[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

说明书

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。

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：