[发明专利]基于多阶段动态模糊宽度学习的城市污水处理过程状态监测方法

说明书

本发明公开基于多阶段动态模糊宽度学习的城市污水处理过程状态监测方法。本发明分为“离线训练”和“在线监测”两个部分。“离线训练”包括：首先对数据集进行预处理，然后利用Sub‑DFBLS网络建立离线训练模型。“在线监测”包括：对新采集到数据进行预处理，并利用在离线状态训练好的模型实现在线监测。另外如果Sub‑DFBLS模型的监测精度不能满足城市污水处理过程的实际预期效果时，该模型可以通过增量的方式重构，无需从头开始对整个网络重新训练，可以在很短时间内完成网络的训练，从而能够及时的实现对于污水系统的快速监测，可以很好的满足实际污水处理过程中对于监测网络高精度和反馈速度快的要求。

技术领域

本发明涉及到的是基于数据驱动的过程监测技术领域，是一种基于阶段划分的模糊宽度学习系统的故障监测技术。本发明采用多阶段动态模糊宽度学习网络针对典型的间歇过程进行具体应用，即对城市污水处理过程进行故障监测。

背景技术

城市污水处理厂作为处理城市污水的主要机构，负责将废水中的污染物通过物理、化学或生物方法去除，得到满足排放标准的出水水质。然而，值得注意的是在城市污水处理过程中，城市污水中污染物分离、降解、转化的过程通常有较为复杂的反应条件，工况和外部因素的波动，以上这些因素均可能导致城市污水处理过程中异常工况的发生，例如污泥膨胀、泡沫与浮渣故障等是污水处理过程中常见的异常工况。所谓“牵一发而动全身”，这些异常工况的发生会对污水处理工业和环境保护带来不利影响。然而，从城市污水处理厂的现状调研和公开发表的文献来看，实际的城市污水处理过程普遍具有多个阶段，每个阶段之间的数据之间存在着较强的非线性和动态特性，这对污水处理过程的准确和实时监测带来挑战。因此，开发准确和快速更新的污水监测模型迫在眉睫，这对城市污水处理将起到积极的推动作用，具有很高的科学研究价值。

近年来随着数据存储和数据挖掘技术的快速发展，仅仅需要评估过程数据，不需要深入了解复杂机理知识的数据驱动模型在很多工业过程监测领域得到了广泛研究，其中比较受欢迎就是多元统计方法和神经网络监测网络。多元统计方法包括基于将原始数据从高维空间映射到一个变量集进行降维处理的主成分分析和偏最小二乘等线性统计方法和基于将原始线性不可分的数据通过核技巧映射到高维核空间使其线性可分的核独立成分分析和核主成分分析统计方法等，它们通过构造监测统计量对污水处理过程进行状态监测。但是值得注意的是像核独立成分分析和核主成分分析等方法存在着如何选择理想核参数和核投影矩阵计算量大的棘手问题。近年来，深度神经网络由于其强大的非线性特征提取能力在进行工业过程监测时可以获得很高的准确率。但是为了获得较高的监测准确率，绝大多数深度神经网络更多的是关注网络结构的堆叠或者网络参数的调优，为这势必会给实际的污水处理过程监测带来很大的时间开销成本。在实际的城市污水处理过程中，污水处理厂所需的的监测网络需要同时满足监测结果的准确性和监测模型训练更新的快速性。模糊宽度学习系统(FBLS)为解决深度神经网络训练和更新耗时的难题提供了解决方案，它利用岭回归技术取代传统的矩阵运算，降低了网络结构的计算复杂度，可以在很大程度上解决监测网络训练，测试和再训练耗时的问题。如果网络的监测准确度不满足实际污水处理厂的需求时，FBLS还可以通过横向扩展的方式增加增强节点获得想要的监测精度，不需要重新从头再训练整个网络，节省网络的时间开销。同时。在实际城市污水处理过程中，过程正常数据和过程数据之间存在着微小差异，而FBLS方法可通过模糊化机制和宽度学习网络来识别数据之间的差异，从而使监测模型对污水处理过程发生的异常工况具有高精度故障监测性能。

同时，在实际的城市污水处理过程包含多个操作阶段，操作阶段之间过程特性不尽相同且密切相关，呈现出典型的多阶段特性，同时各操作阶段之间的过程数据与历史时刻数据存在一定的动态特性，即污水处理过程中的变量间存在互相关和自相关性。因为实际建模时，多阶段，非线性和动态特征的充分提取对网络监测精度有很大的影响。所以构建高效特征提取的过程监测模型来增强网络的状态监测精度也是本发明需要解决的一个问题。

发明内容