CN110320892A - 基于Lasso回归的污水处理设备故障诊断系统及方法 - Google Patents

Abstract

本发明属于设备故障诊断领域，尤其涉及一种基于Lasso回归的污水处理设备故障诊断系统及方法；所述故障诊断系统包括污水子处理系统、若干监管客户端以及若干数据采集装置；所述污水处理子系统包括中心控制台、通信服务器、总数据存储服务器以及数据采集服务器；所述中心控制台包括控制模块、数据接口模块、数据分类模块、机器学习模块以及数据通信模块；通过获取数据采集装置上的数据，机器学习模块对其进行学习训练，从而构建出多个子回归预测模型，预测出各类污水处理设备的故障类型，本发明为污水处理的工程管理和治理决策提供一定基础的诊断帮助，有效的满足污水处理过程中对污水处理环境故障问题的实时监控和诊断的要求。

Description

基于Lasso回归的污水处理设备故障诊断系统及方法

技术领域

本发明涉及设备故障诊断领域，尤其涉及一种基于Lasso回归的污水处理设备故障诊断系统及方法。

背景技术

水环境治理一直是改善民生、建设我国生态文明的重大工程，其中污水处理更是第一要务。现阶段，随着我国社会水平逐步提高、工业化发展程度的加深，社会用水需求量大，工业污水排放量增加，使我国水资源环境遭到一定程度的破坏，水资源短缺、水生态损害、水环境污染等问题越来越突出，水安全保障面临严峻的挑战。在政府水务治理规划中，黑臭水体整治更是目前城镇水务工作的重中之重。因此，为了促进我国生态文明的建设，减少水资源浪费，需要做好污水处理工作，加强水资源的循环应用，达到我国可持续发展的规划。

近年来，随着水务治理工作的推进，许多智能水厂等基础设施的大规模建设，污水处理的情况得到较大改善。但污水处理过程是一个变量繁多、具有时滞特点的动态非线性反应过程，实际运行过程中易出现各类故障。例如供水管网出现异常事件，由外部浸入、管道设施老化、水体滞留导致的水质异常，进一步对设备造成损失；突发性非常规用水、调压不合理造成水压异常，导致设备爆管、堵塞；阀门动作不到位、排气设备阻塞、减压阀卡阻等造成过流设备故障等现象。这些故障的频发将影响污水处理厂的长期稳定的运行，若不能够及时发现设备故障发生并做出有效的应对措施，将可能导致污水处理的过程停滞，甚至排放水质不达标的污水通过。因此在污水设备处理水质过程中，实时的对设备的运行状况进行诊断，对设备的故障能够进行及时精准的判定与诊断，确保设备出现故障后得到及时处理，对于污水处理工厂的长期安稳运行具有重要的意义

在现有的污水处理领域中，针对故障的处理仍然重度依赖人工处理手段，存在着效率与质量上的不足，例如：(1)故障设备处理不及时。为检修设备是否正常运转，当前传统水务企业的方法，有赖于人工逐一记录设备故障数据，或设备传输数据后工作人员再整理所得的报表，定期根据处理流程分阶段巡视与维护设备，工作量大且效率低。而由于当前水务企业机器设备的不断改进与数量规模的不断扩增，这使得人工处理殊为不易，往往设备故障发生一定的时间后才能被检测出来，在一定程度上影响了处理过程的进行。(2)故障设备处理不到位。在当前的污水处理厂设备仪器众多，数据量大，设备构造复杂的情况下，现有的设备检测手段仍大部分依赖人工经验，主要为在线监测判断，巡检人员视觉、嗅觉、触觉感观经验，设备故障指示等，对于故障的设备缺乏精准定位的手段，因此极易出现疏忽与差错，若故障发生的设备或类型判断失误，则可能导致维修时间延长或备件的浪费，甚至造成新的故障，增加维修难度。

发明内容

有鉴于此，本发明提供一种基于Lasso回归的污水处理设备故障诊断系统及方法，该故障诊断系统能根据当前污水处理的情况预测正常状态下设备的运行状况，根据预测结果联合实时的设备运行状况进行诊断，对设备故障的发生能够提前进行及时精准的判定与诊断，同时基于系统的部署，自动化采集设备与生产环境的数据，降低设备维修检测的滞后性，并能根据该方法的判断结果及时发布故障预警信息，使维护人员能够及时精准的运维，确保设备出现故障后得到及时处理，避免导致事故的发生。

所述故障诊断系统包括污水处理子系统、若干监管客户端以及设置在污水厂中污水处理设备与污水处理池的若干数据采集装置；其中数据采集装置分别位于若干个监测点。所述监测点包括：沉砂池、消毒池、澄清池、滤池等处理池及污泥泵房、格栅泵房等厂房及其远程数据采集装置。

进一步的，所述污水处理子系统包括中心控制台、通信服务器、总数据存储服务器以及数据采集服务器；

进一步的，所述中心控制台包括控制模块、数据接口模块、数据分类模块、机器学习模块以及数据通信模块；

其中，中心控制台为大型计算机集群，为污水处理子系统的控制中心，负责控制与协调各模块间的工作流程与数据流，通过集线器与各服务器进行数据传输，发布实时信息或预警信息。

进一步的，所述控制模块用于控制与协调各模块间的工作流程与数据流，通过集线器与各服务器进行数据传输，根据各服务器的采集数据发布污水处理设备的实时信息或预警信息；

进一步的，所述数据接口模块用于接收控制模块的数据收集指令，并根据指令访问总数据存储服务器获得相应的数据；

进一步的，所述数据分类模块用于将接收到的污水设备数据与污水处理环境数据进行分类，并作为机器学习模块的输入数据；

具体的，负责将接收到的设备数据与环境数据进行分类，设备数据根据所属设备类型进行数据预处理，获得特征向量集，以便作为机器学习模块的输入数据。

进一步的，所述机器学习模块用于构建基于Lasso线性回归的污水处理设备故障预测模型以及预测出污水处理设备故障信息；

具体的，负责构建故障预测模型，将历史数据对模型进行训练后的到可用的预测模型，在实际应用中将实时数据作为模型输入得到预测结果。

进一步的，所述数据通信模块用于接收机器学习模块的设备故障预测信息和数据接口模块获取的污水处理设备的位置信息、污水处理设备与污水处理环境的实时数据，并将信息打包传输至通信服务器；

进一步的，所述总数据存储服务器用于存储历史水质数据、设备运行状态数据以及污水处理子系统运行数据，并通过数据接口模块发送至中心控制台；可实时传输数据至平台处理。

进一步的，所述通信服务器负责中心控制台的数据通信模块与各个监管客户端的数据通信；可接收客户端监管员的监测点查看指令，实时返回中心控制台的预测信息和监测信息。

进一步的，所述数据采集服务器用于获取若干数据采集装置上采集的污水处理设备与污水处理环境的实时数据。

具体的，负责从生产环境中采集污水处理设备与污水处理环境的实时数据，设备数据如调压设备的压力指数、过流设备的瞬时流量、设备运行时间、设备运行状态等，水质数据如氮磷含量、矿物含量、耗氧量、污泥沉积等，具体为与监测点处的污水厂房设备及污水处理池的远程监测终端互联，采集监测点仪器设备的数据并上传至总数据存储服务器。

进一步的，所述根据各服务器的采集数据发布实时信息或预警信息包括机器学习模块将其预测的污水处理设备故障信息打包，包括预测结果、模型标识符与时序信息，将其传输至中心控制平台；中心控制平台根据预测的污水处理设备故障信息获得对应的设备信息，包括该设备所在监测点的位置与设备当前状态数据与环境数据，连同预测信息打包为预警信息，将其传输至数据通信模块；数据通信模块将预警信息传输至通信服务器；通信服务器将预警信息发送至监管员客户端。

进一步，所述机器学习模块包括多个子模块，

模型构建子模块：构建基于Lasso线性回归的污水处理设备故障预测模型；

模型训练子模块：使用历史的污水处理设备与污水处理环境的数据作为训练集数据训练所述污水处理设备故障预测模型，并获取该故障预测模型参数；

模型预测子模块：利用训练好的基于Lasso线性回归的污水处理设备故障预测模型，预测出设备的运行时间；

运行时间残差计算子模块：计算历史的故障设备运行时间与正常设备运行时间的残差，获得残差序列以及实时计算设备的实际运行时间与预测运行时间的残差绝对值；

阈值构建子模块：计算残差序列的第一个四分位点Q1，中位数Q2，以及第三个四分位点Q3，令IQR＝1.5*(Q3-Q1)，令Q1-IQR为下内限，取下内限为故障阈值；

故障信息判断子模块：将所述残差绝对值与故障阈值进行比较，若残差绝对值大于故障阈值，则输出故障预警信息。

本发明还提供了一种基于Lasso回归的污水处理设备故障诊断方法，所述方法包括：

a.从污水厂中污水处理设备与污水处理池的若干数据采集装置中获取大量污水处理设备与污水处理环境的数据，包括污水处理设备数据与污水处理环境的数据；

b.将设备数据根据所属设备类型进行数据预处理，即根据所属设备类型的特征的分布情况，对数据的每一维度的特征都进行标准化，获得特征向量集，作为训练集数据；

c.构建基于Lasso线性回归的污水处理设备故障预测模型，使用训练集数据训练该模型，并获取该模型的回归参数；

d.从污水厂中污水处理设备与污水处理池的若干数据采集装置中采集污水处理设备与污水处理环境的实时数据，将其进行与步骤b一致的数据预处理过程，将获得的特征向量集作为训练好的模型的输入，预测出设备的运行时间；

e.计算设备的实际运行时间与预测运行时间的残差绝对值，并将所述残差绝对值与故障阈值进行比较，若残差绝对值大于故障阈值，则输出故障预警信息。

进一步，所述步骤a、d中数据采集部分由数据采集服务器完成，步骤中所使用的数据取自总数据存储服务器。

进一步，所述步骤b中数据预处理过程为根据数据类型的特征的分布情况，对数据的每一维度的特征都进行标准化；

进一步，步骤c中的基于Lasso线性回归的污水处理设备故障预测模型包括：

其中，Y_i为第i个测试样本的响应变量，具体为预测出的特征向量集中设备工作时间，X_ij为第j个第二回归参数对应的第i个测试样本，具体为数据特征向量中设备与环境的实时数据；表示lasso线性回归模型的第一回归参数的估计值；β_j表示lasso线性回归模型的第j个第二回归参数的估计值；ε_i为第i个训练样本的误差变量，ε_i∈N(0,σ²)；i表示测试样本的序号，即待预测的数据特征向量中设备与环境的实时数据序号，j表示模型回归参数的序号；p表示模型回归参数的个数。

进一步，步骤c中的第一回归参数、以及各个第二回归参数估计值的获取方式包括：

其中，y_i为第i个训练样本的响应变量，具体为训练过程中数据特征向量中设备工作时间；x_ij为第j个第二回归参数对应的第i个训练样本，具体为数据特征向量中设备与环境的实时数据；α_i为第i个训练样本的lasso线性回归模型的第一回归参数；β_j为lasso线性回归模型中第j个第二回归参数，t为约束参数,i表示训练样本的序号，j表示模型回归参数的序号；t表示约束参数。

进一步，所述参数估计式中的约束参数t，使用滚动交叉验证方法算得，其建立过程包括：

将数量为T的训练数据分为相等大小或者近似大小相等的三部分T1、T2、T3；

T1部分数据进行约束参数t的选择，约束参数t初始值为β_i为最小二乘法得到的模型回归参数，以一定步长对约束参数t进行递减，并作为新模型的约束参数对新模型进行训练，获得参数t互不相同的评估模型；其中，步长可根据实际需要进行设定。

T2部分数据用来预测评估T1部分获得的评估模型，每顺序地增加一个样本观测值就做一次预测，获得T1各评估模型的预测误差平方和SE；

T3部分数据用来获得最终参数，取SE最低的评估模型的参数与根据SE加权平均的参数，对T1与T2组成的训练数据进行训练，所得模型使用T3进行预测评估，SE最小的参数为最终参数。

进一步，使用lasso损失函数作为目标函数，使用大量数据训练预测模型以求出满足目标函数最小值的解，获得预测模型的第一回归参数的估计值以及各个第二回归参数的估计值，从而求得满足lasso约束的回归参数集，损失函数表示为：

上式中的β是长度为n的第二回归参数向量，其不包括截距项的系数；θ是长度为n+1的输入向量，包括截距项的系数θ₀，m为训练样本数，n为特征数；||β||₁表示参数β的l₁范数，λ为输入向量的约束项。

进一步，所述的满足损失函数最小值的解由坐标下降法求得。

进一步，步骤e的故障阈值的获取过程包括：

计算历史的故障设备运行时间与正常设备运行时间的残差绝对值，获得残差绝对值序列；

建立箱型图统计模型，计算残差绝对值序列的第一个四分位点Q1，中位数Q2，第三个四分位点Q3，令IQR＝1.5*(Q3-Q1)，令Q1-IQR为下内限；取下内限为故障阈值。

本发明的有益效果：本发明将污水处理环境中的不同设备与污水处理子系统进行连接，自动化采集设备与生产环境的数据，符合水务行业在实际业务中产生大量实时数据、生产环境快速变化的特点，降低设备维修检测的滞后性，缓解了人工处理效率不高的问题，同时系统能针对性地预测设备的运行情况，并联合实时数据对设备的运行情况进行诊断，对设备故障的发生能够提前进行及时精准的判定与诊断，及时发布故障预警信息，有效的满足污水处理过程中对污水处理设备故障问题的实时监控和诊断的要求，为污水处理的工程管理和治理决策提供一定基础的诊断帮助，并且在一定程度上辅助实时环境里的仪器设备的调整与维护工作，减小了突发问题对污水处理工程稳定性造成的威胁。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1是本发明的系统构架示意图。

图2是本发明的系统流程示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步描述：

如图1所示，本发明提出了一种基于Lasso回归的污水处理设备故障诊断系统，所述故障诊断系统包括污水处理子系统、若干监管客户端以及设置在污水厂中污水处理设备与污水处理池的若干数据采集装置；所述污水处理子系统包括中心控制台、通信服务器、总数据存储服务器以及数据采集服务器。

图中的客户端1～n，以及设备1～m；不用于限定其具体的个数，只是为了表明其有多个，客户端和设备的个数没有必然的联系，另外图中的设备在此处包括了污水处理设备以及数据采集装置。

所述中心控制台包括控制模块、数据接口模块、数据分类模块、机器学习模块以及数据通信模块；中心控制台根据循环访问的方法，按一定的时间间隔，分批从总数据存储器获取不同设备及所在仓房环境的数据。另一方面，中心控制台根据故障信息获得对应的设备信息，包括该设备所在监测点的位置与设备当前状态数据与环境数据，连同预测信息打包为预警信息，将其传输至数据通信模块。

所述控制模块用于控制与协调各模块间的工作流程与数据流，通过集线器与各服务器进行数据传输，根据各服务器的采集数据发布污水处理设备的实时信息或预警信息；

所述数据接口模块用于接收控制模块的数据收集指令，并根据指令访问总数据存储服务器获得相应的数据；数据接口模块接收数据后，将其传输至数据分类模块，根据数据中污水处理设备的来源，进行分类，并传输打包数据块，将这些数据标准化得到数据的特征向量集，将作为机器学习模块中的输入数据。

所述数据分类模块用于将接收到的污水设备数据与污水处理环境数据进行分类，并作为机器学习模块的输入数据；

所述机器学习模块用于构建基于Lasso线性回归的污水处理设备故障预测模型以及预测出污水处理设备故障信息；机器学习模块对接收到的特征向量集分配给模型集合内对应的回归预测模型，模型将根据该特征向量实时预测该设备的当前状态，根据该设备的阈值进行预测的运行时间进行比较。当超出阈值时，机器学习模块将生成设备故障信息，包括预测结果、模型标识符与时序信息，将其传输至中心控制台。

所述数据通信模块用于接收机器学习模块的设备故障预测信息和数据接口模块获取的污水处理设备的位置信息、污水处理设备与污水处理环境的实时数据，并将信息打包传输至通信服务器；

所述总数据存储服务器用于存储历史水质数据、设备运行状态数据以及污水处理子系统运行数据，并通过数据接口模块发送至中心控制台；

所述通信服务器负责中心控制台的数据通信模块与各个监管客户端的数据通信；

所述数据采集服务器用于获取若干数据采集装置上采集的污水处理设备与污水处理环境的实时数据。

所述机器学习模块包括多个子模块，

模型构建子模块：构建基于Lasso线性回归的污水处理设备故障预测模型；

模型训练子模块：使用历史的污水处理设备与污水处理环境的数据作为训练集数据训练所述污水处理设备故障预测模型，并获取该故障预测模型参数；

模型预测子模块：利用训练好的基于Lasso线性回归的污水处理设备故障预测模型，预测出设备的运行时间；

运行时间残差计算子模块：计算历史的故障设备运行时间与正常设备运行时间的残差，获得残差序列以及实时计算设备的实际运行时间与预测运行时间的残差绝对值；

阈值构建子模块：计算残差序列的第一个四分位点Q1，中位数Q2，以及第三个四分位点Q3，令IQR＝1.5×(Q3-Q1)，令Q1-IQR为下内限，取下内限为故障阈值；

故障信息判断子模块：将所述残差绝对值与故障阈值进行比较，若残差绝对值大于故障阈值，则输出故障预警信息。

本实施例中，阈值构建子模块使用箱线图模型建立故障阈值的过程如下：

计算历史的故障设备运行时间与正常设备运行时间的残差绝对值，获得残差绝对值序列，并将该序列按照大小进行排序；

建立箱型图统计模型，计算残差绝对值序列的第一个四分位点Q1，其所在位置为序列中的第(n+1)/4个，中位数Q2，其所在位置为序列中的第2*(n+1)/4个，第三个四分位点Q3，其所在位置为序列中的第3*(n+1)/4个，令IQR＝1.5*(Q3-Q1)，令Q1-IQR为下内限，Q3+IQR为上内限；式子n为序列中数据的个数。

取下内限为故障阈值；

通常情况下，在上下内限之外的值都为数据中的异常值，但由于工作时间残差是否为故障范围内只需要判断其是否为超过一定程度的偏差，即是否为该故障数据序列里的最低正常值的情况，因此只需要超过下限的故障时间即可作为判断的依据。

综上所述，在机器学习模块中，基于设备故障的历史数据建立了故障阈值，模型构建子模块完成各个设备预测模型的构建，即可通过系统的部署实时监测污水处理过程中设备的运行情况，并针对可能发生故障的设备提前预警。

如图2所示，给出了一种实现方式，数据采集服务器从各个数据采集终端中获取各个污水处理设备的实时数据，数据分类模块按照其设备的来源进行分类，将分类后的数据打包成数据块发送至机器学习模块的故障诊断模型中，该模型对其进行数据归一化，预测出设备的当前状态，并返回预测结果，客户端可以查看某一设备的当前状态。

本发明还提出了一种基于Lasso回归的污水处理设备故障诊断方法，具体包括以下步骤：

a.从生产环境中采集大量污水处理设备与污水处理环境的数据，包括设备数据和水质数据，设备数据如调压设备的压力指数、过流设备的瞬时流量、设备运行时间、设备运行状态等，水质数据如氮磷含量、矿物含量、耗氧量、污泥沉积等。

在本实施例中，污水处理子系统中的数据采集服务器连接生产环境中的各个监测点的远程监测终端，终端的传感器实时监测现场的设备，包括鼓风设备、调压设备、过流设备、水质检测设备、活化检测设备等，实时采集与接收设备仪器中的数据，如调压设备的压力指数、过流设备的瞬时流量、设备运行时间、设备运行状态等，水质数据如氮磷含量、矿物含量、耗氧量、污泥沉积等，实现多源数据收集，及时反映实时工业环境的情况。

当设备数据与环境数据被实时传到数据采集服务器后，数据采集服务器将与总数据存储服务器建立连接，将存储在服务器缓存内的数据及时发送至总数据存储服务器，总数据存储服务器内的数据库将根据数据来源的特定设备与数据采集时间对数据分类并存储，等待中心控制平台访问数据的指令。

进一步，在完成所需数据的采集后，

b.将设备数据根据所属设备类型进行数据预处理，获得特征向量集，作为训练数据；

在本实施例中，中心控制平台通过数据接口模块从总数据存储服务器获取污水处理数据，从时间角度可分为历史数据与实时数据，历史数据用于机器学习模块的构建模型部分，实时数据用于模型预测部分。数据接口模块将数据传输到数据分类模块，数据分类模块用来区别分类不同的数据，针对性地对数据进行预处理，获得数据的特征向量，以便作进一步的处理。

b01.首先根据数据的设备及环境来源，将数据打上不同的标签，具体标签内容根据数据的设备或环境来源区分，包括设备的编号或污水处理厂房的编号，之后打包成不同类型的数据块，可表示为DataBloc{Data，T}，其中Dat为原始数据，T为数据类型，每一种数据类型对应一特定的设备。

b02.对分类好的数据块进行数据预处理，以获得特征向量集。

污水处理过程中的各个设备的参数指标众多，并且量纲差距巨大，例如在鼓风机中，电机的相电流以A为单位，通常可达200以上，齿轮泵的油压以公斤每平方厘米为单位，通常为小数点后一位。作为两个在设备运行环境中的指标变量，两者之间量纲的差距巨大，在衡量指标对于设备运行情况的反映的程度时，可能会导致量纲大的变量在某些考虑下作用更明显，但这可能只是数值上的关系而不是实际的作用关系。因此有必要在数据使用前对数据进行预处理。

在本实施例中，拟采用标准化的方法对数据进行规范，标准化本质上是一种线性变换，对于一个特定的样本数据来说，它的范围、最值、均值和方差都是一定的，所以在做标准化的时候可以看作一次缩放，不改变原始数据的排序，线性关系不变，不会改变数据之间相互作用的关系，同时也有助于提高预测模型的精度和运行速度。

标准化过程将对数据进行特征规范化,具体为对数据中每一维度的特征进行标准化，此时数据可表示为：

其中n为样本数量，中i为第i条数据项，j为数据中的第j个特征。

利用标准化方法对所有数据进行标准化，具体为：

其中表示标准化后的第i条数据项的第j个特征，表示未标准化的第i条数据项的第j个特征，表示该特征的均值。

在完成对数据块中数据的预处理后，获得数据的特征向量集，将之打包的新数据块可表示为Databloc{X，T}，其中X为特征向量集矩阵，T为该数据块的数据类型。数据分类模块将处理后的数据块发至机器学习模块，作为训练集。

c.基于lasso线性回归模型为污水处理设备建立设备预测模型，使用训练集数据获取该模型参数；

设备正常状况下，运行时间一般要求控制在一个范围内，在外界环境及一定的劣化条件影响下发生随机波动，只有在故障发生情况下才会表现出大量的极端异常，表现出提前停机或超时工作的情况。本发明采用设备历史状态下的大量数据来建立预测模型，依靠设备的实测值与模型的预测值的差值来识别设备的故障情况，以此为基础进行设备故障预测。

在本实施例中，建立模型的工作主要由机器学习模块的模型构建子模块完成。模块所构建的故障诊断模型是一个由模型组成的集合，可表示为S＝{model₁，model₂，…，model_i}，集合内的元素为不同类型的回归预测模型，一种类型的模型将预测一特定设备的故障情况。机器学习模块对接收到的数据块DataBloc{X，T}进行解析，提取出特征向量集矩阵{X}与数据类型{T}，并根据数据块的数据类型{T}将特征向量集矩阵{X}分为不同的类别，进而将这些不同类别的数据分配给模型集合内对应的回归预测模型。

在本实施例中，以构建的单个模型为例，所构建模型为线性模型，本发明对线性模型进行改进，具体为基于lasso的线性回归模型。由于根据污水处理设备及环境数据预测设备正常运行时间，因变量与自变量都为连续的实值，需要对数据进行回归分析，而线性模型形式简单，易于建模，且具有很强可解释性，因此拟采用改进后的线性模型，即基于lasso的线性回归模型作为设备故障的预测模型。

基于lasso的线性回归模型可以表示为：

其中，Y_i为第i个测试样本的响应变量，具体为预测出的特征向量集中设备工作时间，X_ij为第j个第二回归参数对应的第i个测试样本，具体为数据特征向量中设备与环境的实时数据；表示lasso线性回归模型的第一回归参数的估计值；β_j表示lasso线性回归模型的第j个第二回归参数的估计值；ε_i为第i个训练样本的误差变量，ε_i∈N(0,σ²)；i表示测试样本的序号，即待预测的数据特征向量中设备与环境的实时数据序号，j表示模型回归参数的序号；p表示模型回归参数的个数。

所述lasso方法的参数估计为：

其中，y_i为第i个训练样本的响应变量，具体为训练过程中数据特征向量中设备工作时间；x_ij为第j个第二回归参数对应的第i个训练样本，具体为数据特征向量中设备与环境的实时数据；α_i为第i个训练样本的lasso线性回归模型的第一回归参数；β_j为lasso线性回归模型中第j个第二回归参数，t为约束参数,i表示训练样本的序号，j表示模型回归参数的序号；t表示约束参数。

为求得满足lasso约束的回归参数集，使用基于lasso的均方误差损失函数作为目标函数，使用大量设备数据训练模型以求出满足目标函数最小值的解，获得模型回归参数，损失函数表示为：

上式中的β是长度为n的第二回归参数向量，其不包括截距项的系数；θ是长度为n+1的输入向量，包括截距项的系数θ₀，m为训练样本数，n为特征数；||β||₁表示参数β的l₁范数，λ为输入向量的约束项。

在本实施例中，为求得上述损失函数最小值，使用坐标下降法求解。因为损失函数虽然为凸函数，具有全局最优解，但是由于正则项为l1范数，绝对值不可导，因此采用传统的机器学习优化方法如梯度下降、最小二乘法均不可行，而常用求解lasso凸优化解的方法有坐标下降法和最小角回归法，考虑到坐标下降法速度较快，且比最小角回归法对样本噪声的受影响程度更小，具有更好的鲁棒性，适合工业过程中复杂的数据环境，拟采用坐标下降法求解。

在本实施例中，对于基于lasso约束的线性回归模型，其参数t的选择十分重要，若参数t选择过大，没有起到防止模型过拟合和变量选择的效果，若参数t选择过小，则求得的解将过于稀疏，可能导致模型欠拟合。因此为了选择较合适的约束参数t，使用滚动交叉验证方法对模型进行训练，在训练过程中挑选出合适的参数值，其训练过程包括：

将数量为T训练数据分为相等大小的三部分T1、T2、T3；

T1部分数据进行约束参数t的选择，约束参数t初始值为β_i为最小二乘法得到的模型回归参数。该回归参数表示没有lasso约束的普通线性模型的回归参数解，为达到对参数进行约束的效果，以一定步长对约束参数t进行递减，并作为新模型的约束参数对新模型进行训练，获得参数t互不相同的评估模型；

T2部分数据用来预测评估T1部分获得的评估模型，每顺序地增加一个样本观测值就做一次预测，获得T1各评估模型的预测误差平方和SE；

式子中为预测值，y_i为实际值，i为样本的序号。

T3部分数据用来获得最终参数t，取SE最低的模型的参数与根据SE加权平均的参数，对T1与T2组成的训练数据进行训练，所得模型使用T3进行预测评估，SE最小的参数为最后的约束参数t。该方法的目的在于用SE最小的参数与根据SE进行加权平均的参数进行比较，由以上过程可知SE最小的参数是使用一定步长产生的，存在步长的精度问题，而使用根据SE大小为权值取参数可以在一定程度上综合多个参数的平均情况，进而其参数的值可能更为精准，再根据T3的评估结果选取SE最低的参数作为最终参数。

获得的最终参数t将用来建立真实环境下使用的设备预测模型，该参数将作为约束参数，根据目标函数，使用上述的坐标下降法逐步迭代，在数量为T的所有训练数据上对模型进行训练，获得模型的回归参数集，进而得到最终的预测模型。

d.从生产环境中采集污水处理设备与污水处理环境的实时数据，进行步骤b的数据处理部分，将获得的特征向量集作为训练好的模型的输入，预测出设备的运行时间作为诊断故障的评判依据。

e.实时计算设备的实际运行时间与预测运行时间的残差绝对值，并将所述残差绝对值值与阈值进行比较，若残差绝对值大于阈值，则输出故障预警信息。

在本实施例中，利用污水处理设备历史的工作环境与状态下采集的大量训练样本进行训练，则当在实际污水处理过程中，设备工作时，预测模型不必再即时训练获取，现有的预测模型根据设备的历史情况构建，能够对设备的实时运行状态进行准确的跟踪。由于污水处理过程具有阶段性与时滞性，同时外部的气候及工业因素等条件的变化，使得每次处理的流程设备的启停过程与运行时间会有一定程度的波动，但在故障时工作时间将会有较大的波动，当污水处理设备可能产生故障时，设备预测模型所预测的设备运行时间将与设备的实际运行时间不符，二者之间将会产生差值，其偏差在一定程度上表示故障的情况。

在本实施例中，预测诊断设备故障发生的依据为设备故障阈值，该阈值的获取基于设备的历史故障信息。在本系统中，总数据存储服务器存储大量污水工业数据，包括较长时间设备指标数据与厂房环境数据，以及设备工作日志等。根据设备工作历史的启停时间与故障次数等数据，得到每次设备故障时的工作时间与正常情况下应工作的时间。

取正常工作时间与故障工作时间残差的绝对值作为数据变量进行分析，这样获得的数据分布则较为集中，数据也较易处理。对于故障情况工作时间残差绝对值的数据，问题为若当前设备运行时间与预测时间有一定偏差，则该偏差到何种程度才判断为设备发生故障，可以考虑的是转化为抽象问题则是数据分析里的异常值检测问题。对于污水处理设备故障诊断问题而言，即是实际工作时间与预测工作时间的绝对值，在为何值时可以判断为故障情况下的残差绝对值，在何值时是故障情况下的异常值，也即正常工作时间，而不作为故障处理。

常用的异常值监测方法包括统计经验法和箱线图模型等，统计经验法通常在数据分布服从正态分布时效果较好，但实际分析中故障数据的分布不服从标准正态分布，有一定偏离，故不采用。箱线图的识别方法是依据实际数据计算，不对数据本身作限制性的假定(例如服从正态分布)，它较真实地表现数据分布的本来面貌。其判断标准依据的是四分位数以及四分位差，分位数本身具有一定程度的鲁棒性，只根据数据本身的分布情况有关，在识别异常值上比较客观，有一定的广泛适用性，因此本系统使用箱线图模型来监测故障的工作时间。

可以理解的是，本发明的故障诊断系统和方法的某些特征可以相互引用，本发明就不再一一列举。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于Lasso回归的污水处理设备故障诊断系统，其特征在于：所述故障诊断系统包括污水处理子系统、若干监管客户端以及设置在污水厂中污水处理设备和污水处理池的若干数据采集装置；所述污水处理子系统包括中心控制台、通信服务器、总数据存储服务器以及数据采集服务器；

所述中心控制台包括控制模块、数据接口模块、数据分类模块、机器学习模块以及数据通信模块；

所述控制模块用于控制与协调各模块间的工作流程与数据流，通过集线器与各服务器进行数据传输，根据各服务器的采集数据发布污水处理设备的实时信息或预警信息；

所述数据接口模块用于接收控制模块的数据收集指令，并根据指令访问总数据存储服务器获得相应的数据；

所述数据分类模块用于将接收到的污水设备数据与污水处理环境数据进行分类，并作为机器学习模块的输入数据；

所述机器学习模块用于构建基于Lasso线性回归的污水处理设备故障预测模型以及预测出污水处理设备故障信息；

所述数据通信模块用于接收机器学习模块的设备故障预测信息和数据接口模块获取的污水处理设备的位置信息、污水处理设备与污水处理环境的实时数据，并将信息打包传输至通信服务器；

所述总数据存储服务器用于存储历史水质数据、设备运行状态数据以及污水处理子系统运行数据，并通过数据接口模块发送至中心控制台；

所述通信服务器负责中心控制台的数据通信模块与各个监管客户端的数据通信；

所述数据采集服务器用于获取若干数据采集装置上采集的污水处理设备与污水处理环境的实时数据。

2.根据权利要求1所述的一种基于Lasso回归的污水处理设备故障诊断系统，其特征在于：所述根据各服务器的采集数据发布实时信息或预警信息包括机器学习模块将其预测的污水处理设备故障信息打包，包括预测结果、模型标识符与时序信息，将其传输至中心控制平台；中心控制平台根据预测的污水处理设备故障信息获得对应的设备信息，包括该设备所在监测点的位置与设备当前状态数据与环境数据，连同预测信息打包为预警信息，将其传输至数据通信模块；数据通信模块将预警信息传输至通信服务器；通信服务器将预警信息发送至监管员客户端。

3.根据权利要求1或2所述的一种基于Lasso回归的污水处理设备故障诊断系统，其特征在于：所述机器学习模块包括多个子模块，

模型构建子模块：构建基于Lasso线性回归的污水处理设备故障预测模型；

模型训练子模块：使用历史的污水处理设备与污水处理环境的数据作为训练集数据训练所述污水处理设备故障预测模型，并获取该故障预测模型参数；

模型预测子模块：利用训练好的基于Lasso线性回归的污水处理设备故障预测模型，预测出设备的运行时间；

运行时间残差计算子模块：计算历史的故障设备运行时间与正常设备运行时间的残差，获得残差序列以及实时计算设备的实际运行时间与预测运行时间的残差绝对值；

阈值构建子模块：计算残差序列的第一个四分位点Q1，中位数Q2，以及第三个四分位点Q3，令IQR＝1.5*(Q3-Q1)，令Q1-IQR为下内限，取下内限为故障阈值；

故障信息判断子模块：将所述残差绝对值与故障阈值进行比较，若残差绝对值大于故障阈值，则输出故障预警信息。

4.一种基于Lasso回归的污水处理设备故障诊断方法，其特征在于：所述方法包括以下步骤：

a.从污水厂中污水处理设备与污水处理池的若干数据采集装置中获取大量污水处理设备与污水处理环境的数据，包括污水处理设备数据与污水处理环境的数据；

b.将设备数据根据所属设备类型进行数据预处理，即根据所属设备类型的特征的分布情况，对数据的每一维度的特征都进行标准化，获得特征向量集，作为训练集数据；

c.构建基于Lasso线性回归的污水处理设备故障预测模型，使用训练集数据训练该模型，并获取该模型的回归参数；

d.从污水厂中污水处理设备与污水处理池的若干数据采集装置中采集污水处理设备与污水处理环境的实时数据，将其进行与步骤b一致的数据预处理过程，将获得的特征向量集作为训练好的模型的输入，预测出设备的运行时间；

e.计算设备的实际运行时间与预测运行时间的残差绝对值，并将所述残差绝对值与故障阈值进行比较，若残差绝对值大于故障阈值，则输出故障预警信息。

5.根据权利要求4所述的一种基于Lasso回归的污水处理设备故障诊断方法，其特征在于：步骤c中的基于Lasso线性回归的污水处理设备故障预测模型包括：

其中，Y_i为第i个测试样本的响应变量，具体为预测出的特征向量集中设备工作时间，X_ij为第j个第二回归参数对应的第i个测试样本，具体为数据特征向量中设备与环境的实时数据；表示lasso线性回归模型的第一回归参数的估计值；β_j表示lasso线性回归模型的第j个第二回归参数的估计值；ε_i为第i个训练样本的误差变量，ε_i∈N(0,σ²)；i表示测试样本的序号，即待预测的数据特征向量中设备与环境的实时数据序号，j表示模型回归参数的序号；p表示模型回归参数的个数。

6.根据权利要求5所述的一种基于Lasso回归的污水处理设备故障诊断方法，其特征在于：步骤c中的第一回归参数、以及各个第二回归参数估计值的获取方式包括：

其中，y_i为第i个训练样本的响应变量，具体为训练过程中数据特征向量中设备工作时间；x_ij为第j个第二回归参数对应的第i个训练样本，具体为数据特征向量中设备与环境的实时数据；α_i为第i个训练样本的lasso线性回归模型的第一回归参数；β_j为lasso线性回归模型中第j个第二回归参数，t为约束参数,i表示训练样本的序号，j表示模型回归参数的序号；t表示约束参数。

7.根据权利要求6所述的一种基于Lasso回归的污水处理设备故障诊断方法，其特征在于：所述约束参数t，使用滚动交叉验证方法算得，其建立过程包括：

将数量为T的训练数据分为相等大小的三部分T1、T2、T3；

T1部分数据进行约束参数t的选择，约束参数t初始值为β_i为最小二乘法得到的模型回归参数，以一定步长对约束参数t进行递减，并作为新模型的约束参数对新模型进行训练，获得参数t互不相同的评估模型；

T2部分数据用来预测评估T1部分获得的评估模型，每顺序地增加一个样本观测值就做一次预测，获得T1数据部分各评估模型中的预测误差平方和SE；

T3部分数据用来获得最终参数，取SE最低的评估模型的参数，以及根据SE加权平均的参数，对T1与T2组成的训练数据进行训练，所得模型使用T3部分数据进行预测评估，将其中SE最小对应的参数为最终参数。

8.根据权利要求5所述的一种基于Lasso回归的污水处理设备故障诊断方法，其特征在于：使用lasso损失函数作为目标函数，使用大量数据训练预测模型以求出满足目标函数最小值的解，获得预测模型的第一回归参数的估计值以及各个第二回归参数的估计值，从而求得满足lasso约束的回归参数集，损失函数表示为：

上式中的β是长度为n的第二回归参数向量，其不包括截距项的系数；θ是长度为n+1的输入向量，包括截距项的系数θ₀，m为训练样本数，n为特征数；||β||₁表示参数β的l₁范数，λ为输入向量的约束项。

9.根据权利要求4所述的一种基于Lasso回归的污水处理设备故障诊断方法，其特征在于：步骤e的故障阈值的获取过程包括：

计算历史的故障设备运行时间与正常设备运行时间的残差绝对值，获得残差绝对值序列；

建立箱型图统计模型，计算残差绝对值序列的第一个四分位点Q1，中位数Q2，第三个四分位点Q3，令IQR＝1.5*(Q3-Q1)，令Q1-IQR为下内限；取下内限为故障阈值。