人工智能法等。不管利用哪種方式估計參數，都確立在實驗的最終結果以及數據觀測的基礎上。

3數據挖掘在污水處理異常檢測中應用的現有方法

數據的挖掘在污水處理異常檢測當中，其應用的時間很長，而這些都是以專家系統為基礎的，專家系統要求一定要具備豐富的污水處理實踐經驗，近幾年，有部分研究人員開始運用異常數據點以及正常數據點獨有的特性，或是通過異常模型的建立，挖掘污水處理數據，目前，污水處理異常檢測的幾種方法和模型。

3.1采用基于統計方法的異常檢測以統計方法為基礎的異常檢測方法，該方法優先將數據的每個屬性集做一個假設，研究其是否與正態分布相符合，接著確定好每個聚類簇的中心，這也是檢測異常數據的中心問題，最后是通過分布特性檢測異常數據。因污水處理數據集的各個屬性維并不都是完全滿足正態分布，所以，在實際應用中假設符合分布還是有局限性存在。

3.2對異常數據進行檢測異常檢測過程采用聚類-檢測兩個階段對異常數據進行檢測。該算法的重點是將數據聚類所獲取的簇集合分成兩種，即“Small和Large”兩種類型。Large簇指的是數據項比較多的某些簇，這些簇涵蓋了超過整個數據集中某個百分比的數據項，剩余的部分簇就是Small簇。對于不同的簇使用不同的局部異常因子計算公式。數據項所對應的LCF愈來愈大就說明有可能是異常的數據，所以，該方式能夠根據用戶所規定的參數進行調節，但是需要挑選出合適的對屬性進行離散化處理。系統運用正反向混合推理方式，并利用推理樹的形式把知識庫中的知識組織形式向用戶公開，進而方便用戶使用以及維護系統。

4結語

而今，科學技術的進一步發展，鄉鎮及城市的污水總量在逐步增加，使污水在進行實時監控處理時的難度進一步增加，此外，在污水總量逐漸增加的情況下，帶來的污水處理數據的監控屬性也不斷增加，同時，提高了污水數據的維度，讓運用以往的挖掘技術算法面臨著非常嚴峻的考驗。而在今后，希望可以通過數據的不同特點而利用不同的數據挖掘方法；此外在污水處理的過程中，像污水量的預測模型等方面具有數據挖掘技術存在很大的發展空間，同時也可以將污水處理做的更好。

參考文獻

[1]陶若.數據挖掘在銀行卡業務中的研究與應用[D].南開大學碩士學位論文,2006:8-20.

[2]李曉東.城市污水處理廠數據挖掘及相關技術研究[D].湖南大學博士學位論文,2007:17-18.

[3]夏姜虹.數據挖掘技術的常用方法分析[J].云南大學學報,2011,33(S2):173-175.

作者：林安 阮琥 單位：臺州市環境科學設計研究院