基于人工智能的信息物理系统运行框架，配备每日重训模型库，用于饮用水处理中的化学资源优化

《Journal of Environmental Management》：AI-enabled CPS operational framework with daily-retrained model bank for chemical resource optimization in drinking-water treatment

　　

**摘要**

本研究表明了一项由人工智能（AI）赋能的信息物理系统（CPS）运行框架，可用于饮用水处理中的化学资源优化。该框架在实验规模的闭环控制系统中集成了每日模型库重新训练、未来24小时逐时混凝剂投加浓度设定点、基于进水流量的加药速率转换、SCADA-PLC执行机构控制，以及命令-监控标签验证。

实验持续约15周，采用两条平行处理线的并列对比方式：一条为传统控制线，采用每日两次烧杯试验设定的设定点；另一条为基于CPS的实验线，采用每小时基于模型设定的设定点。在分析期间，CPS生成了1860条逐时模型选择和设定点生成记录。

传统处理线的总稀释混凝剂消耗量为536.62 L，而CPS处理线降至490.83 L，减少了8.53%（即45.79 L）。对77个完整运行日的配对分析表明，该减少量具有统计学显著性（配对t检验，p = 0.0042）。基于1870条配对的逐时沉降水浊度记录，CPS处理线达到99.25%的合规率，满足1 NTU工艺级优化基准；而传统处理线为96.95%。两条处理线之间的日平均浊度无统计学显著差异（Wilcoxon符号秩检验，p = 0.173）。

模型库分析显示，随机森林被选中频率最高（n = 1339），而工况分层分析表明，在观测到的原水浊度范围内，预测性能总体保持稳定。这些结果表明，AI赋能的CPS运行具有将预测模型转化为现场级化学资源管理的潜力，同时维持整体工艺级浊度表现。未来的改进应纳入事件触发重新训练、实时浊度飙升检测和变化率约束，以提升在突发原水扰动下的鲁棒性。

**引言**

饮用水处理厂日益被要求在快速变化的原水条件下维持稳定的水质，同时减少化学消耗、污泥生成、能耗和操作负担（Crittenden等，2012；Edzwald，2011；Sillanp??等，2018）。气候变化、降雨引发的浊度事件、藻华以及非平稳原水特性，可在短时间内显著改变处理需求（Henderson等，2010；Hurst等，2004；Zhang等，2012）。在此条件下，基于操作人员经验、烧杯试验和参考表的传统操作可提供可靠的基准指导，但其低调整频率和对场地特定规则的依赖性限制了其支持自适应和资源高效管理的能力（ASTM International，2019；Crittenden等，2012）。因此，水务公司或操作人员往往采用保守的混凝剂投加量以应对不确定性，这可能导致化学成本、污泥产量和整体运维负担的增加（Knap-Ba?dyga和?ubrowska-Sudo?，2023；Sillanp??等，2018）。

混凝-絮凝-沉淀仍然是饮用水处理中应用最广泛的物理化学工艺之一，因为它对浊度和颗粒物的去除非常有效（Crittenden等，2012；Edzwald，2011；Sillanp??等，2018）。然而，混凝性能对动态原水水质高度敏感，包括浊度、pH值、碱度、温度、电导率、藻类有机物和zeta电位（Henderson等，2010；Mroczko和Zimoch，2019；Sillanp??等，2018；Yu等，2011）。这种敏感性使得固定或不频繁更新的投药策略无法满足处理可靠性和资源优化两方面的需求（Hurst等，2004；Knap-Ba?dyga和?ubrowska-Sudo?，2023；Sillanp??等，2018）。因此，核心管理挑战不仅在于预测适当的混凝剂投加量，还在于将预测转化为及时、安全和可审计的运行控制（Gulzar和Mustafa，2024；Sun等，2020；Wang等，2015；Wei等，2022）。

全规模饮用水处理研究也强调了在实际和可变运行条件下评估处理性能的重要性。Alver（2019）通过长期进水和出水监测结合水质指数和健康风险评估，对一座传统全规模饮用水处理厂进行了评估，证明了综合性能评估的价值超越了单一水质参数。Alver和Kazan（2020）进一步应用主成分分析和人工神经网络，利用多变量水质数据预测全规模过滤厂的性能。这些研究表明，数据驱动模型应在考虑进水变异性与处理性能的更广泛运行框架中进行解释。在此基础上，本研究将基于模型的分析扩展至闭环运行实施，将预测、设定点生成、SCADA-PLC执行机构和处理性能验证集成在一起。

最近的研究进一步表明，数据驱动的处理模型应考虑原水化学特性、季节变异性以及处理单元特定行为。Alver等（2018）开发了一种原水特异性非线性模型，纳入了DOC、UV254和温度等水质变量，强调预测关系在不同原水来源之间可能存在差异。Alver等（2021）进一步证明了数据驱动模型在变化环境条件下预测饮用水质量的适用性。最近的全规模研究表明，季节变化可显著影响水质特性和处理单元性能，支持了对季节适应性处理策略的需求（Alver等，2025，2026）。总体而言，这些发现强化了将预测模型应用于饮用水处理时，进行场地和工况特异性模型开发与运行验证的重要性。

人工智能（AI）、物联网（IoT）和信息物理系统（CPS）正越来越多地被视为自适应环境管理和智慧水务运行的使能技术（Chowdhury和Karanfil，2024；Essamlali等，2024；Ismail等，2022；Sun等，2020；Wang等，2015）。在此背景下，数据驱动模型可提供近未来预测，而CPS架构可在闭环运行框架中连接感知、预测、决策和执行机构（Gulzar和Mustafa，2024；Sun等，2020；Wang等，2015；Wei等，2022）。机器学习、数字孪生和水质监测的最新进展提高了对浊度、pH值、电导率和化学投加需求的预测能力（Chowdhury和Karanfil，2024；Essamlali等，2024；Fang等，2023；Kim等，2024；Liu等，2024；Sharafi等，2024；Wang等，2023；Wei等，2022）。然而，许多研究仍集中在离线预测性能、单一模型开发或回顾性数据分析上（Fang等，2023；Kim等，2024；Sharafi等，2024；Wang等，2023，2025）。对于实际环境管理而言，预测模型必须嵌入能够生成控制设定点、与传统SCADA-PLC基础设施通信、验证执行机构动作，并在传感器、执行机构或信息物理异常情况下维持故障安全运行的运行系统中（Gulzar和Mustafa，2024；Sun等，2020；Wang等，2015，2025；Wei等，2022）。

最近实验和数据驱动研究已证明，在复杂和非平稳条件下，ANN、RNN、基于注意力的模型、随机森林和混合优化方法在混凝剂投加量预测方面具有潜力（Fang等，2023；Kim等，2024；Sharafi等，2024；Wang等，2023）。关于自适应预测和滚动模型更新的相关工作进一步支持了在水基础设施运行中使用动态模型选择和周期性重新训练（Romano和Kapelan，2014；Wang等，2025；Xenochristou等，2020）。然而，将多个预测模型、自动化模型选择、24小时超前运行设定点生成以及真实执行机构控制相结合的中试规模验证仍然有限。这一差距对于资源优化尤为重要，因为只有在模型输出被转化为可靠的现场级控制动作并维持工艺水质目标时，化学节约才能实现（Gulzar和Mustafa，2024；Sun等，2020；Wang等，2015，2025；Wei等，2022）。

本研究表明了一项用于饮用水处理中化学资源优化和运行管理的AI赋能CPS框架。该系统每日重新训练一个七模型库，基于验证RMSE为每个预测时距选择表现最佳的模型，生成未来24小时逐时混凝剂投加浓度设定点，并通过SCADA-PLC频率控制执行投药。通过与传统烧杯试验操作进行并列中试对比，我们评估了所提出的框架是否能在维持沉降水浊度在1 NTU优化目标内的同时减少混凝剂消耗。除投药预测外，本研究展示了一个具有场地特异性适应潜力的基于模型的运行框架，将预测、决策、执行验证和故障安全控制相联系，以支持可持续环境管理。

**中试规模饮用水处理系统**

中试验证从2024年6月20日至9月30日进行，持续约15周，使用来自Nakdong河流域的原水。本研究中使用的对比运行数据集从2024年6月20日14:00开始。两条平行的中试线运行：一条为基于CPS的实验线，另一条为传统控制线。每条线的设计处理能力为6 m3/d。使用聚氯化铝硫酸混凝剂（PACS，12.5%，韩国KG Chemical）……

**中试规模CPS实施用于资源优化运行**

中试规模CPS框架作为并列系统实施，由一条基于CPS的实验线和一条传统控制线组成，每条线运行能力为6 m3/d。两条线使用相同的Nakdong河原水、混凝剂、稀释条件和混凝-絮凝-沉淀配置，使得在等效水力与水质条件下进行比较成为可能。如图1所示，传统线使用基于烧杯试验的设定点，而CPS线集成了……

**结论**

本研究证明了一项用于饮用水处理中化学资源优化的AI赋能CPS运行框架。该框架在实验规模的闭环控制系统中集成了每日模型库重新训练、未来24小时逐时混凝剂投加浓度设定点、基于进水流量的加药速率转换、SCADA-PLC执行机构控制，以及命令-监控标签验证。与传统基于烧杯试验的操作相比，CPS将设定点更新频率提高……

**CRediT作者贡献声明**

Seungjae Yeon：论文审阅与编辑，论文初稿撰写，形式化分析，数据整理，概念构思。Changseog Oh：论文审阅与编辑，数据整理。Bokjin Lee：论文审阅与编辑，数据整理。Jusuk An：论文审阅与编辑，验证，软件，方法论。

**生成式AI与AI辅助技术在稿件准备过程中的声明**

在本文准备过程中，作者使用了ChatGPT支持语言编辑、稿件组织、图注细化和参考文献格式检查。在使用该工具后，作者审阅、核实和编辑了内容，并对发表文章的真实性负责。

**资金支持**

本研究得到KICT研究项目（项目编号20260093-001，东盟国家模块化智慧水处理系统本土化支持）资助，由大韩民国科学与信息通信技术部提供资金。

本研究由韩国环境产业技术研究院（KEITI）通过水资源灾害管理气候韧性研发项目资助，由韩国环境部（MOE）提供资金（RS-2024-00398012）。

**利益冲突声明**

作者声明，他们没有已知的与本文工作可能产生冲突的财务利益或个人关系。

Seungjae Yeon | Changseog Oh | Bokjin Lee | Jusuk An
韩国土木建筑研究院环境研究部，大韩民国京畿道龙仁市一山西区高阳大路283号，邮编10223