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。

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,最后将改进的JIT算法用于建立BOD5软测量模型.对现场数据的仿真结果表明,与传统JIT算法和RPLS法相比,文中方法提高了软测量的在线预测精度、自适应性和鲁棒性.

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。

全生命周期污泥膨胀的智能检测和诊断分析

活性污泥法是我国最常用的污水处理工艺,然而,污泥膨胀的发生是活性污泥工艺稳定可靠运行难以回避和亟待解决的问题。为此,文中提出了一种新的全生命周期故障诊断方法,用于监测污泥膨胀,并在准确地预警故障后提供合理的决策支持。为了充分挖掘污泥膨胀数据的隐含信息,文中利用典型相关分析(CCA)和绝对平均振幅值(AMAV)提取相关特征并用于故障检测,通过重排历史观测样本的方法改进贡献图并用于故障分离;根据故障预警结果,提出了基于AMAV的特征提取和多元格兰杰因果(MVGC)分析的故障传播定位方法。使用在污水厂采集的现场数据进行实验,结果表明,所提方法能及时有效地检测、分离和分析污泥膨胀的发生。

基于双核处理器的DeviceNet-DP网桥的研究开发

从市场占有率最广的PROFIBUS-DP(简称DP)和DeviceNet的兼容性问题为出发点,以Atmel的32位ARM7高速处理器和AVR16处理器构筑的双核处理框架为开发平台,充分发挥其双核处理的优势,同时结合DP和DeviceNet两种现场总线高效和自诊断的优点,开发了一个能使两种总线系统实时透明交换现场和诊断数据的多功能网桥。文中特别从系统硬件开发和软件开发两方面加以阐述,并利用OMRON PLC主站和西门子S7-300 PLC主站为测试系统,最终给于成功测试。

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。

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。

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。

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.

高斯过程建模方法在工业过程中的应用

面对日益复杂的工业过程,传统传感器无法得到有效应用,重要变量无法准确建模,重要过程无法得到有效优化和诊断,高斯过程模型的提出和应用为工业过程建模、优化和控制提供了一个广阔的思路,并可兼顾描述不确定信息.文中针对工业过程的复杂特性,不仅综述了高斯过程的基本方法以及存在的主要问题,而且归纳了其基本建模、优化、控制及故障诊断的应用和研究成果.最后,结合国际上发展及作者的实践经验总结并展望了高斯过程模型在工业过程中的应用前景和发展趋势.

融入先验知识的径向基神经网络软测量建模

针对神经网络软测量建模过程中有效信息丢失的情况,在传统3层径向基神经网络(RBFNN)模型的输入层和隐含层之间引入先验层。先验层与输入层之间的权值可直接表征通过机理、统计或者人工智能算法分析得到的先验知识,即各个输入变量的重要程度信息,该权值的变化可以改变RBFNN聚类的空间形状,使得样本在训练过程中的聚类更为合理,从而提高了RBFNN软测量模型的预测精度。RBFNN模型在污水处理过程的生化需氧量(BOD)预测中得到了验证。仿真结果表明,相比传统3层RBFNN网络,融入先验知识的4层RBFNN软测量模型具有更优异的拟合能力。

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DedceNet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。

CS3000在THJ-2高级控制系统实验装置上的应用

文章介绍了CS3000集散控制系统在THJ-2高级控制系统实验装置上应用的实际案例,文中叙述了水槽的液位-流量串级控制系统的组态生成、虚拟测试、项目下装、调试运行的相关内容。材料详实、数据准确,为工程应用提供了可靠的理论依据和实际的使用经验。

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。

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。

基于协同训练的集成自适应GPR-RVM多输出模型研究

污水处理过程中,由于工艺过程的复杂性、监测设备的不完备性和工作环境的恶劣性,导致重要的出水指标变量难以实现精准的监测;为此,文中提出了一种基于协同训练的集成自适应多输出软测量模型。首先,利用高斯过程回归(GPR)和相关向量机(RVM)两种不同类别的方法建立一个异构的软测量模型;然后,利用移动窗口(MW)和卡尔曼滤波(KF)同步对模型的结构和参数进行实时优化;最后,以一污水厂为对象进行实验,对模型的预测性能和自适应性进行验证。结果表明,文中提出的方法有效地提高了软测量模型的预测性能和自适应性。

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%。

基于Tri-training MPLS的半监督软测量模型

随着污水处理过程日趋复杂,易测量变量和难测量变量的比例严重失衡,传统的监督性软测量建模方法已经无法满足需求。针对这一问题,提出了一种新的半监督学习的软测量模型-Tri-training MPLS模型。首先将标记数据均分为相互独立的3个部分,并由这3个相互独立的标记样本子集选择置信度高的未标记样本训练模型,提高模型的预测能力。其次,将单输出软测量模型升级为多输出模型,对多个输出的变量直接建模预测。最后,通过污水处理仿真模型BSM1(Benchmark Simulation Model-1)平台对本文模型进行验证。结果表明,该软测量模型不仅具有较好的多输出预测能力,而且对单个预测结果也有令人满意的预测表现。