基于核函数的加权极限学习机污水处理在线故障诊断方法技术

本发明专利技术公开了一种基于核函数的加权极限学习机污水处理在线故障诊断方法，包括步骤：1)剔除掉污水数据中属性不完整的数据，然后将数据归一化处理，确定历史数据集和更新测试集；2)选取核函数和加权方案，然后根据最优模型确定模型参数；3)根据所选取的加权方案对历史数据集的每个样本赋予权值；4)训练模型，根据核函数计算核矩阵；5)从更新测试集中添加新样本到模型中进行测试，并更新历史数据集；6)回到步骤3)，重新训练模型，不断重复上述过程，直到在线测试数据完毕，从而实现对污水处理过程的在线运行状态的识别。本发明专利技术方法更新时间短，分类准确率高，对于实时诊断出运行故障，污水处理厂安全运行，提高污水处理厂的运行效率具有重要意义。

【技术实现步骤摘要】

本专利技术涉及污水处理的
，尤其是指一种基于核函数的加权极限学习机污水处理在线故障诊断方法。
技术介绍
随着现代工业的迅猛发展和人口的增长，大量生活污水和工业废水排入水体，作为人类赖以生存的水资源遭到了极大的破坏，水污染已成为制约人类发展的主要因素之一。为了阻止水环境进一步恶化，许多国家都采取积极的措施，兴建了大量的污水处理厂。但污水生化处理工艺很复杂，影响因素非常多，污水处理厂在实际运行过程中难以保持长期稳定的运行，容易引起出水水质不达标、运行费用增高和环境二次污染等严重问题，所以必须对污水处理厂运行状态进行监控，及时诊断出污水处理过程故障并予以处理。污水处理运行状态的故障诊断本质上是一个模式分类问题，而在实际状态运行分类中，常常会遇到污水数据集的分布不均衡问题，传统的机器学习方法在用于不平衡数据分类时，模型分类正确率无法满足要求，给污水生化处理的故障诊断带来了极大的困难；同时在实际过程当中，故障诊断实际上是一个连续的学习过程，其突出的一个特点就是学习不是一次离线进行的，而是数据逐一加入的，不断进行优化的过程。在线学习方法要求在获得下一个数据之前必须完成训练，否则会影响下一步决策的完成，而且污水处理厂的运行出现的故障信息尤为重要，所以在线故障诊断系统更加注重的是快速性和准确性。
技术实现思路
本专利技术的目的在于克服现有技术的缺点和不足，提供一种基于核函数的加权极限学习机污水处理在线故障诊断方法，以保证污水处理过程的在线故障诊断的准率性和实时性。为实现上述目的，本专利技术所提供的技术方案为：基于核函数的加权极限学习机污水处理在线故障诊断方法，包括以下步骤：1)剔除掉污水数据中属性不完整的数据，然后将数据归一化处理，确定历史数据集xold和更新测试集xnew；2)选取核函数和加权方案，根据最优模型确定模型参数；3)根据所选取的加权方案对历史数据集xold的每个样本赋予权值，求出加权矩阵W；4)训练模型，根据核函数计算核矩阵ΩELM；5)从更新测试集xnew中添加k个新样本到模型中进行测试，并保存分类测试结果，将其添加到历史数据集中，去掉历史数据集中前k个样本；6)回到步骤3)，更新W和ΩELM，重新训练模型，不断重复上述过程，直到在线更新数据测试完毕，得到最终在线测试结果，从而实现对污水处理过程的在线运行状态的识别。在步骤2)中，对加权方案和核函数的选取以及最优模型参数的确定如下：首先对于加权方案的选取，这里有两种加权方案，第一种加权方案为： W 1 : W i i = 1 C o u n t ( t i ) - - - ( 1 ) ]]>其中，W1为第一种加权方案的加权矩阵，Count(ti)为训练样本中类别为ti对应的样本数量；另一种加权方案为：W2为第二种加权方案的加权矩阵；对于核函数的选取，有下面四种常用的核函数：①径向基RBF核函数： K ( x , x ′ ) = exp ( - | | x - x ′ | | 2 2 σ 2 ) - - - ( 3 ) ]]>②线性核函数：K(x,x′)＝x·x′(4)③p阶多项式核函数：K(x,x′)＝[(x·x′)+1]p,p＝1,2,3…(5)④Sigmoid核函数：K(x,x′)＝tanh[a(x·x′)+b](6)考虑到p阶多项式核函数的参数为两个，要比RBF核函数更多，且当多项式的阶数比较高时，核矩阵的元素值将趋于无穷大或无穷小，会增加数值的计算困难；而Sigmoid核函数必须在某些特定条件下才满足对称、半正定的核函数条件，并且有两个参数要选取，其应用上受到一定的限制；所以，首先选取径向基核函数RBF，然后分别选取不同的加权方案进行离线测试并记录测试结果，然后选取第一种加权方案，分别选取径向基RBF核函数和线性核函数进行离线测试并记录测试结果，以测试分类准确率、各类准确率、所有类准确率的几何平均值以及训练时间作为性能指标，分析不同加权方案和核函数的选取对模型性能的影响，最终确定模型的加权方案和核函数：第一种加权方案W1和RBF核函数；关于最优模型参数的确定，对模型的参数正规化系数C和RBF核函数参数σ采用网格搜索法，选取根据权利要求1中的步骤得到的在线故障诊断最优测试结果所对应的参数为最优参数；在步骤3)中，根据所选取的加权方案对历史数据集xold的每个样本赋予权值，求出加权矩阵W的过程如下：根据步骤2)所确定的加权方案W1，采用公式(1)来计算每个污水训练样本的权值，最终可以用以下方式求得加权矩阵W：对于N个污水训练样本，T表示训练样本的类别，Count(classX)表示训练样本中类别X的样本个数，对每个样本根据其类别计算出该类别的总的样本个数，也就是Count(classX))，从而可以求得该样本的权值W(i,i)＝1/Count(class1)，i表示训练样本的第i个样本；在步骤4)中训练模型，根据核函数计算核矩阵ΩELM如下：给定N个污水数据集的训练样本{xi,ti本文档来自技高网...

【技术保护点】
基于核函数的加权极限学习机污水处理在线故障诊断方法，其特征在于，包括以下步骤：1)剔除掉污水数据中属性不完整的数据，然后将数据归一化处理，确定历史数据集xold和更新测试集xnew；2)选取核函数和加权方案，根据最优模型确定模型参数；3)根据所选取的加权方案对历史数据集xold的每个样本赋予权值，求出加权矩阵W；4)训练模型，根据核函数计算核矩阵ΩELM；5)从更新测试集xnew中添加k个新样本到模型中进行测试，并保存分类测试结果，将其添加到历史数据集中，去掉历史数据集中前k个样本；6)回到步骤3)，更新W和ΩELM，重新训练模型，不断重复上述过程，直到在线更新数据测试完毕，得到最终在线测试结果，从而实现对污水处理过程的在线运行状态的识别。

【技术特征摘要】
1.基于核函数的加权极限学习机污水处理在线故障诊断方法，其特征在于，
包括以下步骤：
1)剔除掉污水数据中属性不完整的数据，然后将数据归一化处理，确定历
史数据集xold和更新测试集xnew；
2)选取核函数和加权方案，根据最优模型确定模型参数；
3)根据所选取的加权方案对历史数据集xold的每个样本赋予权值，求出加权
矩阵W；
4)训练模型，根据核函数计算核矩阵ΩELM；
5)从更新测试集xnew中添加k个新样本到模型中进行测试，并保存分类测试
结果，将其添加到历史数据集中，去掉历史数据集中前k个样本；
6)回到步骤3)，更新W和ΩELM，重新训练模型，不断重复上述过程，直到
在线更新数据测试完毕，得到最终在线测试结果，从而实现对污水处理过程的
在线运行状态的识别。
2.根据权利要求1所述的基于核函数的加权极限学习机污水处理在线故障
诊断方法，其特征在于，在步骤2)中，对加权方案和核函数的选取以及最优模
型参数的确定如下：
首先对于加权方案的选取，这里有两种加权方案，第一种加权方案为：
W 1 : W i i = 1 C o u n t ( t i ) - - - ( 1 ) ]]>其中，W1为第一种加权方案的加权矩阵，Count(ti)为训练样本中类别为ti对
应的样本数量；
另一种加权方案为：
W2为第二种加权方案的加权矩阵；
对于核函数的选取，有下面四种常用的核函数：
①径向基RBF核函数：
K ( x , x ′ ) = exp ( - | | x - x ′ ...

【专利技术属性】
技术研发人员：许玉格，邓文凯，邓晓燕，罗飞，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44