面向污水处理过程因子分析故障诊断方法的研究

污水生化处理过程是一个典型的多变量、非线性、具有强外部干扰的复杂工业过程,基于主元分析(PCA)的方法在污水处理过程的故障诊断中已经得到了广泛的应用和发展.但是,主元分析存在着噪声和不确定信息描述能力不足的问题.针对污水过程的特点提出了因子分析(FA)故障诊断方法,同时拓展了因子分析监控指标以及解决了故障辨识贡献图的控制问题,为污水处理过程的有效监控提供了可行性.所提出方法在国际水协会BSM1模型上得到了有效的验证,与PCA的对比研究表明FA提供了更低的故障误报警率和更完整的不确定信息描述能力.     

面向污水处理的动态变分贝叶斯混合因子故障诊断

在污水生化处理过程中,存在着多变量耦合、强非线性、参数时变、大滞后等特点,面对这些特点,传感器故障频发,从而导致生化过程无法得到有效优化和诊断.为此,本文在结合动态数据特性的基础上提出了一种基于变分贝叶斯混合因子的动态故障诊断方法,同时,利用混合因子的在线调整实现了诊断模型的半自适应化.该方法能够捕捉到污水处理过程的强非线性和动态性,从而可有效降低故障诊断的误报率和漏报率.通过在国际水协会的BSM1模型上的模拟研究,充分表明所提出的策略可以显著提高故障诊断能力,精确地检测传感器的突变和漂移故障,甚至定位故障所发生的根本原因.     

基于ARM的DeviceNet一体化适配器开发

从现场通用的老式RS232串口与新兴DeviceNet网络的兼容问题为出发点,以Atmel的32位ARM7高速处理器为开发平台,充分发挥其处理高速和功能多样的优势,同时结合DeviceNet现场总线高效和诊断的优点,开发了一个带8路数字量输入,8路数字量输出,4路模拟量输入和RS232串口的DevciceNet一体化通信适配器.特别从系统硬件开发和软件开发两方面加以阐述,并结合OMRON PLC主站测试系统,最终成功给予测试.     

基于动态多核相关向量机的软测量建模研究

针对污水处理过程中存在的多变量耦合、强非线性以及参数时变等问题，提出基于多核学习相关向量机的软测量建模方法，并采用粒子群算法对多核权重以及核参数进行优化。同时，引入时间差分(time difference)方法改进多核相关向量机的动态特性。为了验证所提模型的有效性，通过一仿真案例与单核相关向量机、多层前馈神经网络和基于遗传算法的支持向量机进行对比研究。结果表明，所提模型具有更好的预测效果。最后，对模型的鲁棒性在数据漂移和异常的场景下进行了讨论。     

软测量在污水处理过程中的研究与应用

在污水生化处理过程中,存在着多变量耦合、强非线性、参数时变、大滞后等特点,面对这些特点,传统传感器无法得到有效应用,重要变量无法得到快速精确测量,生化过程无法得到有效优化和诊断,于是大量研究围绕软测量展开,其中利用机理模型、智能模型和回归模型对重要变量进行精确测量最为普遍。文中根据污水生化处理的特点,不仅综述了软测量数据预处理的基本方法,而且归纳了其基本建模、优化及故障诊断的应用和研究成果。同时指出了软测量鲁棒性差,自校验能力差,机理模型和智能模型混合以及在污水故障诊断中存在的问题。最后,结合国际上发展及作者的实践经验总结并展望了软测量技术在污水生化处理过程中的应用前景和发展趋势。     

基于JIT-RVC算法的软测量的研究及其应用

针对传统JIT(Just-in-time)算法单纯以距离为数据选择的缺陷,以及局部模型鲁棒性差,稳定性不强的特点,文中一方面提出了与Jolliffe参数相结合的鲁棒最近相关算法,使得JIT算法能够在离群点出现的情况下正确的选择建模数据,另一方面,还将合成随机变系数概率模型算法(Ensemble RVC)作为JIT算法的局部模型构成了JIT-RVC算法,于此强化了传统JIT算法的非线性逼近能力和鲁棒性。最后,通过强烈干扰情况下的污水生化处理的BOD_5软测量预测仿真结果证明了算法的有效性,特别要指出的是相较于JIT-PLS算法,JIT-RVC算法的RMSE指标减少了55%,而相关系数提高了53%。     

基于深层神经网络的多输出自适应软测量建模

在污水处理运行过程中,多个重要的难测过程变量的存在,不仅妨碍了生产过程的监控,而且阻碍了过程控制策略的调整或优化。即使软测量模型得到合理的构建,在投入运行后仍然遭受性能的退化和同时带来的高昂的维护成本。此外,合适辅助变量的选取直接影响后续建模的效果。因此,文中提出了一种基于深层神经网络的多输出自适应软测量模型,用于污水处理过程中多个目标变量的同步在线预测。其中,深层神经网络基于一种栈式自编码而构建,在极端复杂场景下具有优异的在线预测性能;并在建模中引入时差建模和变量重要性投影(VIP)这两种算法,以应对性能退化问题和实现辅助变量的精选。最后,通过一个实际案例对所提出模型进行验证。结果表明,所提出的软测量模型不仅具有较好的多输出预测性能,且在单目标预测结果上也有不错的表现。     

基于协同训练的半监督异构自适应软测量建模方法的研究

软测量技术被广泛应用到工业过程中重要且难以在线测量变量的预测。然而，由于工业过程的复杂性,非线性和高昂的数据获取成本，使得建模所需的输入和输出变量数据比例严重不平衡。因此，本文在已有的co-training模型的基础上，将协同训练算法与前馈神经网络（BP）算法相结合，提出了针对非线性问题的co-training BP模型。然而，由于软测量模型应用过程的时变性和不确定性，以及外部环境等因素的影响，会造成数据突变、延迟和波动性大等情况，导致模型预测性能的衰减。因此，本文提出了一种半监督异构的自适应co-training RPLS-RBP模型。一方面，该模型使用奇偶分组的方法将标记数据进行两部分均分。另一方面，递归PLS（RPLS）与递归BP（RBP）同时用于标记数据的建模和预测。为了验证模型的预测性能，所提出模型在一个污水处理的仿真基准平台(BSM1)和一个实际污水厂(UCI)的数据中得到了验证。结果表明，所提模型具有较好的预测性能。     

基于深层神经网络的多输出自适应软测量建模

在污水处理运行过程中,多个重要的难测过程变量的存在,不仅妨碍了生产过程的监控,而且阻碍了过程控制策略的调整或优化。即使软测量模型得到合理的构建,在投入运行后仍然遭受性能的退化和同时带来的高昂的维护成本。此外,合适辅助变量的选取直接影响后续建模的效果。因此,文中提出了一种基于深层神经网络的多输出自适应软测量模型,用于污水处理过程中多个目标变量的同步在线预测。其中,深层神经网络基于一种栈式自编码而构建,在极端复杂场景下具有优异的在线预测性能;并在建模中引入时差建模和变量重要性投影（VIP）这两种算法,以应对性能退化问题和实现辅助变量的精选。最后,通过一个实际案例对所提出模型进行验证。结果表明,所提出的软测量模型不仅具有较好的多输出预测性能,且在单目标预测结果上也有不错的表现。     

基于动态多核相关向量机的软测量建模研究

针对污水处理过程中存在的多变量耦合、强非线性以及参数时变等问题,提出基于多核学习相关向量机的软测量建模方法,并采用粒子群算法对多核权重以及核参数进行优化。同时,引入时间差分(time difference)方法改进多核相关向量机的动态特性。为了验证所提模型的有效性,通过一仿真案例与单核相关向量机、多层前馈神经网络和基于遗传算法的支持向量机进行对比研究。结果表明,所提模型具有更好的预测效果。最后,对模型的鲁棒性在数据漂移和异常的场景下进行了讨论。