【技术实现步骤摘要】
一种基于改进LSTM
‑
BLS的污水处理过程故障预测方法
[0001]本专利技术属于污水处理系统故障预测
,特别涉及一种基于人工智能的污水处理过程预测和诊断方法
。
技术介绍
[0002]水在人类历史演化过程中扮演着至关重要的角色,也同样是工业发展过程中必不可少的重要物质资源之一,随着我国城市化
、
工业化进程的加快,社会对淡水资源的需求日益增大,淡水供应压力也逐渐增多
。
目前,污水处理过程的主要技术为活性污泥法,是一项复杂的生化反应技术
。
活性污泥净化污水主要有初期吸附
、
微生物的代谢
、
形成絮凝体及沉淀3个过程,其实质是利用活性污泥中的微生物群通过一系列生物化学反应,将污水中的可生物降解的有机物进行吸附
、
分解和氧化,从而将其从污水中分离出来,从而达到净化污水的目的
。
污水处理系统的运行状态一般会通过多个过程变量的变化表现出来,这些参量会随着故障类型
、
部位
、
严重程度等因素的不同而发生对应的变化,通过预测污水处理过程中关键参量的变化趋势,能够清晰直观的展示污水处理过程中系统状态的变换过程,对后续故障诊断进行铺垫
。
对污水处理过程进行故障预测,即对污水处理过程未来运行状态进行预测,能够判别污水处理系统处于不良运行状态下的故障类型,从数值方面为人工的日常检查工作提供依据,在国内外展开这项研究工作时,一般将该内
【技术保护点】
【技术特征摘要】
1.
一种基于改进
LSTM
‑
BLS
的污水处理过程故障预测方法,其特征在于:包括以下步骤:获取污水处理过程变量历史序列
、
污水处理过程出水水质变量历史序列
、
污水处理过程正常运行数据和污水处理过程故障运行数据;将污水处理过程变量历史序列和污水处理过程出水水质变量历史序列数据输入到改进
LSTM
‑
BLS
模型中,得到污水处理过程过程变量未来序列和污水处理过程出水水质变量未来序列;基于污水处理过程正常运行数据和污水处理过程故障运行数据按照比例划分成不平衡故障诊断训练集和不平衡故障诊断验证集;建立历史数据故障诊断模型;基于不平衡故障诊断训练集对历史数据故障诊断模型进行训练,得到训练好的历史数据故障诊断模型;污水处理过程过程变量未来序列和污水处理过程出水水质变量未来序列输入到训练好的历史数据故障诊断模型中,实现对未来一段时间内污水处理过程中污水的状态的预测
。2.
根据权利要求1所述一种基于改进
LSTM
‑
BLS
的污水处理过程故障预测方法,其特征在于:所述改进
LSTM
‑
BLS
模型的构建过程如下:首先构建特征提取组件模块,定义为
GTN
模块,
GTN
模块输入输出的关系表示为:
Output
=
Norm(Input+
σ
(W3(Dropout(W2(ELU(W1·
Input+b1))+b2))+b3)
⊙
(W4(Dropout(W2(ELU(W1·
Input+b1))+b2))+b4))
=
GTN(Input)
上式中的
W
i
,b
i
为
GTN
模块中全连接层的权重和偏置,
ELU
为线性单元激活函数,
Dropout
为深度学习中的
Dropout
操作,
Norm
为层归一化操作;步骤
1.2
:应用特征提取组件模块,构建特征层如下:式中的
V
t
表示输入
[x1,
…
x
t
]
对应的类注意力机制权重,
GTN
表示特征提取组件模块,
λ1,
…
λ
t
表示特征提取模块
GTN
所获得的输入
[x1,
…
x
t
]
对应的特征,
flatten
表示平展化操作,
softmax
表示归一化层操作;步骤
1.3
:构建可解释的多头注意力层模型,定义可解释的多头注意力为::构建可解释的多头注意力层模型,定义可解释的多头注意力为:
式中,是所有头共享的权值矩阵,是最终全连接层的线性映射矩阵,
Q,K,V
表示注意力机制中的输入信息,键和值,表示第
h
个头所对应的权值矩阵,
m
H
表示所选头数
。3.
根据权利要求1所述一种基于改进
LSTM
‑
BLS
的污水处理过程故障预测方法,其特征在于:所述将污水处理过程变量历史序列和污水处理过程出水水质变量历史序列数据输入到改进
LSTM
‑
BLS
模型中,得到污水处理过程过程变量未来序列和污水处理过程出水水质变量未来序列;所述将污水处理过程变量历史序列和污水处理过程出水水质变量历史序列数据,包括
m1个污水处理运行变量;将数据样本集中
m1个污水处理运行变量的数据按时间序列进行切片作为输入数据
X1;基于构建完的深度神经网络模型后,首先将输入的切片后数据进行向量映射,拓展成符合模型隐含层维度
d
的
n
个时间参量向量;拓展后的
n
维时间参量向量通过特征提取组件计算出包含时间序列信息线性信息和非线性信息的特征
Z
t
;将上述特征
Z
t
通过
LSTM
模块进行时间序列...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。