关键词：
污水处理
软测量
敏感性分析
多步预测
多任务学习
摘要：
在污水处理过程中,复杂的生化反应导致难以直接建立基于机理的数学模型,但大量和出水质量有关的关键变量需实时监测,保障系统安全且可靠运行。因此,数据驱动的软测量技术提供了一种有效的解决方案。然而,实际污水处理系统的数据具有复杂的变量关系、强烈的非线性特征、大幅度的动态变化,并涉及多个关键变量。面对这些特性,传统的数据驱动的软测量模型往往存在一定的局限性,包括缺乏可解释性,预测精度不足,动态性捕捉不精确,以及多输出软测量模型研究较为匮乏等等。为解决这些实际问题,本文结合了神经网络(Neural Network,NN)、敏感性分析(Sensitivity Analysis,SA)、多任务学习(Multi-Task Learning,MTL)、进化算法(Evolutionary Algorithm,EA)以及主成分分析(Principal Component Analysis,PCA)等多种人工智能以及统计学方法对污水处理过程进行了如下研究:
1.针对现有的基于神经网络的软测量模型可解释性差和不透明等问题,本文提出了一种基于外部可解释性方法的神经网络软测量框架。首先,通过最小绝对收敛和选择算子(Least Absolute Shrinkage and Selection Operator,LASSO)筛选9个合适的输入变量,并建立反向传播神经网络(Back Propagation Neural Network,BP)、径向基神经网络(Radial Basis Function Neural Network,RBF)、极限学习机(Extreme Learning Machine,ELM)以及长短记忆神经网络(Long Short-Term Memory Neural Network,LSTM)四种软测量模型;其次,基于替代的数据驱动模型利用PAWN敏感性分析算法定量分析输出对各输入变量敏感性;随后,利用双边敏感性分析方法探究输出对高斯扰动下的输入的敏感性;最后,利用多变量格兰杰因果(Multivariate Granger Causality,MVGC)算法得到输入到输出的因果传播过程和强烈程度。结果表明该框架能从多个维度直观理解输入和输出之间的特性,提高软测量模型的可解释性。
2.针对污水处理过程较强的非线性和动态性,本文提出了单输出-多任务多步进化神经网络模型(Single Output Multi-Task Multi-Step Evolution Neural Network,SOMTMSE)。该模型融合了多任务学习、直接多步预测策略、进化算法和神经网络,并且主要分为知识重构、知识共享、知识进化和知识迁移四个模块。SO-MTMSE模型能实现单个变量在一组时间跨度下同时多步预测,实时监测实际污水处理过程的变量行为演变。最后,基准仿真模型2(Benchmark Simulation Model 2,BSM2)和深圳某污水处理厂提供的数据验证了该模型的有效性。
3.考虑到污水处理过程中多个变量间存在不可忽视的耦合性和关联性,本文提出了多输出-多任务多步进化神经网络模型(Multi-Output Multi-Task Multi-Step Evolution Neural Network,MO-MTMSE)。该模型考虑到了时间和空间的交互性,并利用多任务学习解决了多输出预测和多时间跨度预测,直接多步预测策略完成了动态多步预测。因此,多输出-多任务多步进化神经网络模型能实现多个输出变量在一组时间跨度下同时多步预测,为实际过程提供多样化的预测方案。最后,BSM2和深圳某污水处理厂提供的数据验证了模型的有效性。
4.污水处理过程中的污泥膨胀故障难以在早期被发现,系统运行易存在较大安全隐患。因此,本文提出了一种污泥膨胀全阶段诊断、根原因定位和多步预测框架。首先,利用PCA模型对污泥膨胀故障检测;其次,利用MVGC分析污泥膨胀的主要原因,并绘制故障的因果传播过程;最后,为了增强模型的自适应性,对数据进行时间差分(Time Difference,TD)处理,再利用SO-MTMSE模型和MO-MTMSE模型分别对单输出故障和多输出故障多步预测。北京某污水处理厂提供的数据验证了该故障监测框架的有效性。
欢迎来到三峡大学图书馆！
