一种基于级联长短期记忆神经网络的污水处理设备多维状态监测方法

本发明设计了一种基于级联长短期记忆神经网络的污水处理设备多维状态监测方法，实现了对污水处理设备多维状态的准确监测。污水处理设备运行状态作为评价设备健康程度的重要依据，是选择不同维修方法和操作策略的重要依据。准确监测设备状态对污水处理过程监控和控制至关重要，对污水处理过程中的节约能耗和安全稳定运行有着重要影响，是先进制造的重要分支，属于城市污水处理与设备管理领域。

背景技术：

1、城市污水处理过程可实现污染物去除以及淡水资源循环利用，已经成为我国城市居民用水及轻工业用水的主要来源。随着工业自动化水平的提高和水资源需求量的不断增加，城市污水处理行业面临着很多挑战，其中，保障污水处理设备高效稳定地运行成为了行业迫切需要解决的问题。做好污水处理设备的状态监测以保证污水处理过程的良好运行不仅涉及到环境保护，还关系到经济效益和社会责任。因此，对城市污水处理设备的状态监测技术进行研究有重要的意义，为稳定高效地进行污水处理提供支撑。

2、随着污水处理技术的发展，设备复杂性增加，单一指标难以全面反映设备的运行状态。如何综合考虑多个关键指标，实现对污水处理设备状态的全面监测，成为了技术发展的新方向。利用先进的数据分析和机器学习算法，能够从大量的运行数据中提取有价值的信息，实现对设备多维状态的有效监测，显著提高污水处理效率和设备维护管理的智能化水平。

3、本研究提出了一种基于级联长短期记忆神经网络的污水处理设备多维状态监测方法，该方法通过分析设备运行中的关键指标，如叶轮振动、电机电流、轴承温度等，并进行相应预处理，利用级联长短期记忆神经网络对设备多维状态进行准确预测，并利用数据对模型参数进行调整，实现了设备多维状态的有效监测。

技术实现思路

1、本发明获得了一种基于级联长短期记忆神经网络的污水处理设备多维状态监测方法，该模型以叶轮振动，电机电流，轴承温度为输出变量，评价设备多维状态，以叶轮温度，叶轮噪声，叶轮风压，电机电压，电机温度，电机振动，轴承振动，轴承压力，轴承噪声为特征变量，通过嵌入存储单元建立级联长短期记忆神经网络，实现设备多维状态与特征变量之间的非线性映射，解决了污水处理设备多维状态难以准确监测的问题，有效提高了设备状态预测的精度。

2、本发明采用了如下的技术方案及实现步骤：

3、一种基于多维级联神经网络的污水处理鼓风机状态监测方法，其特征在于：确定鼓风机状态的特征变量和评价变量，建立鼓风机状态的监测模型，训练监测模型的参数，评价鼓风机的多维状态，包括以下步骤：

4、1.确定鼓风机状态的特征变量和评价变量：

5、以污水处理过程为研究对象，确定叶轮振动y1(t)，电机电流y2(t)，轴承温度y3(t)为鼓风机状态监测模型t时刻的输出变量；叶轮温度x1(t)取值区间为[80℃,90℃]，℃代表摄氏度，叶轮噪声x2(t)取值区间为[20db,85db]，db代表分贝，叶轮风压x3(t)取值区间为[800pa,2000pa]，pa代表帕斯卡，x1(t),x2(t),x3(t)为影响叶轮振动的特征变量，电机电压x4(t)取值区间为[380v,480v]，v代表伏特，电机温度x5(t)取值区间为[30℃,100℃]，电机振动x6(t)取值区间为[1mm/s,4.5mm/s]，mm代表毫米，s代表秒，x4(t),x5(t),x6(t)为影响电机电流的特征变量，轴承振动x7(t)取值区间为[1mm/s,5mm/s]，轴承压力x8(t)取值区间为[1000n/m2,5000n/m2]，n代表牛顿，m2代表平方米，轴承噪声x9(t)取值区间为[20db,75db]，x7(t),x8(t),x9(t)为影响轴承温度的特征变量；鼓风机运行状态为评价变量，表示为s(t)，其中s(t)＝1表示故障，s(t)＝0表示正常；

6、2.建立鼓风机状态的监测模型：

7、初始化模型，建立多维级联长短期记忆神经网络结构，结构由三链长短期记忆神经网络与网络链间的数据存储单元组成，每一链长短期记忆神经网络由80个长短期记忆单元串联组成；x1(t)＝[x1(t),x2(t),x3(t)]为第一链网络输入矩阵，x2(t)＝[x4(t),x5(t),x6(t)]为第二链网络输入矩阵，x3(t)＝[x7(t),x8(t),x9(t)]为第三链网络输入矩阵，长短期记忆单元分为三部分：输入层，遗忘层和输出层，第j链网络，第k个记忆单元的表达如下，j＝1,2,3，k＝1,2,…,80；

8、输入层：该层选择输入数据中的有效部分，输入层的输出可以表示为：

9、

10、

11、

12、

13、其中，ikj(t)表示输入层t时刻的输出向量，a(t)表示t时刻的转换向量，e是指数常数，x'j(t)表示输入层t时刻的输入向量，hjk-1(t-1)表示t-1时刻第k-1个单元的输出向量，hjk-1(0)＝0，表示输入层系数矩阵，表示输入层权重矩阵，yj-1(t)和yj-2(t)由存储单元的输出决定；

14、数据存储单元：单元嵌入在神经网络链之间，负责信息传输，传输操作分为信息输入和输出两步，第m个存储单元的表达如下，m＝1,2；信息输入：存储单元t时刻存储三组数据ym(t),ym(t-1),ym(t-2)；信息输出：互信息的计算公式表示为：

15、

16、

17、

18、

19、其中，i(β(t)；ym+1(t))表示β(t)与ym+1(t)间的互信息，ya(t)是β(t)中的元素，yb(t)是ym+1(t)中的元素，a＝1,2,…,q，b＝1,2,…,q，q是数据量，β(t)＝ym(t)∨ym(t-1)∨ym(t-2)，∨表示或操作，p(ya(t),yb(t))表示联合概率分布，n(·)是一个统计变量出现次数的指标，n(ya(t),yb(t))表示β(t)取ya(t)和ym+1(t)取yb(t)同时出现的次数，p(ya(t))表示β(t)取ya(t)发生的概率，n(ya(t))表示β(t)取ya(t)发生的次数，p(yb(t))表示ym+1(t)取yb(t)发生的概率，n(yb(t))表示ym+1(t)取yb(t)发生的次数；从ym(t),ym(t-1),ym(t-2)中选择与ym+1(t)互信息最大的作为存储单元输出；

20、隐含层：该层由四部分组成，隐含层的输出可以表示为：

21、

22、

23、

24、

25、

26、其中，表示隐藏层t时刻的输出向量，cjk(t-1)表示隐藏层t-1时刻的输出向量，表示t-1时刻候选隐藏向量；表示遗忘门t时刻的输出向量，表示遗忘门系数矩阵，表示遗忘门权重矩阵，σ(·)根据公式(2)计算；表示输出门t时刻的输出向量，表示输出门的系数矩阵，表示输出门的权重矩阵；表示t时刻的候选隐藏状态向量，b(t)表示t时刻的转换向量，表示候选隐藏状态的系数矩阵，表示候选隐藏状态的权重矩阵；

27、输出层：输出层输出可以表示为：

28、

29、其中，表示输出层t时刻的输出向量，第j链网络的最终输出为yj(t)＝h80j(t)；

30、3.训练监测模型的参数：

31、①模型输入为x(1),x(2),…,x(t),…,x(m)，x(t)是三链网络输入的集合，m为训练样本个数，初始化权重矩阵w(1)＝[wi(1),wf(1),wo(1)],wi(1)为第一时刻所有单元输入层权重矩阵的集合，wf(1)为第一时刻所有单元遗忘门权重矩阵的集合，wo(1)为第一时刻所有单元输出门权重矩阵的集合，系数矩阵u(1)＝[ui(1),uf(1),uo(1)]，ui(1)为第一时刻所有单元输入门系数矩阵的集合，uf(1)为第一时刻所有单元遗忘门系数矩阵的集合，uo(1)为第一时刻所有单元输出门系数矩阵的集合，w(1)矩阵中的元素从区间[0.01,0.18]中随机取值，u(1)矩阵中的元素从区间[0.01,0.1]中随机取值；设当前学习步数l＝1；

32、②模型的联合损失函数表示为：

33、

34、其中，表示叶轮振动的真实值，表示电机电流的真实值，表示轴承温度的真实值，利用梯度下降法更新权重矩阵与系数矩阵：

35、

36、

37、其中，w(t)表示模型调整前的权重矩阵，u(t)表示模型调整前的系数矩阵，w(t+1)表示模型调整后的权重矩阵，u(t+1)表示模型调整后的系数矩阵，α＝0.1表示学习率，表示j(t)对w(t)的偏导数，表示j(t)对u(t)的偏导数；

38、③如果学习步数l<m，l增加1，转步骤②继续训练，如果l＝m停止计算，转步骤4；

39、4.评价鼓风机的多维状态：

40、利用训练好的级联长短期记忆神经网络得到三个指标，叶轮振动，电机电流，轴承温度来判断鼓风机状态，叶轮振动区间为[1mm/s,3mm/s]，若y1(t)属于这个范围，则叶轮状态s1(t)＝0，若y1(t)超出这个范围，则s1(t)＝1，电机电流区间为[350a,550a]，a代表安培，若y2(t)属于这个范围，则电机状态s2(t)＝0，若y2(t)超出这个范围，则s2(t)＝1，轴承温度区间为[50℃,60℃]，若y3(t)属于这个范围，则轴承状态s3(t)＝0，若y3(t)超出这个范围，则s3(t)＝1；鼓风机的总状态s(t)＝s1(t)∪s2(t)∪s3(t)，∪表示并操作，若s(t)＝1，则认为鼓风机出现异常。

41、本发明的创造性主要体现在：

42、1.针对污水处理设备多维状态预测可靠性和准确性低等问题，本研究提出了一种基于级联长短期记忆神经网络的污水处理设备多维状态监测方法，这一方法通过深入分析污水处理设备运行过程中的关键指标，如叶轮振动、电机电流和轴承温度，选取了这三个作为多维状态监测的输出变量，通过建立模型，本研究有效解决了传统方法在设备状态监测准确性和可靠性方面的不足。

43、2.应对数据复杂性和动态变化的模型设计：考虑到污水处理设备的运行状态是一个高度复杂、动态变化且易受外界干扰的过程，设备多维状态之间的关系具有强耦合、非线性特点，难以通过传统方法进行精确描述，因此，本研究利用级联lstm网络，不仅捕捉了时间序列数据中的相互影响关系，而且通过链间数据存储单元的设计，增强了模型对于设备状态动态变化的捕捉能力，提高了预测的准确度和模型的抗干扰性。

44、特别要注意：本研究通过引入级联长短期记忆神经网络结构，并选择叶轮振动、电机电流和轴承温度作为监测指标，设计了污水处理设备的多维状态监测方法，只要采用了本研究提出的方法和技术对污水处理设备多维状态进行监测和评价都应属于本发明的范围。