一、序言

編者按：在科技日新月異的時代，人工智能AI正以前所未有的速度滲透到各行各業，引領著新一輪的產業升級；在環境保護與資源利用領域，AI技術的應用正展現出巨大的潛力與價值。

標志卓信科技，作為深耕能源與資源生產領域十五載的工業信息化服務企業，立足于對傳統自動化系統的時序數據進行實時分析、AI建模、精準預測、在線預警和在環控制，提高企業的關鍵裝備和工藝的智能化水平。

本文全文轉載由標志卓信科技與合作伙伴在項目實踐的基礎上，共同撰寫的核心期刊論文《AI人工智能在采煤廢水重介速沉工藝中的應用》，該論文探討了如何將人工智能技術融入傳統煤炭工業的廢水處理過程，為實現綠色、高效、可持續的煤炭開采提供了創新思路和生動案例。

煤炭作為我國能源結構的重要組成部分，其開采過程中產生的大量廢水處理一直是行業面臨的一大挑戰。傳統的重介質懸浮液（重介）速沉工藝，能在一定程度上實現煤水分離，提高水資源的循環利用率，但在精準高效加藥、出水水質穩定性方面，仍然存在改善空間。本文作者團隊巧妙地引入了人工智能算法，通過對海量生產數據的深度學習與分析，實現了對重介速沉過程的智能優化與精確控制。

論文首先概述了采煤廢水處理的現狀，隨后詳細闡述了AI算法，特別是隨機森林回歸模型、深度學習、集成學習模型等在預測水質變化、優化藥劑添加量、動態調整工藝參數等方面的具體應用。通過構建智能預測模型，系統能夠實時監測并預判水質指標的變化趨勢，從而自動調節藥劑投放策略，不僅有效減少了藥劑浪費，降低了運營成本，還提升了出水水質的合格率和穩定性。這一探索，不僅對煤炭行業具有重要的實踐意義，也為其他資源開發領域的環保技術創新提供了寶貴借鑒。

我們相信，隨著AI技術的不斷成熟與普及，未來在環境保護與資源高效利用方面將會涌現出更多創新解決方案。《AI人工智能在采煤廢水重介速沉工藝中的應用》拋磚引玉，讓我們看到了科技助力綠色礦業的無限可能，期待更多同行和從業者能從中汲取靈感，共同推動煤炭行業的可持續發展，守護好我們共有的藍天綠水。

二、AI人工智能加藥技術在采煤廢水重介速沉工藝中的應用

［摘要］重介速沉工藝在煤礦采煤廢水中應用廣泛，其工藝特點是多變量、非線性和時變性。

加藥的精準程度影響重介速沉工藝出水指標和運行成本。AI人工智能軟件作為一款數據科學工具，用數字技術取代了“傳統人的經驗和直覺”。與傳統加藥控制方式相比，采用AI人工智能加藥系統，可以根據水量和水質，實時的精準調控加藥量，保證出水水質平穩，可以實現提前對出水水質指標的預測。本項目通過AI人工智能軟件對現有重介速沉工藝進行數據分析，并尋找數據間的潛在關聯，自主創建算法模型，并對其有效性進行驗證，最終達到可用運于指導生產的實驗目的。在同樣工控下對比，AI人工智能加藥比傳統加藥節省藥量13.5%，實現節能降耗；AI人工智能加藥系統可以對連續增加的數據進行深度學習，不斷自動校正模型參數，使控制更加精確。

［關鍵詞］AI人工智能加藥；采煤廢水；重介速沉；精準加藥

煤礦在井下采煤過程中會產生采煤廢水，采煤廢水中的主要污染物是懸浮顆粒。目前，重介速沉水處理工藝作為一種新型的廢水處理技術，已經開始逐漸應用到采煤廢水處理行業中。

在實際運行過程中，重介速沉水處理工藝存在處理效果不穩定、運行成本高、操作復雜等問題，其根本原因為是在工藝控制過程中，主要是根據人為的經驗和直覺設定并調整各項運行參數，而重介速沉工藝是一個極其復雜的系統，特點是多變量、非線性、時變性［1］。

當其中一個參數發生變化時，可能需要同時調整多個關聯參數，人為設定的調整方法不夠及時和準確。為了提高重介速沉水處理工藝的效率和可靠性，人工智能技術被引入到該領域，從而實現智能控制和精準加藥。

目前人工智能技術已經已逐漸應用于多個領域，由于具有自主學習、海量數據處理、數據挖掘等特性，人工智能在廢水處理領域的應用也正成為一種趨勢。本研究對重介速沉工藝案例成果進行展示與總結，以期促進國內廢水處理行業的智能控制和精準加藥的研究。

1.項目概述

1.1 進出水參數設計

本項目為國內某大型煤礦采煤廢水處理工程，處理規模為30 000 m3/d，主要污染物為懸浮物。綜合考慮24 h內的水質指標波動情況、井下生產實際情況，設計進水懸浮物濃度為10 000 mg/L。出水水質應達到《煤炭工業污染物排放標準》（GB20426—2006）中采煤廢水污染物限值要求。設計進出水水質見表1。

表1 設計進出水水質

Table 1 Design influent and effluent quality

注：除pH外，其余指標單位均為mg/L。

1.2 總工藝流程

      廢水處理工藝流程見圖1。

圖1 廢水處理總工藝流程圖

Fig. 1 Overall process flow diagram of wastewater treatment

1）預處理。

礦井水匯總至進水渠內經機械格柵去除大顆粒物質后進入集水池，集水池內礦井水水由提升泵提升至煤泥脫水裝置，去除礦井水中≥0.3 mm粒徑的煤泥，煤泥通過皮帶輸送至主運皮帶，處理后礦井水進入預沉調節池。水中大比重物質在調節預沉池中沉積下來，調節預沉池內設置行車刮泥機，將底泥定期刮入調節預沉池儲泥斗，泥斗內設置調節池污泥泵，泥斗中的污泥通過泵提升排入污泥池。

2）絮凝沉淀。

預沉調節池礦井水由提升泵提升至廢水處理設備，混凝區和反應區通過投加混凝劑（PAC和PAM）和微砂，使懸浮物在較短時間內形成以微砂為載體的“微絮團”；在絮凝后，水進入沉淀段的底部向上方流動，通過高密度斜板增加絮凝顆粒沉淀面積，出水由集水渠收集后通過重力流入中央水倉。

3）污泥循環。

污泥循環泵連續抽取沉積在設備沉淀區儲泥斗中的泥水混合物，把微砂和污泥輸送到泥砂旋流器中；從污泥中分離出來的微砂直接投加到混合池中循環使用。污泥從分離裝置上部溢出排往污泥池。污泥池的污泥經污泥泵提升進入板框壓濾機，壓濾后的泥餅由皮帶輸送至主運皮帶。

4）泥和油處置。

廢水處理設備上設置有撇油裝置，對水中油類進行去除。撇油裝置下設置吸油裝置，當吸油裝置飽和后通過礦車將去除的油類運至井上。板框壓濾機產生的壓濾液自流最終進入到集水池進行再處理。

5）自動控制。

該水處理系統同時配置在線濁度儀、電磁流量計和在線液位計、自動閥門及遠程視頻監控和控制系統，可以實現遠程監控污泥池、加藥箱液位、系統處理流量等相關數據，也可以實現遠程設備啟停及閥門開關。

1.3 工藝介紹

本項目采用了3套并聯AGPW-5型微砂重介速沉設備，單套處理能力為500 m3/h。

重介速沉水處理技術以“微砂絮凝循環技術”為基礎研發而成。廢水進入重介速沉裝置后，通過連續投加PAC和PAM藥劑、微砂之后進入沉淀池進行沉淀，沉淀池底部污泥經泥砂分離器后，分離出來的微砂回到裝置前端進行循環使用，分離出來的污泥排至污泥處理系統進行污泥脫水。本工藝的優點在于，微砂的投加可以加速絮凝過程，在相同的沉淀性能情況下，其速度梯度相當于8倍以上的傳統的絮凝工藝，且微砂可以進行回收，循環利用。

1.4 重介速沉工段主要設備清單及設計參數

本項目共設置3套重介速沉水處理設備，型號為AGPW-5型，處理能力500 m3/h，單臺裝機功率37.5 kW。其設備清單及參數見表2。

表2主要設備清單及參數

Table 2 Main structures and their parameters

2.重介速沉工藝現有控制方式

本項目中的重介速沉裝置設置了兩臺在線儀表，分別為進水電磁流量計和出水在線濁度儀。

自控系統采用PLC程序控制，如圖2所示，采用線性比例PID加藥控制方式，其中PAM加藥泵和PAC加藥泵流量控制采用變頻器控制，其加藥流量QPAM與QPAC與進水流量Q1和出水濁度N線性關聯；微砂回流泵共2臺，1臺微砂回流泵定頻滿負荷運行，另1臺微砂回流泵變頻控制，其頻率與進水流量Q1和出水濁度N線性關聯。當進水流量Q和出水濁度N發生變化時，由進水流量計檢測出當前進水量的數值，出水濁度儀檢測當前出水濁度數值，各輸出一個4-20 mA的標準信號送至PLC系統，PLC系統根據設定的程序，經PID計算后，向PAC、PAM計量泵和微砂回流泵的變頻器發出控制信號，將加藥泵和微砂回流泵的流量自動調節到合適的值。

圖2 PLC程序控制原理

Fig. 2 Principles of PLC program control

PLC程序是在系統調試期間，技術人員通過連續的試驗和調試，摸索出運行所需要的經驗參數，輸入控制系統，控制系統按照預設的參數運行。

在運行過程中發現以下情況：

1）系統按照設定的程序運行，其程序的準確性完全依賴技術人員的調試經驗；

2）可準確記錄的瞬時運行數據只有進水流量（通過進水流量計記錄）和出水濁度（通過出水濁度儀記錄），PAC藥劑和PAM藥劑的使用量只能模糊記錄，即通過統計周消耗量去計算日平均消耗量和噸水平均消耗量，無法準確的得到藥劑的瞬時加藥量；

3）加藥方式缺乏精確的數據記錄，操作人員缺乏數據支持無法進行工藝優化；

4）因出水濁度相對于藥劑投加的時間存在滯后，滯后的時間約為廢水在重介速沉反應器中停留的時間，而PLC程序無法準確的判斷滯后時間，導致通過出水濁度調節加藥量響應慢精度低。

圖3為進水流量與出水濁度的對應關系。進水流量波形與出水濁度波形一致性較差，出水濁度不平穩。在PLC控制下，該種情況發生的頻率較高。

圖3 PLC控制下的水量與水質

Fig. 3 Water quantity and quality under PLC control

3.人工智能介紹和應用

3.1 介紹

目前人工智能在水處理中應用較多的是智能控制和智能加藥。其中智能控制是采用基于多因子參與的智能算法模型，自主驅動具備相當執行能力的設備系統，實現水處理工藝過程的精準控制；智能加藥是在水處理加藥環節，基礎水量、水質等實時監測數據，利用智能算法模型實現藥劑投加的精準控制。

智能控制和智能加藥具備以下優點：

1）智能加藥和智能控制可實時記錄水質、加藥情況，形成加藥記錄進而形成可記錄的經驗；

2）智能加藥和智能控制可記錄整個加藥過程的設備、水質、加藥比例等數據，可對該工藝段優化提供強有力的數據基礎；

3）智能加藥和智能控制聯動進水和出水水質數據、各工藝段水質數據，采用“前饋+模型+反饋”的多參數控制模式，通過廢水處理系統本身的運作規律，對投藥量進行科學預判，使加藥更科學；

4）智能加藥和智能控制可對水質異常時投藥量進行科學預判，降低人工操作強度，可有效提高出水水質的穩定性。

5）人工智能具備深度學習功能，隨著運行數據不斷的增加，人工智能可以對增加的數據進行深度學習，不斷校正模型參數，使控制更加精確。

本項目采用AI人工智能學習軟件，對煤礦采煤廢水重介速沉工段的數據進行智能分析。該AI人工智能學習軟件作為一款數據科學工具，用數字技術取代了“傳統人的經驗和直覺”，并輕松將其整合到控制系統中。該技術通過分析數據并尋找數據間的潛在關聯，自主創建算法模型，并對其有效性進行驗證，經驗證后的模型可用運于指導生產。該技術可以解決技術傳承、人員短缺，以及削減成本、提高生產效率和質量，不斷尋找改進的空間并進一步促進生產的進化。

3.2 人工智能分析步驟

3.2.1 數據收集及預處理

收集與重介速沉工藝段相關的可連續獲取的數據，包括水量、水質、加藥量、加藥濃度、攪拌時間、回流量等。

本項目中，通過傳統方法可獲取的連續數據只有進水量和出水濁度。人工智能軟件可以分析的數據除了傳統意義上的工藝參數，還可以從其相關的參數中獲取數據聯系。煤礦采煤廢水處理站的控制中心可以實時記錄所有運行設備的電流。

加藥泵和回流泵的電流與流量相對應，可以通過分析水泵電流的變化，反應出流量的變化。最終建立的單臺重介速沉設備動態數據訓練集見表3。

表3 動態數據訓練集

Table 3 Dynamic data training set

諸如重介回流泵2、各攪拌機、刮泥機電機均為定頻控制，加藥濃度和定期手動投加的微砂量均為固定值，這些靜態數據對建立動態人工智能模型實際意義較，因此不進行數據分析。

3.2.2 數據分析

對數據進行探索性分析，了解數據的分布、關系和趨勢。通過編制可視化分析圖表，找出水質指標與各參數之間的關系。本項目中數據分析的重點是采用人工智能軟件確定影響出水濁度的各個因子，并對其貢獻值進行分析，其結果見圖4。

圖4 影響因子貢獻度

Fig. 4 Contribution of influencing factors

通過數據分析，確定各影響因子對出水濁度的貢獻度排序為進水流量＞重介回流泵1電流＞PAM計量泵電流＞PAC計量泵電流。其中進水流量和重介回流泵1電流貢獻度遠遠大于PAM計量泵電流和PAC計量泵電流，這表明進水流量和重介回流泵流量的變化對出水濁度影響最大。圖5中對連續20 d、每間隔3 min取一組數據，共約10 000組數據進行分析統計，以進水量每50 m3/h作為一個區間，統計得出當進水量在區間350~500 m3/h時，出水濁度升高的比例均為15%以上。特別是當進水量在400~450 m3/h之間，出水濁度升高的比例達到20%以上。

圖5 出水濁度與水量的關系

Fig. 5 The relationship between effluent turbidity and water volume

3.2.3 算法模型的建立及訓練

選擇適合問題的機器學習算法，并根據訓練集的表現選擇最佳的模型。常用的機器學習算法包括決策樹、支持向量機、神經網絡、邏輯回歸、隨機森林、粒子群算法等。經過多次模擬訓練和模型評估，本項目最終確定使用的算法模型見圖6。

圖6 算法模型示意圖

Fig. 6 Schematic diagram of algorithm model

一般來說，組合模型比單一的模型效果更好［2］。集成學習模型預測精度高于單一模型，可以更精確地進行水質預測［3］；因此本研究采用隨機森林加深度學習的組合學習方式來建立智能算法模型，并通過集成學習的方法進行提升訓練。

1）隨機森林回歸模型介紹。

隨機森林回歸模型是由多棵回歸樹構成，且森林中的每一棵決策樹之間沒有關聯，模型的最終輸出由森林中的每一棵決策樹共同決定。隨機森林算法是決策樹的集成，通過平均決策樹可以大大降低過擬合的風險，是比單一決策樹性能更優的模型［4］，從同一個大型數據集中觀察到不同機器學習模型的不同預測性能，隨機森林也比其他模型更高的預測精度［5］。

回歸樹的生成。

從給定訓練數據集中隨機抽取N個樣本構成樣本集D，即：

假設將輸入空間化為了M個單元，R1，R2…Rm，并且每個單元上都有著一個固定的輸出值Cm。則回歸樹的模型可以表示為：

訓練的誤差可以使用平方誤差來表示，用平方誤差最小的準則求解每個單元上的最優輸出值。

回歸樹的剪枝：

回歸樹選取Gain_σ為評價分裂屬性的指標。選擇具有最小的屬性及其屬性值，作為最優分裂屬性以及最優分裂屬性值。值越小，說明二分之后的子樣本的“差異性”越小，說明選擇該屬性（值）作為分裂屬性（值）的效果越好。針對含有連續型預測結果的樣本集S，總方差計算如下，其中，μ表示樣本集S中預測結果的均值，Yk表示第k個樣本預測結果。

2）深度學習模型。

深度學習模型是機器學習領域的一個重要分支，通過模擬人腦神經網絡的結構和工作原理，實現了對大規模數據的高效處理和學習能力。深度學習基于一種概率論不斷遞歸進而尋求最優解的方法，其通過正反饋優化網絡參數，采用多個隱含層及非線性變換識別數據的特征。與傳統的淺層學習相比，深度學習的核心架構在于其強調網絡的縱向深度。通過構建包含多個非線性處理單元的隱含層，深度神經網絡能通過分層學習從大量數據集中挖掘復雜特征［6］。

3）集成學習。

集成學習是將多種模型結合在一起用來提升訓練結果的一種訓練的方式。該方式是將幾種機器學習技術組合成一個預測模型的元算法，以減小方差、偏差、或者改進預測。集成方式包括同構集成和異構集成，學習模式包括串行方法和并行方法。

圖7 集成學習方法過程

Fig. 7 Integrated learning method process

采用更多的訓練集對選擇的模型進行訓練，并調整模型參數，以使其在訓練集上表現更好。訓練過程采用了梯度下降和隨機梯度下降優化算法來加速收斂。

3.2.4 模型評估

AI人工智能學習軟件會對模型進行自動評估，評估的方法為對模型自動打分，分值區間為0~100分；分值為模型的R2乘以100后的整數值，也即模型解釋了因變量方差的百分比。通常認為，分值在80~90分之間，模型精度良好，分值在90分以上，模型精度非常好。

如圖8所示，本次數據模型的自動評分為94分。

圖8 最終模型評估結果

Fig. 8 Final model evaluation results

3.2.5 模型驗證

采用該模型，對廢水站2023年5月20日至5月31日共12天的實際記錄數據進行模型驗證。驗證的方式為，向模型輸入實際的進水流量、出水濁度、PAC電流、PAM電流、重介回流泵1電流。模型可以自動計算出水濁度。將計算濁度和實際濁度進行對比。驗證結果如圖9、圖10。

圖9 模型驗證結果（局部）

Fig. 9 Model validation results（local）

圖10 針對圖9的誤差分析

Fig. 10 Error analysis for Figure 9

數據表明模型在測試集上的誤差平均值為0.82，模型的測試集準確率為98.33%，結論為模型精準可用。

3.2.6 模型應用

將訓練好的模型應用于煤礦采煤廢水控制系統中，通過實時監測水質數據和電機電流，預測水質變化趨勢，并根據預測結果精準控制各加藥參數。本項目模型應用的方式，通過模型算法，控制產水濁度N趨于區間（7~8 NTU）之間，期間自動調整PAC、PAM加藥量和微砂回流量。如圖12所示，智能模型控制原理是通過接入實時數據，輸入到AI模型中，AI經過分析預測出水濁度，再由SPC進行判定AI預測的出水濁度是否超標，若超標則通過外部python調優程序進行對可調輸入參數PAC、PAM及微砂回流進行尋優調整，若SPC判定為不超標則停止尋優。

4.人工智能控制后的運行情況

在人工智能控制引入后，至2023年8月底，系統穩定運行兩個月，對比人工智能軟件引入前后的出水濁度變化曲線如圖12、圖13所示。

圖12 PLC控制出水濁度曲線

Fig. 12 PLC controlled effluent turbidity curve

圖13 人工智能控制出水濁度曲線

Fig. 13 Artificial intelligence control of effluent turbidity curv

采用人工智能控制后，出水濁度上下波動范圍較小，曲線平滑，水質穩定。通常在廢水處理中，固體顆粒物含量的多少采用SS（懸浮物濃度）表示，SS無法通過在線檢測獲取。所以在工程上常用濁度代替SS進行連續在線檢測。本項目通過多次實測，確定出水濁度和出水SS之間的數值關系為N=0.10 SS。本項目根據設計標準，出水SS要求小于50 mg/L，即出水濁度小于10 NUT即可。而原控制中，為了達到極限去除SS的目的，通過多投加藥劑的方式，長期將出水濁度控制在5 NUT以下，代價是投加的PAC和PAM藥劑量多。最終將人工智能軟件出水濁度設定在7~8 NTU區間中進行運行，統計的藥劑使用量對比見表4和表5。

表4 PAC藥劑使用量對比表

Table 4 PAC dosage

表5 PAM藥劑使用量對比表

Table 5   PAM dosage

經計算，采用人工智能軟件控制后，平均節約藥劑使用量為13.5%；以2022年為例，煤礦廢水處理站PAC和PAM藥劑費用為87.28萬元，若采用人工智能軟件控制后，年節約藥劑費用約為11.78萬元。同時，隨著藥劑使用量的下降，加藥泵的頻率也相應下降，可以間接節約電費。

5.總結

煤礦采煤廢水處理工程加藥系統采用AI人工智能軟件控制后，效果明顯，主要體現在以下方面。

1）重介速沉工藝出水濁度指標平穩，波動小，可實現對出水濁度值的預測；

2）原水水量水質突變時，系統會立即響應，保證出水水質穩定達標；

3）同樣工控下對比，智能加藥比傳統加藥節省藥量13.5%，節能降耗；

4）操作簡單，操作人員只需要設置目標期望值（出水濁度的范圍值）和過量或異常投加量有誤最大最小投加量，系統可自動通過控制各運行參數保證出水目標；

5）隨著運行數據不斷的增加，人工智能可以對增加的數據進行深度學習，不斷校正模型參數，使控制更加精確。

6.參考文獻

［1］王超. 人工智能在污水處理中的應用［J］. 實驗科學與技術，2005，3（S1）：162-164.

WANG Chao. Application of artificial intelligence in sewage treatment［J］. Experiment Science and Technology，2005，3（S1）：162-164.

［2］皇甫小留，王晶瑞，龍鑫隆，等. 機器學習在水處理系統中的應用［J］. 給水排水，2022，58（11）：153-165.

HUANGFU Xiaoliu，WANG Jingrui，LONG Xinlong，et al. Application of machine learning in water treatment system［J］. Water & Wastewater Engineering，2022，58（11）：153-165.

［3］嵇曉燕，楊凱，陳亞男，等. 基于ARIMA和Prophet的水質預測集成學習模型［J］. 水資源保護，2022，38（6）：111-115.

JI Xiaoyan，YANG Kai，CHEN Yanan，et al. An ensemble learning model for water quality forecast based on ARIMA and Prophet［J］. Water Resources Protection，2022，38（6）：111-115.

［4］張瑩，謝仕義，鄧偉彬，等. 基于機器學習理論的海洋水質評價模型［J］. 物探化探計算技術，2019，41（6）：819-825.

ZHANG Ying，XIE Shiyi，DENG Weibin，et al. Ocean water quality evaluation model based on machine learning theory［J］. Computing Techniques for Geophysical and Geochemical Exploration，2019，41（6）：819-825.

［5］WANG Shuo，PENG Hui，LIANG Shengkang. Prediction of estuarine water quality using interpretable machine learning approach［J］. Journal of Hydrology，2022，605：127320.

［6］LECUN Y，BENGIO Y，HINTON G. Deep learning［J］. Nature，2015，521：436-444.