基于残差网络和注意力机制的污水处理软测量方法及系统技术方案

本发明专利技术涉及用于污水处理的软测量方法及系统。其中的方法包括：通过获取传感器采集水体参数的历史数据，所述历史数据包括输入特征变量和输出目标变量，并且将历史数据划分到训练集、验证集和测试集；对训练集进行标准化处理，得到标准化后的训练特征以及标准化参数，并且构建基于残差网络和注意力机制的污水处理软测量模型；使用训练集标准化得到的标准化参数对验证集和测试集进行标准化，再使用训练集和验证集对基于残差网络和注意力机制的污水处理软测量模型进行训练；采用已训练的污水处理软测量模型，利用当前的输入特征变量对输出目标变量进行软测量预测。其中的系统包括：用于获取水体参数的传感器以及实施上述方法的计算机装置。的计算机装置。的计算机装置。

【技术实现步骤摘要】
基于残差网络和注意力机制的污水处理软测量方法及系统


[0001]本专利技术涉及用于污水处理的软测量方法及系统，属于水体检测


技术介绍

[0002]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。
[0003]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)、递归神经网络(GRU)等软测量模型进行预测。
[0004]传统的软测量方法主要适用于线性系统预测，机器学习软测量方法受限于工程师的知识储备，自适应性不强。
[0005]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；GRU相对CNN是一种有效处理长序列数据的高效深度学习模型，同时也是一种更高效的时域特征信息提取方法，一个好的方法是将这两种特征采用残差结构进行融合。同时在与目标值进行回归过程当中，融合的特征其对应的重要程度是不同的，一种好的方法采用注意力机制对融合特征进行重要程度分析。

技术实现思路

[0006]本专利技术提供一种用于污水处理的软测量方法方法及装置，旨在至少解决现有技术中存在的技术问题之一，比如，至少解决现有的水体软测量方法中深度学习对长短序列回归泛化性能不强的问题。
[0007]本专利技术的技术方案涉及一种用于污水处理的软测量方法，包括以下步骤：
[0008]S1、通过获取传感器采集水体参数的历史数据，所述历史数据包括输入特征变量和输出目标变量，并且将所述历史数据划分到训练集、验证集和测试集；
[0009]S2、对所述训练集进行标准化处理，得到标准化后的训练特征以及标准化参数，并且构建基于残差网络和注意力机制的污水处理软测量模型；
[0010]S3、使用训练集标准化得到的标准化参数对验证集和测试集进行标准化，再使用训练集和验证集对基于残差网络和注意力机制的污水处理软测量模型进行训练；
[0011]S4、采用已训练的污水处理软测量模型，基于测试集上的性能指标，对所述输出目标变量进行实时的软测量预测并且运算得到当前水体分析结果，以及根据需要对污水处理软测量方法进行误差监控以更新所述污水处理软测量模型的模型参数。
[0012]其中，所述输入特征变量包含进水的水体中的COD、流量、悬浮固形物浓度、溶解氧浓度和pH值，所述输出目标变量包含出水的水体中COD和悬浮固形物浓度。
[0013]进一步，所述步骤S1包括：以均匀随机抽样的方式对所述历史数据中的输入特征变量和输出目标变量分别进行划分，其中，以80％的输入特征变量和输出目标变量组成训练集，10％的输入特征变量和输出目标变量组成验证集，其余的输入特征变量和输出目标变量组成测试集；所述训练集用于在污水处理软测量模型的训练过程中作为模型拟合的数据样本；所述验证集用于模型训练过程中单独留出的样本集，以用于调整模型的超参数和用于对模型的预测能力进行初步评估。
[0014]进一步，所述步骤S2包括通过下式对所述训练集的变量实施变量序列标准化处理：
[0015][0016]其中，x
′
k
是标准化后的序列，x
k
是所述训练集的输入特征变量或输出目标变量，μ是序列x1,
…
,x
n
的均值，σ是该序列的标准差；使标准化后的序列值的均值为0，标准差为1；然后用存储的μ和σ值对验证值和测试集进行标准化，使得验证值和测试集与训练集服从同一分布。
[0017]进一步，所述步骤S2包括构建基于残差网络和注意力机制的污水处理软测量模型，使得所述污水处理软测量模型包括：输入模块、CNN模块、GRU模块、残差网络结构、注意力模块、全连接模块和回归模块；其中，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，所述残差网络结构用于CNN模块输出的特征与GRU模块输出的特征进行融合，所述注意力模块用于对融合特征进行筛选。
[0018]进一步，所述步骤S3包括：使用训练集标准化得到的参数对验证集进行标准化，得到标准化的验证集；输入标准化的训练集和标准化的验证集对污水处理软测量模型进行训练，得到训练后的污水处理软测量模型并保存为CNN
‑
GRU
‑
ATTENTION残差模型；使用训练后标准化参数对测试集进行标准化，用于输入训练后的CNN
‑
GRU
‑
ATTENTION残差模型进行性能指标评价。
[0019]进一步，所述步骤S3包括：对污水处理软测量模型的模型参数进行初始化；使输入数据经过卷积层、下采样层、GRU层、注意力层的前向传播得到输出值；获取训练过程中的污水处理软测量模型所计算的预测值与目标值之间的误差；当误差大于阈值时，将误差传回污水处理软测量模型中，依次求得注意力层、GRU层、下采样层和卷积层的误差，其中将各层的误差为整合为污水处理软测量模型的总误差；如果总误差小于或等于预设的总阈值时，则停止训练，完成污水处理软测量模型的构建。
[0020]进一步，在所述步骤S3中：所述批归一化层为批标准化归一层；所述激活层所采用的激活函数为ReLU函数，所述激活层所采用的池化函数为最大池化函数；所述注意力模块采用自注意力机制，对CNN模块和GRU模块的残差结构输出的融合特征进行筛选，其中，通过污水数据空时域上的信息，将CNN模块和GRU模块提取的特征利用残差结构进行融合，并引入注意力机制完成空时融合后的关键特征提取，获取该关键特征的充分表达。
[0021]进一步，所述步骤S4包括：对输出值进行反标准化处理，得到预测目标值，通过预测目标值和实际目标值获取平均绝对误差和确定相关系数，以实施水体软测量预测结果的误差监控；其中，所述平均绝对误差计算式为：
[0022][0023]其中，MAE为平均绝对误差，y
i
为预测值，x
i
为实际值；
[0024]其中，所述的确定相关系数计算式为：
[0025][0026]其中，R2为确定相关系数，为序列x
i
的均值。
[0027]本专利技术的技术方案还涉及一种用于污水处理的软测量系统，包括：用于从污水处理单元获取水体参数的传感器以及与所述传感器通信连接的计算机装置，所述计算机装置上储存有程序指令，所述程序指令被计算机装置的处理器执行时实施上述的方法。
[0028]本专利技术的有益效果如下：
[0029](1)充分利用了模型中各网络的优势，采用CNN学习污水数据的高层的空间特征，GR本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于污水处理的软测量方法，其特征在于，所述方法包括以下步骤：S1、通过获取传感器采集水体参数的历史数据，所述历史数据包括输入特征变量和输出目标变量，并且将所述历史数据划分到训练集、验证集和测试集；S2、对所述训练集进行标准化处理，得到标准化后的训练特征以及标准化参数，并且构建基于残差网络和注意力机制的污水处理软测量模型；S3、使用训练集标准化得到的标准化参数对验证集和测试集进行标准化，再使用训练集和验证集对基于残差网络和注意力机制的污水处理软测量模型进行训练；S4、采用已训练的污水处理软测量模型，基于测试集上的性能指标，利用当前的输入特征变量对输出目标变量进行实时的软测量预测并且运算得到当前水体分析结果，以及根据需要对污水处理软测量方法进行误差监控以更新所述污水处理软测量模型的模型参数。2.根据权利要求1所述的方法，其中，所述输入特征变量包含进水的水体中的COD、流量、悬浮固形物浓度、溶解氧浓度和pH值，所述输出目标变量包含出水的水体中COD和悬浮固形物浓度。3.根据权利要求1所述的方法，其中，所述步骤S1包括：以均匀随机抽样的方式对所述历史数据中的输入特征变量和输出目标变量分别进行划分，其中，以80％的输入特征变量和输出目标变量组成训练集，10％的输入特征变量和输出目标变量组成验证集，其余的输入特征变量和输出目标变量组成测试集；所述训练集用于在污水处理软测量模型的训练过程中作为模型拟合的数据样本；所述验证集用于模型训练过程中单独留出的样本集，以用于调整模型的超参数和用于对模型的预测能力进行初步评估。4.根据权利要求1所述的方法，其中，所述步骤S2包括通过下式对所述训练集的变量实施变量序列标准化处理：其中，x
′
k
是标准化后的序列，x
k
是所述训练集的输入特征变量或输出目标变量，μ是序列x1,
…
,x
n
的均值，σ是该序列的标准差；使标准化后的序列值的均值为0，标准差为1；然后用存储的μ和σ值对验证值和测试集进行标准化，使得验证值和测试集与训练集服从同一分布。5.根据权利要求1或4所述的方法，其中，所述步骤S2包括构建基于残差网络和注意力机制的污水处理软测量模型，使得所述污水处理软测量模型包括：输入模块、CNN模块、GRU模块、残差网络结构、注意力模块、全连接模块和回归模块；其中，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，所述残差网络结构用于CNN模块输出的特征与GR...

【专利技术属性】
技术研发人员：黄明智，李小勇，易晓辉，王晓珊，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：