一种基于混合自动编码器-变换器的软传感器，结合时间嵌入技术，用于废水处理厂中实时且抗噪声的出水水质预测

《Canadian Journal of Chemical Engineering》：A hybrid autoencoder–transformer-based soft sensor with temporal embeddings for real-time and noise-resistant effluent quality prediction in wastewater treatment plants

实时预测污水处理厂出水水质参数对稳定运行至关重要，但传统实验室检测成本高耗时长。本文提出融合时间嵌入的Stacked Autoencoder Transformer（TE_SAEFormer）软传感器模型，通过Stacked Autoencoder去噪特征压缩，结合时间嵌入捕获日周周期性，利用Transformer编码器与稀疏注意力机制捕捉长短时依赖。实验表明，该模型在BSM2和东莞污水处理厂数据集上R2分别达95.5%和92%，预测误差更小且抗噪性更强，为实时水质监测提供了高效解决方案。

　　

摘要

为了确保污水处理厂（WWTPs）的稳定运行，对出水质量变量进行精确的实时预测至关重要。然而，传统的基于实验室的测量方法（如化学需氧量（COD）、总氮（TN）和总磷（TP））成本高昂且耗时较长，因此无法用于在线测量、反馈控制和优化。现有的软传感器模型（如统计方法和深度学习方法）通常无法捕捉多变量时间序列数据中的非线性动态、长期时间依赖性和噪声，从而导致其鲁棒性和可扩展性受限。为了解决这些问题，本文提出了一种混合型软传感器——时间嵌入堆叠自编码器变换器（TE_SAEFormer），用于出水质量预测。该方法结合了堆叠自编码器来实现去噪和特征压缩，以及时间嵌入来编码周期性（日周期和周周期），并利用具有ProbSparse注意力机制的变换器编码器有效学习短期和长期依赖性。该模型已在基准模拟模型2（BSM2）和实际的东莞污水处理厂数据集上进行了严格测试，在这些测试中，其性能始终优于八种最先进的基线方法。TE_SAEFormer具有更高的预测准确性（BSM2上的R2值约为95.5%，DWWTP数据集上约为92%）、更小的预测误差以及更强的抗噪声能力。结果表明，TE_SAEFormer能够提供一个实用、高效的实时出水监测平台，减少对实验室结果的依赖，并促进环境标准的遵守。

利益冲突声明

作者声明不存在利益冲突。

同行评审

为保证透明度，与本文相关的同行评审文件可访问：https://doi.org/10.1002/cjce.70357。

第二轮评审
编辑决定函	2026/02/03
评审员2报告	2026/02/03
评审员1报告	2026/01/06
作者回复附件1	2025/12/30

数据可用性声明

支持本研究结果的数据可向通讯作者索取。由于隐私或伦理限制，这些数据不对外公开。