基于动态数据驱动的生物氧化槽进气量预测

第44卷第6期V o l.44 N o.6计算机工程Computer Engineering2018年6月June2018•开发研究与工程应用•文章编号：1000-3428(2018)06-0279-04文献标志码：A中图分类号：TP315基于动态数据驱动的生物氧化槽进气量预测孙振华，南新元，蔡鑫(新疆大学电气工程学院，乌鲁木齐83〇〇47)摘要：针对生物氧化槽进气量预测系统的开环调节、强时滞性、预测精度低等问题，提出一种基于动态数据驱动 的生物氧化槽进气量预测方法。

通过多级氧化槽进气量时间序列数据建立氧化槽进气量状态空间模型，采用 K a lm a n滤波算法进行预测数据和实测数据的动态融合，并对预测值及模型参数进行实时在线更新，由此构建基于 动态数据驱动的生物氧化槽进气量预测模型框架。

实验结果表明，与未考虑多级槽间相关性的传统方法相比，该 预测框架能够对生物氧化槽进气量进行较准确的预测。

关键词：动态数据驱动；生物氧化预处理;状态空间模型；参数估计;数据同化；K a lm a n滤波；进气量中文引用格式：孙振华，南新元，蔡鑫.基于动态数据驱动的生物氧化槽进气量预测[J].计算机工程，2018, 44(6)：279-282,287,英文引用格式：S U N Z h e n h u a,N A N X in y u a n，C A I X in. P re d ic tio n fo r a ir in p u t o f b io-o x id a tio n ta n k based on d y n a m ic data d riv e n[ J]. C o m p u te r E n g in e e rin g ,2018,44(6)：279-282,287.Prediction for Air Input of Bio-oxidation Tank Based on Dynamic Data DrivenS U N Z h e n h u a,N A N X in y u a n,C A I X in(C ollege o f Electrical E n gineering,X injiang U n iv e rs ity,U ru m q i 830047 ,China)[A b s tr a c t] F or the open-loop c o n tro l，strong tim e delay and lo w prediction precision in the air in pu t system o f b io­oxidation ta n k,a new m ethod based on the dynam ic data driven fo r predicting a ir in pu t o f b io-o x id a tio n tank is proposed in this paper. F irs tly,a state space m odel is constructed w ith the tim e series data o f m ultistage b io-o xid a tio n tanks. T hen, K alm an filte rin g algorithm is used to im plem ent data fusion from the prediction and measured one. A n d the prediction and m odel parameters are updated in real tim e online. T h u s,th e fram e o f the prediction m odel o f b io-o x id a tio n tank air in pu t based on the dynam ic data driven is constructed. E xperim ental results show th a t,th e prediction fram ew ork can accurately predict the am ount o f air in the b io-o xid a tio n tank.[K e y w o rd s] dynamic data driven; bio-oxidation pretreatment; state space model ； parameter estimation ； data assimilation ；Kalman filtering ； air inputD O I：10. 19678/j. issn. 1000-3428.0046961〇概述目前，提取黄金的工艺主要有焙烧氧化预处理、湿化学预处理、生物氧化预处理等[1]。

其中，生物氧 化预处理具有工艺简单、投资少及绿色环保等优点，成为近年来应用较多的冶炼工艺。

因此，学者们针 对生物氧化预处理过程中的氧化还原电位[2]、预处 理过程的影响因素[3]、氧浓度对氧化效率的影响[4]、生物氧化预处理过程的耗氧预测[5]及预处理过程进 气量预测[6]等问题进行了研究。

由于进气量的有效 预测与控制将直接影响矿浆的氧化效率与提金率，且生物氧化槽的进气量系统是一个高耗能系统，因此生物氧化槽进气量的精确预测与控制对于实现高 提金率和节能减排具有重要意义。

文献[6]集成耗 氧机理模型和在线支持向量回归机模型，对单级氧 化槽进气量进行预测，但是，由于其中的模型参数不 能进行实时更新，且没有考虑各级氧化槽之间的相 关性，因此该模型不能动态地反映系统的真实状态，预测效果不够理想。

生物氧化槽进气量预测实际上是一个动态系统 状态估计问题。

目前常用的能完整、准确描述动态 系统的方法是状态空间模型。

本文基于状态空间模 型，构建动态数据驱动应用系统（Dynamic Data Driven Application System，D DDAS)[7]，对生物氧化基金项目：国家自然科学基金“高海拔地区氰化提金生物氧化预处理过程氧化还原电位预估方法研究”（61463047)。

作者简介:孙振华（1991一），男，硕士研究生，主研方向为动态数据驱动、数据融合;南新元（通信作者），教授;蔡鑫,讲师。

收稿日期：2017-04-25 修回日期=2017-06-03 E-m a il：nxyxd@ sina. com280计算机工程2018年6月15日槽进气量进行动态预测，并对某生物氧化提金厂生 物氧化槽进气量的历史数据进行仿真，验证该方法 的预测效果。

1 D D D AS应用问题传统仿真与D D D A S仿真结构对比如图1所示。

对于传统仿真，理论分析、实验和建模在时间上是基 于静态数据进行的，且每步得到的结果不能使其他 步骤得到调整和改变，早期数据不能及时准确地反 映动态系统的变化情况。

如果能在仿真过程中加入 动态数据，则能进行更精确的动态分析、预测及控 制。

基于此，美国国家自然科学基金会（NSF)于2000年提出了 DDDAS[8]，其目的是将仿真和实验 紧密地结合起来，方便接收实时数据，进而进行系统 的动态控制，并指导测量的运行。

目前,D D D A S在军事系统仿真[9]、自然灾害预 测及演化仿真[1°]、交通仿真[11]、钢铁生产仿真[12]、航班延误预测[13]、空气质量预测[14]等领域都开展了 相应的研究。

通过总结以上研究结果可知，采用 D D D A S思想对生物氧化槽进气量进行状态预测时，需要解决2个主要难题：1)建立生物氧化槽进气量 预测模型;2)进行多域数据或静态数据与实测数据 的动态融合，即数据同化[15]。

2生物氧化槽进气量预测模型通常情况下，用于生物氧化预处理的工艺会进行 多级氧化，每级氧化槽的供气管道都对应有气体流量 计，以此来检测各级氧化槽的进气量。

假设某生物氧 化预处理工艺为n级氧化，则对应有n组进气量数据，即n维时间序列数据，且研究的生物氧化槽进气量与 ^时刻之前的一段时间的进气量有关。

基于以上对生 物氧化槽进气量的分析，则有〃维时间序列a:Q t:(q u t，q2j，".，q n j)T⑴其中，为第/个氧化槽（时段的进气量。

基于n维时间序列2,建立自回归模型，每个生物 氧化槽的进气量与其余〃 -1个氧化槽进气量都有关，且与预测时刻之前的p个时刻的进气量数据也相关，其 回溯系数^可以根据a i c准则[16]确定，因此，可得：心，，^1 -1，t-2=岑+ A^2-Q n j--q n，t-1--q n，t_2-^U r-P其中，^均为x维系数矩阵，由Yule Walker 方程估计和递推得到，m,为噪声序列。

由于生物氧 化槽进气量受多种因素的影响，如氧化还原电位、矿 浆浓度、P H值等，假设各扰动因素间是彼此独立的，但是对于整个进气量过程，这些独立扰动的矢量和 近似于零，则可设A为零均值白噪声序列。

A= [H，...，U T(3)y t = Qt⑷其中，^，是系统的^维观测向量，•^是系统的^ 维状态向量，则式(3)、式(4)的状态空间模型可表示为：■^1A2•..V i A P~10 (00)01•..00•^r-1(5)-00 ...10 -j, = 0)x, +v,(6)其中，维）为根据存档数据映射的状态向量，x1维）为输入的实测进气量数据。

式(5)为生物氧化槽进气量预测系统的状态方 程，式(6)为生物氧化槽进气量预测系统的观测方程。

在式(5)中，w,是均值为0、具有X/?维方差矩阵g,的随机噪声，2, = £()。

在式（6)中，v,为观测噪 声，用来将测量过程中测量设备与测量人员等因素的 影响作用到观测方程，定义其为均值为〇、具有〃维方 差矩阵'的白噪声，'=£(¥丨），并且％、^为不相 关的零均值白噪声序列，/为n维的单位矩阵。

设和尽分别为状态转移矩阵和观测矩阵，则有:A2•..V i V10 (00)F t:01•..00-00...10 -...,0)(8)关于状态空间模型参数的估计方法有多种，例 如E M算法、贝叶斯估计方法等，这些参数估计方法 通常计算过程复杂、运算时间较长，不能使生物氧化 槽进气量预测模型及时地跟踪真实系统的状态，实时性较低。

由于生物氧化槽进气量预测模型参数的第44卷第6期孙振华，南新元，蔡鑫:基于动态数据驱动的生物氧化槽进气量预测281图2生物氧化槽进气量预测模型框架基于D D D A S 的生物氧化槽进气量预测模型框 架主要由数据采集与处理、在线参数估计、系统状态 空间模型及数据同化4个功能模块组成，各模块的功能如下：1) 数据采集与处理模块主要通过气体流量计来检测获取各级氧化槽进气量的实时数据，为数据同化模块和在线参数估计模块提供实时有效的输入数据，并根据预测系统的要求进行数据的预处理，剔除干扰数据，最终将有效数据注入到在线参数估计模 块和数据同化模块。