【成都工业学院｜Environmental Technology】逆向SVM优化SBR曝气降能耗

      PART 1    

        文章信息      

      题目    

    AI-Optimised aeration control in SBR systems: an inverse SVM framework toward carbon-neutral wastewater treatment  

      作者    

    Qiu Cheng, Zhou Yang, Yang Guodong, Li Ya, Luo Le, Wang Xiuying, Wu Juzhen, Wang Mingxi, Li Qianglin  

      单位    

    成都工业学院材料与环境工程学院；四川省中小型智能污水处理装备工程研究中心；成都大学建筑与土木工程学院；电子科技大学附属中学；中国电建集团昆明勘测设计研究院有限公司；成都研几智能科技有限公司；武汉工程大学化学与环境工程学院  

      期刊    

    Environmental Technology，2026 / 47(1)  

      DOI    

    10.1080/09593330.2025.2562373  

      PART 2    

        一句话概括      

    本文提出一种面向序批式反应器（SBR）曝气控制的逆向支持向量机（ISVM）框架，在满足出水 NH3-N 约束的同时直接求解最低曝气率，从而降低能耗。  

其核心价值在于把“达标约束”直接嵌入控制求解，但当前结论仍主要基于单系统、小样本实验验证。

      PART 3    

        研究背景与科学问题      

    SBR 曝气控制长期面临两难：曝气不足会导致硝化受限、出水氨氮超标；曝气过量又会带来明显能耗浪费，并可能抑制反硝化、增加碳排放。对以碳中和为目标的污水处理厂而言，如何在“稳定达标”与“最低能耗”之间取得平衡，是最核心的工程问题。  

    传统 PID 控制依赖反馈纠偏，但 SBR 存在显著时滞和非线性，往往需要频繁调参，鲁棒性不足；机理模型或 MPC 虽更系统，却对参数、模型精度和现场算力要求较高，容易出现模型-工况失配。  

    现有机器学习多集中于正向预测，即根据工况预测出水水质，却很少直接回答控制层最关心的问题：在既定进水条件和排放约束下，曝气率究竟应该设为多少。本文正是围绕这一“逆问题”展开。  

关键挑战

SBR 进水负荷波动大，氨氮去除过程具有明显非线性与时变性。

现场数据样本有限，难以支撑大规模深度学习模型稳定训练。

控制目标不是单纯预测，而是在约束下寻找最小能耗的可执行曝气策略。

工业应用要求在线计算稳定、结果唯一且便于嵌入现有控制器。

本文要解决的核心问题是：如何在小样本、强约束、非线性的 SBR 场景下，直接生成满足出水 NH3-N 标准的最低曝气率。

      PART 4    

        技术原理与创新点      

    作者先训练一个正向 SVM 回归模型，建立“进水 NH3-N + 多时段 ORP/EC + 曝气率”到“出水 NH3-N”的映射；再在测试阶段把该模型反过来用，通过约束优化搜索满足目标出水浓度的最小曝气率。  

    与把曝气率直接当输出的普通 SVM 不同，ISVM 保留了“控制动作导致过程结果”的工程因果链：先给定候选曝气，再由正向模型评估结果，并在优化中加入出水 NH3-N 不超过 4.5 mg/L 的惩罚项。这样既保证求解方向符合实际控制逻辑，也能避免离散输出空间带来的泛化不足。  

    文中还引入梯度裁剪来抑制约束边界附近的更新震荡，并提出未来可用 LSTM 预测未来 ORP/EC，作为实时滚动优化的数据供给层。  

方法分解

1.

在 100 个运行周期、10 个固定曝气水平下采集进出水 NH3-N、10 个 ORP 与 10 个 EC 特征。

2.

训练 RBF-SVM 正向模型，学习工况参数与出水 NH3-N 的非线性关系。

3.

在测试阶段设定目标约束NH3-N ≤ 4.5 mg/L，以最小曝气率为目标进行逆向求解。

4.

使用惩罚项和梯度裁剪保证优化过程稳定，并输出每个周期的最优曝气率。

5.

将预测曝气率实际施加到新周期中，验证达标率与节能效果。

创新清单

首次将逆向支持向量机用于 SBR 曝气优化控制。

将排放约束直接嵌入求解过程，而非事后筛选控制结果。

面向小样本场景选用 SVM，兼顾全局最优与在线稳定性。

通过惩罚优化与梯度裁剪增强逆向求解的可部署性。

text

目标：min E = x_aeration + λ * max(0, y_pred - 4.5)其中：y_pred = f_SVM(进水NH3-N, ORP序列, EC序列, x_aeration)迭代步骤：1. 初始化曝气率 x_aeration2. 用正向SVM计算 y_pred3. 若 y_pred > 4.5，则激活惩罚项4. 按梯度更新 x_aeration，并执行梯度裁剪5. 收敛后输出满足约束的最小曝气率

相对基线方法，ISVM 的本质差异不在于“更准地预测出水”，而在于“直接把达标要求转化为最小曝气决策”。

      PART 5    

        实验验证与性能      

    实验对象为住宅污水 SBR，单周期 12 h；系统在 0.6–4.2 L/min 的 10 个曝气率下各运行 10 个周期，共形成 100 个训练周期。随后再用两个独立的 20 周期测试集，分别验证 ISVM 与对照 SVM 的最优曝气决策效果。  

    训练集上，正向 SVM 对出水 NH3-N 的拟合表现较好；更关键的是，作者并未停留在回归精度，而是将模型生成的曝气率真正用于后续新周期运行，以评估达标率和节能幅度，这使结果更接近工程实用价值。  

评

      PART 6    

        图文赏析      

Figure 1

SBR运行的处理过程以及曝气率（AR0∼10）、氧化还原电位（ORP1∼10）和电导率（EC1∼10）的采样点。

Figure 2

由31个输入、1个隐藏层和1个输出层组成的用于建模的直接和逆向SVM。

Figure 3

由22个输入、1个隐藏层和1个输出层组成的用于建模的比较模型SVM。

Figure 4

值得注意的是，在比较模型的测试集中，出水NH3-N被统一设置为4.5 mg/L。

Figure 5

LSTM滚动时域预测嫁接过程（以ORP为例）。

Figure 6

训练集上的回归拟合。

Figure 7

由ISVM预测的最优曝气率。

Figure 8

由SVM预测的最优曝气率。

Figure 9

由ISVM模型模拟的NH3-N衰减动力学。

Figure 10

由SVM模型模拟的NH3-N衰减动力学。

Figure 11

研究的图形摘要。