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技术

本发明专利技术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。本发明专利技术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。

A fault monitoring method of sewage treatment process based on Fuzzy width adaptive learning model

【技术实现步骤摘要】
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
本专利技术涉及基于数据驱动的故障监测
，特别是涉及一种针对污水处理过程的故障监测技术。本专利技术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。
技术介绍
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(DeepBeliefNetwork)，DBM(DeepBoltzmann本文档来自技高网...

【技术保护点】
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：/nA.离线网络训练阶段：/n1)采集污水处理过程的历史数据{X,Y}作为训练数据，其中

【技术特征摘要】
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，过程正常时段标签为0，故障时段标签数据为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xs＝(xs1,xs2,…,xsM),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表示变量个数；
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xs时(xs＝(xs1,xs2,…,xsM))，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xst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,…,Zn分别对应于n个子系统的输出，k1,k2,…,kn分别对应于n个模糊子系统的模糊规则个数；
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Zi通过如下公式求得：



其中Z1i,Z2i,…,ZNi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...

【专利技术属性】
技术研发人员：常鹏，丁春豪，王普，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11