一种基于数据驱动的污水处理传感器故障诊断方法技术

本发明专利技术涉及污水处理厂的故障诊断技术领域，具体是一种基于数据驱动的污水处理传感器故障诊断方法。通过污水处理厂传感器历史测量数据对KPCA(核主成分分析法)进行建模，计算SPE值(平方预测误差)和T2值(霍特林统计量)。对比SPE、T2和置信界限CL的大小，检测传感器的运行状况，再实现传感器故障的分类。完成分类之后，需要通过分析SVI(传感器有效指数)来确定故障传感器的位置。最后，为了不影响设备的正常运转，使用反归一化法完成故障数据的重构和恢复，来满足设备正常运行的需求。通过比较数据恢复前后的系统SPE值的变化，证明了该方法的效果较好，能够在一定程度上满足实际工业需求。需求。需求。

【技术实现步骤摘要】
一种基于数据驱动的污水处理传感器故障诊断方法


[0001]本专利技术涉及污水处理厂的故障诊断
，具体是一种基于数据驱动的污水处理传感器故障诊断方法。

技术介绍

[0002]活性污泥法是目前我国城市污水处理的主要方法。活性污泥处理工艺包括预处理、初沉、曝气、二沉以及污泥回流等五部分，入口污水预处理后进入初沉池，初步沉淀后进入曝气池，微生物群在厌氧、缺氧、好氧条件下分解有机污染物，同时进行脱氮降磷处理，曝气池的混合出水流入二沉池，固液分离后排出澄清水，而二沉池产生的污泥，一部分回流至曝气池，维持曝气池微生物数量在一合适水平，剩余污泥和初沉池的污泥混合，进行消化、脱水等处理后再利用。曝气和二沉过程又十分繁杂，涉及许多的物理和生物化学反应。为了减少由于故障导致的人员伤亡和污水处理不合格情况的发生，通过现有的技术手段对污水处理厂各种工艺进行全面的检测和诊断十分有必要。
[0003]污水处理过程是一个复杂的生物化学反应过程，具有时变、大滞后、强耦合、显著非线性等特点，数学建模过程异常复杂，且需要许多理想化的假设。因此，建立解析模型对其进行故障诊断非常困难。而数据驱动方法无需先验知识和数学模型，适合于数据充分的污水处理过程诊断。因为污水处理工艺流程中涉及的所有数据都是以正常传感器采集数据为基础的。一旦传感器出现故障，将导致所采集数据失去可靠性，将其用于过程控制和监控将毫无意义。检测传感器故障的能力对于通过传感器的过程信息进行全面监控污水处理工艺是至关重要。然而，污水处理过程存在着严重的不确定性、时变性和对干扰的敏感性，这就意味着仅仅依靠经验很难确定故障传感器的位置和发生时间。目前，常用的基于PCA(主成分分析法)的信号处理方法对非线性信号的处理效果极差，此时就需要用到KPCA(核主成分分析法)对其进行处理。

技术实现思路

[0004]本专利技术在传统PCA方法的基础上将RBF核作为核函数，设计一种使用相关传感器采集的实际数据对KPCA完成建模，利用SPE和T2指标判断传感器故障发生与否，在确定已经出现故障之后找到故障传感器的位置，最后恢复故障传感器的数据。
[0005]本专利技术的目的在于提供一种基于数据驱动的污水处理传感器故障诊断方法，解决现有信号处理方法效果差难以对传感器故障进行精准诊断的问题。
[0006]为实现上述目标，本专利技术采用以下技术方案：一种基于数据驱动的污水处理传感器故障诊断方法，其特征在于包括以下步骤：
[0007]S1:采集污水处理厂各个传感器工作时的真实数据，完成对所得数据的归一化操作，按照比例提取正常工作时的数据作为模型的训练集，剩下的数据作为模型的测试集；
[0008]S2:使用上一步处理后的训练集数据完成KPCA的建模，计算置信界限值CL，将测试集数据代入模型中计算平方预测误差值SPE和霍特林统计量T2指标；比较测试数据的SPE和
T2值是否超过置信界限CL；如果超过这一值，则判定传感器已经发生了故障，否则判定传感器正常；
[0009]S3:一旦确定有传感器出现故障，就需要对故障进行分类。根据故障特点可将其分为固定偏差故障、漂移故障、精度下降故障及完全故障共四大类；
[0010]S4:通过计算传感器有效指数SVI，找到故障传感器所在位置；
[0011]S5:使用循环迭代法完成故障数据的重构和恢复。
[0012]进一步的技术方案是所述步骤S1的具体步骤如下：
[0013]S1
‑
1.对某市污水处理厂某一类共m个传感器的相关数据同时取样n次，选取了共计m
×
n条采样数据；
[0014]S1
‑
2.为了消除数据特征之间的量纲影响，对S1
‑
1的样本数据进行归一化处理，本文将样本数据归一化到[
‑
1,1]区间内，具体归一化公式如下：
[0015][0016]其中x
i
是归一化前的原始数据样本，是归一化后的数据样本，x
max
、x
min
分别为原始数据样本中的最大值与最小值；
[0017]S1
‑
3.按照占总样本数据量80％的比例从S1
‑
2的归一化后样本数据中提取出传感器正常工作时的数据，将其作为模型的训练集，剩下20％的数据样本集作为测试集。对于两类数据分别建立数据矩阵如下：
[0018][0019]其中，x
m
(n)表示第m个传感器的第n次采样数据；
[0020]进一步的技术方案是所述步骤S2的具体步骤如下：
[0021]S2
‑
1.将采样信号的训练集数据在特定空间上完成分解，将其所在空间划分成PCS(主成分空间)和RS(残差空间)；
[0022]S2
‑
2.计算传感器所在系统的置信界限CL为0.1；
[0023]S2
‑
3.计算S1的测试集数据的SPE值和T2值，如果计算所得SPE值和T2值一直低于S2
‑
2计算得到的置信界限CL，可以确定该系统的全部传感器都不存在故障；如果在第某个样本点之后，系统的SPE值和T2值超过设定的阈值，可以确定此时系统中存在故障传感器；
[0024]S3:在S2
‑
2已确定的故障传感器中，如果故障传感器的SPE值和T2值迅速增大并超过设定的阈值，可以确定，该故障为固定偏差故障；如果故障传感器的SPE值和T2值远远的超过置信界限且呈指数型增长，可以确定，该故障为漂移故障；如果故障传感器读数为该传感器设计时的最大读数或者零，可以确定，该故障为完全故障；如果故障传感器的SPE值和T2值都大于所设阈值，极少数的指标值位于置信界限之下，同时SPE值和T2值指标的波动加大，呈现出明显的波动性，可以确定，该故障为精度下降故障；
[0025]进一步的技术方案是所述步骤S4的具体步骤如下：
[0026]S4
‑
1.首先需要分别假设系统中的每个传感器出现故障。将步骤S3中已确定已知四种故障类型之一的传感器采样数据完成重构。现在假设在样本X中第i个传感器存在故
障，则将这个传感器测量值的重构值计算公式如下：
[0027][0028]其中，表示将矩阵C的第i列用0代替；c
ii
≠1；
[0029]S4
‑
2.将步骤S4
‑
1中进行数据重构后计算的SPE值，计算公式如下：
[0030][0031]其中，SPE(x
′
j
)表示测量数据x在第j个方向上进行数据重构后计算的SPE值；故障定位规则如下：
[0032]如果SVI
j
接近于0，方向j为传感器故障方向，则该传感器为该故障类型下的故障传感器；
[0033]如果SVI
j
接近于1，方向j不是传感器故障方向，则该传感器不是该故障类型下的故障本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的污水处理传感器故障诊断方法，其特征在于包括以下步骤：S1:采集污水处理厂各个传感器工作时的真实数据，完成对所得数据的归一化操作，按照比例提取正常工作时的数据作为模型的训练集，剩下的数据作为模型的测试集；S2:使用上一步处理后的训练集数据完成KPCA的建模，计算置信界限值CL，将测试集数据代入模型中计算平方预测误差值SPE和霍特林统计量T2指标；比较测试数据的SPE和T2值是否超过置信界限CL；如果超过这一值，则判定传感器已经发生了故障，否则判定传感器正常；S3:当传感器出现故障时对故障进行分类；根据故障特点分为固定偏差故障、漂移故障、精度下降故障及完全故障共四大类；S4:通过计算传感器有效指数SVI，找到故障传感器所在位置；S5:使用循环迭代法完成故障数据的重构和恢复。2.根据权利要求1所述的一种基于数据驱动的污水处理传感器故障诊断方法，其特征在于：所述步骤S1的具体步骤如下：S1
‑
1.对某市污水处理厂某一类共m个传感器的相关数据同时取样n次，选取了共计m
×
n条采样数据；S1
‑
2.为了消除数据特征之间的量纲影响，对S1
‑
1的样本数据进行归一化处理，将样本数据归一化到[
‑
1,1]区间内，具体归一化公式如下：其中x
i
是归一化前的原始数据样本，是归一化后的数据样本，x
max
、x
min
分别为原始数据样本中的最大值与最小值；S1
‑
3.按照占总样本数据量80％的比例从S1
‑
2的归一化后样本数据中提取出传感器正常工作时的数据，将其作为模型的训练集，剩下20％的数据样本集作为测试集；对于两类数据分别建立数据矩阵如下：其中，x
m
(n)表示第m个传感器的第n次采样数据。3.根据权利要求1所述的一种基于数据驱动的污水处理传感器故障诊断方法，其特征在于：所述步骤S2的具体步骤如下：S2
‑
1.将采样信号的训练集数据在特定空间上完成分解，将其所在空间划分成主成分空间和残差空间；S2
‑
2.计算传感器所在系统的置信界限CL为0.1；S2
...

【专利技术属性】
技术研发人员：王磊，孙延贞，于忠清，
申请(专利权)人：青岛洪锦智慧能源技术有限公司，
类型：发明
国别省市：