基于复杂网络多元在线回归的废水智能监控方法及系统技术方案

本发明专利技术公开了基于复杂网络多元在线回归的废水智能监控方法，包括以下步骤：采集历史数据，所述历史数据包括自变量和因变量；将采集的历史数据进行归一化处理，得到归一化模型，再对归一化模型进行训练，得到训练后归一化模型；将自变量作为训练后归一化模型输入，对训练后归一化模型进行在线学习，实时更新模型状态；对输出因变量进行反归一化处理，得到预测因变量，进而对废水处理系统进行调控；本发明专利技术构建的复杂网络多元在线回归方法解决了深度学习对长短序列回归泛化性能不强的问题，可用于水质参数预测，实现废水处理系统水质智能监控，促进废水处理系统高效稳定运行。

Intelligent monitoring method and system of wastewater based on multiple online regression of complex network

【技术实现步骤摘要】
基于复杂网络多元在线回归的废水智能监控方法及系统
本专利技术涉及废水处理与控制研究领域，特别涉及一种基于复杂网络多元在线回归的废水智能监控方法及系统。
技术介绍
在废水处理过程中，存在着大量难以测量或无法在线测量的参数，同时这类参数密切影响着出水指标的控制。目前废水处理过程中的出水化学需氧量(COD)和出水悬浮固形物(SS)，主要采用传统的基于统计学方法的回归方法如主成分回归(PCR)、偏最小二乘回归(PLSR)、多元线性回归(MLR)等，基于机器学习方法的反向传播人工神经网络回归(BP-ANN)、支持向量回归(SVR)等，基于深度学习的卷积神经网络回归(CNN)、长短期记忆网络回归(LSTM)等软测量模型进行预测。传统的回归方法不具备在线学习功能，当模型建立以后模型参数就固定下来，如需要对新处理数据进行学习就必须重新建立模型。另外，传统的回归方法主要适用于线性系统预测。机器学习对复杂网络的非线性系统预测具有较好的适用性，但是一般需要进行依赖经验处理的特征工程。深度学习对复杂网络的非线性系统预测具有较好的适用性，并且具有自动特征工程能力，其中的卷积神经网络回归具有短序列特征抽象能力，但是缺乏长序列的时间依赖性，导致在长序列回归模型钟泛化性能不强；其中的长短期记忆网络回归具备一定的长序列数据信息提取能力，但是其对短序列的特征不具备抽象能力，随着输入序列变长，其泛化性能力也逐渐下降。
技术实现思路
本专利技术的主要目的在于克服现有技术的缺点与不足，提供基于复杂网络多元在线回归的废水智能监控方法，旨在解决深度学习对长短序列回归泛化性能不强的问题。本专利技术的另一目的在于提供基于复杂网络多元在线回归的废水智能监控系统。本专利技术的主要目的通过以下的技术方案实现：基于复杂网络多元在线回归的废水智能监控方法，包括以下步骤：S1、采集历史数据，所述历史数据包括自变量和因变量；S2、将采集的历史数据进行归一化处理，得到归一化模型，再对归一化模型进行训练，得到训练后归一化模型；S3、将自变量作为训练后归一化模型输入，对训练后归一化模型进行在线学习，实时更新模型状态；S4、对输出因变量进行反归一化处理，得到预测因变量，进而对废水处理系统进行控制。进一步地，所述自变量包括进水COD、进水流量Q、进水SS、温度T、溶解氧DO、pH，所述因变量包括出水COD、出水SS浓度。进一步地，所述步骤S2具体如下：将历史数据划分为三部分：训练集、验证集、测试集；对训练集进行归一化，得到归一化训练集，归一化处理具体如下：设某一变量序列xi为x1,…,xn，其中记最大值为xmax，最小值为xmin，则归一化后的序列为：其中，归一化后的序列值的范围为0～1，存储xmax和xmin的值；构建并保留归一化模型，归一化模型包括输入模块、CNN模块、LSTM模块、全连接模块、回归模块、训练结束判断模块；其中CNN模块包括卷积层、批归一化层、激活层、池化层、丢弃层；使用归一化模型对验证集进行归一化，得到归一化验证集；输入归一化训练集和归一化验证集对归一化模型进行训练，得到训练后归一化模型并保存，即保存CNN+LSTM模型；使用训练后归一化模型对测试集进行归一化，得到归一化测试集，将归一化测试集输入训练后归一化模型进行准确性指标评价。进一步地，所述划分按照6:2:2比例使用均匀随机抽样的方式进行划分，即60％为训练集，20％为验证集，20％为测试集。进一步地，所述训练具体如下：(1)对模型参数进行初始化；(2)输入数据经过卷积层、下采样层、LSTM层的向前传播得到输出值；(3)计算训练模型的输出值与目标值之间的误差；(4)当误差大于期望值时，将误差传回模型中，依次求得LSTM层、下采样层和卷积层的误差，其中各层的误差为对于模型的总误差。当误差等于或小于期望值时，则结束训练；(5)根据求得的误差对模型进行权值更新。进一步地，所述步骤S3具体为：记录当前输出，预测下一次输出，当前输出对模型进行在线学习，通过在线学习得到新的模型参数，同时更新模型；进一步地，所述步骤S4具体为：对输出因变量进行反归一化处理，得到因变量预测值，通过因变量预测值和因变量实际值获取标准误差和确定相关系数，其中标准误差计算如下：其中，RMSE为标准误差，yi为预测值，xi为实际值；确定相关系数计算如下：其中，R2为确定相关系数，为序列xi的均值。本专利技术的另一目的通过以下技术方案实现：基于复杂网络多元在线回归的废水智能监控系统，其特征在于，包括控制系统、预测系统、CNN+LSTM模型、废水处理系统；所述CNN+LSTM模型包括CNN模块、LSTM模块，将归一化历史数据输入到CNN+LSTM模型进行模型训练，得到CNN+LSTM模型，模型评价模块对CNN+LSTM模型进行评价，CNN+LSTM模型根据评价进行实时更新状态，通过预测系统预测CNN+LSTM模型的输出，控制系统根据输出对废水处理系统进行控制。进一步地，所述CNN+LSTM模型包括输入模块、CNN模块、LSTM模块、全连接模块、回归模块；所述输入模块用于模型的输入，即自变量输入；所述CNN模块包括卷积层、批归一化层、激活层、池化层、丢弃层；其中，所述批归一化层为BatchNormalization，解决在训练过程中，中间层数据分布发生改变的问题，以防止梯度消失或爆炸、加快训练速度；激活层采用的激活函数为LeakyReLU函数；激活层采用的池化函数为平均池化函数。进一步地，LSTM模块采用一层包含200个隐藏单元的LSTM层。进一步地，全连接模块采用一层全连接层，由于回归的因变量包括出水COD和出水SS，因此全连接层的输出数为2。进一步地，回归模块采用的损失函数为均方误差(MSE)。进一步地，训练结束判断模块，通过初始化设置的最大轮数(MaxEpochs)进行控制。进一步地，还能进行设备故障类型诊断，所述设备故障类型包括精度下降、漂移、偏移。本专利技术与现有技术相比，具有如下优点和有益效果：1、本专利技术提出基于复杂网络多元在线回归CNN-LSTM在生物废水中的应用，其中的CNN提取了更高维的特征，LSTM综合序列的高维特征，使得回归预测具有更好的效果。2、本专利技术提升了深度学习对长短序列回归泛化性能。附图说明图1是本专利技术所述复杂网络多元在线回归的废水智能监控方法流程图；图2是本专利技术所述实施例中复杂网络多元在线回归的废水智能监控的总体框架图；图3是本专利技术所述实施例中训练流程整体结构图；图4是本专利技术所述实施例中训练结构示意图；图5是本专利技术所述实施例中训练流程详细结构示意图；图6是本专利技术所述实施例中参数配置示意图；图7是本专利技术所述实施例中训练模型预测出水COD浓度结果评价示意图；图8是本专利技术所述实施例中本文档来自技高网...

【技术保护点】
1.基于复杂网络多元在线回归的废水智能监控方法，其特征在于，包括以下步骤：/nS1、采集历史数据，所述历史数据包括自变量和因变量；/nS2、将采集的历史数据进行归一化处理，得到归一化模型，再对归一化模型进行训练，得到训练后归一化模型；/nS3、将自变量作为训练后归一化模型输入，对训练后归一化模型进行在线学习，实时更新模型状态；/nS4、对输出因变量进行反归一化处理，得到预测因变量，进而对废水处理系统进行控制。/n

【技术特征摘要】
1.基于复杂网络多元在线回归的废水智能监控方法，其特征在于，包括以下步骤：
S1、采集历史数据，所述历史数据包括自变量和因变量；
S2、将采集的历史数据进行归一化处理，得到归一化模型，再对归一化模型进行训练，得到训练后归一化模型；
S3、将自变量作为训练后归一化模型输入，对训练后归一化模型进行在线学习，实时更新模型状态；
S4、对输出因变量进行反归一化处理，得到预测因变量，进而对废水处理系统进行控制。


2.根据权利要求1所述的基于复杂网络多元在线回归的废水智能监控方法，其特征在于，所述自变量包括进水COD、进水流量Q、进水SS、温度T、溶解氧DO、pH，所述因变量包括出水COD、出水SS浓度。


3.根据权利要求1所述的基于复杂网络多元在线回归的废水智能监控方法，其特征在于，所述步骤S2具体如下：
将历史数据划分为三部分：训练集、验证集、测试集；对训练集进行归一化，得到归一化训练集，归一化处理具体如下：
设某一变量序列xi为x1,…,xn，其中记最大值为xmax，最小值为xmin，则归一化后的序列为：



其中，归一化后的序列值的范围为0～1，存储xmax和xmin的值；
构建并保留归一化模型，归一化模型包括输入模块、CNN模块、LSTM模块、全连接模块、回归模块、训练结束判断模块；其中CNN模块包括卷积层、批归一化层、激活层、池化层、丢弃层；
使用归一化模型对验证集进行归一化，得到归一化验证集；输入归一化训练集和归一化验证集对归一化模型进行训练，得到训练后归一化模型并保存，即保存CNN+LSTM模型；使用训练后归一化模型对测试集进行归一化，得到归一化测试集，将归一化测试集输入训练后归一化模型进行准确性指标评价。


4.根据权利要求3所述的基于复杂网络多元在线回归的废水智能监控方法，其特征在于，所述划分按照6:2:2比例使用均匀随机抽样的方式进行划分，即60％为训练集，20％为验证集，20％为测试集。


5.根据权利要求3所述的基于复杂网络多元在线回归的废水智能监控方法，其特征在于，所述训练具体如下：
S201、对模型参数进行初始化；
S202、输入数据经过卷积层、下采样层、LSTM层的向前传播得到输出值；
...

【专利技术属性】
技术研发人员：黄明智，李小勇，应光国，易晓辉，石青松，
申请(专利权)人：华南师范大学，广州奇岭环境服务有限公司，
类型：发明
国别省市：广东;44