CN110928187B - 一种基于模糊宽度自适应学习模型的污水处理过程故障监测方法 - Google Patents

Abstract

本发明公开了一种基于模糊宽度自适应学习模型的污水处理过程故障监测方法。包括“离线建模”和“在线监测”两个阶段。“离线建模”首先对采用一批正常数据和4批故障数据作为训练样本，对网络进行离线训练。并对数据打上标签。网络训练完成，得到权值参数，用于在线监测。“在线监测”包括：将新采集的数据作为测试数据，采用与离线训练网络相同的步骤进行在线监测。在线监测的输出结果采用独热编码的方式对在线监测的输出结果实现零一判别，从而实现故障监测。本发明只需增加增强节点个数，以增量的方式进行重构，无需从头开始对整个网络重新训练。能够在短时间内，完成网络的训练，能够及时的实现故障的快速监测，具有较高的实际应用价值。

Description

一种基于模糊宽度自适应学习模型的污水处理过程故障监测 方法

技术领域

本发明涉及基于数据驱动的故障监测技术领域，特别是涉及一种针对污水处理过程的故障监测技术。本发明针对间歇过程的故障监测方法即是——污水处理过程故障监测方面的具体应用。

背景技术

近年来，随着科技的进步，工业化、城市化进程日益加速，人口数量持续增加，生态环境的污染问题日趋严重。其中，作为人类生活必不可少的水资源，由于其短缺且污染严重，对水环境的保护成了当今社会的共识，人们正在寻求一种切实可行的方法保护水环境，而污水处理厂作为水环境保护链中关键的一环，收到了外界广泛的关注。污水处理厂的首要目的是要保证其最终产品，即出水质量，能够达到规定的排放标准，然后在此基础上提高污水处理效率以节约成本。而实现这一目标的前提在于污水处理厂必须处于安全、稳定的运行状态。因此有必要建立一种有效的过程监控方案来及时地检测异常现象。

目前，基于机器学习的神经网络的故障监测方法广泛应用于污水处理过程的故障监测领域，诸如DBN(Deep Belief Network)，DBM(Deep Boltzmann Machine)，ANN(Artificial Neural Network)，AE(Auto-encoder)等方法。目前流行的深层神经网络的性能十分强大，但是由于涉及大量的超参数和复杂结构，网络的训练是一个十分耗时的过程。此外，深层网络结构本身的复杂性使得理论分析其深层结构十分困难。目前大多数的研究都集中在调整网络权重等参数或是堆叠出更多的层数以获得更高的精度，因此需要付出大量的时间与高昂的设备等硬件资源，现代快节奏的工业生产过程很难满足这些条件。

发明内容

为了解决上述问题，提出一种基于模糊宽度自适应学习模型的污水处理过程故障监测方法。该方法包含一组一阶TS模糊子系统和增强节点层。首先，每个模糊子系统对输入数据进行处理，然后将处理后产生的中间值连接为向量发送到增强节点组进行非线性转换。其次利用增强层的输出和模糊子系统的去模糊化输出，生成最终的模型输出。该模型的参数包括增强节点组和最终输出的连接权值，各模糊子系统中模糊规则后续部分的系数，可通过伪逆运算快速计算得到。不同于传统的深度网络，该方法只需以增量的方式进行重构模型，无需从头开始对整个网络重新训练。在保证精度达到要求的前提下，模糊宽度学习系统的随着生产过程对自身不断快速调整的特性使得实现污水处理过程故障在线监测成为可能。

本发明所采用的技术方案和实现步骤包括“网络训练阶段”和“在线监测阶段”，具体步骤如下所示：

A.网络训练阶段：

1)采集污水处理过程的历史数据{X,Y}作为训练数据，其中

Y作为标签数据，记录过程发生的状态，正常表示为0，故障表示为1。N是输入样本的个数，M表示变量个数，C代表对应输出的维度(在本方法中，输出维度为2，即表示正常和故障两种状态)。

2)对输入数据

x_s＝(x_s1,x_s2,…,x_sM),s＝1,2,…,N。模型有n个模糊子系统，m个增强节点组，第i个模糊子系统包含K个模糊规则。采用一阶T-S模糊模型，其中以第i个模糊子系统为例(i＝1,2,…,n)，当输入数据为第s个训练样本时，第i个模糊子系统,第k个模糊规则的输出为：

其中

为一次多项式，

为参数，其值由初始化所得，且服从均匀分布[0,1],t＝1,2,…,M,k＝1,2,…,K表示模糊规则个数。

3)对于第s个训练样本，求第i个模糊子系统，第k个模糊规则的加权强度

其中

表示当输入为训练样本x_s时(x_s＝(x_s1,x_s2,…,x_sM))，第i个模糊子系统的第k个模糊规则的强度(k＝1,2,…,K)，公式如下所示：

其中

为输入样本x_st对应的高斯隶属度函数(t＝1,2,…,M)，其公式表示为：

其中

和

为参数，其中

的值为通过C均值聚类得到的聚类中心的值，

4)求对应第s个训练样本的n个模糊子系统的输出Zⁿ：

其中Z₁,Z₂,…,Z_n分别对应于n个子系统的输出，k₁,k₂,…,k_n分别对应于n个模糊子系统的模糊规则个数，第s个训练样本。

以第i个模糊子系统为例，则对于所有的训练样本，其输出矩阵Z_i通过如下公式求得：

其中Z_1i,Z_2i,…,Z_Ni分别表示对于N个训练样本，第i个模糊子系统的输出向量。以第s个样本为例，第i个模糊子系统的输出向量可由如下公式求得：

其中

和

分别由2)和3)所求得，k＝1,2,…,K。

5)将4)所得的输出Zⁿ输入到2)中所提到的m个增强节点组进行非线性转换。其中，第j个增强节点组有L_j个神经元(j＝1,2,…,m)，则对于m个增强节点组，其输出矩阵可以表示为：

其中L₁,L₂,…,L_m分别表示m个增强节点组包含的神经元个数，

是第j个增强节点组的输出矩阵，W_j表示模糊子系统输出与对应增强节点组之间的连接权值，β_j表示模糊子系统输出与第j个增强节点组的偏差，W_j、β_j的值均从[0,1]中随机生成，ξ_j为激活函数，其公式为ξ_j＝tanh(˙)。

6)计算模糊子系统的去模糊化输出。则对于第s个训练样本x_s，第i个模糊子系统的去模糊化输出向量可以表示为：

这里我们引入参数

到每一个模糊规则的结果部分，参数值由伪逆运算方法得到，C表示输出的维度。由于

有C个维度，因此每个模糊子系统均为多输出模型。则参数引入之后，其新的输出为：

其中s＝1,2,…,N,那么，对于所有训练样本X，第i个模糊子系统的输出为：

其中，

由此，可得n个模糊子系统的输出：

其中，

是包含3)中所求加权强度

的矩阵。

7)计算最终输出结果。模糊子系统与输出之间的权值设定为1，增强节点组和输出之间的权值设置为

将4)所得H^m和5)所得Fⁿ分别乘以对应权值然后求和，得到最终输出结果，公式如下所示：

对于给定的训练目标Y,矩阵W可以通过伪逆计算：

W＝(DΩ,H^m)⁺Y

其中，(DΩ,H^m)⁺＝((DΩ,H^m)^T(DΩ,H^m))^-1(DΩ,H^m)^T

至此，网络模型训练完毕。

B在线监测：

8)在线监测阶段，将新数据

x_new,s＝(x_new,s1,x_new,s2,…,x_new,sM),s＝1,2,…,N。对于训练部分的n个模糊子系统，以第i个子系统为例，采用一阶T-S模糊系统，则有：

的值为训练部分中所对应的值。

9)针对第s个测试样本，第i个模糊子系统的加权强度如下：

其中

表示第i个模糊子系统的第k个模糊规则的强度由如下公式求得：

其中

为输入样本x_new,st对应的高斯隶属度函数(t＝1,2,…,M)，其公式表示为：

其中

和

为参数，其值与训练部分对应参数值相同。

10)对于所有测试样本，求n个模糊子系统的输出

公式如下：

第i个模糊子系统的输出Z_newi的公式如下：

以所有N个样本中的第s个训练样本为例，第i个模糊子系统的输出向量Z_new,si可以表示为：

其中(s＝1,2,…,N)

其中，

和

分别由8)和9)求得，k＝1,2,…,K。

11)将10)所得的输出

进行非线性转换。则对于m个增强节点组，增强层的输出矩阵可以表示为：

其中

是第j个增强节点组的输出矩阵(j＝1,2,…,m)，W_j和β_j的值对应于网络训练部分。

12)计算模糊子系统的去模糊化输出。引入参数

到每一个模糊规则的结果部分之后c＝1,2,…,C，对于第s个训练样本，第i个模糊子系统的去模糊化输出向量可以表示为：

那么，对于所有训练样本X，第i个模糊子系统的输出为：

其中，

由此，可得n个模糊子系统的输出：

其中，

是包含9)中所求加权强度

的矩阵。

13)计算最终输出值。设置连接增强节点组合输出之间的权值设置为

其值由训练阶段得到，模糊子系统和输出之间的权值为1，将11)所得

和12)所得

分别乘以各自权值，然后求和得到最终输出。公式如下所示：

其中W值对应于网络训练部分参数矩阵的值，

14)采用独热编码的方式将输出值

转换为零一判别，零时表示运行处于正常状态，当输出值为一时表示运行出现故障，从而实现故障的监测。

有益效果

本发明用污水处理过程的历史数据训练网络模型，训练模型时，将正常过程的数据标签为0，故障时段数据标签为1，将训练得到的网络参数用于故障的在线监测。与现如今流行的深度网络相比，本发明只需增加增强节点个数，能以增量的方式进行重构，无需从头开始对整个网络重新训练。在保证精度达到要求的前提下，本发明随着生产过程的变化对自身不断快速调整，实现污水处理过程故障及时的在线监测，并取得良好的监测结果。

附图说明

图1为本发明的整体结构图；

图2为本发明的第i个模糊子系统结构图；

图3为故障1的监测结果

图4为故障2的监测结果

图5为故障3的监测结果

图6为故障4的监测结果

图7本方法依托的硬件系统逻辑框图

具体实施方式

为了解决上述问题，提出一种基于模糊宽度自适应学习模型的污水处理过程故障监测方法，该方法基于一种在线监测仪器设备。整个设备包含输入模块，信息处理模块，控制台模块，输出结果可视化模块。将所提出的方法导入信息处理模块，然后用实际工业所保留的过程数据建立网络监测模型，所建立的模型保存下来，用于在线故障监测。在实际的工业过程在线监测时，首先将工厂数据传感器采集到的实时过程变量连接到输入模块，作为监测设备的输入信息，然后通过控制台选择之前所训练好的模型进行监测，并将监测结果通过可视化模块实时的显示出来，以便现场工作人员能够根据可视化监测结果及时做出相应的措施，以减少由于过程故障带来的经济损失。

污水处理过程极其复杂，不仅包含了各种物理、化学，而且也包括了生化反应，此外，各种不确定性因素充斥其中，如进水流量、水质和负荷变化等，这给污水处理监控模型的建立带来了巨大的挑战。本发明采用国际水协会(IWA)研发的“仿真基准模型”(Benchmark Simulation Model 1)作为实际污水处理过程进行实时仿真。该模型由五个反应池(5999m3)和一个二沉池(6000m³)组成，此外还有三个曝气池。曝气池有10层，深4米，占地1500m²，反应过程有内回流和外回流。平均污水处理流量为20 000m³/d，化学需氧量为300mg/l。

本实验以BSM1污水数据为研究对象，采样时间间隔为15min，采样周期为14天，即每天有96个采样点，共计1344个采样点。选取16个变量监视过程运行状况，如表1所示。一批正常数据和4批故障数据作为训练数据进行离线训练网络，4批故障数据作为测试数据，用于验证方法的有效性。设置雨天工况下2种故障的故障类型：单一型故障和复合型故障，故障发生时间均为第八天和第九天，故障的详细信息如表2所示。

表1污水变量

表2故障数据设置

本发明在上述BSM1污水处理过程的应用的故障监测过程具体陈述如下：

A.网络训练阶段：

步骤1：通过BSM1平台采集一批正常工况下的操作数据和4批故障数据作为训练数据集

每批数据采样1344个点，16个变量，五组数据作为训练数据集，则表示为X(6720×16)，对数据打上标签，正常时刻标签值为0，故障时刻标签值为1，表示为Y(6720×2)。

步骤2：模糊子系统数量、增强节点组以及个模糊子系统模糊规则的数量根据实际情况确定。本实施例中模型包含有n＝8个模糊子系统，m＝10个增强节点组，且每组包含10个神经元，每个模糊子系统的模糊规则个数为5个，采用一阶T-S模糊模型，其中以第i个模糊子系统为例(i＝1,2,…,n)，当输入数据为第s个训练样本时，第i个模糊子系统,第k个模糊规则的输出为：

其中

为一次多项式，

为参数，服从均匀分布[0,1],t＝1,2,…,M,k＝1,2,…,K表示变量个数。

步骤3：对于第s个训练样本，求第i个模糊子系统加权强度

其中

表示当输入为训练样本x_s时(x_s＝(x_s1,x_s2,…,x_sM))，第i个模糊子系统的第k个模糊规则的强度(k＝1,2,…,K)，公式如下所示：

其中

为输入样本x_st对应的高斯隶属度函数(t＝1,2,…,M)，其公式表示为：

其中

和

为参数，其中

的值为由C均值聚类方法求得的聚类中心的值，

步骤4：求n个模糊子系统的输出Zⁿ：

其中Z₁,Z₂,…,Z_n分别对应于n个子系统的输出，k₁,k₂,…,k_n分别对应于n个模糊子系统的模糊规则个数，第s个训练样本。

以第i个模糊子系统为例，则对于所有的训练样本，其输出矩阵Z_i通过如下公式求得：

其中Z_1i,Z_2i,…,Z_Ni分别表示对于N个训练样本，第i个模糊子系统的输出向量。以第s个样本为例，第i个模糊子系统的输出向量可由如下公式求得：

其中

和

分别由2)和3)所求得，k＝1,2,…,K。

步骤5：将步骤4所得的输出Zⁿ输入到步骤2中所提到的m个增强节点组进行非线性转换。第j个增强节点组有L_j个神经元(j＝1,2,…,m)，则对于m个增强节点组，其输出矩阵可以表示为：

其中L₁,L₂,…,L_m分别表示m个增强节点组包含的神经元个数，

是第j个增强节点组的输出矩阵，W_j表示模糊子系统输出与对应增强节点组之间的连接权值，β_j表示模糊子系统输出与第j个增强节点组的偏差，其值从[0,1]中随机生成。

步骤6：计算模糊子系统的去模糊化输出。则对于第s个训练样本x_s，第i个模糊子系统的去模糊化输出向量可以表示为：

这里我们引入参数

到每一个模糊规则的结果部分，参数值由伪逆运算方法得到，C表示输出的维度。由于

有C个维度，因此每个模糊子系统均为多输出模型。则参数引入之后，其新的输出为：

其中s＝1,2,…,N,那么，对于所有训练样本X，第i个模糊子系统的输出为：

其中，

由此，可得n个模糊子系统的输出：

其中，

是包含3)中所求加权强度

的矩阵。

步骤7：计算最终输出结果。模糊子系统与输出之间的权值设定为1，增强节点组和输出之间的权值设置为

将步骤4所得H^m和步骤5所得Fⁿ分别乘以对应权值然后求和，得到最终输出结果，公式如下所示：

对于给定的训练目标Y,矩阵W可以通过伪逆计算：

W＝(DΩ,H^m)⁺Y

其中，(DΩ,H^m)⁺＝((DΩ,H^m)^T(DΩ,H^m))^-1(DΩ,H^m)^T

至此，网络模型训练完毕。

B在线监测：

步骤8：在线监测阶段，将新数据

x_new,s＝(x_new,s1,x_new,s2,…,x_new,sM),s＝1,2,…,N，此时为一批数据N＝1344，M＝16，对于训练部分的n个模糊子系统，以第i个子系统为例，采用一阶T-S模糊系统，则有：

的值为训练部分中所对应的值。

步骤9：针对第s个测试样本，第i个模糊子系统的加权强度如下：

其中

表示第i个模糊子系统的第k个模糊规则的强度由如下公式求得：

其中

为输入样本x_new,st对应的高斯隶属度函数(t＝1,2,…,M)，其公式表示为：

其中

和

为参数，其值与训练部分对应参数值相同。

步骤10：对于所有测试样本，求n个模糊子系统的输出

公式如下：

第i个模糊子系统的输出Z_newi的公式如下：

以所有N个样本中的第s个训练样本为例，第i个模糊子系统的输出向量Z_new,si可以表示为：

其中(s＝1,2,…,N)

其中，

和

分别由步骤8和步骤9求得，k＝1,2,…,K。

步骤11：将步骤10所得的输出

进行非线性转换。则对于m个增强节点组，增强层的输出矩阵可以表示为：

其中

是第j个增强节点组的输出矩阵(j＝1,2,…,m)，W_j和β_j的值对应于网络训练部分。

步骤12：计算模糊子系统的去模糊化输出。引入参数

到每一个模糊规则的结果部分之后c＝1,2,…,C，对于第s个训练样本，第i个模糊子系统的去模糊化输出向量可以表示为：

那么，对于所有训练样本X，第i个模糊子系统的输出为：

其中，

由此，可得n个模糊子系统的输出：

其中，

是包含步骤9中所求加权强度

的矩阵。

步骤13：计算最终输出值。设置连接增强节点组合输出之间的权值设置为

其值由训练阶段得到，模糊子系统和输出之间的权值为1，将步骤11所得

和步骤12所得

分别乘以各自权值，然后求和得到最终输出。公式如下所示：

其中W值对应于网络训练部分参数矩阵的值。

步骤14：采用独热编码的方式将输出值

转换为零一判别，零时表示运行处于正常状态，当输出值为一时表示运行出现故障，从而实现故障的监测。

以上步骤即为本发明方法在BSM1平台污水处理过程故障监测的具体应用。实验中采用晴天和干旱两种天气状况下的两种类型故障，分别为单一型故障和复合型故障，故障发生时间均为第八天和第九天。实验结果如图3至图6所示。每幅图横坐标代表采样点，纵坐标为输出结果，呈现0,1判别，其中0表示运行状况正常，1表示出现故障。性能指标分别为误报警率(FAR)，漏报警率(MAR)和准确率(ACC)，其中：

单方面考虑误报警率(FAR)或漏报警率(MAR)不能全面的反映监测性能的好坏，因此对误报警率(FAR)或漏报警率(MAR)进行综合考虑，当误报警率(FAR)和漏报警率(MAR)同时较低的情况下，即准确率(ACC)指标较低的情况下认为监测性能较好。

针对华北地区，夏季雨水天气较多的情况，本方法具体在雨天工况下进行监测实验。将实验故障分为单一型故障和复合型故障。针对单一类型故障，每个子系统的模糊规则为8，增强节点组为10。对于故障1，故障幅值muh＝3.5，起始时间为673，终止时间为864。监测结果如图3所示，没有误报和漏报的发生，具有良好的监测性能，且网络训练所用时间为4.85s，能够及时检测到故障的发生。在同故障类型下，改变故障的幅度，使得muh＝1时，故障发生时间相同，其监测结果如图4所示，网络训练时间为4.67s,也能在故障开始时刻即时监测到故障的发生，具有良好的监测性能。

随后，雨天工况下的故障类型改变为复合型故障进行验证，系统共为10个模糊子系统，每个子系统包含8条模糊规则，增强节点组为10个。对于故障3，幅值为muh＝2，BH＝0.45，误报率为0，在720时刻开始有5个漏报产生，漏报率为2.62％，综合考虑误报和漏报，准确率ACC为0.37％，整体来说具有良好的监测效果，所用时间为7.85s，能够及时检测到故障的发生。针对故障4，改变故障幅值为muh＝2，BH＝0.45的情况，监测效果没有发生改变，也能够很好地发挥出检测性能，同时网络训练时间为8.07s。从以上4中故障的监测效果来看，，其整体性能和深度神经网络相比，在确保监测效果令人满意的情况下，本发明方法的网络训练耗时较少，极大地降低了污水处理厂的硬件资源消耗，普通的计算机就能够胜任，节约了成本，并且使得污水处理过程实现了故障的及时在线监测。

Claims (1)

1.一种基于模糊宽度自适应学习模型的污水处理过程故障监测方法，其特征包括“离线网络训练”和“在线监测”两个阶段，具体步骤如下：

A.离线网络训练阶段：

1)采集污水处理过程的历史数据{X，Y}作为训练数据，其中

Y作为标签数据，记录过程发生的状态，正常表示为0，故障表示为1，N是输入样本的个数，M表示变量个数，C表示输出维度，取值为2，即表示正常和故障两种状态；

2)对输入数据

x_s＝(x_s1，x_s2，...，x_sM)，s＝1，2，...，N，模型有n个模糊子系统，m个增强节点组，第i个模糊子系统包含K个模糊规则，采用一阶T-S模糊模型，其中，当输入数据为第s个训练样本时，第i个模糊子系统(i＝1，2，...，n)，第k个模糊规则的输出为：

其中

为一次多项式，

为参数，服从均匀分布[0，1]，t＝1，2，...，M，k＝1，2，...，K表示模糊规则的个数；

3)对于第s个训练样本，求第i个模糊子系统，第k个模糊规则的加权强度

其中

表示当输入为训练样本x_s时(x_s＝(x_s1，x_s2，...，x_sM))，第i个模糊子系统的第k个模糊规则的强度(k＝1，2，...，K)，公式如下所示：

其中

为输入样本x_st对应的高斯隶属度函数(t＝1，2，...，M)，其公式表示为：

其中

和

为参数，其中

的值为通过C均值聚类得到的聚类中心的值，

4)求对应第s个训练样本的n个模糊子系统的输出Zⁿ：

其中Z₁，Z₂，...，Z_n分别对应于n个子系统的输出；

以第i个模糊子系统为例，则对于所有的训练样本，其输出矩阵Z_i通过如下公式求得：

其中Z_1i，Z_2i，...，Z_Ni分别表示对于N个训练样本，第i个模糊子系统的输出向量，以第s个样本为例，第i个模糊子系统的输出向量可由如下公式求得：

其中

和

分别由上述2)和3)中公式所求得，k＝1，2，...，K；

5)将4)所得的输出Zⁿ输入到2)中所提到的m个增强节点组进行非线性转换；其中，第j个增强节点组有L_j个神经元(j＝1，2，...，m)，则对于m个增强节点组，其输出矩阵可以表示为：

其中L₁，L₂，...，L_m分别表示m个增强节点组包含的神经元个数，

是第j个增强节点组的输出矩阵，W_j表示模糊子系统输出与对应增强节点组之间的连接权值，β_j表示模糊子系统输出与第j个增强节点组的偏差，W_j、β_j的值均从[0，1]中随机生成，ξ_j为激活函数，其公式为ξ_j＝tanh(·)；

6)计算模糊子系统的去模糊化输出，并由此得到D，Ω，具体过程为：

对于第s个训练样本x_s，第i个模糊子系统的输出为：

其中s＝1，2，...，N，

为引入参数，参数值由伪逆运算方法得到，C表示输出的维度；

那么，对于所有训练样本X，第i个模糊子系统的输出为：

其中，

由此，n个模糊子系统的去模糊化输出为：

其中，

是包含3)中所求加权强度

的矩阵，

7)计算网络参数W，其中网络模型如下：

其中，

表示网络模型预测输出，D，Ω，H^m均由前述步骤计算得出，故输入训练数据Y，则得到网络模型中的参数W，具体公式如下所示：

W＝(DΩ，H^m)⁺Y

其中，(DΩ，H^m)⁺＝((DΩ，H^m)^T(DΩ，H^m))^-1(DΩ，H^m)^T，至此，网络模型训练完毕；

B在线监测：

根据实时监测获取的数据X_new计算得到新的D，Ω，H^m，其中，计算过程涉及到的参数与训练阶段保持一致，然后利用训练完成的网络模型进行预测，并采用独热编码的方式将输出值

转换为零一判别，零时表示运行处于正常状态，当输出值为一时表示运行出现故障，从而实现故障的监测。

Images