基于集成深度学习的造纸废水出水指标预测模型研究

王金咏; 王新元; 魏文光; 张凤山; 黄鹏; 周景蓬; 万兵; 牛国强; 刘鸿斌

王金咏,王新元,魏文光,张凤山,黄鹏,周景蓬,万兵,牛国强,刘鸿斌.基于集成深度学习的造纸废水出水指标预测模型研究[J].中国造纸学报,2025,(2):173-182

二维码（扫一下试试看！）

基于集成深度学习的造纸废水出水指标预测模型研究

Study on Intelligent Prediction Model of Papermaking Wastewater Effluent Quality Index Based on Ensemble Deep Learning

投稿时间：2024-08-07 修订日期：2024-10-21

DOI：10.11981/j.issn.1000-6842.2025.02.173

中文关键词: 造纸废水过程处理数据降维长短期记忆网络集成学习软测量模型

Key Words:papermaking wastewater treatment process data dimensionality reduction long short-term memory network ensemble learning soft sensor mode

基金项目:山东省自然科学基金（ZR2021MF135）；江苏省高等学校自然科学研究重大项目（22KJA530003）。

作者	单位	邮编
王金咏^*	南京林业大学，江苏南京，210037	210037
王新元	南京林业大学，江苏南京，210037	210037
魏文光	山东华泰纸业股份有限公司，山东东营，257335 山东黄三角生物技术产业研究院有限公司，山东东营，257399	257399
张凤山	山东华泰纸业股份有限公司，山东东营，257335 山东黄三角生物技术产业研究院有限公司，山东东营，257399	257399
黄鹏	山东华泰纸业股份有限公司，山东东营，257335	257335
周景蓬	山东华泰纸业股份有限公司，山东东营，257335	257335
万兵	山东华泰纸业股份有限公司，山东东营，257335	257335
牛国强	华南师范大学，广东广州，510006	510006
刘鸿斌^*	南京林业大学，江苏南京，210037 山东华泰纸业股份有限公司，山东东营，257335	257335

摘要点击次数: 0

全文下载次数: 0

中文摘要:

为克服单一模型的局限性、提高模型鲁棒性，针对小型造纸厂单一工段的废水处理数据集，首先利用核主成分分析（KPCA）降维技术，有效提取数据关键特征，再采用装袋集成（Bagging）算法集成多个可有效建模废水时间序列特征的长短期记忆网络（LSTM）学习器，建立KPCA-Bagging-LSTM造纸废水出水指标预测模型。结果表明，KPCA-Bagging-LSTM模型的决定系数（R²）达0.76，显著优于其他方法；均方根误差（RMSE）和平均绝对百分比误差（MAPE）分别为3.55 mg/L和4.01%，表明该模型具有更低的预测误差和更高的精度。本研究通过特征降维和集成学习提升了KPCA-Bagging-LSTM模型的性能，为造纸废水COD等出水指标预测提供了有效的解决方案。

Abstract:

To address the limitations of single model and improve overall robustness， this study focused on a wastewater treatment dataset from a single processing stage of a small-scale papermaking plant， took kernel principal component analysis （KPCA） for dimensionality reduction to effectively extract key features from the data， firstly. Then， integrated multiple long-short term memory （LSTM） learners using the Bagging ensemble strategy， and constructed a KPCA-Bagging-LSTM prediction model， where LSTM was capable of modeling the temporal characteristics of wastewater data. The results showed that the KPCA-Bagging-LSTM model achieved a coefficient of determination （R²） of 0.76， significantly outperforming other methods. The Root Mean Square Error （RMSE） and Mean Absolute Percentage Error （MAPE） were 3.55 mg/L and 4.01%， respectively， indicating lower prediction error and higher accuracy. By combining feature dimensionality reduction with ensemble learning， the proposed KPCA-Bagging-LSTM model enhanced prediction performance and provided an effective solution for forecasting COD and other effluent indicators in papermaking wastewater treatment.

查看全文查看/发表评论下载PDF阅读器 HTML