关键词：
污水处理过程
数据驱动
故障诊断
核密度估计
集员估计
神经网络
摘要：
污水处理厂作为城市的人工肾脏,能有效处理生活污水与工业废水,对改善生态环境、提升城市品位和促进经济发展具有重要意义。污水处理过程是一项复杂的动态生物化学反应工程,涉及众多机械设备、电气设备与自动化仪表,极易发生故障。而多变量、强耦合、非线性、大时滞、随机、不确定等特性导致污水处理过程精准的模型构建与故障诊断十分困难。此外,污水处理系统通常受到传感器噪声、系统干扰等不确定性影响,使得实际出水水质指标与基于软测量模型的预测结果存在偏差,现有多数数据驱动的故障诊断方法往往未考虑污水处理过程的不确定性,导致故障诊断结果不准确。本文基于物联网、人工智能等先进技术,结合实际工业需求,从数据驱动的角度深入研究基于区间估计的污水处理过程故障诊断,主要创新和研究成果如下:
(1)考虑污水出水水质难以直接测量,且易受测量噪声等不确定性影响,提出了一种基于改进的突变白头鹰算法优化的核极限学习机与核密度估计相结合的污水处理过程故障诊断模型。首先,提出了一种改进的核极限学习机模型对污水的出水水质进行预测。该模型的核参数和正则化系数通过改进的白头鹰算法进行求解,通过Tent混沌策略和突变策略提升了白头鹰算法的寻优精度与效率。其次,利用寻优后的核极限学习机模型得到预测误差,并基于概率性核密度估计方法,生成出水水质指标的置信区间。该区间可以表征在正常条件下系统受不确定性影响下出水水质的波动范围。实际应用中,出水水质指标超出该区间,可判断系统发生了故障。最后,通过仿真实验验证了该方法的有效性。
(2)核密度估计方法是一种基于概率分布的区间生成方法,在实际中很难确保置信度为100%的区间。集员估计方法属于确定性区间估计方法,只需假设不确定性满足峰值有界的条件。本文提出了一种椭球优化的长短期记忆神经网络(Long Short Term Memory,LSTM)污水处理过程的故障诊断方法。首先,基于LSTM构建污水出水指标的点预测模型。其次,假设预测误差是未知但有界的,基于椭球描述点预测模型输出权值的不确定性可行集,通过最小化椭球的形状来推导出描述输出权值所在可行集的最优迭代公式,并求出点预测模型输出权值所在的区间,该区间表征了基于LSTM点预测模型的不确定性,正常工况下预测结果应包含在该区间范围内,反之则可判断发生了故障。最后,通过仿真验证了所提方法的有效性。
(3)椭球在描述不确定性区间时保守性较大,为获取更加精确的预测模型权值所在的区间,提升污水处理系统故障诊断的精度和效率,提出了一种椭球束优化的神经网络区间预测模型框架,并将其应用到污水处理过程故障诊断。首先,基于神经网络构建污水出水指标的点预测模型,该模型可以是任意的神经网络模型。其次,在预测误差是未知但有界的前提下,利用椭球束描述点预测模型输出权值不确定性可行集,再通过最小化椭球束形状的Frobenius范数推导出更精确描述输出权值所在可行集的最优迭代公式。构建生成包络,并求出点预测模型输出权值所在的区间,正常工况下预测结果应包含在该区间范围内,反之则可判断发生了故障。最后,实验验证了所提方法在故障诊断精度和效率上均有明显提升。
欢迎来到三峡大学图书馆！
