利用机器学习进行污水处理厂回流泵维护的决策方法

《Science of The Total Environment》：Decision making methodology for maintenance of return pumps in wastewater treatment plant using machine learning

污水处理厂泵的预测性维护策略研究。采用混合策略集成预测模型与阈值标准，通过实时监测温度、振动、功率等数据，利用机器学习技术预测泵性能状态，验证方法在真实场景中有效降低停机风险与环境污染。

　　

杨成俊|李康赫|尹智英|李明珍|李康勋

韩国天主教大学能源与环境工程系，大韩民国京畿道富川市Jibong-ro 43号

摘要

目前废水处理厂中泵的维护系统属于反应式维护，即在检测到故障时采取简单的加固措施，而非应用中长期的战略管理。一种能够准确预测机器状态的维护模式通过预先策略的实施，有望降低维护成本并改善设施运行效率。本研究通过建立实际监测系统、提取运行数据，并经过确定、收集、分析和建模等流程，强调了维护管理的决策过程。设置了资产状态的阈值，并建立了评估和分级的指标。基于这些信息，在预测性维护中，利用提取的数据通过机器学习技术来测量参数，并预测未来的性能以进行状态监测。本研究提出了一种主动的泵资产管理方法，并提出了维护策略中的关键考虑因素。研究表明，预防性泵维护可以显著降低废水处理长时间中断和环境排放的风险。

引言

废水处理厂（WWTP）的运营和管理对于确保水资源的可持续性至关重要，工程师们一直在开展关于WWTP维护的研究，以确保水资源的有效管理（Turkmenler和Aslan，2017；Hernández-Chover等人，2020；Serdarevic和Dzubur，2019）。在此背景下，维护被定义为一系列旨在恢复设备性能的活动和任务（Dhillon，2002；Duffuaa等人，1999）。预防性维护包括在设备故障发生前进行的维护活动（L?fsten，1999），有助于减少机器停机时间（Usher等人，1998）。此外，提前预测资产状态非常重要，因为它会影响维护活动的规划、备件的供应、运行性能以及机器资产所有者的盈利能力（Altay和Green，2006；Elwany和Gebraeel，2008；Wang等人，2009；Kim和Kuo，2009；Papakostas等人，2010）。然而，传统的现场维护方法往往是反应式的，无法有效缓解这些风险。由于环境条件的变化和意外的运行情况，反应式维护可能会导致现场出现各种问题。例如，回流活性污泥泵的停止会导致二次沉淀池中微生物过度积累，进而导致出水中的磷酸盐浓度升高（Mikola等人，2009）。此外，RAS泵的故障会导致反应器中的MLSS迅速下降，由于回流污泥不足，会抑制微生物活动，从而导致出水中的营养物质浓度因磷酸盐释放和硝化/反硝化作用不佳而迅速升高（Pyo等人，2023）。因此，对WWTP的维护研究对于防止突然故障和降低环境风险至关重要。

WWTP泵的意外故障不仅会导致运行中断和维护成本增加，还会因未经处理的废水可能排放而带来严重的环境风险。在这种情况下，基于预测的机器健康状态监测和智能维护在学术研究和工业应用中受到了越来越多的关注（Caballé等人，2015；Huynh等人，2019；Wu等人，2020）。预测性维护依赖于数据驱动的分析、机器学习、深度学习和人工智能来预测设备的未来状态。以预测为中心的维护能够实时捕捉设备寿命，提高决策的准确性和稳健性，显著提升运营盈利能力（Zhao等人，2021；Zhao等人，2022；Wang等人，2023）。此外，它是改善设备状态、降低故障率和延长设备寿命的有效策略（Jezzini等人，2013）。然而，针对实际WWTP泵设备的系统性预测性维护研究仍然不足。因此，基于机器学习的泵状态预测研究对于解决水处理过程中的运营不确定性和由突然故障引起的环境风险至关重要。

本研究旨在解决上述问题，并提出一种通过更准确和科学的机器状态预测方法应用于WWTP的实际策略。我们采用了一种混合策略，将预测建模与预定义的阈值标准相结合，通过同时学习两种类型泵的数据来进行概念验证研究，以预测未来的泵性能。在此基础上，通过设定阈值来制定WWTP泵的主动维护策略。与依赖模拟或实验室数据集的先前研究不同，我们的框架是在全尺寸回流泵上经过现场验证的，从而将方法论开发与实际操作相结合。所提出的方法通过预测潜在故障来最小化运营和环境风险，从而提高废水处理设施的可靠性和合规性。

数据采样方法

本研究选取了一台与现场WWTP中已运行六年的回流泵具有相同规格的泵作为研究对象。该泵由转速为1750 RPM的电机驱动，具体参数如下：电压220/380 V，流量1.5 m3/min，扬程7.0 m。数据收集包括每隔1至3秒从安装在泵上的传感器处采样并存储泵的温度、振动、功率和电流等监测数据。

泵状态初步分析

在本节中，我们比较分析了旧泵和新泵的温度和振动数据，以监测两者的状态变化，并根据分析结果提出相应的维护策略。用于运营数据对比评估的提取数据如图4所示。

旧泵的平均温度为16.52°C，低于新泵的平均温度23.30°C。这表明新泵在更高的温度下运行。

结论

本研究通过对安装在WWTP中的泵进行数据分析来进行状态预测。线性回归在短期预测方面的误差较小，而XGBoost在某些长期预测中表现较好。在60分钟的时间范围内，线性回归的误差分别为：旧泵RMSE 0.300°C，MAE 0.192°C；新泵RMSE 0.367°C，MAE 0.272°C。泵振动（RMS）方面，旧泵RMSE 0.025 mm/s，MAE 0.009 mm/s；新泵RMSE 0.061 mm/s。

作者贡献声明

杨成俊：撰写——初稿、方法论、概念构思。李康赫：撰写——初稿、可视化、数据整理。尹智英：调查。李明珍：调查。李康勋：撰写——审稿与编辑、监督。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本研究得到了IITP（信息与通信技术规划与评估研究所）-ICAN（ICT挑战与人力资源开发高级网络）的资助，该资助由韩国政府（科学技术信息通信部）提供（IITP-2025-RS-2024-00438207）。