下载: 全尺寸图片 幻灯片
1)高维数据降维: 污水处理过程相应过程运行性能与出水水质的变量较多, 具有高维
特性, 而且变量之间存在着很强的关联耦合特性. 如果把全部变量都用于模型的建立, 不仅
会加大计算复杂度, 而且会由于冗余信息干扰影响建模与监测的性能, 因此需要对输入变量
数据进行降维. 为此, 采用非线性的 KPLS 方法对高维数据进行降维. 首先将标准化后的过
程变量投影到高维特征空间, 然后在高维特征空间建立过程变量与质量变量的偏最小二乘
模型, 并采用交叉验证法确定主元数, 得到得分矩阵, 也即原始高维变量经过降维处理后的
低维变量.
2)异常工况检测: 针对常规 FCM 算法对于离群点敏感, 建立 RoW-FCM 聚类算法, 通
过引入了权值参数对不同质量的样本数据的区分加权, 改善了聚类对离群点的鲁棒性, 同时
引入聚类大小控制参数解决了不平衡簇问题. 由于传统基于欧氏距离的 FCM 算法是根据最
近邻分配, 即对于球形数据集以外的如椭圆形类数据集不能有效聚类, 因此采用马氏距离,
可以充分考虑样本之间的相互关系. 将本文改进聚类算法对得分矩阵聚类, 得到隶属度矩
阵, 通过所得隶属度矩阵对污水处理过程进行异常工况检测.
3)异常工况识别: 为了识别导致异常工况的主导变量, 考虑变量对过程异常工况的解
释程度. 基于此, 通过建立隶属度矩阵与过程变量的回归模型, 得到变量隶属度矩阵, 利用
变量贡献矩阵描述变量对各个簇的解释程度, 即变量对各类工况的解释程度, 从而达到对异
常工况识别的目的.
2. 过程监测算法
2.1 高维数据降维的 KPLS 算法
设图 1 所示活性污泥污水处理过程的输入变量矩阵为
\boldsymbolX=[\boldsymbolx1,\boldsymbolx2,⋯,\boldsymbolxn]T∈Rn×m1\boldsymbolX
=[\boldsymbolx1,\boldsymbolx2,⋯,\boldsymbolxn]T∈Rn×m1, 出水质量变量矩阵为
\boldsymbolY=[\boldsymboly1,\boldsymboly2,⋯,\boldsymbolyn]T∈\boldsymbolY=[\bold
symboly1,\boldsymboly2,⋯,\boldsymbolyn]T∈Rn×lRn×l, 式中 nn 为样本数, m1m1 为过程变