[发明专利]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

权利要求书

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。