一种基于改进制造技术

本发明专利技术一种基于改进

【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，一般将该内容分为污水处理过程参量预测和污水处理过程运行状态分类两个步骤
。
[0003]针对污水处理过程参量预测任务，目前主要方法有基于统计的时序预测方法，基于机器学习的时序预测方法以及基于深度学习的时序预测方法，基于统计的传统时序预测方法如自回归模型
、
自回归平均移动模型等在处理非线性特征明显的数据时效果较差；而基于机器学习的时序预测方法如支持向量机模型
、
极限学习机模型对非线性高维数据处理同样存在一定的不足，所以作为对非线性特征处理效果较好的基于深度学习的时序预测方法成为了目前时间序列预测方式的主流内容，包括长短时记忆网络模型
、
卷积神经网络模型
、
以及
Transfomer
神经网络都有着不错的效果
。
[0004]针对污水处理过程故障诊断任务，目前主要方法有基于统计的故障诊断方法，基于机器学习的故障诊断方法以及基于深度学习的故障诊断方法
。
基于统计的故障诊断方法一般通过
PCA(Principal Component Analysis)
等方式通过统计量进行故障的诊断；基于机器学习的故障诊断方法在相比基于统计的故障诊断方法能够充分利用污水处理过程中的复杂数据和故障信息，但非集成模型效果欠佳，解决非线性问题效果一般；基于深度学习的故障诊断方法往往是数据量较大时才应用，同时由于应用深度学习模型成本过大，因此在污水处理过程故障诊断领域应用较少
。
[0005]上述国内外研究背景涉及了污水处理过程中的污水处理过程参量预测任务和污水处理故障诊断任务
。
在污水处理过程参量预测任务中，目前主流方法主要针对线性以及较弱非线性的数据进行预测，对高非线性以及非平稳数据的预测精度没有达到理想状态
。
在污水处理故障诊断任务中，目前主流方法在低成本时面对非线性数据处理困难，而高成
本下虽然提高了诊断精度，但应用起来却有着高耗时等不足
。

技术实现思路

[0006]为了解决上述问题，本专利技术采用的技术方案是：一种基于改进
LSTM
‑
BLS
的污水处理过程故障预测方法，包括以下步骤：
[0007]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；
[0008]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；
[0009]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；
[0010]建立历史数据故障诊断模型；
[0011]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；
[0012]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
。
[0013]进一步地：所述改进
LSTM
‑
BLS
模型的构建过程如下：
[0014]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：
[0015]Output
＝
Norm(Input+
σ
(W3(Dropout(W2(ELU(W1·
Input+b1))+b2))+b3)
⊙
(W4(Dropout(W2(ELU(W1·
Input+b1))+b2))+b4))
[0016]＝
GTN(Input)
[0017]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；
[0018]步骤
1.2
：应用特征提取组件模块，构建特征层如下：
[0019][0020]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；
[0021]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：
[0022][0023][0024]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...

【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...

【专利技术属性】
技术研发人员：周平，姜午恺，江本义，
申请(专利权)人：东北大学，
类型：发明
国别省市：