CN112591887B - 一种基于核主成分分析和贝叶斯网络的污泥膨胀诊断方法 - Google Patents
一种基于核主成分分析和贝叶斯网络的污泥膨胀诊断方法 Download PDFInfo
- Publication number
- CN112591887B CN112591887B CN202011221211.XA CN202011221211A CN112591887B CN 112591887 B CN112591887 B CN 112591887B CN 202011221211 A CN202011221211 A CN 202011221211A CN 112591887 B CN112591887 B CN 112591887B
- Authority
- CN
- China
- Prior art keywords
- sample
- sludge
- variable
- water
- sludge bulking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/30—Aerobic and anaerobic processes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Activated Sludge Processes (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Microbiology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Medicinal Chemistry (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Organic Chemistry (AREA)
- Data Mining & Analysis (AREA)
Abstract
一种基于核主成分分析和贝叶斯网络的污泥膨胀诊断方法属于智能诊断技术领域。针对污水处理过程中污泥膨胀现象难以准确检测以及污泥膨胀原因变量难以准确辨识的问题,本发明设计了一种基于核主成分分析和贝叶斯网络的污泥膨胀诊断方法,设计基于核主成分分析的检测模型,完成污泥膨胀现象的检测,设计基于贝叶斯网络的诊断模型,辨识引发污泥膨胀的根本原因变量。结果表明该智能诊断方法能够的准确检测污泥膨胀现象并且可以辨识引发污泥膨胀的根本原因变量,提高了污水处理的质量和效率,保障了污水处理过程的安全稳定运行。
Description
技术领域
本发明针对污水处理过程活性污泥工艺中频繁发生的污泥膨胀现象难以准确检测并且故障变量难以辨识的问题,设计了一种基于核主成分分析和贝叶斯网络的污泥膨胀诊断方法,实现了污泥膨胀的准确检测与故障变量辨识,对污水处理的稳定安全运行有着重要影响,既属于污水处理技术领域,又属于智能诊断领域。因此,污泥膨胀的智能诊断在污水处理系统中具有重要意义。
背景技术
活性污泥法由于具有结构简单,操作管理方便,处理效率高等优点,已被广泛应用于城市污水处理过程。然而,在活性污泥法污水处理过程中,频繁发生的污泥膨胀将造成污泥流失、出水水质超标,甚至导致运行系统崩溃,严重制约着城市污水处理的发展。因此,研究污泥膨智能诊断方法,对于确保污水处理的正常稳定运行,提高污水处理效率具有重要的研究意义。
国内外针对污泥膨胀诊断方法的研究已大量展开,然而诊断效果仍不容乐观。基于机理模型的方法通过建立微生物种群的形态特征,菌落结构与污泥沉降性能的关系来识别污泥膨胀现象。然而,由于引发污泥膨胀的微生物众多,对环境的适应能力不同,伴随着污水处理过程环境、工况的变化,基于机理模型的方法无法囊括所有微生物反应关系,影响了其识别污泥膨胀的准确性可靠性及应用性;基于数据驱动的诊断方法通过通过分析污水处理过程水质变量与污泥膨胀的关系,能够有效预测污泥膨胀现象,为污泥膨胀的早期预警提供信息。然而,污水处理过程存在非线性、时变特性且引发污泥膨胀变量众多,使得传统数据驱动方法无法准确检测和诊断污泥膨胀的发生以及引发污泥膨胀得根本原因变量。
本发明提出一种基于核主成分分析和贝叶斯网络的污泥膨胀诊断方法,通过设计基于核主成分分析的检测模型,解决污泥膨胀过程中的非线性与时变特性特征,提高污泥膨胀的检测精度,通过设计基于贝叶斯网络的智能诊断模型,评估过程水质变量之间的因果关系,诊断引发污泥膨胀的根本原因变量,该方法能够对污泥膨胀进行有效诊断,保障了污水处理过程的正常稳定运行。
发明内容
本发明获得了一种基于核主成分分析和贝叶斯网络的污泥膨胀诊断方法,该方法通过基于核主成分分析的检测模型,解决污泥膨胀过程中的非线性与时变特性特征,提高污泥膨胀的检测精度,同时采用基于贝叶斯网络的诊断模型诊断引发污泥膨胀的根本原因变量,解决了污泥膨胀难以准确检测和辨识的问题;
本发明采用了如下的技术方案及实现步骤:
1.一种基于核主成分分析和贝叶斯网络的污泥膨胀诊断方法,其特征在于,包含以下步骤:
(1)运行过程数据采集:以厌氧-缺氧-好氧工艺污水处理系统为研究对象,通过安装在工艺现场的采集仪表采集运行过程数据,包括12个关键水质变量:进水流量、进水化学需氧量、进水总磷浓度、进水总氮浓度、污泥负荷、溶解氧浓度、温度、好氧区污泥悬浮物浓度、二沉池污泥悬浮物浓度、回流污泥量、排出污泥量和出水酸碱度;
(2)污泥膨胀智能检测:设计基于递归核主成分分析的检测模型,包括:
①收集水厂运行过程中N1组正常工况下的数据样本构成训练样本矩阵X(t)=[x1(t),…,xi(t),…,xN1(t)]T,xi(t)=[xi,1(t),xi,2(t),…,xi,12(t)]为第i个训练样本,xi,1(t)为第i个训练样本的进水流量,xi,2(t)为第i个训练样本的进水化学需氧量,xi,3(t)为第i个训练样本的进水总磷浓度,xi,4(t)为第i个训练样本的进水总氮浓度,xi,5(t)为第i个训练样本的污泥负荷,xi,6(t)为第i个训练样本的溶解氧浓度,xi,7(t)为第i个训练样本的温度,xi,8(t)为第i个训练样本的好氧区污泥悬浮物浓度,xi,9(t)为第i个训练样本的二沉池污泥悬浮物浓度,xi,10(t)为第i个训练样本的回流污泥量,xi,11(t)为第i个训练样本的排出污泥量,xi,12(t)为第i个训练样本的出水酸碱度,N1表示X(t)中数据样本的个数,T为转置;
其中,K(t)为样本核矩阵,K(t)计算方式为:
其中,ki,j(t)为xi(t)与xj(t)之间的核函数值,xi(t)=[xi,1(t),xi,2(t),…,xi,12(t)]为第i个训练样本,xj(t)=[xj,1(t),xj,2(t),…,xj,12(t)]为第j个训练样本,||xi(t)-xj(t)||表示xi(t)与xj(t)之间的欧式距离,σ为高斯核宽度,e=2.718;
③计算主元贡献率C(t)
其中,λ(t)为的特征值矩阵,λi(t)为的第i个特征值,α(t)=[α1(t),…,αi(t),…,αN1(t)]T为的特征向量矩阵,αi(t)=[αi,1(t),…,αi,j(t),…,αi,N1(t)]为的第i个特征向量,αi,j(t)为第i个特征向量αi(t)的第j个元素值;
④在线采集水厂运行过程中的测试样本 为测试样本的进水流量,为测试样本的进水化学需氧量,为测试样本的进水总磷浓度,为测试样本的进水总氮浓度,为测试样本的污泥负荷,为测试样本的溶解氧浓度,为测试样本的温度,为测试样本的好氧区污泥悬浮物浓度,为测试样本的二沉池污泥悬浮物浓度,为测试样本的回流污泥量,为测试样本的排出污泥量,为测试样本的出水酸碱度;
T2(t)=z(t)Λ(t)-1z(t)T, (8)
z(t)=[z1(t),z2(t),...,zl(t),...,zL(t)], (10)
其中,FL,N1-L,β1(t)表示自由度为(L,N1-L),置信度β1=0.95的概率分布函数值;
(3)污泥膨胀成因智能诊断:设计基于贝叶斯网络的诊断模型,包括:
1)收集水厂运行过程中N2组污泥膨胀样本作为训练样本,第k个污泥膨胀训练样本为 为第k个污泥膨胀样本的进水流量,为第k个污泥膨胀样本的进水化学需氧量,为第k个污泥膨胀样本的进水总磷浓度,为第k个污泥膨胀样本的进水总氮浓度,为第k个污泥膨胀样本的污泥负荷,为第k个污泥膨胀样本的溶解氧浓度,为第k个污泥膨胀样本的温度,为第k个污泥膨胀样本的好氧区污泥悬浮物浓度,为第k个污泥膨胀样本的二沉池污泥悬浮物浓度,为第k个污泥膨胀样本的回流污泥量,为第k个污泥膨胀样本的排出污泥量,为第k个污泥膨胀样本的出水酸碱度,N2表示污泥膨胀训练样本的个数,N2取大于100的正整数;
2)评估变量之间的因果关系
③计算统计量F(t)
其中,当F(t)大于自由度为(Q,N2-2Q-1),置信度β2=0.05的概率分布函数值FQ,N2-2Q-1,β2(t)时,表明变量的发生促使变量的拟合性能得到显著改善,变量为变量的原因变量;当F(t)小于等于自由度为(Q,N2-2Q-1),置信度β2=0.05的概率分布函数值FQ,N2-2Q-1,β2(t)时,则变量不是变量的原因变量;
3)评估变量之间的概率
其中,P(r(m)(t)|s(n)(t))为变量处于状态s(t)∈{0,1}的条件下,变量处于状态r(t)∈{0,1}的条件概率,r(t)=0表示故障状态,r(t)=1表示正常状态,为第k样本中变量的状态,为第k个样本中变量的状态, 表示:当且时,否则, 表示:当时,否则,
②更新贝叶斯网络节点概率
P(s(n)(t)|r(max)(t))=P(r(max)(t)|s(n)(t))×P(s(n)(t))/P(r(max)(t)),n=1,2,...,12, (21)
其中,P(s(n)(t)|r(max)(t))为处于状态r(t)的条件下,处于状态s(t)的概率,P(r(max)(t)|s(n)(t))为处于状态s(t)的条件下,处于状态r(t)的条件概率,P(r(max)(t))为处于状态r(t)的证据概率,设证据变量处于故障状态的证据概率为100%;
(4)根据基于核主成分分析和贝叶斯网络的污泥膨胀诊断方法获取监测指标T2(t)、监测指标控制限和贝叶斯网络节点变量故障概率增加百分比,当时,为正常样本;当时,为污泥膨胀样本,并将贝叶斯网络根节点中故障概率增加百分比最高的变量作为的根本原因变量。
本发明的创造性主要体现在:
(1)本发明针对当前污水处理厂中污泥膨胀现象难以识别的问题,提出了一种基于核主成分析和贝叶斯网络的污泥膨胀诊断方法,根据污水处理厂在线采集仪表选取12个关键水质变量:进水流量、进水化学需氧量、进水总磷浓度、进水总氮浓度、污泥负荷、溶解氧浓度、温度、好氧区污泥悬浮物浓度、二沉池污泥悬浮物浓度、回流污泥量、排出污泥量和出水酸碱度;收集正常工况下的数据样本构成训练样本,训练基于核主成分分析的检测模型,得到正常工况下的数据样本分布,并将在线采集到的测试样本输入至训练好的检测模型,判断测试样本是否为污泥膨胀样本;
(2)本发明设计基于贝叶斯网络的诊断模型,从污泥膨胀样本数据中提取过程变量之间的因果关系和概率关系,并结合均方贡献图选取证据变量,更新贝叶斯网络辨识污泥膨胀测试样本的根本原因变量;
特别要注意:本发明设计基于核主成分分析的检测模型和基于贝叶斯网络的诊断模型对污泥膨胀进行智能诊断,只要采用本发明的核主成分分析和贝叶斯网络进行污泥膨胀智能检测与辨识方法的研究都应属于本发明的范围。
附图说明
图1是本发明的基于核主成分分析的检测模型测试结果图,其中蓝线为测试样本T2统计量值,红线为测试样本T2控制限值;
图2是本发明的基于贝叶斯网络的诊断模型诊断结果图,其中State 0表示故障状态概率值,State 1表示正常状态概率值;
图3是本发明的贝叶斯网络根节点故障概率增加百分比图;
具体实施方式
本发明选取进水流量、进水化学需氧量、进水总磷浓度、进水总氮浓度、污泥负荷、溶解氧浓度、温度、好氧区污泥悬浮物浓度、二沉池污泥悬浮物浓度、回流污泥量、排出污泥量和出水酸碱度,其中,进水流量、化学需氧量、进水总磷浓度、进水总氮浓度、溶解氧浓度、好氧区污泥悬浮物浓度、二沉池污泥悬浮物浓度、回流污泥量和排出污泥量单位为mg/L,污泥负荷单位为kgCOD/(kgMLSS·d),温度单位为℃,出水酸碱度没有单位;
实验数据来自某污水处理厂2018年水质数据:分别选取进水流量、进水化学需氧量、进水总磷浓度、进水总氮浓度、污泥负荷、溶解氧浓度、温度、好氧区污泥悬浮物浓度、二沉池污泥悬浮物浓度、回流污泥量、排出污泥量和出水酸碱度的实际检测数据作为实验样本数据,剔除异常实验样本后剩余500组正常样本数据和800组污泥膨胀样本数据为可用数据,400组正常样本数据用于训练基于核主成分分析的检测模型,500组污泥膨胀样本数据用于训练基于贝叶斯网络的诊断模型,100组正常样本数据和300组低进水化学需氧量污泥膨胀样本数据作为测试样本;本发明采用如下的技术方案及实现步骤:
基于核主成分分析和贝叶斯网络的污泥膨胀诊断方法具体步骤如下:
1.一种基于核主成分分析和贝叶斯网络的污泥膨胀诊断方法,其特征在于,包括以下步骤:
(1)运行过程数据采集:以厌氧-缺氧-好氧工艺污水处理系统为研究对象,通过安装在工艺现场的采集仪表采集运行过程数据,包括12个关键水质变量:进水流量、进水化学需氧量、进水总磷浓度、进水总氮浓度、污泥负荷、溶解氧浓度、温度、好氧区污泥悬浮物浓度、二沉池污泥悬浮物浓度、回流污泥量、排出污泥量和出水酸碱度;
(2)污泥膨胀智能检测:设计基于核主成分分析的检测模型,包括:
①收集水厂运行过程中N1组正常工况下的数据样本构成训练样本矩阵X(t)=[x1(t),…,xi(t),…,xN1(t)]T,xi(t)=[xi,1(t),xi,2(t),…,xi,12(t)]为第i个训练样本,xi,1(t)为第i个训练样本的进水流量,xi,2(t)为第i个训练样本的进水化学需氧量,xi,3(t)为第i个训练样本的进水总磷浓度,xi,4(t)为第i个训练样本的进水总氮浓度,xi,5(t)为第i个训练样本的污泥负荷,xi,6(t)为第i个训练样本的溶解氧浓度,xi,7(t)为第i个训练样本的温度,xi,8(t)为第i个训练样本的好氧区污泥悬浮物浓度,xi,9(t)为第i个训练样本的二沉池污泥悬浮物浓度,xi,10(t)为第i个训练样本的回流污泥量,xi,11(t)为第i个训练样本的排出污泥量,xi,12(t)为第i个训练样本的出水酸碱度,N1表示X(t)中数据样本的个数,T为转置;
其中,K(t)为样本核矩阵,K(t)计算方式为:
其中,ki,j(t)为xi(t)与xj(t)之间的核函数值,xi(t)=[xi,1(t),xi,2(t),…,xi,12(t)]为第i个训练样本,xj(t)=[xj,1(t),xj,2(t),…,xj,12(t)]为第j个训练样本,||xi(t)-xj(t)||表示xi(t)与xj(t)之间的欧式距离,σ为高斯核宽度,e=2.718;
③计算主元贡献率C(t)
其中,λ(t)为的特征值矩阵,λi(t)为的第i个特征值,α(t)=[α1(t),…,αi(t),…,αN1(t)]T为的特征向量矩阵,αi(t)=[αi,1(t),…,αi,j(t),…,αi,N1(t)]为的第i个特征向量,αi,j(t)为第i个特征向量αi(t)的第j个元素值;
④在线采集水厂运行过程中的测试样本 为测试样本的进水流量,为测试样本的进水化学需氧量,为测试样本的进水总磷浓度,为测试样本的进水总氮浓度,为测试样本的污泥负荷,为测试样本的溶解氧浓度,为测试样本的温度,为测试样本的好氧区污泥悬浮物浓度,为测试样本的二沉池污泥悬浮物浓度,为测试样本的回流污泥量,为测试样本的排出污泥量,为测试样本的出水酸碱度;
T2(t)=z(t)Λ(t)-1z(t)T, (29)
z(t)=[z1(t),z2(t),...,zl(t),...,zL(t)], (31)
其中,FL,N1-L,β1(t)表示自由度为(L,N1-L),置信度β1=0.95的概率分布函数值;
(3)污泥膨胀成因智能诊断:设计基于贝叶斯网络的诊断模型,包括:
1)收集水厂运行过程中N2组污泥膨胀样本作为训练样本,第k个污泥膨胀训练样本为 为第k个污泥膨胀样本的进水流量,为第k个污泥膨胀样本的进水化学需氧量,为第k个污泥膨胀样本的进水总磷浓度,为第k个污泥膨胀样本的进水总氮浓度,为第k个污泥膨胀样本的污泥负荷,为第k个污泥膨胀样本的溶解氧浓度,为第k个污泥膨胀样本的温度,为第k个污泥膨胀样本的好氧区污泥悬浮物浓度,为第k个污泥膨胀样本的二沉池污泥悬浮物浓度,为第k个污泥膨胀样本的回流污泥量,为第k个污泥膨胀样本的排出污泥量,为第k个污泥膨胀样本的出水酸碱度,N2表示污泥膨胀训练样本的个数,N2取大于100的正整数;
2)评估变量之间的因果关系
③计算统计量F(t)
其中,当F(t)大于自由度为(Q,N2-2Q-1),置信度β2=0.05的概率分布函数值FQ,N2-2Q-1,β2(t)时,表明变量的发生促使变量的拟合性能得到显著改善,变量为变量的原因变量;当F(t)小于等于自由度为(Q,N2-2Q-1),置信度β2=0.05的概率分布函数值FQ,N2-2Q-1,β2(t)时,则变量不是变量的原因变量;
3)评估变量之间的概率
其中,P(r(m)(t)|s(n)(t))为变量处于状态s(t)∈{0,1}的条件下,变量处于状态r(t)∈{0,1}的条件概率,r(t)=0表示故障状态,r(t)=1表示正常状态,为第k个样本中变量的状态,为第k个样本中变量的状态, 表示:当且时,否则, 表示:当时,否则,
②更新贝叶斯网络节点概率
P(s(n)(t)|r(max)(t))=P(r(max)(t)|s(n)(t))×P(s(n)(t))/P(r(max)(t)),n=1,2,...,12, (42)
其中,P(s(n)(t)|r(max)(t))为处于状态r(t)的条件下,处于状态s(t)的概率,P(r(max)(t)|s(n)(t))为处于状态s(t)的条件下,处于状态r(t)的条件概率,P(r(max)(t))为处于状态r(t)的证据概率,设证据变量处于故障状态的证据概率为100%;
Claims (1)
1.一种基于核主成分分析和贝叶斯网络的污泥膨胀诊断方法,其特征在于,包含以下步骤:
(1)运行过程数据采集:以厌氧-缺氧-好氧工艺污水处理系统为研究对象,通过安装在工艺现场的采集仪表采集运行过程数据,包括12个关键水质变量:进水流量、进水化学需氧量、进水总磷浓度、进水总氮浓度、污泥负荷、溶解氧浓度、温度、好氧区污泥悬浮物浓度、二沉池污泥悬浮物浓度、回流污泥量、排出污泥量和出水酸碱度;
(2)污泥膨胀智能检测:设计基于核主成分分析的检测模型,包括:
①收集水厂运行过程中N1组正常工况下的数据样本构成训练样本矩阵X(t)=[x1(t),…,xi(t),…,xN1(t)]T,xi(t)=[xi,1(t),xi,2(t),…,xi,12(t)]为第i个训练样本,xi,1(t)为第i个训练样本的进水流量,xi,2(t)为第i个训练样本的进水化学需氧量,xi,3(t)为第i个训练样本的进水总磷浓度,xi,4(t)为第i个训练样本的进水总氮浓度,xi,5(t)为第i个训练样本的污泥负荷,xi,6(t)为第i个训练样本的溶解氧浓度,xi,7(t)为第i个训练样本的温度,xi,8(t)为第i个训练样本的好氧区污泥悬浮物浓度,xi,9(t)为第i个训练样本的二沉池污泥悬浮物浓度,xi,10(t)为第i个训练样本的回流污泥量,xi,11(t)为第i个训练样本的排出污泥量,xi,12(t)为第i个训练样本的出水酸碱度,N1表示X(t)中数据样本的个数,T为转置;
其中,K(t)为样本核矩阵,K(t)计算方式为:
其中,ki,j(t)为xi(t)与xj(t)之间的核函数值,xi(t)=[xi,1(t),xi,2(t),…,xi,12(t)]为第i个训练样本,xj(t)=[xj,1(t),xj,2(t),…,xj,12(t)]为第j个训练样本,||xi(t)-xj(t)||表示xi(t)与xj(t)之间的欧式距离,σ为高斯核宽度,e=2.718;
③计算主元贡献率C(t)
其中,λ(t)为的特征值矩阵,λi(t)为的第i个特征值,α(t)=[α1(t),…,αi(t),…,αN1(t)]T为的特征向量矩阵,αi(t)=[αi,1(t),…,αi,j(t),…,αi,N1(t)]为的第i个特征向量,αi,j(t)为第i个特征向量αi(t)的第j个元素值;
④在线采集水厂运行过程中的测试样本 为测试样本的进水流量,为测试样本的进水化学需氧量,为测试样本的进水总磷浓度,为测试样本的进水总氮浓度,为测试样本的污泥负荷,为测试样本的溶解氧浓度,为测试样本的温度,为测试样本的好氧区污泥悬浮物浓度,为测试样本的二沉池污泥悬浮物浓度,为测试样本的回流污泥量,为测试样本的排出污泥量,为测试样本的出水酸碱度;
z(t)=[z1(t),z2(t),…,zl(t),…,zL(t)], (10)
其中,FL,N1-L,β1(t)表示自由度为(L,N1-L),置信度β1=0.95的概率分布函数值;
(3)污泥膨胀成因智能诊断:设计基于贝叶斯网络的诊断模型,包括:
1)收集水厂运行过程中N2组污泥膨胀样本作为训练样本,第k个污泥膨胀训练样本为 为第k个污泥膨胀样本的进水流量,为第k个污泥膨胀样本的进水化学需氧量,为第k个污泥膨胀样本的进水总磷浓度,为第k个污泥膨胀样本的进水总氮浓度,为第k个污泥膨胀样本的污泥负荷,为第k个污泥膨胀样本的溶解氧浓度,为第k个污泥膨胀样本的温度,为第k个污泥膨胀样本的好氧区污泥悬浮物浓度,为第k个污泥膨胀样本的二沉池污泥悬浮物浓度,为第k个污泥膨胀样本的回流污泥量,为第k个污泥膨胀样本的排出污泥量,为第k个污泥膨胀样本的出水酸碱度,N2表示污泥膨胀训练样本的个数,N2取大于100的正整数;
2)评估变量之间的因果关系
③计算统计量F(t)
其中,当F(t)大于自由度为(Q,N2-2Q-1),置信度β2=0.05的概率分布函数值FQ,N2-2Q-1,β2(t)时,表明变量的发生促使变量的拟合性能得到显著改善,变量为变量的原因变量;当F(t)小于等于自由度为(Q,N2-2Q-1),置信度β2=0.05的概率分布函数值FQ,N2-2Q-1,β2(t)时,则变量不是变量的原因变量;
3)评估变量之间的概率
其中,P(r(m)(t)|s(n)(t))为变量处于状态s(t)∈{0,1}的条件下,变量处于状态r(t)∈{0,1}的条件概率,r(t)=0表示故障状态,r(t)=1表示正常状态,为第k个样本中变量的状态,为第k个样本中变量的状态,表示:当且时,否则, 表示:当时,否则,
②更新贝叶斯网络节点概率
P(s(n)(t)|r(max)(t))=P(r(max)(t)|s(n)(t))×P(s(n)(t))/P(r(max)(t)),n=1,2,...,12, (21)
其中,P(s(n)(t)|r(max)(t))为处于状态r(t)的条件下,处于状态s(t)的概率,P(r(max)(t)|s(n)(t))为处于状态s(t)的条件下,处于状态r(t)的条件概率,P(r(max)(t))为处于状态r(t)的证据概率,设证据变量处于故障状态的证据概率为100%;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011221211.XA CN112591887B (zh) | 2020-11-03 | 2020-11-03 | 一种基于核主成分分析和贝叶斯网络的污泥膨胀诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011221211.XA CN112591887B (zh) | 2020-11-03 | 2020-11-03 | 一种基于核主成分分析和贝叶斯网络的污泥膨胀诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112591887A CN112591887A (zh) | 2021-04-02 |
CN112591887B true CN112591887B (zh) | 2022-09-20 |
Family
ID=75180607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011221211.XA Active CN112591887B (zh) | 2020-11-03 | 2020-11-03 | 一种基于核主成分分析和贝叶斯网络的污泥膨胀诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112591887B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114636788B (zh) * | 2022-02-28 | 2022-12-16 | 华南理工大学 | 基于改进贡献图和格兰杰因果分析的污泥膨胀诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5677476B2 (ja) * | 2013-01-18 | 2015-02-25 | 株式会社東芝 | 膜ファウリング診断・制御装置、膜ファウリング診断・制御方法及び膜ファウリング診断・制御プログラム |
JP6501593B2 (ja) * | 2015-04-03 | 2019-04-17 | 住友化学株式会社 | 予測ルール生成システム、予測システム、予測ルール生成方法及び予測方法 |
JP5925371B1 (ja) * | 2015-09-18 | 2016-05-25 | 三菱日立パワーシステムズ株式会社 | 水質管理装置、水処理システム、水質管理方法、および水処理システムの最適化プログラム |
CN111126870B (zh) * | 2019-12-30 | 2023-10-27 | 华东理工大学 | 利用集成主成分分析的污水处理过程异常工况检测方法 |
-
2020
- 2020-11-03 CN CN202011221211.XA patent/CN112591887B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112591887A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
CN107025338B (zh) | 一种基于递归rbf神经网络的污泥膨胀故障辨识方法 | |
US10919791B2 (en) | Intelligent identification method of sludge bulking based on type-2 fuzzy neural network | |
CN109492265B (zh) | 基于动态非线性pls软测量方法的废水出水指标预测方法 | |
CN112417765B (zh) | 一种基于改进师生网络模型的污水处理过程故障检测方法 | |
CN111160776A (zh) | 利用分块主成分分析的污水处理过程异常工况检测方法 | |
CN108088974B (zh) | 一种厌氧同时反硝化产甲烷过程出水硝氮的软测量方法 | |
CN108536106B (zh) | 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法 | |
CN112989704B (zh) | 一种基于de算法的irfm-cmnn出水bod浓度预测方法 | |
CN112591887B (zh) | 一种基于核主成分分析和贝叶斯网络的污泥膨胀诊断方法 | |
CN114662895A (zh) | 管网综合风险评估方法及装置 | |
CN113393081A (zh) | 一种适用于再生水补给河流的健康评价方法 | |
Kocijan et al. | Sequencing batch-reactor control using Gaussian-process models | |
CN113658640B (zh) | 一种淡水生态系统健康评价方法 | |
CN111125907A (zh) | 一种基于混合智能模型的污水处理氨氮软测量方法 | |
CN117776336A (zh) | 水预处理方法及厌氧氨氧化水处理工艺 | |
CN116881747B (zh) | 基于医疗废水监测的智能处理方法及系统 | |
CN110532699B (zh) | 基于模糊dcd的湿法冶金浓密洗涤过程故障诊断方法 | |
CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
CN117312939A (zh) | 基于深度学习的sofc系统工况辨识方法 | |
CN105759787B (zh) | 一种基于切换有监督线性动态系统模型的故障诊断方法 | |
CN116821628A (zh) | 一种多因素耦合的鱼道效果间接评价与问题诊断方法 | |
CN114861543A (zh) | 一种数据驱动的石化污水可生化性智能评价方法 | |
CN114781166B (zh) | 基于加权概率慢特征模型的污水处理过程软测量方法 | |
CN113838542B (zh) | 化学需氧量智能预测方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |