面向污水处理的数据驱动故障诊断及预测方法综述

在污水处理过程中,存在着强非线性、多变量耦合、参数时变、大滞后、内外干扰频繁等问题,因此如何及时发现系统的异常从而保证过程设备的可靠性和稳定性显得尤为重要.文中根据污水生化处理的特点,综述了基于数据驱动的故障诊断方法在污水处理领域的研究现状、存在的问题以及解决方案,探讨了故障预测在污水处理中的研究前景,指出了基于数据驱动的故障诊断方法研究在污水处理中存在的问题和未来的发展方向.     

基于激光散斑的实时立体匹配算法及其应用

立体匹配是双目立体视觉的关键步骤和难点问题,制约着双目视觉系统的应用。图像的噪声、遮挡、弱纹理等问题使得匹配精度低。为了解决这些难点问题,文中提出了一种基于激光散斑的立体匹配算法。首先根据激光散斑特点,提出了一种基于梯度方向的匹配代价计算方法;然后将半全局匹配和导向滤波器串联起来进行代价聚合,以满足实时性要求和提高算法对倾斜平面的适应能力;最后,根据匹配代价的平均值与最小值,提出了一种可靠性检验方法,以处理遮挡和物体边缘视差不连续的问题。文中匹配算法在物流行业中的应用结果表明,该算法可以实时测量包裹尺寸,测量精度可以达到±5%。     

面向污水处理过程的预测元-RVM故障诊断建模

污水处理系统是一个复杂的非线性大系统,存在作业环境恶劣、控制目标复杂等问题。这些问题导致污水厂故障频发,因此急需开发高效的监测技术。本研究提出了一种新的故障监测技术,即预测元-相关向量机方法。该方法是将可预测元算法与相关向量机进行有机结合。首先利用可预测元算法对在污水厂采集的数据进行特征提取,去除重复特征和冗余信息。然后,利用处理后的数据训练相关向量机模型。为了验证所提方法的优越性,将预测元-相关向量机与相关向量机(RVM)、主元分析-相关向量机(PCA-RVM)和独立元分析-相关向量机(ICA-RVM)3种方法同时用于监测国际水协会提供的污水仿真基准平台(BSM1)。实验表明本研究所提方法诊断精度高于3种基础方法。     

一种自确认软测量方法的研究与应用

软测量技术在过程工业中得到了广泛应用于代替或部分代替仪表的功能进行监控。但是,长期困扰软测量应用的是其鲁棒性问题。因此,提出了新型的软测量模型即自确认软测量模型。利用主元分析对输入传感器数据进行了在线校验和故障重构,不仅能确保了输入传感器(辅助变量传感器)数据的可靠性。同时,利用一定的状态参数来指示当前输入传感器的状态。此外,通过输出方差和归纳区间估计两种方法对软测量输出的不确定性进行了描述。模型的输出将不是单个预测值的输出,而是同时输出五种信息:带概率区间的输出、模型的状态(故障状态,重构状态和迷失状态等等)、不确定性、故障信息和校验输出值,并对发生故障的输入传感器进行数据重构和修复以达到模型自校验和自诊断的目的。所提出方法在污水处理过程中得到了有效应用。     

基于改进JIT算法的软测量建模及其在污水处理中的应用

为解决污水生化处理过程中的水质参数BOD5(5天生化需氧量)难以在线监测的难题,在充分考虑污水处理过程非线性和多变量耦合的基础上,结合Jolliffe参数和数据选择算法提出了鲁棒最近相关性算法,并将其与RPLS(迭代偏最小二乘)和线性偏差补偿等算法相结合,对JIT(Just-in-Time)在线学习算法进行了改进,最后...     

基于集合卡尔曼-Elman网络的软测量建模方法

污水处理系统是一个复杂的非线性、大时延的动态系统，由于工艺的复杂性、检测设备的不完备性以及经济成本的限制，一些重要的出水指标无法实现精准的检测。为解决此问题，文中提出了基于集合卡尔曼-Elman网络的软测量方法。传统动态神经网络具有能够处理时延信息数据的动态记忆能力，可用于基于数据驱动的软测量建模过程。但是，常规训练方法容易使神经网络陷入局部最小值，导致模型预测性能欠佳。鉴于此，文中引入集合卡尔曼滤波技术和对偶有限样本集合卡尔曼技术对典型的动态神经网络——Elman神经网络进行无梯度训练，构建新型软传感器模型，不仅有效提高了传统Elman神经网络的预测能力，而且提供了一种简单、无梯度的神经网络训练方法。将该方法在加州大学欧文分校的污水处理数据（UCI数据）上进行验证，结果表明，文中方法具有较好的预测性能，集合卡尔曼滤波技术可作为一种无梯度的替代方法来训练神经网络。