论文部分内容阅读
随着各国经济的发展，工业生产和居民生活所产生的污水越来越多，自然环境受到了严重的威胁，污水的治理已经受到社会各界的热切关注。污水处理过程是一个变量繁多，具有大时变、大时滞特点的动态非线性反应过程，在实际运行过程中易出现各类故障。一方面，由于污水处理过程的运行环境复杂，常常会导致部分传感器或执行器的腐蚀和损坏，致使输出信号与实际不相符;另一方面，由于污水处理过程涉及到复杂的生物化学反应，这经常会引起过程参数的变化从而产生过程故障。因此，在污水处理过程中及时准确的发现并诊断出故障，对污水处理厂的安全、稳定的运行具有十分长远的意义。 本文从无监督故障诊断方法自组织映射(SOM)神经网络展开研究，主要涉及到样本数据的预处理、优化算法的改进，并通过改进后的优化算法获取SOM神经网络的初始权值，最后利用改进后的SOM神经网络对基于BSM1仿真平台产生的数据进行故障诊断。具体的研究工作包括: (1)应用最大期望主元分析(EMPCA)算法进行数据预处理。EMPCA算法在处理数据集中含有缺失值的效果比传统的主元分析算法(PCA)更好，可以较好的消除变量之间的相关性。另外，通过EMPCA算法获取样本数据中各个分量的权重，并以此改写SOM神经网络学习过程中的距离公式，从而提高SOM神经网络从输入样本中获取数据特征的能力。 (2)针对帝国竞争算法(ICA)提出了一种基于“帝国合并”的改进方法，可以提高算法优化速率并避免算法陷入局部最优。通过分析改进后ICA算法解的分布特征，验证了算法的寻优性能和速度，并使用测试函数对比分析算法改进前后的性能差异，并与粒子群算法进行比较。 (3)使用改进后的帝国竞争算法(IICA)寻找SOM神经网络最优的神经元初始权值。以样本数据为基础形成初始的国家种群，并以SOM神经网络的“局部失真指数”LWDI作为优化目标从而获得最优帝国，该帝国所代表的数据即为网络神经元的最优初始权值。 (4)将改进的SOM神经网络应用于污水处理过程的故障诊断。仿真结果表明，改进后的网络在聚类效果和故障识别率上都有了较为明显的改善。 最后，对全文研究工作进行了总结，并对研究方向作了进一步的展望。