通俗解读版
水厂智能加药系统
通俗解读
一份面向非数据背景读者的项目讲解
读完即可完整理解技术原理与应用价值 💧
SECTION · 01
这个项目要解决什么问题
一句话：让 电脑替水厂师傅 每 15 分钟自动算出最优 PAC 投加量，比人工更准、更省药剂。
水厂运行中，有一道关键工序叫混凝加药——原水进厂后，按浊度情况投加 PAC（聚合氯化铝），让水中悬浮物凝聚成大块矾花，再沉淀去除。
核心难点是：究竟应该投加多少？目前在大多数水厂，这一决定完全依赖操作员的经验——观察水色、判断矾花大小、凭手感调阀。
本项目要做的事情是：用在线传感器持续采集水质数据，让计算机模型从历史数据中学习经验，实现每 15 分钟自动给出最优投加量、自动控制阀门。
核心要点
把师傅几十年的经验数字化、模型化，让计算机 24 小时持续运行，加药更精准、不疲劳、不受情绪影响。
SECTION · 02
当前水厂存在哪些痛点
不是说现行做法不好，而是有 四个结构性问题，仅靠人力难以根本解决。
- 问题一：药剂普遍过量。操作员为防范水质事故，倾向于"宁多勿少"。行业普遍存在 10–20% 的超量投加，按一座 10 万吨/日规模的水厂折算，一年要多花 5–10 万元药剂费。
- 问题二：响应滞后。暴雨期间原水浊度可能短时从 20 飙升到 200 NTU。操作员要等水进厂、观察到矾花变化才会调整，整个过程需要 30–60 分钟，期间出水可能短暂超标。
- 问题三：调整频率有限。三班倒值守，每班 8 小时通常只调整 1–2 次。但水质是分分钟在变的，频率跟不上。
- 问题四：经验难传承。"看水色、辨矾花"这门手艺需要数十年积累，而新一代年轻人进入水厂工作的意愿明显下降。老师傅退休后，谁来接班是普遍困扰。
熟悉的场景
水厂里常见这种情况：经验丰富的老师傅扔下一句"今天阀门多开两圈，水有点浑"——他自己往往也说不清"为什么是两圈而不是一圈半"，就是经验。这种"说不清楚的经验"，恰恰是本项目要让计算机学会的东西。
核心要点
药剂超量 + 响应滞后 + 调整粗放 + 经验难传——这四个问题，是本项目要系统性解决的。
SECTION · 03
整体方案分几步
总共 五步，从"准备数据"到"部署到水厂"，环环相扣。后面每一节会展开讲一步。
1
合成一年的水厂数据
真实水厂数据涉及保密、且通常存在缺失，所以按物理规律自行生成一份高仿真数据集。
↓
2
把原始数据加工成"特征"
原始数据无法直接被模型有效利用，需要先加工为"半成品"——例如"过去 1 小时浊度的均值"。
↓
3
训练两个 AI 模型
同时训练两种特性互补的算法，让它们各自学会"看到这种水况，应该投加多少药"。
↓
4
让 AI 解释自己的决策
模型不能像黑箱一样只给答案，必须能说明"为什么要加这么多"，操作员才敢真正使用。
↓
5
两个模型对比择优
让两个模型在同一份测试数据上较量，按场景采用"日常主用 + 应急切换"的双保险策略。
下面将一步一步讲清楚。每一步对应原版网页上的一个章节模块。
SECTION · 04 · 对应原网页 §1 数据合成
第一步：合成一年的水厂数据
为什么不用真数据？因为难以获取。所以按物理规律 自行生成一份高仿真数据。
先说明为什么不用真实水厂数据：
- 真实水厂数据属于保密资料，水务集团不会对外公开。
- 即使能够获取，往往缺失严重——传感器经常故障、记录有断点。
- 更重要的是，本项目定位为"模型透明化技术白皮书"，需要使用任何人都能验证的开放数据。
因此，团队选择了另一条路径：按水利行业的真实规律，构造一年的水厂运行数据。
如何确保合成数据真实可信？核心是按因果关系逐层构建，而非随机生成。整个数据生成框架共 5 层：
- 第 1 层 · 大气环境：每日气温、降雨概率、降雨量。这是最上游的驱动因素。
- 第 2 层 · 水源状态：河道水温、流量、原水浊度——直接受第 1 层驱动（暴雨 → 浊度上升）。
- 第 3 层 · 水质指标：pH、电导率、有机物含量、氨氮等——综合受前两层影响。
- 第 4 层 · 加药决策：按混凝加药的物理化学公式，计算"理论上应投加的 PAC 剂量"。
- 第 5 层 · 出水效果：模拟絮凝、沉淀过程，给出处理后的出水浊度。
这 5 层逐级递进，每一层的因果关系都有明确的数学公式，全部参考水利行业教材与学术文献。
类比水厂日常
汛期来临时，从业人员都清楚：台风过境后几小时内浊度必定大幅上升——这条"台风 → 暴雨 → 河水浊度 → 进厂浊度"的因果链，本项目就是把它编写成数学公式交给计算机执行。
最终生成的数据规模：
简单核算：365 天 × 24 小时 × 4 次（每小时 4 个 15 分钟） = 35,040 条。这就是 AI 模型用以学习的全部"教材"。
想了解更多 · 每个参数是如何计算出来的
以气温为例，公式为：年平均 18℃ + 季节波动（夏季高 13℃、冬季低 13℃）+ 昼夜波动 + 随机噪声。
再以降雨为例，按真实概率分布生成：6–8 月降雨集中，全年总量 1042 mm（接近扬州地区真实年降水量），其中包含 3 次"暴雨级"事件。
这些公式均按水利、气象行业的标准模型构建，并非任意设定。
核心要点
合成数据不等于"假数据"，而是"按真实规律生成的数据"——类似虚拟现实，物理引擎是真实的，模拟的内容服务于研究目的。
SECTION · 05 · 对应原网页 §2 特征工程
第二步：把数据加工成"特征"
原始数据无法直接被模型有效利用。必须先 加工成模型容易理解的"半成品"，这一步称为"特征工程"。
原始采集的水质参数只有 10 项（浊度、水温、pH、流量等），但经过加工后，模型实际能"读到"的是 122 项。多出的 112 项从何而来？
第一种加工：滑动平均
不仅看"当前浊度"，还要计算"过去 1 小时浊度的均值"、"过去 4 小时的均值"、"过去 24 小时的均值"。
类比水厂日常
操作员判断是否调药，从来不会只看一个瞬时值，而是会回顾"刚才一段时间的趋势"。这一加工方式让模型也学会"回头看"。
第二种加工：变化率
计算"过去 15 分钟内，浊度上升或下降了多少"。这能让模型提前感知"水质趋势正在变化"。
第三种加工：交互特征（最具洞察力的一类）
把两个相关参数相乘。例如 流量 × 浊度 = 当前进厂的总污染负荷。这个组合值比单看任一参数更能反映真实工况。
这 122 项加工后的数据中，最终筛除了一批冗余或无关的（例如某些数据彼此高度重复，或与加药量关联性极低），保留对预测最有效的特征。这些就是模型真正吸收的"营养"。
核心要点
模型的智能程度不取决于数据量，而取决于数据加工的质量。这一步最考验工程能力——也最不容易被外行看到，所以常被低估。
SECTION · 06 · 对应原网页 §3 §4
第三步：训练两个 AI 模型
本项目并非只采用单一模型，而是 同时训练两种特性互补的模型，让它们各自发挥长处。
这两个模型在原网页的专业名称是 XGBoost 与 LSTM。名称无需记忆，下面把它们当作两位特性不同的"师傅"来介绍。
模型 A · "决策投票型" XGBoost
行业术语：梯度提升决策树
工作方式：可以理解为水厂里有 500 位小型专家，每位只看几项指标、给出一个建议，最终对所有建议加权汇总，得到最终投加量。
性格特点：
- 响应快——单次推理仅需 不到 1 毫秒（远快于人眼眨动）
- 可解释——可以追溯每一位"专家"投了什么票、贡献了多少
- 稳定可靠——在常规水质场景表现优异，是工业界部署最广的算法
局限：对"水质趋势变化"不敏感——它仅观察"当前时刻"，不会回顾历史走势。
模型 B · "记忆推断型" LSTM
行业术语：长短期记忆神经网络
工作方式：这一模型具备短期记忆能力。在做决策前，会回顾"过去 6 小时水质如何变化"，再综合判断。
性格特点：
- 能够预判——暴雨初期就可以"推测"出后续浊度走势
- 趋势敏感——对"水质突然变化"的捕捉能力出色
局限：
- 响应稍慢——单次推理约需 10 毫秒（比模型 A 慢约 20 倍，但仍远快于人工）
- 解释性弱——难以清晰说明"为什么得出这个结论"（类似有些资深师傅，做对了但讲不清道理）
为何要并行训练两个模型？因为没有完美的单一模型——常规工况模型 A 占优，突发场景模型 B 更强。
想了解更多 · 这两个模型是如何"训练"的
训练 = 让模型反复做练习题、对答案、自我修正。
团队将 35,040 条数据按比例切分为三份：
· 70% 作为练习题供模型反复学习
· 15% 作为小测验，监控学习效果
· 15% 留作最终"高考"，验证真实能力
模型 A 训练 500 轮，模型 B 训练数百轮。每一轮训练都会修正错误、不断收敛。
核心要点
本项目没有押宝单一模型，而是同时训练两个——一个响应快、一个能预判，针对不同水况各自发挥。
SECTION · 07 · 对应原网页 §3 SHAP 部分
第四步：让 AI 解释自己的决策
模型给出"投加 8 mg/L"——操作员凭什么相信？所以必须让模型 "出具决策依据"，逐项说明判断逻辑。
具体形式如何？例如某一时刻模型建议"投加 8 mg/L 的 PAC"，SHAP 给出的决策依据如下：
📋 模型决策依据
基础剂量5.0 mg/L
+ 浊度偏高（120 NTU）+2.0
+ 水温偏低（8℃）+1.0
− pH 在最佳范围（7.2）−0.2
− 流量偏低（3500 m³/h）−0.5
+ 其他细微影响+0.7
最终建议8.0 mg/L
每一项加减都清晰可查。操作员一目了然——"主要因为浊度上升和水温偏低，所以多投加了 3 mg/L"。
为什么这一步最关键
水厂将决策权交给一个"黑箱模型"是不可接受的——一旦发生事故，无法追责。但若模型每一次决策都附带依据，便具备了可审计、可学习、可信任的基础。这也是本项目投入最大精力的环节。
核心要点
本项目交付的不是一个"黑箱模型"，而是 "每一次决策都可解释的模型"——这是真正落地水厂的前提。
SECTION · 08 · 对应原网页 §5 模型对比
第五步：两个模型对比择优
两位"师傅"训练完成后，需要 同台测试，对比谁更准、谁更适合什么场景。
团队用之前预留的"高考题"（15% 的数据）让两个模型同时进行预测，对比结果如下：
| 对比维度 | 模型 A · XGBoost | 模型 B · LSTM |
|---|
| 预测精度（误差越小越好） | 误差 0.86 | 误差 0.89 |
| 响应速度 | 0.5 毫秒 | 10 毫秒 |
| 可解释性 | 强（5/5） | 较弱（2/5） |
| 常规水质表现 | 更优 | 持平 |
| 暴雨突变表现 | 一般 | 更优（提前预判） |
| 部署难度 | 低 | 中等（需配置较好硬件） |
结论清晰：
- 常规工况采用模型 A——快速、可解释、易于操作员接受
- 暴雨/汛期切换到模型 B——能提前感知突变
- 双模型并行部署：两者同时运行，按工况自动切换
核心要点
本项目不偏袒任一模型，哪种场景哪个模型更强就采用哪个。这是负责任的工程决策方式。
SECTION · 09 · 对应原网页 §6 效果评估
实际效益：到底能省多少
本节给出 核心数据。这些数字是与客户沟通时的关键论据。
团队将"AI 加药"和"人工加药"在同一年的同一份数据上对比，得出以下结果。
💰 经济效益
注：以日处理 10 万吨的水厂、PAC 单价 2000 元/吨 测算。规模越大节约越显著——30 万吨规模水厂年节约可接近 20 万元。
💧 水质效益
| 指标 | 人工加药 | AI 加药 |
|---|
| 出水浊度均值 | 0.19 NTU | 0.13 NTU |
| 国标达标率（≤1 NTU） | 97.7% | 98.8% |
| 最大出水浊度峰值 | 4.46 NTU | 1.81 NTU |
| 水质波动幅度 | 0.366 | 0.152（降低过半） |
归纳为：水质更优、超标次数减少近一半、整体稳定性显著提升。
⚡ 响应速度
人工调整模式下，从"水质变化"到"完成投加调整"需要 30–60 分钟。AI 模式下每 15 分钟一次决策，平均响应可控制在 8 分钟以内——这对暴雨等突变场景至关重要。
客观说明
若仅按"药剂节约"测算，投资静态回收期约 8 年——并不算迅速。但客户真正看重的价值在于：水质稳定性提升（事故率下降）、缓解人才流失压力（无人值守可行）、长期运营效率提升。这些"间接价值"才是投资决策的关键。
核心要点
药剂节约只是显性收益，真正的长期价值是"水质稳定 + 操作人力解放"。向客户阐述时应突出这一层。
SECTION · 10 · 对应原网页 §7 系统架构
系统如何落地到水厂
技术再先进，不能落地等于零。本节介绍部署方案。
本项目设计了 "边缘 + 云端" 双层架构。听起来抽象，实质就是两台计算机：
🏭
水厂内部：边缘计算节点
一台标准工业计算机，体积小巧。AI 模型部署其中，每 15 分钟自动决策、自动控阀。断网情况下仍可独立运行，因为模型已下载至本地。
☁️
远端机房：云端训练节点
负责定期重新训练模型——例如水厂运行半年后，将这半年新数据传回云端，重新训练以使模型更精准，再将新模型推送至水厂的边缘节点。
与现有系统如何对接？
水厂普遍部署有控制系统 SCADA。本系统的 AI 不替代它，而是作为辅助接入——SCADA 继续承担原有职责，AI 仅向其提供"建议投加 8 mg/L"，最终的阀门控制仍由 SCADA 执行。
🛡️ 故障保障机制
系统设计了三级降级保护：
- 第一级：AI 输出明显异常（如建议剂量超出常规 5 倍），系统拒绝执行并自动告警。
- 第二级：AI 模型故障，自动切换到一套预设规则引擎（"浊度超过 X 则投加 Y"），保证水厂持续运行。
- 第三级：规则引擎也失效，则维持上一次投加量，确保水厂不出现"无控运行"状态。
关键卖点
水厂决策者最大的顾虑是"装上 AI 后，AI 一旦故障全厂瘫痪"。本系统设计的核心理念正是："AI 退下，规则顶上，水厂永不停摆。"
核心要点
能部署、能对接、出问题不会塌——把这三点向客户讲清楚，他们就能放心。
SECTION · 11
术语对照表
在与客户或同行沟通中可能听到的 12 个核心术语，每个都附通俗解释。
AI（人工智能）Artificial Intelligence
通过让计算机学习经验、自主决策的技术。本质是数学，并非神秘事物。
模型Model
AI 学习完成后形成的"决策大脑"——输入水质数据，输出加药量建议。
算法Algorithm
即"解决问题的步骤"。不同算法代表不同的解题思路——XGBoost 是其中一种、LSTM 是另一种。
数据Data
即"采集并存储的数字记录"。每 15 分钟测量一次水质并保存，就是数据。
特征 / 特征工程Feature Engineering
将原始数据加工为模型易用的"半成品"。例如"过去 1 小时浊度的均值"就是一项特征。
训练Training
让 AI 反复练习、对照答案、自我修正的过程。训练充分则预测精准。
XGBoost
一种 AI 算法。可类比为"多专家投票决策"。响应快、精度高、可解释——工业界部署最广的算法之一。
LSTM
另一种 AI 算法。可类比为"具备短期记忆的大脑"。能识别趋势、预判突变。
SHAP
让 AI "出具决策依据"的技术——清晰说明"为什么投加这一剂量"。是模型可解释性的核心技术。
RMSE / R²
两项模型评分指标——衡量预测准确度。RMSE 越小越好（误差小），R² 越接近 1 越好（拟合程度高）。
边缘 / 云端Edge / Cloud
边缘 = 部署在水厂内部的计算节点（执行决策）。云端 = 远端的训练节点（更新模型）。
SCADA
水厂现有的监控与控制系统。本项目的 AI 不替换它，而是作为辅助接入。