CN112599205B - 事件驱动的污水处理过程出水总磷软测量模型设计方法 - Google Patents

Abstract

本发明公开了一种事件驱动的污水处理过程出水总磷软测量模型设计方法及装置，方法包括：首先，对从污水处理厂获取的原始数据进行预处理，得到待处理任务样本集。然后，利用互信息分析和统计方法对参数变量间的相关性进行度量，选取与出水总磷具有较大相关性的辅助变量。最后，建立基于深度信念网络的出水总磷软测量模型，根据软测量模型训练过程中反映出的数据特性定义事件，并设计事件驱动的软测量模型高效学习策略，进而实现出水总磷的高效、精确检测。本发明利用事件驱动的高效学习策略训练出水总磷软测量模型，提高了样本集的数据效率和总磷检测时效性。

Description

事件驱动的污水处理过程出水总磷软测量模型设计方法

技术领域

本发明涉及人工智能驱动的自动化技术领域，特别涉及一种事件驱动的污水处理过程出水总磷软测量模型设计方法及装置。

背景技术

水资源关系经济社会可持续发展和国计民生，已成为世界各国关注的焦点问题。在城市污水中，磷是引起水体富营养化，导致藻类大量繁殖和影响水质的最主要因素。总磷浓度是反映城市污水处理出水水质的关键指标，为使污水处理系统处于良好的运行工况并获得达标的出水水质，对污水总磷进行及时、准确地检测显得尤为重要。

目前，常用的总磷检测方法主要是基于人工智能神经网络的软测量技术。随着国家不断推进智慧城市和生态文明建设，对污水处理厂出水水质的达标要求不断提高，给现有的出水总磷软测量方法带来了新的挑战。主要体现在：(1)现有的人工神经网络软测量模型均采用浅层结构，无法完成对复杂数据进行分层学习和深层特征提取的任务；(2)实际污水处理过程产生的数据含有大量的噪音，即数据效率低下，这导致软测量模型无法实现对出水总磷进行高效、精确的实时检测。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种事件驱动的污水处理过程出水总磷软测量模型设计方法，该方法解决了污水处理过程出水总磷软测量效率低下的问题，利用事件驱动的高效学习策略训练出水总磷软测量模型，提高了样本集的数据效率和出水总磷检测时效性。

本发明的另一个目的在于提出一种事件驱动的污水处理过程出水总磷软测量模型设计装置。

为达到上述目的，本发明一方面实施例提出了一种事件驱动的污水处理过程出水总磷软测量模型设计方法，包括：

S1，获取污水处理厂的出水总磷原始数据，对所述原始数据进行预处理得到待处理任务的样本集，通过互信息分析和统计方法对所述样本集中的参数变量与出水总磷间的相关性进行度量，根据度量结果选取多个变量作为辅助变量；

S2，根据所述辅助变量与出水总磷的对应关系，建立基于深度信念网络的出水总磷软测量模型，根据所述出水总磷软测量模型训练过程中反映出的污水处理过程数据特性定义事件，并设计事件驱动的软测量模型参数高效学习策略，利用实际出水总磷数据对所述出水总磷软测量模型进行事件驱动式训练；

S3，利用训练好的出水总磷软测量模型对出水总磷进行预测，并根据预测结果对所述出水总磷软测量模型进行评估。

另外，根据本发明上述实施例的事件驱动的污水处理过程出水总磷软测量模型设计方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，根据度量结果选取多个变量作为辅助变量，包括：

通过互信息计算公式计算所述样本集中的参数变量与出水总磷间的互信息值，将所述互信息值由大到小进行排列，从最大的互信息值开始，选取预设数量的变量作为所述辅助变量。

进一步地，在本发明的一个实施例中，所述S2进一步包括：

S21，定义表征误差下降量的指标γ^δ(i)，δ步误差下降值为：

γ^δ(i)＝ε(i)-ε(i-δ)

其中，N是训练样本的数量，i＝1,2,…,N，ε(i)是训练过程的均方误差，y为目标输出，

为出水总磷软测量模型输出；

S22，定义四种事件：

其中，<γ^δ(i),κ^δ(i)>用来表示输出的误差状态，κ^δ(i)＝|γ^δ(i)-γ^δ(i-δ)|是在δ步间隔下连续两次迭代的误差下降量，当在δ步间隔下连续三次迭代的训练误差下降率增大时，认为事件E₁发生；当在δ步间隔下连续三次迭代的训练误差增大、训练误差下降率降低或震荡时，认为事件E₂、E₃或E₄发生；

S23，当事件E₁发生时，触发参数更新操作；当事件E₂、E₃或E₄发生时，不进行参数更新，保持原来状态，更新策略为：

其中，

W(t)为出水总磷软测量模型的权值参数矩阵；

S24，对每一组训练数据，执行步骤S23，如果满足事件E₁触发条件，则进行参数更新操作；如果不满足，则不进行参数更新，同时跳到下一组数据，重复执行此策略，直到完成对所有训练数据的一次迭代。

进一步地，在本发明的一个实施例中，通过评估指标对所述出水总磷软测量模型进行评估，评估指标为：

其中，N是训练样本的数量，y为目标输出，

为出水总磷软测量模型实际输出，/>

出水总磷软测量模型平均输出，P_e是平均百分比误差，S_e是均方误差，R²是决定系数，R²越接近1说明预测值与目标值拟合的效果越好，R²越接近0说明预测值与目标值拟合效果越差。

进一步地，在本发明的一个实施例中，还包括：

根据评估结果对所述出水总磷软测量模型参数进行调整，以优化所述出水总磷软测量模型性能。

为达到上述目的，本发明另一方面实施例提出了一种事件驱动的污水处理过程出水总磷软测量模型设计装置，包括：

处理模块，用于获取污水处理厂的出水总磷原始数据，对所述原始数据进行预处理得到待处理任务的样本集，通过互信息分析和统计方法对所述样本集中的参数变量与出水总磷间的相关性进行度量，根据度量结果选取多个变量作为辅助变量；

训练模块，用于根据所述辅助变量与出水总磷的对应关系，建立基于深度信念网络的出水总磷软测量模型，根据所述出水总磷软测量模型训练过程中反映出的污水处理过程数据特性定义事件，并设计事件驱动的软测量模型参数高效学习策略，利用实际出水总磷数据对所述出水总磷软测量模型进行事件驱动式训练；

预测模块，用于利用训练好的出水总磷软测量模型对出水总磷进行预测，并根据预测结果对所述出水总磷软测量模型进行评估。

另外，根据本发明上述实施例的事件驱动的污水处理过程出水总磷软测量模型设计装置还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，根据度量结果选取多个变量作为辅助变量，包括：

通过互信息计算公式计算所述样本集中的参数变量与出水总磷间的互信息值，将所述互信息值由大到小进行排列，从最大的互信息值开始，选取预设数量的变量作为所述辅助变量。

进一步地，在本发明的一个实施例中，所述训练模块包括：

指标定义单元，用于定义表征误差下降量的指标γ^δ(i)，δ步误差下降值为：

γ^δ(i)＝ε(i)-ε(i-δ)

其中，N是训练样本的数量，i＝1,2,…,N，ε(i)是训练过程的均方误差，y为目标输出，

为出水总磷软测量模型输出；

事件定义单元，定义四种事件：

其中，<γ^δ(i),κ^δ(i)>用来表示输出的误差状态，κ^δ(i)＝|γ^δ(i)-γ^δ(i-δ)|是在δ步间隔下连续两次迭代的误差下降量，当在δ步间隔下连续三次迭代的训练误差下降率增大时，认为事件E₁发生；当在δ步间隔下连续三次迭代的训练误差增大、训练误差下降率降低或震荡时，认为事件E₂、E₃或E₄发生；

更新策略设计单元，用于当事件E₁发生时，触发参数更新操作；当事件E₂、E₃或E₄发生时，不进行参数更新，保持原来状态，更新策略为：

其中，

W(t)为出水总磷软测量模型的权值参数矩阵；

参数更新单元，用于对每一组训练数据，执行所述更新策略设计单元，如果满足事件E₁触发条件，则进行参数更新操作；如果不满足，则不进行参数更新，同时跳到下一组数据，重复执行此策略，直到完成对所有训练数据的一次迭代。

进一步地，在本发明的一个实施例中，通过评估指标对所述出水总磷软测量模型进行评估，评估指标为：

其中，N是训练样本的数量，y为目标输出，

为出水总磷软测量模型实际输出，/>

出水总磷软测量模型平均输出，P_e是平均百分比误差，S_e是均方误差，R²是决定系数，R²越接近1说明预测值与目标值拟合的效果越好，R²越接近0说明预测值与目标值拟合效果越差。

进一步地，在本发明的一个实施例中，还包括：优化模块，

所述优化模块，用于根据评估结果对所述出水总磷软测量模型参数进行调整，以优化所述出水总磷软测量模型性能。

本发明实施例的事件驱动的污水处理过程出水总磷软测量模型设计方法及装置，与现有技术相比，本发明具有以下优点：

(1)针对现有的浅层神经网络软测量模型表述能力和深层特征提取能力不足的问题，采用深度信念网络作为污水处理过程出水总磷软测量模型。通过结合深度信念网络的高维特征提取与分层学习机理，实现对污水处理过程出水总磷动力学特性的精确表述。

(2)针对现有软测量模型无法主动提升数据效率的不足，提出了一种事件驱动的软测量模型高效训练方法。根据软测量模型训练过程中反映出的污水处理过程数据特性定义事件，当特定事件被触发时，软测量模型会进行参数更新，否则软测量模型维持原状态。这种主动选择性学习策略大大提升了数据的有效性和软测量模型训练效率。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的事件驱动的污水处理过程出水总磷软测量模型设计方法流程图；

图2为根据本发明一个实施例的污水处理过程活性污泥处理工艺图；

图3为根据本发明一个实施例的辅助变量选取结果图示；

图4为根据本发明一个实施例的基于深度信念网络的总磷软测量原理图；

图5为根据本发明一个实施例的事件驱动的软测量模型训练机制图；

图6为根据本发明一个实施例的基于训练误差变化特性的事件定义图示；

图7为根据本发明一个实施例的事件驱动的高效学习策略图示；

图8为根据本发明一个实施例的事件驱动的深度信念网络软测量模型训练过程图；

图9为根据本发明一个实施例的包括事件驱动的出水总磷软测量模型在内的三种预测结果及误差示意图；

图10为根据本发明一个实施例的事件驱动的出水总磷软测量模型在内的三种预测散点图；

图11为根据本发明一个实施例的事件驱动的污水处理过程出水总磷软测量模型设计装置结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的事件驱动的污水处理过程出水总磷软测量模型设计方法及装置。

首先将参照附图描述根据本发明实施例提出的事件驱动的污水处理过程出水总磷软测量模型设计方法。

图1为根据本发明一个实施例的事件驱动的污水处理过程出水总磷软测量模型设计方法流程图。

如图1所示，该事件驱动的污水处理过程出水总磷软测量模型设计方法包括以下步骤：

步骤S1，获取污水处理厂的出水总磷原始数据，对原始数据进行预处理得到待处理任务的样本集，通过互信息分析和统计方法对样本集中的参数变量与出水总磷间的相关性进行度量，根据度量结果选取多个变量作为辅助变量。

进一步地，根据度量结果选取多个变量作为辅助变量，包括：通过互信息计算公式计算样本集中的参数变量与出水总磷间的互信息值，将互信息值由大到小进行排列，从最大的互信息值开始，选取预设数量的变量作为辅助变量。

如图2所示，污水处理过程复杂多变，呈现出高度的非线性特征。传统的线性回归分析难以有效地挖掘并提取出参数变量间的相关性，因此本发明的实施例引入互信息分析法对参数变量间的相关性进行度量，其最大的优势在于能有效地刻画出参数间的非线性关系。互信息能够表示两个变量之间所共有的信息量，是衡量变量间相互依赖程度的度量。给定两个随机变量X和Y，如果其边缘概率分布和联合概率分布分别是p(x)，p(y)和p(x,y)，则两变量间的互信息I(X,Y)可计算如下：

其中，当变量X和变量Y完全无关时，互信息为0；反之，两变量间的相关性越大则互信息越大，即所包含共同信息越多。

从实际污水处理厂采集数据可测变量的相关数据，通过式(1)分别计算相关参数变量与出水总磷间的互信息值，并从中选取与出水总磷互信息值较大的变量作为辅助变量。如图3所示，选取前10个作为辅助变量。

步骤S2，根据辅助变量与出水总磷的对应关系，建立基于深度信念网络的出水总磷软测量模型，根据出水总磷软测量模型训练过程中反映出的污水处理过程数据特性定义事件，并设计事件驱动的软测量模型参数高效学习策略，利用实际出水总磷数据对出水总磷软测量模型进行事件驱动式训练。

进一步地，在本发明的一个实施例中，如图4和图5所示，S2进一步包括：

S21，定义一个表征误差下降量的指标γ^δ(i)，δ步误差下降值，如下式所示：

γ^δ(i)＝ε(i)-ε(i-δ) (2)

其中，N是训练样本的数量，i＝1,2,…,N，ε(i)是训练过程的均方误差，y为目标输出，

为出水总磷软测量模型输出；

S22，定义四种事件：

其中，<γ^δ(i),κ^δ(i)>用来表示输出的误差状态，κ^δ(i)＝|γ^δ(i)-γ^δ(i-δ)|是在δ步间隔下连续两次迭代的误差下降量，图6给出了事件的定义图示，当在δ步间隔下连续三次迭代的训练误差下降率增大时，认为事件E₁发生；当在δ步间隔下连续三次迭代的训练误差增大、训练误差下降率降低或震荡时，认为事件E₂、E₃或E₄发生；事件E₁称为积极事件，E₂、E₃或E₄统称为消极事件。

S23，如图7所示，设计事件驱动的参数学习策略，当积极事件E₁发生时，认为当前训练样本是有效数据或有相当价值的数据，此时触发参数更新操作；当消极事件E₂、E₃或E₄发生时，认为当前训练样本是无效数据或价值较低的数据，此时不进行参数更新，保持原来状态，根据以上思想，事件驱动的参数更新策略如下式所示：

其中，

W(t)为出水总磷软测量模型的权值参数矩阵；

S24，对每一组训练数据，执行步骤S23，如果满足事件E₁触发条件，则进行参数更新操作；如果不满足，则不进行参数更新，同时跳到下一组数据，重复执行此策略，直到完成对所有训练数据的一次迭代。

步骤S3，利用训练好的出水总磷软测量模型对出水总磷进行预测，并根据预测结果对出水总磷软测量模型进行评估。

进一步地，在本发明的一个实施例中，为了评估事件驱动的软测量模型的性能，定义如下性能指标：

其中，N是训练样本的数量，y为目标输出，

为出水总磷软测量模型实际输出，/>

出水总磷软测量模型平均输出，P_e是平均百分比误差，S_e是均方误差，R²是决定系数，R²越接近1说明预测值与目标值拟合的效果越好，R²越接近0说明预测值与目标值拟合效果越差。

可以理解的是，深度信念网络结合高维特征提取与分层学习机理，旨在更好地模拟人脑智能，可以作为软测量模型实现对总磷数据进行分层学习和深层特征提取的任务。同时，面对数据量较大且数据效率低下的问题，根据软测量模型训练过程中反映出的数据特性定义事件，并设计事件驱动的软测量模型高效学习策略，实现出水总磷的高效、精确检测。利用事件驱动的高效学习策略训练出水总磷软测量模型，提高了样本集的数据效率和总磷检测时效性。事件驱动的学习策略能够提高样本集的数据效率，通过事件触发的机制实现对污水处理过程有效数据的选择性学习。这种主动性的选择性学习机制大大提升了数据的有效性和软测量运行效率，尤其在面对数据量大且无法预知哪些数据价值更大的情形。

首先对所涉及的软测量模型的预训练，通过试凑法将软测量模型的最优结构规模确定为10-30-22-17-1，无监督学习和有监督学习两个阶段的学习率分别设置为η＝0.5和η₁＝0.6。训练样本为2500组数据，测试样本为100组数据。

图8是事件驱动的出水总磷软测量模型的训练过程，其中图8(a)是积极事件触发阈值的演变过程，图8(b)是有效事件的累计触发次数演变过程，图8(c)是训练误差的变化曲线。图9给出了包括事件驱动的出水总磷软测量模型在内的三种预测结果及误差，其中图9(a)是不同方法预测结果，图9(b)是不同方法的预测误差。图10给出了包括事件驱动的出水总磷软测量模型在内的三种预测散点图，其中图10(a)是事件驱动的深度信念网络软测量模型的预测散点图，图10(b)是深度信念网络软测量模型的预测散点，图10(c)是稀疏深度模糊神经网络软测量模型的预测散点图。为了充分地说明所提方法的优势，独立重复20次实验，并与同类方法进行比较，对比结果的平均值如表1所示。由表1和图8-10可以看出，事件驱动的深度信念网络出水总磷软测量模型在预测精度和运行时间两方面均是最优的。

表1事件驱动的污水处理过程出水总磷软测量模型与其他方法结果对比

根据本发明实施例提出的事件驱动的污水处理过程出水总磷软测量模型设计方法，通过对从污水处理厂获取的原始数据进行预处理，得到待处理任务样本集，利用互信息分析和统计方法对参数变量间的相关性进行度量，选取与出水总磷具有较大相关性的辅助变量，根据辅助变量与出水总磷的对应关系，根据软测量模型训练过程中反映出的数据特性定义事件，并设计事件驱动的软测量模型高效学习策略，利用实际出水总磷数据对出水总磷软测量模型进行事件驱动式训练，利用训练好的出水总磷软测量模型对出水总磷进行预测，实现了出水总磷的高效、精确检测。利用事件驱动的高效学习策略。

其次参照附图描述根据本发明实施例提出的事件驱动的污水处理过程出水总磷软测量模型设计装置。

图11为根据本发明一个实施例的事件驱动的污水处理过程出水总磷软测量模型设计装置结构示意图。

如图11所示，该事件驱动的污水处理过程出水总磷软测量模型设计装置包括：处理模块100、训练模块200和预测模块300。

处理模块100，用于获取污水处理厂的出水总磷原始数据，对原始数据进行预处理得到待处理任务的样本集，通过互信息分析和统计方法对样本集中的参数变量与出水总磷间的相关性进行度量，根据度量结果选取多个变量作为辅助变量。

训练模块200，用于根据辅助变量与出水总磷的对应关系，建立基于深度信念网络的出水总磷软测量模型，根据出水总磷软测量模型训练过程中反映出的污水处理过程数据特性定义事件，并设计事件驱动的软测量模型参数高效学习策略，利用实际出水总磷数据对出水总磷软测量模型进行事件驱动式训练。

预测模块300，用于利用训练好的出水总磷软测量模型对出水总磷进行预测，并根据预测结果对出水总磷软测量模型进行评估。

进一步地，在本发明的一个实施例中，根据度量结果选取多个变量作为辅助变量，包括：

通过互信息计算公式计算样本集中的参数变量与出水总磷间的互信息值，将互信息值由大到小进行排列，从最大的互信息值开始，选取预设数量的变量作为辅助变量。

进一步地，在本发明的一个实施例中，训练模块包括：

指标定义单元，用于定义表征误差下降量的指标γ^δ(i)，δ步误差下降值为：

γ^δ(i)＝ε(i)-ε(i-δ)

其中，N是训练样本的数量，i＝1,2,…,N，ε(i)是训练过程的均方误差，y为目标输出，

为出水总磷软测量模型输出；

事件定义单元，定义四种事件：

其中，<γ^δ(i),κ^δ(i)>用来表示输出的误差状态，κ^δ(i)＝|γ^δ(i)-γ^δ(i-δ)|是在δ步间隔下连续两次迭代的误差下降量，当在δ步间隔下连续三次迭代的训练误差下降率增大时，认为事件E₁发生；当在δ步间隔下连续三次迭代的训练误差增大、训练误差下降率降低或震荡时，认为事件E₂、E₃或E₄发生；

更新策略设计单元，用于当事件E₁发生时，触发参数更新操作；当事件E₂、E₃或E₄发生时，不进行参数更新，保持原来状态，更新策略为：

其中，

W(t)为出水总磷软测量模型的权值参数矩阵；

参数更新单元，用于对每一组训练数据，执行更新策略设计单元，如果满足事件E₁触发条件，则进行参数更新操作；如果不满足，则不进行参数更新，同时跳到下一组数据，重复执行此策略，直到完成对所有训练数据的一次迭代。

进一步地，在本发明的一个实施例中，通过评估指标对出水总磷软测量模型进行评估，评估指标为：

其中，N是训练样本的数量，y为目标输出，

为出水总磷软测量模型实际输出，/>

出水总磷软测量模型平均输出，P_e是平均百分比误差，S_e是均方误差，R²是决定系数，R²越接近1说明预测值与目标值拟合的效果越好，R²越接近0说明预测值与目标值拟合效果越差。

进一步地，在本发明的一个实施例中，还包括：优化模块，

优化模块，用于根据评估结果对出水总磷软测量模型参数进行调整，以优化出水总磷软测量模型性能。

需要说明的是，前述对事件驱动的污水处理过程出水总磷软测量模型设计方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。

根据本发明实施例提出的事件驱动的污水处理过程出水总磷软测量模型设计装置，通过对从污水处理厂获取的原始数据进行预处理，得到待处理任务样本集，利用互信息分析和统计方法对参数变量间的相关性进行度量，选取与出水总磷具有较大相关性的辅助变量，根据辅助变量与出水总磷的对应关系，根据软测量模型训练过程中反映出的数据特性定义事件，并设计事件驱动的软测量模型高效学习策略，利用实际出水总磷数据对出水总磷软测量模型进行事件驱动式训练，利用训练好的出水总磷软测量模型对出水总磷进行预测，实现了出水总磷的高效、精确检测。利用事件驱动的高效学习策略训练出的水总磷软测量模型，提高了样本集的数据效率和总磷检测时效性。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种事件驱动的污水处理过程出水总磷软测量模型设计方法，其特征在于，包括以下步骤：

S1，获取污水处理厂的出水总磷原始数据，对所述原始数据进行预处理得到待处理任务的样本集，通过互信息分析和统计方法对所述样本集中的参数变量与出水总磷间的相关性进行度量，根据度量结果选取多个变量作为辅助变量；

S2，根据所述辅助变量与出水总磷的对应关系，建立基于深度信念网络的出水总磷软测量模型，根据所述出水总磷软测量模型训练过程中反映出的污水处理过程数据特性定义事件，并设计事件驱动的软测量模型参数高效学习策略，利用实际出水总磷数据对所述出水总磷软测量模型进行事件驱动式训练；

S3，利用训练好的出水总磷软测量模型对出水总磷进行预测，并根据预测结果对所述出水总磷软测量模型进行评估；

所述S2进一步包括：

S21，定义表征误差下降量的指标γ^δ(i)，δ步误差下降值为：

γ^δ(i)＝ε(i)-ε(i-δ)

其中，N是训练样本的数量，i＝1,2,…,N，ε(i)是训练过程的均方误差，y为目标输出，

为出水总磷软测量模型输出；

S22，定义四种事件：

其中，<γ^δ(i),κ^δ(i)>用来表示输出的误差状态，κ^δ(i)＝|γ^δ(i)-γ^δ(i-δ)|是在δ步间隔下连续两次迭代的误差下降量，当在δ步间隔下连续三次迭代的训练误差下降率增大时，认为事件E1发生；当在δ步间隔下连续三次迭代的训练误差增大、训练误差下降率降低或震荡时，认为事件E2、E3或E4发生；

S23，当事件E1发生时，触发参数更新操作；当事件E2、E3或E4发生时，不进行参数更新，保持原来状态，更新策略为：

其中，

W(t)为出水总磷软测量模型的权值参数矩阵,η₁为有监督学习阶段的学习率；

S24，对每一组训练数据，执行步骤S23，如果满足事件E1触发条件，则进行参数更新操作；如果不满足，则不进行参数更新，同时跳到下一组数据，重复执行此策略，直到完成对所有训练数据的一次迭代。

2.根据权利要求1所述的方法，其特征在于，根据度量结果选取多个变量作为辅助变量，包括：

通过互信息计算公式计算所述样本集中的参数变量与出水总磷间的互信息值，将所述互信息值由大到小进行排列，从最大的互信息值开始，选取预设数量的变量作为所述辅助变量。

3.根据权利要求1所述的方法，其特征在于，通过评估指标对所述出水总磷软测量模型进行评估，评估指标为：

其中，N是训练样本的数量，y为目标输出，

为出水总磷软测量模型实际输出，/>

出水总磷软测量模型平均输出，P_e是平均百分比误差，S_e是均方误差，R²是决定系数，R²越接近1说明预测值与目标值拟合的效果越好，R²越接近0说明预测值与目标值拟合效果越差。

4.根据权利要求1所述的方法，其特征在于，还包括：

根据评估结果对所述出水总磷软测量模型参数进行调整，以优化所述出水总磷软测量模型性能。

5.一种事件驱动的污水处理过程出水总磷软测量模型设计装置，其特征在于，包括：

处理模块，用于获取污水处理厂的出水总磷原始数据，对所述原始数据进行预处理得到待处理任务的样本集，通过互信息分析和统计方法对所述样本集中的参数变量与出水总磷间的相关性进行度量，根据度量结果选取多个变量作为辅助变量；

训练模块，用于根据所述辅助变量与出水总磷的对应关系，建立基于深度信念网络的出水总磷软测量模型，根据所述出水总磷软测量模型训练过程中反映出的污水处理过程数据特性定义事件，并设计事件驱动的软测量模型参数高效学习策略，利用实际出水总磷数据对所述出水总磷软测量模型进行事件驱动式训练；

预测模块，用于利用训练好的出水总磷软测量模型对出水总磷进行预测，并根据预测结果对所述出水总磷软测量模型进行评估；

所述训练模块包括：

指标定义单元，用于定义表征误差下降量的指标γ^δ(i)，δ步误差下降值为：

γ^δ(i)＝ε(i)-ε(i-δ)

其中，N是训练样本的数量，i＝1,2,…,N，ε(i)是训练过程的均方误差，y为目标输出，

为出水总磷软测量模型输出；

事件定义单元，定义四种事件：

其中，<γ^δ(i),κ^δ(i)>用来表示输出的误差状态，κ^δ(i)＝|γ^δ(i)-γ^δ(i-δ)|是在δ步间隔下连续两次迭代的误差下降量，当在δ步间隔下连续三次迭代的训练误差下降率增大时，认为事件E1发生；当在δ步间隔下连续三次迭代的训练误差增大、训练误差下降率降低或震荡时，认为事件E2、E3或E4发生；

更新策略设计单元，用于当事件E1发生时，触发参数更新操作；当事件E2、E3或E4发生时，不进行参数更新，保持原来状态，更新策略为：

其中，

W(t)为出水总磷软测量模型的权值参数矩阵，η₁为有监督学习阶段的学习率；

参数更新单元，用于对每一组训练数据，执行所述更新策略设计单元，如果满足事件E1触发条件，则进行参数更新操作；如果不满足，则不进行参数更新，同时跳到下一组数据，重复执行此策略，直到完成对所有训练数据的一次迭代。

6.根据权利要求5所述的装置，其特征在于，根据度量结果选取多个变量作为辅助变量，包括：

通过互信息计算公式计算所述样本集中的参数变量与出水总磷间的互信息值，将所述互信息值由大到小进行排列，从最大的互信息值开始，选取预设数量的变量作为所述辅助变量。

7.根据权利要求5所述的装置，其特征在于，通过评估指标对所述出水总磷软测量模型进行评估，评估指标为：

其中，N是训练样本的数量，y为目标输出，

为出水总磷软测量模型实际输出，/>

出水总磷软测量模型平均输出，P_e是平均百分比误差，S_e是均方误差，R²是决定系数，R²越接近1说明预测值与目标值拟合的效果越好，R²越接近0说明预测值与目标值拟合效果越差。

8.根据权利要求5所述的装置，其特征在于，还包括：优化模块，

所述优化模块，用于根据评估结果对所述出水总磷软测量模型参数进行调整，以优化所述出水总磷软测量模型性能。

Images