【技术实现步骤摘要】
本专利技术属于污水数据处理，具体涉及一种实时在线的污水厂鼓风机异常检测的方法。
技术介绍
1、随着工业化和城市化的不断发展，污水处理成为了保护环境和人类健康的重要任务。污水处理厂是处理和净化废水的关键设施，其中鼓风机在控制污水处理过程中起着至关重要的作用。溶解氧浓度是衡量水体中活性生物体氧化能力的重要指标，因此鼓风机曝气量对于污水处理过程的有效运行至关重要。
2、然而，由于现实中存在多种因素的干扰，鼓风机在运行中常常会出现异常情况。这些异常可能包括轴承箱振动剧烈、温度过高、鼓风机的电动机出现故障、运行环境恶劣的问题等等。如果不及时检测和解决这些异常，将会导致污水处理过程的质量下降，甚至可能引发设备故障和环境污染。
3、现有的异常检测技术包括：
4、1.基于统计方法：包括均值-方差方法、基于概率分布的方法（如高斯混合模型）、基于离群因子（outlier factor）的方法等；
5、2.基于距离或相似度：包括离群点相似度、基于聚类的异常检测方法等，这类方法通常使用样本之间的距离或相似度来衡量异常程度；
6、3.基于机器学习：包括基于监督学习的方法（如支持向量机、决策树、随机森林等）和基于无监督学习的方法（如聚类、主成分分析等）；
7、4.基于深度学习：近年来，深度学习在异常检测中得到广泛应用，如自编码器、变分自编码器、生成对抗网络等；
8、5.基于规则或模型：这类方法基于预定义的规则或模型，如知识库、专家系统等。
9、鼓风机异常检测方法
技术实现思路
1、本专利技术的目的在于提供一种实时在线的污水厂鼓风机异常检测的方法，可以高效地识别污水厂鼓风机异常时间点，实现对设备状态的实时监测和异常诊断，避免检测过程中的漏检想象，更加准确、及时发现和解决问题，确保污水处理过程的安全、高效运行。
2、为达到上述目的，本专利技术采用的技术方案如下：
3、一种实时在线的污水厂鼓风机异常检测的方法，包括：
4、s1：获取数据
5、选取实时在线目标时间段，获取影响鼓风机运行状态的相关在线监测数据，组成鼓风机异常检测的数据集，数据集表示为：，n为数据集的数据维度，表示n个影响鼓风机运行状态的相关在线监测数据；
6、每个维度中的数据表示为：，m为每个维度中数据的数量；
7、s2：数据降维
8、鼓风机异常检测的数据集进行降维处理，获得降维数据集；
9、s3：数据粗筛
10、对获得的降维数据集进行处理缺失值、平滑数据、去除离群值，获取异常值；
11、s4：标准化处理
12、通过聚类算法将经过粗筛的降维数据集根据实际场景聚类成多个簇，使每个簇内的数据集中各维数据分别呈正态分布，随后分别对每个簇内的各维数据进行标准化预处理，将其转化为均值为0，方差为1的标准正态分布；
13、s5：异常检测模块
14、a.使用交叉验证的方法，将各个簇整合后划分为多个互斥的子集，选取某一个子集作为测试集，剩余的子集分别作为训练集；对上述各个训练集，分别建立多元高斯分布模型，根据业务场景设置阈值，计算测试集数据的概率密度，将计算得到的概率密度与设置的阈值比较，如果概率密度小于设置的阈值，则判断结果为异常，获取异常值，最后对各个测试集的异常值作去重处理，整理得出异常值集合1和正常值集合；
15、b.利用正常值集合对自动编码器模型进行训练，确定自编码器的网络结构、损失函数和优化算法，通过不断迭代更新权值完成模型的训练，用训练完成的自动编码器模型再对获得的正常值集合进行异常检测，根据业务场景设置阈值，计算降维数据集的重构误差，将计算得到的重构误差与设置的阈值比较，如果重构误差大于设置的阈值，则判断结果为异常，获取异常值集合2；
16、s6：异常值输出
17、整合步骤s3中的异常值和步骤s5中的异常值集合1和异常值集合2，作为目标时间段内数据集最终的异常值集合输出。
18、进一步，所述影响鼓风机运行状态的相关在线监测数据包括风机风量、风机压力比、风机输出频率、风机电机扭矩、风机dc电压、风机电机电流、风机电机电压、风机电机温度、风机进口压力、风机出口压力、风机变频器温度和风机温度。
19、优选的，所述实时在线目标时间段为包括当前时刻前不少于1个小时的连续时间段。
20、进一步，所述降维处理的具体方法为主成分分析方法，其操作步骤包括：
21、(1)确定主成分个数，根据累积方差贡献率确定，即按照方差占总方差的比例；
22、所述累积方差贡献率计算公式如下：
23、
24、式中：
25、λi为鼓风机异常检测数据集x的特征值；
26、通常取α≥85％；
27、(2)确定主成分的表达式，具体计算公式如下；
28、fi＝a1ix1+a2ix2+…+anixn，i∈{1,2,…,p}
29、式中：
30、fi为各主成分得分；
31、a1i,a2i,…,ani为鼓风机异常检测数据集x的协方差矩阵∑的特征值对应的特征向量；
32、(3)获取降维后的全部数据集，表示为f＝{f1,f2,…,fp}，p为降维后的全部数据集的数据维度，f1,f2,…,fp表示p个影响鼓风机运行状态的主成分得分；每个维度中的数据表示为：m为每个维度中数据的数量。
33、进一步，所述处理缺失值的具体方法为：使用缺失值前后的数据点之间的单线性插值来填充缺失值；
34、所述单线性插值计算公式如下：式中：
35、为缺失值；
36、和分别为与缺失值相邻的前后值；
37、为缺失值对应时间点；
38、和分别为与缺失值相邻前后值对应的时间点。
39、进一步，所述平滑数据的具体方法为：设置滑动窗口的尺寸为s，前s-1个数据用原数据填充，此后每个时刻的数值为窗口包含当前时刻及其前s-1个时刻数据的均值。
40、进一步，所述去除离群值的具体方法为：分别计算各维度降维数据的标准分数，再分别对应设定各维度降维数据异常值的阈值，最后将标准分数超出阈值的数值所在的数据集作为明显异常值去除；所述各维度数据的标准分数计算公式如下：
41、式中：为全部降维数据集f对应位置的标准分数；
42、为全部降维数据集f对应位置的原始数值。
43、进一步，所述聚类算法为k-means算法，其具体操作步骤：
44、(1)随机选择k个对象作为初始聚类中心；
45、(2)根据每个数据与聚类中心的距离，将每个本文档来自技高网...
【技术保护点】
1.一种实时在线污水厂鼓风机异常检测的方法，其特征在于，包括：
2.根据权利要求1所述的实时在线污水厂鼓风机异常检测的方法，其特征在于，所述影响鼓风机运行状态的相关在线监测数据包括风机风量、风机压力比、风机输出频率、风机电机扭矩、风机DC电压、风机电机电流、风机电机电压、风机电机温度、风机进口压力、风机出口压力、风机变频器温度和风机温度。
3.根据权利要求1所述的实时在线污水厂鼓风机异常检测的方法，其特征在于，所述实时在线目标时间段为包括当前时刻前不少于1个小时的连续时间段。
4.根据权利要求1所述的实时在线污水厂鼓风机异常检测的方法，其特征在于，所述降维处理的具体方法为主成分分析方法，其操作步骤包括：
5.根据权利要求1所述的实时在线污水厂鼓风机异常检测的方法，其特征在于，所述处理缺失值的具体方法为：使用缺失值前后的数据点之间的单线性插值来填充缺失值；
6.根据权利要求1所述的实时在线污水厂鼓风机异常检测的方法，其特征在于，所述平滑数据的具体方法为：设置滑动窗口的尺寸为s，前s-1个数据用原数据填充，此后每个时刻的数值
7.根据权利要求1所述的实时在线污水厂鼓风机异常检测的方法，其特征在于，所述去除离群值的具体方法为：分别计算各维度的标准分数，再分别对应设定各维度异常值的阈值，最后将标准分数超出阈值的数值所在的数据集作为明显异常值去除；所述各维度数据的标准分数计算公式如下：式中：
8.根据权利要求1所述的实时在线污水厂鼓风机异常检测的方法，其特征在于，所述聚类算法为K-means算法，其操作步骤包括：
9.根据权利要求1所述的实时在线的污水厂鼓风机异常检测的方法，其特征在于，所述交叉验证方法的具体操作步骤：
10.根据权利要求1所述的实时在线的污水厂鼓风机异常检测的方法，其特征在于，所述自动编码器模型的具体操作步骤：
...【技术特征摘要】
1.一种实时在线污水厂鼓风机异常检测的方法，其特征在于，包括：
2.根据权利要求1所述的实时在线污水厂鼓风机异常检测的方法，其特征在于，所述影响鼓风机运行状态的相关在线监测数据包括风机风量、风机压力比、风机输出频率、风机电机扭矩、风机dc电压、风机电机电流、风机电机电压、风机电机温度、风机进口压力、风机出口压力、风机变频器温度和风机温度。
3.根据权利要求1所述的实时在线污水厂鼓风机异常检测的方法，其特征在于，所述实时在线目标时间段为包括当前时刻前不少于1个小时的连续时间段。
4.根据权利要求1所述的实时在线污水厂鼓风机异常检测的方法，其特征在于，所述降维处理的具体方法为主成分分析方法，其操作步骤包括：
5.根据权利要求1所述的实时在线污水厂鼓风机异常检测的方法，其特征在于，所述处理缺失值的具体方法为：使用缺失值前后的数据点之间的单线性插值来填充缺失值；
6.根据权利要求1所述的...
【专利技术属性】
技术研发人员：李功松，方荣兆，胡晓东，范岳峰，
申请(专利权)人：上海昊沧系统控制技术有限责任公司，
类型：发明
国别省市：
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。