[发明专利]利用集成主成分分析的污水处理过程异常工况检测方法

说明书

本发明涉及一种利用集成主成分分析的污水处理过程异常工况识别方法。该方法将正常工况下的数据作为训练数据集，计算训练数据集的特征值和特征向量，随机选取主元，并利用主成分分析法建立主元模型，重复多次建立多个主元模型，计算各个主元模型的T²统计量及其阈值，采用分裂式层次聚类方法从上述主元模型中选择出合适的模型，获取污水处理实时数据，并建立与训练数据集相同的合适的模型，根据实时数据的检测统计量是否超出阈值判断是否发生了故障。该方法可以根据污水处理过程的训练数据集建立合适的模型，识别故障点，具有可扩展性强，高效、快速、准确等特点。

技术领域

本发明属于污水处理领域，具体涉及一种利用集成主成分分析的污水处理过程的异常工况检测方法。

背景技术

随着中国人口数量进一步增长，工业化程度的不断加深，对淡水资源的需求量也在不断增长，但同时淡水资源的污染问题却日益严峻，污水资源的回收处置成为亟待解决的重大问题，城市污水处理已成为水资源回收利用的重要途径。污水处理对于建设高效、清洁、低碳，循环利用的绿色制造系统具有重要意义，可以有效提高先进的节能环保技术。

城市污水包含大颗粒固态悬浮物、多种病原体、含氮化合物、含磷化合物、碳水化合物等，是一个非常复杂的混合液。图1示出了一种污水处理工艺的流程图。污水处理过程是一个典型的多变量、多耦合、长流程、非线性的复杂过程，同时存在很多干扰因素和不确定因素。目前，城市污水处理所采用的方法主要是借助微生物群体吸附和分解能力，对污水中可降解的有机物成分进行氧化，再使用复杂的生物和化学反应以及物理处理，使有机物质被降解并与污水进行分离以净化污水。活性污泥法及其改善模型是运用最为广泛的污水处理模型，但由于受到工作环境、用水量、天气、毒水、进水水质和水量波动的影响，活性污泥会受到一定程度的损害，进而引起污水处理过程的故障，最终影响整个污水处理系统的出水水质不达标。图2示出了活性污泥简化流程图。一旦污水处理系统的某个过程发生故障就会导致整个污水处理的故障，会给污水厂和社会带来巨大的经济损失和重大环境污染。因此对污水处理过程中的异常工况进行在线的故障监测，进而采取必要的措施减少或抑制异常工况的发生就变得非常重要。

在目前过程监控领域中，一般将故障检测方法划分为以下三个类别：基于解析模型的方法、基于知识的方法以及基于数据的方法。由于污水处理过程涉及到的生物化学反应十分复杂，耦合关系很多，基于解析模型的方法实施起来变得非常困难。加上每个污水处理厂的实际工艺流程有所不同，污水处理厂的使用年限不够长导致其先验知识比较少，所以基于知识的方法受到了阻碍。综上，是用最为广泛和最有效果的是基于数据的方法，只需要获得正常工况下的过程监控数据就能利用数学模型建立起输入输出以及各个变量之间的关系，从而进行故障识别。

在基于数据的方法中，主成分分析法使用较为广泛，传统的主成分分析方法(Principle Component Analysis，PCA)是在构造PCA模型时将变量矩阵的变换特征值从大到小排列，并选择对应于较大特征值的主元，形成变换特征空间的子空间以提取特征信息，并且用较大特征值对应的特征向量表示原始数据的整体趋势，但较小特征值对应的特征向量反映原始数据中的细节变化，有时这些细节对于分析数据也是重要的。传统主成分分析法所得的模型只包含了特征值较大的主元，但特征值较小的主元中也可能存在故障信息，因此传统主成分分析法具有过多或不足主元数量所导致的监控效果不理想的问题。

发明内容

鉴于以上问题，本发明提出了一种利用主成分分析的污水处理过程的异常工况检测方法。该方法先获取正常工况下的污水处理过程数据，利用正常工况下的数据随机建立主元模型，然后通过集成学习的方法得到合适的模型，并确定合适的模型中T²统计量的阈值；然后采集实时数据，对实时污水处理过程进行检测，按照根据正常工况下的数据确定的合适的模型建立实时数据的主元模型，计算实时数据在所有合适的模型构成的数据空间的检测统计量的大小，当该检测统计量超出阈值时，则认为可能发生了异常工况。该方法可以有效地对实际过程的故障进行识别和诊断，对于确保污水处理过程的有效进行具有极其重要的意义。