《Journal of Cleaner Production》：Proactive early-warning of effluent through OUR process feedback: An innovative intelligent prediction framework for wastewater treatment as a substitute for end-point monitoring
编辑推荐：
•研究了 OUR 对关键影响因素的响应模式。•提出了一种用于出水氨氮达标评估的 KPR 方法。•提出了一种基于 OUR 使用随机森林（RF）预测出水氨氮的方法。•提出了一种将 KPR 和 RF 相结合的创新出水氨氮检测方法。引言废水处理系统在能源消耗和碳排放方面贡献显著（Na
- •
研究了 OUR 对关键影响因素的响应模式。
- •
提出了一种用于出水氨氮达标评估的 KPR 方法。
- •
提出了一种基于 OUR 使用随机森林（RF）预测出水氨氮的方法。
- •
提出了一种将 KPR 和 RF 相结合的创新出水氨氮检测方法。
引言
废水处理系统在能源消耗和碳排放方面贡献显著（Nakkasunchi et al., 2021; Wang et al., 2022）。随着全球减碳努力的推进，废水处理行业面临着转向智能调控的日益增长的压力（Maktabifard et al., 2023; Chen et al., 2021）。大多数废水处理设施依赖终点评估进行调控（Wang et al., 2020; Chistiakova et al., 2020）。"终点反馈"概念在管理上存在内在限制。从污染物进入生物反应器的那一刻到出水端检测到结果为止，存在显著的水力停留时间和检测延迟。当信号显示水质超标时，污染已经发生，使得调控响应无效。这本质上是一种被动的"事后修复"形式。此外，用于"终端反馈"的水质检测技术（如在线出水质量分析仪）存在多个缺点。这些问题包括易受各种环境因素影响、维护成本高以及产生有害废液。
为了实现废水处理系统的真正实时智能调控，重点需要从"末端"监测转变为"生物处理过程"本身。微生物是废水处理系统中负责去除污染物的主要参与者，其代谢活动提供了关于最终出水质量的关键信息。因此，研究能够快速准确评估微生物代谢状态的关键过程参数，并建立这些参数与出水质量之间的定量关联至关重要。这对于从根本上将控制范式从"终点反馈"转变为"过程反馈"是必不可少的。常用评估微生物活性的指标包括脱氢酶活性（DHA）、电子传递系统（ETS）活性、荧光素二乙酸酯（FDA）等（Blumfelde et al., 2024; Galazka et al., 2017; Li et al., 2020; Luan et al., 2023）。DHA、ETS 和 FDA 面临精度和灵敏度不足以及测定过程冗长等限制。相反，摄氧速率（OUR）被定义为微生物呼吸导致单位时间内的氧气消耗速率。它具有分析简便、实验需求小、反应迅速和稳定性好的显著优势。这被视为促进这一控制范式转变最有前途的信号。
OUR 在评估废水处理系统有效性和提供毒性早期指示方面已被深入研究（Dong et al., 2017; Fu et al., 2017; Kapoor et al., 2016; Aftab et al., 2017; Du et al., 2019）。然而，目前大多数研究利用 OUR 进行微生物活性的定性评估或过程诊断，缺乏系统性方法将其直接和定量地转化为出水水质的实时预测信息。这一转化中的主要科学挑战是准确阐明 OUR 对关键环境因素（包括温度、污泥浓度和底物浓度）的响应机制，并解决由于其广泛复杂性导致的"信息混叠"问题。人工智能（AI）的迅速发展，以其强大的非线性建模能力为特征，正在显著改变科学研究范式（Lowe et al., 2022; Ismail et al., 2023; El Jery et al., 2023; Wang et al., 2023; Alprol et al., 2024）。在生物发酵行业，开发了一种基于摄氧速率的连续供料（OBCF）策略（Zhang et al., 2025）。该策略将实时 OUR 监测与 AI 建模相结合。结果，晚期稳定期（LSP）的比生产量（QP）提高了 52%，抗体总产量增加了 32%。这凸显了 OUR 与 AI 在生物过程工程中的协同潜力。近年来，人工智能技术在废水处理的数据驱动预测和能源优化方面表现出显著优势（Chen et al., 2024; Deng et al., 2025; Ye et al., 2024）。因此，在废水处理行业，将经典生物动力学原理与 AI 驱动的数据模型相结合，以解读 OUR 数据中包含的出水水质信息，成为解决上述问题的关键技术。与在线水质分析仪相比，所提出的基于 OUR 的 AI 技术具有明显的优势。首先，它具有显著的时间优势。通过实时监测好氧池中的 OUR，可以预测出水氨氮是否会超标。这为过程控制赢得了宝贵的响应时间，从事后处理转变为事前预警。其次，OUR 检测方法不受水体浊度或颜色的影响。第三，AI 模型整合实时 OUR 数据，动态跟踪微生物活性和污染物降解趋势。这使得能够准确预测出水水质并在异常情况下报警。这种机制不仅提高了系统鲁棒性，还为污水处理厂的智能低碳运行提供了参考。
本研究旨在通过引入并验证一种利用过程指标 OUR 对出水氨氮浓度进行主动早期预警的创新方法，来解决传统终点反馈控制的缺陷。首先，系统研究阐明了 OUR 对温度、混合液悬浮固体（MLSS）和底物（氨氮）浓度的定量响应模式。随后提出了一种用于评估出水氨氮标准合规性的快速评估 K 值法（KPR）。开发了一个随机森林（RF）模型。通过整合这两种方法，获得了 KPR-RF 出水氨氮检测方法。本研究为在废水处理中实施"基于过程反馈的智能调控"提供了新的理论框架和技术手段。
本节摘录
本研究使用的设备和仪器
实验室使用可调温度恒温水浴磁力搅拌器、0.5 升宽口反应器、溶解氧（DO）仪和微型空气泵构建了一个简单的活性污泥 OUR 检测器。该装置用于获取 OUR 对其影响因素的响应模式（图 1a）。对于一体化废水处理系统好氧池内 OUR 的在线监测，由作者开发了 OUR 在线检测器
OUR 影响因素的机理研究
温度是活性污泥系统中微生物活性的关键决定因素。根据方程式 (1) 和 (2) 的机理模型，OUR 强烈依赖于微生物浓度和底物浓度。因此，本研究从机理上表征了 OUR 对温度、微生物生物量（以污泥浓度表示）和底物水平的依赖性。
结论
本研究阐明了 OUR 对温度、MLSS 和底物浓度的响应，建立了基于微生物活性的废水处理系统有效监测框架。关键发现表明，温度依赖的最大 OUR 遵循指数增长模式。最大 OUR 与 MLSS 呈线性关系，使得能够从 OUR 高精度估算 MLSS（与重量法相比，平均相对误差<10% vs. 重量法）。实时 OUR 与
CRediT 作者贡献声明
罗成（Cheng Luo）：撰写 – 初稿，验证，方法论，数据管理。余亚丹（Yadan Yu）：撰写 – 审阅与编辑，指导，方法论。周厚振（Houzhen Zhou）：经费获取。张弛（Chi Zhang）：数据管理。王吉白（Jibai Wang）：资源。何敬中（Jingzhong He）：资源。孙静（Jing Sun）：资源。陈阳武（Yangwu Chen）：资源，项目管理，形式分析。谭周良（Zhouliang Tan）：撰写 – 审阅与编辑，项目管理，经费获取。
利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系，这些关系可能影响本文报告的工作。
致谢
四川省科技成果转化引导项目（2023ZHJY0013）、中国科学院青年创新促进会（2023387）、中国博士后科学基金 2025 年国家博士后面上资助（C 类）（GZC20251867）、中国科学院成都生物研究所自主部署青年探索项目、中国科学院（QNTS2024-8）。
罗成 | 余亚丹 | 周厚振 | 张弛 | 王吉白 | 何敬中 | 孙静 | 陈阳武 | 谭周良
