本文選題：污水處理　切入點：故障診斷　出處：《華南理工大學(xué)》2016年博士論文

【摘要】：隨著工業(yè)化、城市化進程的加快以及人口數(shù)量的持續(xù)增加,水污染問題越來越嚴重,解決污水問題的一個主要途徑是對污水進行凈化處理。但污水處理過程是一個復(fù)雜的生物化學(xué)反應(yīng)過程,涉及大量的自動化儀表、機械和電氣設(shè)備,還極易受到季節(jié)、天氣、流量等諸多因素的干擾和影響,因此,污水處理過程故障頻發(fā),污水排放時有超標,甚至直接造成飲用水的水體污染。加強過程監(jiān)控和故障的提前預(yù)測是污水處理過程亟待解決的問題。論文從輸出質(zhì)量變量和輸入過程變量兩個方面對基于數(shù)據(jù)驅(qū)動的污水處理過程故障診斷與多步預(yù)測展開了研究。1.提出了融入先驗知識的4層徑向基神經(jīng)網(wǎng)絡(luò)軟測量方法。針對軟測量混合建模過程有效信息丟失情況,在傳統(tǒng)3層徑向基神經(jīng)網(wǎng)絡(luò)模型的輸入和隱含層之間引入先驗層,先驗層與輸入層之間的權(quán)值可直接表征通過機理、統(tǒng)計或者人工智能算法分析得到的各個輸入變量的重要程度信息,該權(quán)值的變化可以改變徑向基神經(jīng)網(wǎng)絡(luò)聚類的空間形狀,使得樣本在訓(xùn)練過程中的聚類更為合理。在此基礎(chǔ)上,提出了基于遞歸偏最小二乘的自適應(yīng)4層徑向基神經(jīng)網(wǎng)絡(luò)軟測量模型,區(qū)別于普通4層徑向基神經(jīng)網(wǎng)絡(luò)軟測量模型輸入層和先驗層之間的權(quán)值固定不變,可在線更新輸入層和先驗層之間的權(quán)值。2.提出了多異質(zhì)模型集成學(xué)習(xí)的自適應(yīng)軟測量方法。針對具有線性和非線性混合特性的污水處理過程,構(gòu)建了多個線性和非線性異質(zhì)基模型描述過程的多樣性,基模型預(yù)測值經(jīng)集成學(xué)習(xí)模型加權(quán)合成輸出,相應(yīng)權(quán)值采用遞歸偏最小二乘法在線修正,有效解決基模型預(yù)測值之間的多重共線性問題,提高集成模型預(yù)測效果,增強模型的自適應(yīng)能力。3.提出了變分貝葉斯混合因子分析的半自適應(yīng)故障診斷方法。針對污水處理過程顯著的非線性問題,尤其在系統(tǒng)具有線性和非線性混合特征而不可簡單歸類于線性或非線性的情況下,對全局數(shù)據(jù)建立多個因子分析模型,通過加權(quán)平均構(gòu)建了變分貝葉斯混合因子模型,該方法不僅能自動確定局部模型的個數(shù),而且還能夠避免模型的過擬合問題;在變分貝葉斯混合因子算法的基礎(chǔ)上,通過加權(quán)平均改進了傳統(tǒng)的監(jiān)控指標T~2(Hotelling'T~2)和SPE(Squared Prediction Error),對應(yīng)的權(quán)值可根據(jù)污水處理過程的實時變化而自適應(yīng)調(diào)整,這種自適應(yīng)機制并非調(diào)整局部模型的平均值和方差來實現(xiàn)模型的自適應(yīng)調(diào)整,而是調(diào)整局部模型的各權(quán)值來實現(xiàn),這一方面可避免模型在線處理引起的計算量大的問題,另一方面也可以避免離線模型動態(tài)特性差的問題;與此同時,在原始數(shù)據(jù)矩陣中引入時延數(shù)據(jù),加強了模型動態(tài)特性的描述能力。4.提出了直接-遞歸策略的高斯過程回歸多步故障預(yù)測方法。針對多步預(yù)測的輸入不確定和污水處理的過程不確定性問題,利用高斯過程建立了多步預(yù)測模型,通過高斯過程回歸產(chǎn)生的標準方差量化描述不確定性,借助多倍標準方差設(shè)定故障預(yù)警區(qū)間。同時,研究了高斯過程復(fù)合核函數(shù)描述污水處理過程線性-非線性混合特征的能力,并比較研究了高斯過程、徑向基神經(jīng)網(wǎng)絡(luò)和自回歸滑動平均模型分別采用直接、遞歸、直接-遞歸三種策略的多步預(yù)測性能。5.提出了基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)的傳感器故障診斷與多步預(yù)測方法。首先分析了多變量監(jiān)控模型和監(jiān)控指標,并利用淺層和深層自聯(lián)想神經(jīng)網(wǎng)絡(luò)建立了非線性映射模型,將高維向量投射到低維主元向量,提取非線性特征,并借助監(jiān)控統(tǒng)計指標,以較小的計算代價實現(xiàn)了多變量的多步故障預(yù)測。為了弱化傳統(tǒng)監(jiān)控統(tǒng)計指標對樣本分布的假設(shè)要求,利用非參數(shù)估算方法核密度估計來估計控制限。此外,針對數(shù)據(jù)缺失的問題,應(yīng)用最小化策略估計缺失值,并研究了缺失數(shù)據(jù)的組成和比率對診斷能力的影響。最后,利用基準仿真模型和加州大學(xué)數(shù)據(jù)庫的污水處理數(shù)據(jù)驗證了上述模型的多步故障預(yù)測能力。最后,總結(jié)了本文所作的主要研究工作,并對該領(lǐng)域有待進一步研究的內(nèi)容進行了分析。
[Abstract]:In this paper , the authors put forward four - layer radial basis neural network soft measurement method based on recursive partial least square method . A multi - step prediction method based on self - associative neural network is presented . The multi - step fault prediction method based on self - associative neural network is presented .

【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：X703;TP277

【相似文獻】

相關(guān)期刊論文 前10條

1 賈嘉;故障診斷技術(shù)在生產(chǎn)中的應(yīng)用[J];新疆石油學(xué)院學(xué)報;2000年03期

2 潘松海;介紹一種故障診斷方法[J];組合機床與自動化加工技術(shù);2001年06期

3 朱大奇,于盛林;基于知識的故障診斷方法綜述[J];安徽工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2002年03期

4 茍永明;測試與故障診斷技術(shù)研討會舉行[J];冶金自動化;2004年04期

5 王春利;張衛(wèi)華;吳重光;;故障診斷技術(shù)理論與發(fā)展趨勢及其在石化領(lǐng)域的應(yīng)用[J];石油化工自動化;2008年06期

6 臧大進;曹云峰;;故障診斷技術(shù)的研究現(xiàn)狀及展望[J];礦山機械;2010年18期

7 趙國瑞;武麗;薛光輝;劉宓;杜毅博;吳淼;;綜采工作面遠程狀態(tài)監(jiān)測與故障診斷研究現(xiàn)狀與發(fā)展趨勢[J];煤炭工程;2011年02期

8 盧敏;;故障診斷技術(shù)及其在冶金設(shè)備中的應(yīng)用[J];重型機械;1987年02期

9 王恩鴻;開展故障診斷工作的現(xiàn)狀與建議[J];紡織機械;1994年04期

10 周東華,王桂增;第五講 故障診斷技術(shù)綜述[J];化工自動化及儀表;1998年01期

相關(guān)會議論文 前10條

1 楊其校;劉昭度;齊志權(quán);馬岳峰;;汽車ABS電機故障診斷[A];第三屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2005年

2 黎清海;高慶;;基于系統(tǒng)分層的故障診斷方法[A];第三屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2005年

3 聞競競;黃道;;故障診斷方法綜述[A];計算機技術(shù)與應(yīng)用進展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

4 李t，

本文編號：1703385