一种基于集成学习的膜污染鲁棒预测方法技术

技术编号：40531989 阅读：12 留言：0更新日期：2024-03-01 13:52

基于集成学习的膜污染鲁棒诊断方法属于污水处理领域。由于MBR污水处理过程受到工况剧烈变化的影响，导致对膜污染的误诊断。为了首先，利用基于肘部法则的K‑Means++聚类算法对MBR污水处理过程中的工况进行划分；其次，对划分的工况建立相应的稀疏KPCA子模型，并基于集成学习将所有的子模型进行集合构建离线诊断模型。最后，提出相似度匹配法则对实时数据进行工况匹配，并选择相应的子模型进行在线诊断，避免由于工况变化剧烈带来的误诊断情况。结果表明该方法能够有效地进行膜污染诊断。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术设计了一种基于集成学习的膜污染鲁棒诊断方法，实现了膜生物反应器(membrane bio-reactor,mbr)污水处理过程中对膜污染的鲁棒诊断。由于mbr污水处理运行存在不同程度的扰动，因此，设计能够克服扰动的膜污染诊断模型对提高膜污染诊断的可靠性具有重要意义。污水处理过程中对膜污染的辨识与诊断是预防和及时控制膜污染现象的必要环节，是先进制造的重要分支，属于污水处理与资源化利用领域。

技术介绍

1、mbr污水处理工艺因其操作简单、处理高效等优点成为我国重点发展的一项污水再生回收利用技术。结合了生物技术和膜污水处理技术，mbr具有与传统的污水处理工艺相比具有更明显的优势，出水质量高，占地面积小，为污水处理厂提供了有效的处理手段。但同时膜污染带来污水处理效果下降以及生产能耗和使用费用上升等问题也随之出现，因此，对膜污染进行诊断研究有重要的意义，可为预防和及时控制膜污染现象提供重要支撑。

2、本专利技术设计了一种基于集成学习的膜污染鲁棒诊断方法，主要通过对实时变化的mbr污水处理工况进行划分，设计工况匹配算法，选取对应工况的子模型进行膜污染诊断，实现工况变化剧烈情况下的膜污染鲁棒诊断。

技术实现思路

1、本专利技术获得了一种基于集成学习的膜污染鲁棒诊断方法，该方法首先利用聚类算法对mbr污水处理的工况进行划分，区分不同工况的不同特征；然后设计相似度匹配法则对实时数据进行工况匹配；最后选择相应的基于集成学习的子模型进行在线诊断，提高膜污染诊断的稳定性和预测精度。</p>

2、本专利技术采用了如下的技术方案及实现步骤：

3、一种基于集成学习的膜污染鲁棒诊断方法，包括以下步骤：

4、(1)确定工况划分的参考变量：本专利技术主要针对膜生物反应器污水处理过程中的膜污染诊断，选取厌氧区氧化还原电位orp作为工况划分的参考变量，输出变量为不同聚类数的聚类结果；

5、(2)针对分布不均匀的数据进行准确划分，具体为

6、①获取厌氧区orp数据为向量r＝[r1,r2,…,rn]t，作为数据集，其中n为样本数，t表示矩阵的转置；

7、②从厌氧区orp数据集中选择一个数据作为初始聚类中心c1＝ri，其中i＝1,2,…,n；

8、③计算每个数据点与已经选取的初始聚类中心的最短距离

9、

10、其中，min表示取内部元素中的最小值，||·||为向量的二范数，z代表第z个聚类中心，k为已选取的聚类中心数量；

11、④计算第i个数据点被选为新聚类中心的概率

12、

13、其中，pi代表第i个数据点成为聚类中心的概率值，新的聚类中心被选择为

14、

15、其中，max表示取内部元素中的最大值，i是pi中的最大值，该值可作为数据集r的聚类中心，重复步骤③和④，直到已选取的聚类中心数量为达到k，k值下限kmin和上限kmax由专家经验确定，其中k、kmin和kmax均为正整数；

16、⑤进行迭代聚类，在第g代，计算第i个数据点到第z个聚类中心的距离为

17、

18、其中，czg为在第g代中第z个聚类中心，第i个数据点被划分到第个聚类

19、

20、其中，min表示最小的di,zg作为直到i＝n，否则，重复步骤⑤直至完成所有数据点聚类；

21、⑥计算目标函数

22、

23、⑦更新每个聚类的聚类中心为

24、

25、其中，若则否则

26、⑧如果满足

27、

28、则算法结束，记录最终目标函数值ek，否则返回步骤⑤，迭代次数g＝g+1，其中|·|为绝对值，∧为与逻辑运算符，即前后两个条件均满足，ε1是设定的收敛阈值；给定确定的k则可以确定最佳的聚类数；

29、(3)利用相似度评估算法对在线数据a与划分后的工况进行相似度评估，选取相似度最高的工况作为当前在线数据的类别，相似度评估算法的表达式为

30、

31、其中，z*代表当前在线数据所在工况对应的聚类，ξz表示当前在线数据到第z个聚类中所有点的平均距离，表达式为：

32、

33、其中，nz表示第z个聚类中的数据点数量；

34、(4)根据工况划分结果，设计用于膜污染诊断的基于集成学习的鲁棒诊断模型，具体为

35、①获取第z个工况对应的好氧区溶解氧数据s1(t)＝[s11(t),s12(t),…,s1n(t)]t、好氧区污泥浓度数据s2(t)＝[s21(t),s22(t),…,s2n(t)]t、产水流量数据s3(t)＝[s31(t),s32(t),…,s3n(t)]t、膜擦洗气量数据s4(t)＝[s41(t),s42(t),…,s4n(t)]t、产水浊度数据s5(t)＝[s51(t),s52(t),…,s5n(t)]t、水温数据s6(t)＝[s61(t),s62(t),…,s6n(t)]t、ph数据s7(t)＝[s71(t),s72(t),…,s7n(t)]t、跨膜压差数据s8(t)＝[s81(t),s82(t),…,s8n(t)]t和膜透水率数据s9(t)＝[s91(t),s92(t),…,s9n(t)]t作为模型的输入变量，获取训练样本集s(t)＝[s1(t),s2(t),…,sm(t)]t，其中m为样本数据的特征维数，输出为膜污染诊断结果；

36、②对训练样本进行标准化处理

37、

38、其中，i＝1,2,…,n，j＝1,2,…,m，ej(t)和δj(t)分别为均值和标准差

39、

40、

41、得到预处理后的训练样本集x(t)＝[x1(t),x2(t),…,xm(t)]t，其中xj(t)＝[xj1(t),xj2(t),…,xjn(t)]t；

42、③通过映射函数φ(·)映射至高维特征空间的样本数据为φ(x(t))＝[φ(x1(t)),φ(x2(t)),…,φ(xm(t))]t，φ(xj(t))＝[φ(xj1(t)),φ(xj2(t)),…,φ(xjn(t))]t为第j个高维特征空间中的训练样本集，计算高维特征空间中样本数据集的协方差矩阵h(t)

43、

44、其中

45、

46、其中，l＝1,2,…,m，w(t)表示高斯核宽度为

47、

48、其中

49、

50、④计算矩阵h(t)的特征值和特征向量，将特征值进行从大到小的排序为λ1(t),λ2(t),…,λm(t)，特征值向量为λ(t)＝[λ1(t),λ2(t),…,λm(t)]，每个特征对应的特征向量为ν1(t),ν2,(t)…,νm(t)，获得的特征向量矩阵q(t)＝[ν1(t),ν2,(t)…,νm(t)]，通过计算累计百分比f(d,t)确定保留的主成分，计算方式为

本文档来自技高网...

【技术保护点】

1.一种基于集成学习的膜污染鲁棒诊断方法，其特征在于，包括以下步骤：

【技术特征摘要】

1.一种基于集成学习的膜污染鲁棒诊...

【专利技术属性】
技术研发人员：伍小龙，王威，杨宏燕，韩红桂，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人