CN112631255A

CN112631255A - 一种基于变分自编码器模型的污水处理过程故障监测方法

Info

Publication number: CN112631255A
Application number: CN202011585643.9A
Authority: CN
Inventors: 王凯; 常鹏; 李泽宇; 丁春豪
Original assignee: Beijing University of Technology
Current assignee: Beijing University of Technology
Priority date: 2020-12-28
Filing date: 2020-12-28
Publication date: 2021-04-09
Anticipated expiration: 2040-12-28
Also published as: CN112631255B

Abstract

本发明公开了一种基于变分自编码器模型的污水处理过程故障监测方法，用于解决由于处理污水过程数据的非高斯性和非线性导致的监测结果不准确的问题。本发明包括“离线训练”和“在线监测”两个阶段。“离线训练”包括：首先对采集的正常数据进行归一化处理，然后利用变分自编码器建立离线训练模型。“在线监测”包括：对新采集到的数据利用正常数据的均值和方差进行归一化处理，并利用在离线状态训练好的模型实现在线监测。本发明利用变分自编码器提取包含非线性信息和服从高斯分布的特征，可以更好的实现对污水处理过程的准确监测。

Description

一种基于变分自编码器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复杂处理过程的故障监测技术。本发明是基于数据驱动的方法在污水处理过程故障监测领域的具体应用。

背景技术

随着工业化、城市化进程的加快，在社会生产生活过程中产生了大量的污水，大量污水的直接排放导致水污染问题越来越严重，解决污水问题的一个主要途径是对污水进行净化处理。但污水处理过程是一个复杂的具有非线性和非高斯性的物理和生化反应过程，还极易受到季节、天气、流量等诸多因素的干扰和影响，因此，污水处理过程故障频发，导致出水水质不达标，增加处理耗能和运行费用。为了确保合格的出水水质同时降低因故障导致的二次处理能耗，必须加强对污水处理过程的过程监控。数据驱动的故障监测方法通过从历史数据集中提取特征信息进行故障监测，其监控的有效性取决于数据本身。因此，数据驱动的故障监测方法更适用于具有复杂机理模型的污水处理过程的故障监测。

目前，多元统计技术已经在过程监控领域得到了广泛应用，如主成分分析(Principal Component Analysis，PCA)和偏最小二乘(Partial Least Squares，PLS)和独立成分分析(Independent Component Analysis，ICA)等。但是，以上方法都是线性方法，不能有效处理数据的非线性。而且过程数据经常不满足高斯分布。虽然ICA算法提取数据中的非高斯信息，但是ICA提取的独立成分是不稳定的。深度学习技术因其强大的非线性特征提取能力而受到广泛关注，如自编码器(Autoencoder，AE)，降噪自编码器(DenoisingAutoencoder，DAE)和稀疏自编码器(Sparse autoencoder，SAE)等。但是以上网络都不能很好的处理数据的非高斯性问题。数据的非线性和非高斯性直接影响到数据特征的提取。对数据的非线性和非高斯性进行处理，可以提取到数据的本质特征。

发明内容

为了解决由于处理污水过程数据的非高斯性和非线性导致的监测结果不准确的问题，本发明提供一种基于变分自编码器(Variational Autoencoder，VAE)模型的污水处理过程故障监测方法。Kingma和Welling等人提出的变分自编码器为非高斯数据的处理提供了新的思想。变分自编码器可以通过变分推理对潜在空间的潜在变量(数据特征)的数据分布进行限制，使潜在变量服从多元高斯分布。同时，变分自编码器的非线性激活函数还可以处理数据的非线性。本研究中采用变分自编码器对数据的非线性和非高斯性进行处理。首先，对采集的正常数据进行归一化处理，然后利用变分自编码器建立离线训练模型提取包含数据非线性信息和服从高斯分布的特征，然后对新采集到的数据利用正常数据的均值和方差进行归一化处理，并利用在离线状态训练好的模型进行在线监测来判断当前系统的运行状态。

本发明采用了如下的技术方案及实现步骤：

A.离线训练阶段：

1)利用以下公式对污水处理过程的正常数据进行归一化处理：

其中，x_ij代表第i个变量的第j个样本值，mean(·)和std(·)分别第i个变量的均值和标准差，最终得到归一化后的数据集x，

是数据集x中的元素；

2)对污水处理过程建立变分自编码器模型VAE，用于重构污水处理过程的数据；使用归一化后的正常数据x对VAE模型进行训练，得到表征正常数据特征的潜在空间z以及正常数据的重构数据

数据的重构误差统计量RE按照以下公式计算：

3)利用核密度估计(Kernel Density Estimation，KDE)计算离线模型的重构误差的控制限RE_lim：

首先，计算密度函数f(RE)，计算方式如下：

其中，K(·)代表高斯核函数，l是带宽(l是由高斯核函数确定的)，N是样本点总数，RE_i代表第i个样本的RE值，RE是一个一维矩阵，包含N个元素，RE_i即为其中的第i个元素；

然后，根据RE中包含的N个元素，先采用KDE求取其近似的密度函数估计，则置信水平为α时的控制限RE_lim可由下式求得(本实施例中α＝0.01)：

B.在线监测阶段：

4)采集当前时刻的样本数据x_j，x_j＝{x_1j，…，x_Ij}，其中I表示采集的变量总数，并利用离线建模过程步骤1)获得的均值和标准差进行归一化得到x_jnew；

5)将归一化后的x_jnew输入到训练完成的VAE模型中得到重构数据

并计算样本数据x_jnew的重构误差统计量RE；

6)对每一个样本数据x_i，如果其对应的重构误差统计量RE大于重构误差的控制限RE_lim，则说明此处有故障发生并发出警报，否则，返回步骤4继续进行监测，直到整个流程结束。

进一步的，本发明中VAE模型的输入维度为16，隐含层维度为8，隐变量z的维度为4，学习率设置为Adam，迭代次数为1000。隐含层是VAE模型的中间层，隐变量z是潜在变量(数据特征)。

有益效果

与现有技术相比，本发明利用变分自编码器模型对采集到的正常数据进行离线训练，然后利用训练获得的模型参数对在线数据进行监测。不同于传统多元统计分析方法，本发明提出的方法可以对污水数据的非线性和非高斯性进行处理，提取出包含非线性信息和服从高斯分布的特征，提出的特征更具有代表性，可以更好的实现对污水处理过程的监测。

附图说明

图1为污泥膨胀故障(μH＝3.75)的监测图；

图2为污泥膨胀故障(μH＝2)的监测图；

图3为毒性冲击故障(μH＝3.75，BH＝0.45)的监测图；

图4为本发明方法流程图。

具体实施方式

首先对VAE网络进行基本介绍：

VAE网络可以对潜在空间的概率分布进行限制。假设数据集包含的x是由未被观测到的连续随机变量z的一些随机过程产生的。这个过程包含两步：(1)z⁽ⁱ⁾是由一个前验概率分布p_θ*(z)产生的，(2)x⁽ⁱ⁾是由一个条件分布p_θ*(x|z)产生的。潜变量z⁽ⁱ⁾和参数θ*是未知的。前验概率p_θ*(z)和似然p_θ*(x|z)被认为来自参数p_θ(z)和p_θ(x|z)的分布的参数簇。

根据前验概率p_θ(z)和似然p_θ(x|z)，边际似然积分被写作：

p_θ(x)＝∫p_θ(z)p_θ(x|z)dz

真实的后验密度被表示为：

所有数据点的对数边际似然之和组成的对数边际似然可以表示为：

每个数据点x⁽ⁱ⁾的对数边际似然可以被写作：

log p_θ(x⁽ⁱ⁾)＝D_KL(q_φ(z|x⁽ⁱ⁾)||p_θ(z|x⁽ⁱ⁾))+L(θ，φ；x⁽ⁱ⁾)

其中，公式的第一项是数据点x⁽ⁱ⁾的真实后验p_θ(z|x⁽ⁱ⁾)和识别模型q_φ(z|x⁽ⁱ⁾)的Kullback-Leibler(KL)散度，第二项是数据点x⁽ⁱ⁾的变分下界。

由于KL散度是非负的，可以得到：

还可以被写为：

由以上的公式可知，KL散度越小，识别模型q_φ(z|x⁽ⁱ⁾)就能够更准确的估计真实后验p_θ(z|x⁽ⁱ⁾)。为了确保识别模型q_φ(z|x⁽ⁱ⁾)和真实后验p_θ(z|x⁽ⁱ⁾)更接近，VAE需要最大化变分下界L(θ，φ；x⁽ⁱ⁾)。

采用Monto Carlo方法进行采样估计真实后验分布的方法是不可导的并且采样出来的潜在空间z具有较大的方差。VAE采用重参数技巧来处理这个问题。对于选定的后验分布q_φ(z|x⁽ⁱ⁾)，引入一个噪声变量ε的可微变换g_φ(ε，x)来重新参数化随机变量

再参数化后的表示如下：

其中ε∈p(ε)。

设置隐变量z的先验服从多元高斯分布p_θ(z)＝N(z；0，I)，同时后验q_φ(z|x⁽ⁱ⁾)也服从多元高斯分布q_φ(z|x⁽ⁱ⁾)＝N(z；u⁽ⁱ⁾，(σ⁽ⁱ⁾)²I)。参数u和σ是由编码器计算得到的并随着网络的迭代不断更新。ε∈N(0，I)时，z＝u⁽ⁱ⁾+σ⁽ⁱ⁾ε。

其中，z^(i，l)＝u⁽ⁱ⁾+σ⁽ⁱ⁾⊙ε^(l)，ε^(l)～N(0，I)，L是采样次数，j是z的维度。第一项通过使近似后验q_φ(z|x⁽ⁱ⁾)去逼近先验p_θ(z)来调整编码器。第二项是一个期望的负重构误差，VAE通过这两项公式构成的损失函数来调整优化整个网络的参数。

以下具体描述本发明是如何进行故障监控的：

污水处理过程不仅包含了各种物理变化，还包含了复杂的化学变化和生化反应，这为污水处理过程的异常监测带来了极大地挑战。本发明采用国际水协会(IWA)研发的“仿真基准模型”(Benchmark SimulationModel 1，BSM1)对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20000m3/d，化学需氧量为300mg/l。实验对污泥膨胀故障和毒性冲击故障进行监测，污泥膨胀故障是对异养菌最大生长速率μH的改变，毒性冲击故障是同时改变异养菌最大生长速率μH和毒性冲击BH的值，μH正常工况下为4，BH正常工况下为0.3。仿真平台共采集1344个采样点数据，每个采样点包含16个变量。监测所用变量如表1所示，表2为故障设置情况。

表1监测所用变量

表2故障设置情况

故障编号	故障类型	故障变量	持续时间
				1	污泥膨胀故障	μH＝3.75	673-864
2	污泥膨胀故障	μH＝2	673-864
				3	毒性冲击故障	μH＝3.75,BH＝0.45	673-864

将本发明方法应用到上述BSM1仿真平台的离线训练和在线监测的具体陈述如下：

A.离线训练阶段：

本发明中VAE模型的输入维度为16，隐含层维度为8，隐变量z的维度为4，学习率设置为Adam，迭代次数为1000。隐含层是VAE模型的中间层，隐变量z是潜在变量(数据特征)。

是数据集x中的元素；

数据的重构误差统计量RE按照以下公式计算：

首先，计算密度函数f(RE)，计算方式如下：

B.在线监测阶段：

并计算样本数据x_jnew的重构误差统计量RE；

6)对每一个样本数据x_j，如果其对应的重构误差统计量RE大于重构误差的控制限RE_lim，则说明此处有故障发生并发出警报，否则，返回步骤4继续进行监测，直到整个流程结束。

上述步骤即为本发明方法在BSM1仿真平台故障监测领域的具体应用。为了验证本方法的有效性。我们使用一个批次的正常数据进行离线训练，并分别使用3个批次的故障数据进行在线监测。实验结果见图1到图3。如果图中纵坐标的值超过控制限，则认为在此时刻污水处理过程发生了故障；若图中纵坐标的值未超过控制限，则说明污水处理过程运行正常。表3是PCA、ICA和VAE方法的监测对比结果。T²和SPE是PCA的监测指标；I²和SPE是ICA的监测指标，RE是VAE的监测指标。FAR和MAR分别是故障监测的误报警率和漏报警率。表3的结果说明VAE模型的监测准确率更高。

表3三种方法的监测效果对比(％)

Claims

1.一种基于变分自编码器模型的污水处理过程故障监测方法，其特征包括“离线训练”和“在线监测”两个阶段，具体步骤如下：

A.离线训练阶段：

是数据集x中的元素；

数据的重构误差统计量RE按照以下公式计算：

首先，计算密度函数f(RE)，计算方式如下：

B.在线监测阶段：

并计算样本数据x_jnew的重构误差统计量RE；

2.根据权利要求1所述的一种基于变分自编码器模型的污水处理过程故障监测方法，其特征在于：所述的VAE模型的输入维度为16，隐含层维度为8，隐变量z的维度为4。隐含层是VAE模型的中间层，隐变量z是潜在变量(数据特征)。