一种针对污水处理过程的在线监测方法、装置和存储介质制造方法及图纸

本发明专利技术公开了一种针对污水处理过程的在线监测方法、装置和存储介质，利用离线数据建立自编码器一类支持向量机模型，然后对采集到的现场数据进行预处理，再计算出每个实时观测样本的预测分数，与预设定的阈值进行比较。如果预测分数值未超出控制限则说明工况正常；相反，如果预测分数值超过控制限则可判定该观测时刻污水处理过程发生了故障。本发明专利技术充分考虑到污水处理过程观测变量繁多的特点，通过特征提取技术自编码器获取观测变量稀疏特征，解决了基于一类支持向量机的在线监测方法无法处理高维度数据的问题。同时，一类支持向量机的应用很好地解决了污水处理过程中数据样本不平衡的问题。本发明专利技术可广泛应用于故障在线监测技术领域。技术领域。技术领域。

【技术实现步骤摘要】
一种针对污水处理过程的在线监测方法、装置和存储介质


[0001]本专利技术涉及故障在线监测
，尤其涉及一种针对污水处理过程的在线监测方法、装置和存储介质。

技术介绍

[0002]随着城镇化速度日益加快，城市污水的排放量显著增加。为了应对日益增加的城市污水，建设自动化程度高的污水处理厂已经成为社会发展的需要之一。在这样的背景下，需要对污水处理厂工作状态进行有效的监测，保证其正常运转，使污水达到规定的排放标准。
[0003]然而，污水处理过程受到著多物理、生物和化学因素的影响，具有较强的非线性、动态性、强耦合等特点，建模困难。因此，无需先验生化知识的数据驱动模型支持向量机得到了应用。但在污水处理过程中采集到的数据缺乏标签信息，数据具有强烈的不平衡特征，需要使用无监督学习方法一类支持向量机。然而由于低效的特征工程和优化的复杂性，一类支持向量机最大的问题是无法处理大型和高维数据集，导致一类支持向量机在高维度故障检测场景的应用中并不理想。为了保证污水处理过程操作系统的安全性和稳定性，建立一种有效的过程监控方案来及时地监测异常现象是十分有必要的。

技术实现思路

[0004]为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术的目的在于提供一种针对污水处理过程的在线监测方法、装置和存储介质。
[0005]本专利技术所采用的技术方案是：
[0006]一种针对污水处理过程的在线监测方法，
[0007]包括以下步骤：
[0008]确定观测变量并设定采样间隔，将采集正常工况时的观测数据作为训练集，对训练集进行预处理，得到预处理后的训练集；
[0009]根据训练集特征确定自编码器网络结构，并设置损失函数；
[0010]使用预处理后的训练集训练自编码器，得到网络的最优参数，再利用自编码器中的编码器提取训练集特征，得到训练集的稀疏特征集合；
[0011]根据稀疏特征集合特点，确定一类支持向量机的核函数类型及相应超参数，使用稀疏特征集合训练一类支持向量机，并得到稀疏特征对应样本的预测分数；
[0012]使用箱线图分析预测分数集合的数据分布特征，以确定故障监测的控制限；
[0013]采集实时观测数据作为测试样本，对测试集预处理后，使用自编码器提取测试样本的稀疏特征，并使用一类支持向量机对稀疏特征进行分数预测；
[0014]判断污水处理过程是否发生故障：将该时刻的观测样本的预测分数值与由箱线图得到的控制限做差；若预测分数值未超出控制限，则判定工况正常，进行下一次采样；若预测分数值超过控制限，则判定该观测时刻发生故障，发出报警。超出控制限的值越大，则说
明故障越严重。
[0015]进一步地，所述对训练集进行预处理，包括：
[0016]采用标准差标准化法，将从污水处理厂观测到的数据矩阵按照下式进行数据预处理：
[0017][0018]其中，X∈R
m
×
n
是原始的观测数据矩阵，R
m
×
n
表示m行n列的实矩阵，X的每一行代表一个观测样本，每一列代表一个观测变量，μ
x
和σ
x
表示X中各观测变量的样本均值和样本标准差，X'表示预处理后的训练集。
[0019]进一步地，所述对训练集进行预处理，包括：
[0020]采用极差标准化法，将从污水处理厂观测到的数据矩阵按照下式进行数据预处理：
[0021][0022]其中，X∈R
m
×
n
是原始的观测数据矩阵，R
m
×
n
表示m行n列的实矩阵，X的每一行代表一个观测样本，每一列代表一个观测变量，X'表示预处理后的训练集，X(i,j)、X'(i,j)分别表示X和X'的第i行第j列位置上的元素，X(j)
max
、X(j)
min
分别表示X的第j列中的最大值和最小值。
[0023]进一步地，所述根据训练集特征确定自编码器网络结构，并设置损失函数，包括：
[0024]根据预处理后的训练集X'确定栈式自编码器隐藏层层数，以及输入层、隐藏层和输出层神经元个数；对于低维度及小样本类型的数据集，采用较少的隐藏层层数，既能减少计算量也能很好地重构输入。特别地，对于高维度及大样本类型的数据集，可以适当堆叠隐藏层层数，以扩展自编码器模型对于数据的重构能力。
[0025]根据预处理后的训练集X'选择损失函数以及收敛模型，其中训练过程中，自编码器损失函数选择为L1正则损失函数，表示为：
[0026][0027]其中x'
i,j
代表预处理后的训练集中某个观测样本的某个变量，x
*i,j
代表自编码器根据输入所重构的输出，m为训练集观测样本的总个数，n为观测样本的变量总个数。
[0028]进一步地，自编码器的结构取决于预处理后的训练集X'。对于预处理后的数据集X'，通过编码器(基于W
h
的线性变换)，输出隐藏特征特S，再通过解码器(基于W
x
的线性变换)，重构出X
*
，自编码器网络通过如下表示：
[0029]s＝f(W
h
x'+b
n
)
[0030]x
*
＝g(W
x
s+b
s
)
[0031]本专利技术中的自编码器特指栈式自编码器，由多个自编码器堆叠而成，是一个由多层自编码器组成的神经网络，其前一层自编码器的输出作为其后一层自编码器的输入。对于低维度及小样本类型的数据集，采用较少的隐藏层层数，既能减少计算量也能很好地重构输入。特别地，对于高维度及大样本类型的数据集，可以适当堆叠隐藏层层数，以扩展自
编码器模型对于数据的重构能力。
[0032]进一步地，所述一类支持向量机的表达式为：
[0033]f(x)＝w
T
φ(x)
‑
ρ
[0034]所述一类支持向量机的目标方程为：
[0035][0036]w
T
φ(x
i
)≥ρ
‑
ξ
i
,ξ
i
>0
[0037]其中，φ是将输入向量投影到高维特征空间的特征投影函数；w是垂直于超片面的决策超平面一般向量，ρ是截距项，ξ
i
表示松弛变量，v是为异常值分数设定的上限超参数，n表示向量维度。
[0038]进一步地，对目标方程使用拉格朗日变换，并对其中的点乘运算使用核函数技巧，决策函数变为下式：
[0039][0040]其中，α
i
是拉格朗日乘子，k(x
i
,x)＝φ(x
i
)
T
φ(x)是核函数，核函数可以优先选择为径向基核函数，也可选择为线性核函数：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对污水处理过程的在线监测方法，其特征在于，包括以下步骤：确定观测变量并设定采样间隔，将采集正常工况时的观测数据作为训练集，对训练集进行预处理，得到预处理后的训练集；根据训练集特征确定自编码器网络结构，并设置损失函数；使用预处理后的训练集训练自编码器，得到网络的最优参数，再利用自编码器中的编码器提取训练集特征，得到训练集的稀疏特征集合；根据稀疏特征集合特点，确定一类支持向量机的核函数类型及相应超参数，使用稀疏特征集合训练一类支持向量机，并得到稀疏特征对应样本的预测分数；使用箱线图分析预测分数集合的数据分布特征，以确定故障监测的控制限；判断污水处理过程是否发生故障：将该时刻的观测样本的预测分数值与由箱线图得到的控制限做差；若预测分数值未超出控制限，则判定工况正常，进行下一次采样；若预测分数值超过控制限，则判定该观测时刻发生故障，发出报警。2.根据权利要求1所述的一种针对污水处理过程的在线监测方法，其特征在于，所述对训练集进行预处理，包括：采用标准差标准化法，将从污水处理厂观测到的数据矩阵按照下式进行数据预处理：其中，X∈R
m
×
n
是原始的观测数据矩阵，R
m
×
n
表示m行n列的实矩阵，X的每一行代表一个观测样本，每一列代表一个观测变量，μ
x
和σ
x
表示X中各观测变量的样本均值和样本标准差，X'表示预处理后的训练集。3.根据权利要求1所述的一种针对污水处理过程的在线监测方法，其特征在于，所述对训练集进行预处理，包括：采用极差标准化法，将从污水处理厂观测到的数据矩阵按照下式进行数据预处理：其中，X∈R
m
×
n
是原始的观测数据矩阵，R
m
×
n
表示m行n列的实矩阵，X的每一行代表一个观测样本，每一列代表一个观测变量，X'表示预处理后的训练集，X(i,j)、X'(i,j)分别表示X和X'的第i行第j列位置上的元素，X(j)
max
、X(j)
min
分别表示X的第j列中的最大值和最小值。4.根据权利要求1所述的一种针对污水处理过程的在线监测方法，其特征在于，所述根据训练集特征确定自编码器网络结构，并设置损失函数，包括：根据预处理后的训练集X'确定栈式自编码器隐藏层层数，以及输入层、隐藏层和输出层神经元个数；根据预处理后的训练集X'选择损失函数以及收敛模型，其中训练过程中，自编码器损失函数选择为L1正则损失...

【专利技术属性】
技术研发人员：刘乙奇，李志，于广平，刘坚，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：