基于支持向量机的造纸废水处理过程故障诊断

故障检测和故障诊断是工业过程监控的主要内容。针对造纸废水处理过程的多变量、非线性、大时变等特点,本课题首先采用主成分分析(PCA)对故障进行检测,然后分别采用马氏距离判别分析和支持向量机(SVM)对偏移、漂移和精度下降3种故障类型进行故障诊断。计算结果表明,基于主成分分析的故障检测率达97. 50%;基于支持向量机故障诊断方法的故障分离能力为90. 00%,而基于马氏距离判别分析方法的故障分离能力为73. 75%。相比基于马氏距离判别分析的故障诊断方法,基于支持向量机的故障诊断方法更适合于非线性时变的造纸废水处理过程。

造纸废水处理过程的高斯过程回归软测量建模

针对造纸废水处理系统的时变性、非线性和复杂性等特点,本文提出一种基于高斯过程回归的软测量模型.基于平方指数协方差、线性协方差和周期性协方差函数组合构建了7种高斯过程回归模型,分别对出水化学需氧量和出水悬浮固形物浓度进行回归预测.此外,还对比了多元线性回归模型、主成分回归模型、偏最小二乘模型、人工神经网络模型和高斯回归模型的预测效果.对比计算结果表明无论是对输出变量的训练拟合还是预测,高斯过程回归模型的拟合效果均优于非高斯过程回归模型.高斯过程回归模型的预测结果表明:对于出水化学需氧量,线性协方差函数与周期性协方差函数的组合模型可以取得最好的预测结果;对于出水悬浮固形物,平方指数协方差函数与线性协方差函数组合模型可以取得最好的预测结果.

基于独立元分析的制浆造纸废水处理过程故障检测

为及时、准确地做出故障诊断,本课题采用独立元分析(ICA)和主成分分析(PCA)两种常用的多元统计分析方法对制浆造纸废水处理过程中的传感器故障进行检测并对诊断效果进行对比。结果表明,对于制浆造纸废水数据中偏移和漂移两种故障,ICA模型的故障检测率分别为24%与54%,PCA模型的故障检测率分别为14%和42%,ICA模型的两种故障检测率均高于PCA模型,但是两种模型均无法达到满意的检测效果;对于完全失效故障,ICA和PCA模型的故障检测率均达到100%。

相关向量机对废水处理系统出水水质的预测

准确预测出水水质对造纸废水处理过程具有重要意义,为此笔者提出一种基于相关向量机(RVM)的软测量模型。首先,利用偏最小二乘法(PLS)提取实际造纸废水处理过程数据的潜变量,解决过程变量的共线性和高维度问题,然后利用潜变量建立RVM预测模型。结果表明,与RVM模型相比,本文提出的PLS-RVM组合模型在对出水悬浮固形物(SS)的水质预测测试时,均方根误差降低了7.76%,决定系数提高了12.32%;但对出水化学需氧量(COD)的预测测试效果提升并不明显。此外,PLS-RVM模型的预测效果较PLS-LSSVM模型有显著提升:对出水SS的预测,均方根误差降低了9.16%,决定系数提高了15.29%;对出水COD的预测结果中,均方根误差降低了9.29%,决定系数提高了18.34%。

废水处理过程的典型相关分析建模方法研究

随着公众环保意识的增强,废水达标排放成为工业生产中至关重要的一步。传统的污水出水水质预测模型是基于静态数据模型,这样不仅忽略了过程变量中的动态有效信息,还影响了模型预测的精度,降低了模型的泛化能力。在考虑了过程变量的时变与动态特性的基础上,将时间差分方法嵌入到典型相关分析模型中,分析了时间差分阶数变化对模型预测精度的影响。与传统的典型相关分析建模方法相比,基于时间差分的典型相关分析模型对出水化学需氧量的预测均方根误差由1.5028下降至0.5645,相关系数由0.4227提高到0.8470;对于出水总氮,其均方根误差由2.3440下降到1.1926,相关系数由0.4059提高到0.7936。模型的预测精度与泛化能力均得到提高。

变量选择在废水处理过程软测量建模中的应用

化学需氧量与悬浮固形物含量是造纸工业废水排放中需要重点监测的指标,建立有效的废水出水水质预测模型是优化控制废水中污染物排放量的有效方法。由于实际工业废水处理过程的复杂性,可测变量之间存在强相关性,利用偏最小二乘法提取变量的投影重要性信息进行变量选择,将选择后的最优变量子集作为软测量模型的输入,建立出水水质的最优预测模型。以最小二乘支持向量机模型为例,基于变量选择的最小二乘支持向量机模型对出水化学需氧量进行预测时均方根误差降低了15.2%,相关系数提高了14.4%;对于出水悬浮固形物模型,均方根误差降低了20.5%,相关系数提高了16.1%。结果表明在建模时进行变量选择可以降低模型的复杂度和提高模型的泛化能力。