《Water Research》：An effluent risk informed closed-loop framework for early warning of influent anomalies using COD soft sensing
编辑推荐：
本研究提出COD-centric闭环预警框架，集成机器学习软传感模块与多步出水预测模块，通过设定出水COD合规阈值自动触发预警。实验表明，联合耦合架构（JCA）在12小时超前预警中准确率达95%，异常检测精度87.2%，优于串联架构（SCA）。该框架通过反向推导出水风险预测实现上游异常的主动识别，为污水厂提供实时、经济的合规管理方案。
刘文军|何洋|舒瑶蓉|陈凌浩|昝飞翔|卢谢娟|毛娟|吴晓辉
中国湖北省长江流域多媒体污染协同控制重点实验室，华中科技大学环境科学与工程学院，武汉，430074
摘要
废水进水中的突然冲击负荷会严重扰乱生物处理过程，导致污水处理厂的出水质量超标，尤其是在生活与工业混合处理的设施中。及时可靠的早期预警对于采取主动干预措施以及最小化环境和运营风险至关重要。本研究开发了一个以COD为中心的闭环预警框架，该框架将基于机器学习的软感知模块与多步骤出水预测模块相结合，当出水排放超过阈值时自动触发异常标记。评估了两种耦合架构：一种是串联耦合架构（SCA），它依次连接进水感知和出水预测；另一种是联合耦合架构（JCA），它能够在统一模型内实现端到端的学习。通过SHAP分析解释了特征的重要性，并通过消融研究进行了验证，以确定影响预测性能和预警响应性的关键过程变量。在一个全尺寸的集成污水处理厂（IWTP）案例研究中，所提出的框架在提前12小时预警时实现了95.0%的准确率和87.2%的异常检测精度，其中JCA的表现优于SCA。这些结果表明，从预测的出水合规风险进行反向推理可以及时识别上游干扰，从而在超出限值之前采取行动。这种集成且可解释的框架为将出水风险预测与进水异常诊断联系起来提供了一种新颖、实时且经济有效的解决方案，显著提升了污水处理厂的运营韧性和主动性管理。
引言
集成污水处理厂（IWTP）通常接收来自工业和生活来源的混合废水（Li等人，2018年；Shu等人，2025年），作为最终排放前的收集和处理终端（Qu等人，2019年）。然而，来自工业废水的突然波动或冲击负荷，例如有机污染物或有毒污染物的突然增加，可能会扰乱生物处理过程，危及出水合规性并对接收水体构成生态风险（Lefebvre和Moletta，2006年；Shu等人，2025年）。在这种动态进水条件下，及时检测异常对于防止处理失败和支持低碳、稳定和合规的运营至关重要（Liu等人，2025年）。一个能够提前识别进水干扰的预警系统不仅为过程优化提供了基础，也为现代IWTP的智能管理和主动源控制提供了重要的科学依据。
污水处理厂中的传统异常检测主要依赖于在线传感器监测和针对关键指标（如化学需氧量（COD）和总氮（TN）的固定阈值设置。尽管这些指标能有效表征有机和营养污染，但基于单变量的阈值监测往往忽略了变量间的相关性，无法捕捉到微妙但具有影响力的过程相互作用（Harrou等人，2016年）。此外，基于实验室的COD分析存在显著的时间延迟，降低了响应性，可能会错过短暂的毒性冲击。多变量统计方法，如偏最小二乘法（PLS）（Wold等人，2001年）、主成分分析（PCA）（Schraa等人，2006年）及其高级变体（Yang等人，2022年），虽然提高了信息利用率，但仍受到实时适用性和经验定义阈值的限制。因此，许多IWTP在运营中断后仍然采取被动响应，而不是实施预测性和自动化的预警策略。
高频传感和软感知技术的最新进展为更响应式的监测提供了实用途径（Dairi等人，2019年）。软感知（或软传感器）是指一种推断测量方法，通过使用模型驱动和/或数据驱动的模型，从易于获得的在线过程测量数据中估计难以测量的质量变量（Liu等人，2020年）。作为物理传感器的补充，当直接在线测量受到技术限制、响应缓慢或运营成本高昂时，软感知能够实现实时且经济有效的估计（Alvi等人，2022年）。机器学习和深度学习模型，包括人工神经网络（ANNs）（Pisa等人，2019年）、随机森林（RF）（Rios Fuck等人，2024年）、长短期记忆（LSTM）网络（Xu等人，2023年）、多层感知器（MLP）（Rios Fuck等人，2024年）和极端梯度提升（XGBoost）（Manav-Demir等人，2024年），在捕捉废水过程中的非线性关系和准确预测关键质量指标方面展现了强大的能力（Zhu等人，2022年）。这些研究共同证实，软感知不再仅仅是一种建模练习，而是全尺寸工厂实时运营监测的 enabling 层（Jiang等人，2020年）。实际上，传统的COD测定通常依赖于基于消化的分析方法，因此无法提供快速、连续的在线测量。相比之下，pH值、电导率（EC）、氧化还原电位（ORP）和溶解氧（DO）（Wang等人，2021年）等易于测量的参数可以使用基于电极的传感器以高时间分辨率进行连续采集。更重要的是，这些参数不仅易于监测，还反映了废水系统的关键物理化学和生化状态：DO与氧气消耗和生物活动相关，ORP表征了氧化还原环境，EC捕捉了离子组成的变化，pH值响应了生化转化和酸碱平衡的变化。因此，尽管这些参数不能直接测量COD，但它们为以COD为导向的软感知和异常预警提供了及时、有信息量和物理意义的替代信号。
与软感知的发展并行，数据驱动的异常检测方法也受到了越来越多的关注。基于聚类的方法（Rosén和Yuan，2001年）和深度学习架构，包括卷积神经网络（CNNs）（Shaban等人，2024年）和基于注意力的模型（Zhang等人，2025年），能够在没有明确标记的情况下自动识别多变量进水数据中的异常模式，提高了灵敏度和实时响应性（Russo等人，2021年）。然而，大多数现有框架仅将异常定义为进水数据分布中的统计偏差，隐含地假设“异常进水”和“运营风险”是等同的。这一假设对于IWTP来说尤其成问题，因为工业排放可能含有有毒或难处理的成分（Kato和Kansha，2024年），即使进水条件在名义范围内，仍可能引发过程干扰并导致出水超标（Leito等人，2006年）。缺乏进水变化与出水合规风险之间的预测性关联，从根本上限制了基于进水的异常检测的可靠性和实际价值。
为了解决这一差距，本研究提出了一个以COD为中心的集成闭环预警框架，该框架明确将进水异常检测与出水合规预测联系起来。该框架包括：（i）一个基于机器学习的软感知模块，通过滞后相关性分析从常规监测的进水变量预测出水COD；（ii）一个异常标记模块，根据预测的出水合规风险与监管排放阈值相比来触发早期预警。通过从预期的出水响应反向推断上游进水干扰，该框架提供了主动、及时且可解释的预警，从而增强了IWTP的运营可预测性和韧性。本研究引入了一种新的范式，将出水风险预测转化为用于识别进水异常的向前操作的诊断工具，支持数据驱动和预见性的废水管理决策。
研究范围和样本收集
本研究在中国湖北省的一个全尺寸IWTP进行。该设施的设计处理能力为100,000立方米/天，采用厌氧-缺氧-好氧（A/A/O）生物处理工艺，处理约70%的生活污水和30%的工业废水（见补充材料图S1）。2023年3月24日至4月18日期间，共收集了25天的进水和出水样本。4月6日由于停电暂时中断了数据收集
时间连续性序列重建插值
直接删除缺失观测值会损害信息完整性并减少有效样本量，而传统的基于时间序列的插值方法应用于连续的缺失块可能会在后续建模中引入偏差。为了最大化数据利用同时最小化插值引起的失真，开发了一种时间连续性序列重建插值策略。具体来说，将不同日期相同时钟时间记录的有效观测值进行
结论
本研究提出了一个以COD为中心的闭环预警框架，用于全尺寸IWTP中的主动进水异常检测。通过将基于机器学习的软感知模块（用于快速COD预测）与基于监管限值的异常标记策略相结合，该框架能够及时识别可能影响排放合规性的进水干扰。系统评估了两种耦合架构，即SCA和JCA。结果表明
CRediT作者贡献声明
刘文军：撰写——原始草案、方法论、形式分析、数据管理、概念化。何洋：调查、数据管理。舒瑶蓉：数据管理。陈凌浩：调查、数据管理。昝飞翔：项目管理。卢谢娟：资源管理、项目管理、资金获取、概念化。毛娟：撰写——审稿与编辑、监督、资源管理、项目管理、资金获取、概念化。吴晓辉：监督、资源管理、项目管理、资金
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
作者衷心感谢中国国家重点研发计划（项目编号2023YFC3207201）提供的财政支持，同时也感谢华中科技大学环境科学与工程学院环境研究设施公共服务平台的额外支持。
