Использование регрессионного и нейросетевого моделирования в производственном мониторинге промышленного предприятия

Рассмотрены регрессионные и нейросетевые модели для прогноза необходимой дозы коагулянта, зависящей от качества речной воды, подаваемой на водоподготовку, проведен их сравнительный анализ. Для моделирования и прогноза использовались статистические данные, собранные за период с 2005 г. по настоящее время. Регрессионные модели строились на истинных значениях факторов (показателей качества воды) и на их первых разностях для устранения тенденции в рядах. Для моделей, построенных на истинных значениях, подтверждена статистическая значимость, получены высокие значения коэффициентов детерминации, величины ошибок аппроксимации составляют 22–25 %. При нейросетевом моделировании использовались сети типа многослойный персептрон. Ошибка обобщения на тестовом множестве при использовании других типов сетей (RBF-сети, сети Элмана) была существенно выше. Вычислительные эксперименты показали, что в целом точность нейросетевых моделей выше, чем регрессионных. Средняя ошибка обучения составляет 7 –9 %, ошибка на тестовом множестве возрастает до 12–16 %. Достоверность прогноза повышается обучением сети на более свежих данных и использованием большего набора факторов. Выявлено увеличение влияния показателей перманганатной окисляемости и цветности исходной речной воды на дозу реагентов при одновременном снижении степени влияния щелочности за последний пятилетний период. Это подтверждает необходимость периодического обновления данных для построения моделей. Выбраны модели, рекомендованные к внедрению в производственный мониторинг технологии водоподготовки на предприятии.

1. Киекбаев Р.И. Мониторинг качества воды и разработка инженерных решений по повышению барьерной роли сооружений водоподготовки: дисс…. канд. техн. наук. Уфа, Уфимский государственный нефтяной технический университет, 2007. 230 с.

2. Педан В.В. Анализ структуры временных рядов весенних максимальных уровней природных вод. Водные ресурсы. 2003. Т. 30. № 6. С. 688—695.

3. Veresmarty C.J., McIntyre P.B., Gessner M.O., et.al. Global threats to human water security and river biodiversity. Nature. 2010. № 467. P. 15—19.

4. Linnik P.N., Vasylehuk Т.О., Osypenko V.P., Zubko A.V. Влияние гуминовых субстанций на загрязнение водных сред. Impact of humic substances on the secondary pollution of an aquatic environment by heavy metals and some organic compounds caused by the bottom sediments. Pol. J. Che.m. 2008. Vol. 82. No 1—2. C. 411—418.

5. Журба М.Г., Говорова Ж.М. Интенсификация технологий очистки природных вод. Питьевая вода. 2005. № 1. C. 2—5.

6. Холова А.Р., Вагнер Е.В., Вождаева М.Ю., Кантор Е.А., Труханова Н.В., Мельницкий И.А. Результаты экологического мониторинга ограниченно-летучих органических соединений различной природы в воде р. Уфы за период 2000-2014 гг. Матер. Всерос. научной конф. "Мониторинг состояния и загрязнения окружающей среды. Основные результаты и пути развития". Москва, 20—22 марта 2017 г. https://elibrary.ru/item.asp?id=29401426. М., ФГБУ "ИГКЭ Росгидромета и РАН". 2017. С. 60—64.

7. Кантор Л.И., Шемагонова Е.В. Анализ временных рядов загрязнения бенз(а)пиреном воды в р. Уфе. Водные ресурсы. 2002. № 6. С. 743—752.

8. Uyguner C.S., Suphandag S.A., Kerc A., Bekbolet M. Evaluation of adsorption and coagulation characteristics of humic acids preceded by alternative advanced oxidation techniques. Desalination. 2007. Vol. 210. P. 183—193.

9. Долгоносов Б.М., Корчагин К.А. Моделирование изменчивости показателей солевого состава речной воды. Водные ресурсы. 2011. Т. 38. № 3. C. 345—358.

10. Muthulakshmi L., Ramu A., Kannan.N., Murugan A. Application Of Correlation And Regression Analysis In Assessing Ground Water Quality. International Journal of ChemTech Research. 2013. Vol. 5. No. 1. P. 353—361.

11. Nikolaou A.D., Golfinopoulous S.K., Arhonditsis G.B., Kolovoyiannis V., Lekkas T.D. Modeling the formation of chlorination by-products in river water with different quality. Chemosphere. 2004. Vol. 55. P. 409—420.

12. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений М., Финансы и статистика, 2004. 176 c.

13. Ки Дж.У. (Key J.W.) Искусственные нейронные сети управления технологическими процессами. Часть 2. Control Engineering. 2016. Vol. 64. No 4. P. 106—110.

14. Egorov A.F., Savitskaya T.V., Levushkina S.A., Levushkin A.S. Intelligent Decision Support System for Controlling the Atmospheric Air Quality. Theoretical Foundations of Chemical Engineering. 2010. Vol. 44. No. 5. P. 822—828.

15. Эконометрика. Учебник. Под ред. И.И. Елисеевой. М., Проспект, 2011. 288 с.