面向污水處理的數(shù)據(jù)驅(qū)動故障診斷及預(yù)測方法綜述*

黃道平邱禹?劉乙奇李艷

(華南理工大學(xué) 自動化科學(xué)與工程學(xué)院， 廣東 廣州 510640)

摘要：在污水處理過程中，存在著強(qiáng)非線性、多變量耦合、參數(shù)時變、大滯后、內(nèi)外干擾頻繁等問題，因此如何及時發(fā)現(xiàn)系統(tǒng)的異常從而保證過程設(shè)備的可靠性和穩(wěn)定性顯得尤為重要.文中根據(jù)污水生化處理的特點，綜述了基于數(shù)據(jù)驅(qū)動的故障診斷方法在污水處理領(lǐng)域的研究現(xiàn)狀、存在的問題以及解決方案，探討了故障預(yù)測在污水處理中的研究前景，指出了基于數(shù)據(jù)驅(qū)動的故障診斷方法研究在污水處理中存在的問題和未來的發(fā)展方向.

關(guān)鍵詞：污水處理；故障診斷；故障預(yù)測；數(shù)據(jù)驅(qū)動方法

中圖分類號：TP277

doi：10.3969/j.issn.1000-565X.2015.03.017

文章編號：1000-565X(2015)03-0130-07

收稿日期：2014-09-23

基金項目：* 國家水體污染控制與治理科技重大專項(2014ZX07406002)

作者簡介：張彥灼(1987-)，男，博士生，主要從事污水處理理論與技術(shù)研究. E-mail: 83995983@qq.com

文章編號：1000-565X(2015)03-0121-09

收稿日期：2014-05-06

基金項目：* 現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系建設(shè)專項(nycytx-49-13)；清華大學(xué)水沙科學(xué)與水利水電工程國家重點實驗室開放研究基金資助項目(sklhse-2013-B-02)；國家自然科學(xué)基金資助項目(50979118)；華南理工大學(xué)中央高?；究蒲袠I(yè)務(wù)費專項資金資助項目(2013ZZ0027)

作者簡介：程香菊(1974-)，女，博士，教授，主要從事湖泊、水庫、河流、河口、水產(chǎn)養(yǎng)殖池塘等的水力與水環(huán)境相關(guān)研究. E-mail: chengxiangju@scut.edu.cn

污水處理過程是一個外界干擾強(qiáng)烈、時變性強(qiáng)、耦合性強(qiáng)、非線性的復(fù)雜動態(tài)生物化學(xué)過程，因此控制系統(tǒng)的可靠性和穩(wěn)定性顯得尤其重要.為確保過程運(yùn)行狀況滿足規(guī)定的運(yùn)行指標(biāo)，設(shè)計合理的過程控制器(如比例-積分-微分(PID)控制器等)來補(bǔ)償過程中產(chǎn)生的干擾或變化的影響成為了一種常用的手段，但對于過程中出現(xiàn)的很多異常變化(故障)，控制器往往無能為力.Isermann等[1]根據(jù)IFACSAFEPROCESS技術(shù)委員會的討論將故障定義為至少一個系統(tǒng)特征或者變量出現(xiàn)了不被允許的偏差.關(guān)于故障的類型，一直都有不同的分法，F(xiàn)rank[2]從故障診斷的角度將故障分為3類：執(zhí)行器故障、元件故障和傳感器故障.而Kesavan等[3]將基于模型的多變量控制系統(tǒng)產(chǎn)生的故障分為：過程參數(shù)的變化、干擾參數(shù)的變化、執(zhí)行機(jī)構(gòu)和傳感器的問題以及執(zhí)行器的飽和.無論哪種分法，都是基于故障產(chǎn)生的機(jī)理原因所作出的結(jié)論.由于污水處理系統(tǒng)的工作連續(xù)性和不可替代性，一旦發(fā)生故障，就會造成嚴(yán)重影響.如福建紫金礦業(yè)所屬的紫金山銅礦濕法廠污水池于2010年7月因防滲膜墊層被撕裂發(fā)生酸性含銅污水滲漏事故，造成大量污水外滲引發(fā)汀江流域污染，直接賠償金額高達(dá)2270萬元，間接經(jīng)濟(jì)損失近4億元；2013年1月大連市污水處理廠水下處污設(shè)備運(yùn)行時出現(xiàn)故障，造成大連市30萬人的生活污水無法得到及時處理，損失和影響甚大.因此，確保污水處理過程中所產(chǎn)生的故障能夠得到及時地發(fā)現(xiàn)與處理，最大程度地減少故障帶來的消極影響，故障診斷是必不可少的一環(huán).

污水處理的最終目的是使凈化后的出水水質(zhì)滿足規(guī)定指標(biāo)，為此，需要在污水處理的過程中測量一大類參數(shù)，以用于水質(zhì)的監(jiān)控，與此同時，產(chǎn)生并存儲著大量的過程數(shù)據(jù)，這些數(shù)據(jù)隱含著工藝變動和設(shè)備運(yùn)行等信息，如何有效利用這些離線和在線數(shù)據(jù)來提高系統(tǒng)可靠性成為了亟待解決的問題，也正因此，基于數(shù)據(jù)驅(qū)動的故障診斷方法體現(xiàn)了其獨特的優(yōu)越性.

文中首先簡單總結(jié)了故障診斷的方法與分類，然后綜述了基于數(shù)據(jù)驅(qū)動的故障診斷方法在污水生化處理過程的研究現(xiàn)狀，以及存在的問題和相應(yīng)的解決方案；最后，文中還簡述和探討了故障診斷的擴(kuò)展領(lǐng)域——故障預(yù)測在污水處理中的研究前景，并指出了數(shù)據(jù)驅(qū)動故障診斷方法研究在污水處理中存在的問題和未來的發(fā)展方向.

1故障診斷方法與分類

故障診斷是對系統(tǒng)中出現(xiàn)的故障進(jìn)行檢測、分離和識別，包括種類、大小、位置和時間的測定[1].最早起源于采用硬件冗余方法的人工診斷.1971年，Beard[4]和Mehra等[5]率先提出通過比較觀測器的輸出得到系統(tǒng)故障信息的思想，標(biāo)志著解析冗余故障診斷技術(shù)的開端.文中所提及的故障診斷技術(shù)都以此為主.

20世紀(jì)90年代，F(xiàn)rank[2]將故障診斷方法劃分為三大類，分別是基于信號的方法、基于解析模型的方法和基于知識的方法，這是之前經(jīng)典的歸類與分法；周東華等[6]在此基礎(chǔ)上，將故障診斷方法進(jìn)一步細(xì)分.

但是近年來，隨著故障診斷方法的理論研究不斷深入，以及相關(guān)學(xué)科領(lǐng)域的發(fā)展，各種新理念的診斷方法層出不窮，之前的分類方法已經(jīng)跟不上學(xué)科發(fā)展的腳步，因此有必要對現(xiàn)有的故障診斷方法進(jìn)行重新認(rèn)識.

國外的Venkatasubramanian等[7-9]基于先驗知識的應(yīng)用將故障診斷方法從整體上劃分為三大類：基于定量模型的方法、基于定性模型的方法和基于過程歷史數(shù)據(jù)的方法，如圖1所示.這種分類方式涵蓋了大多數(shù)故障診斷方法，也獲得了業(yè)內(nèi)的廣泛認(rèn)可.

圖1　故障診斷方法分類 Fig.1　Classification of diagnostic methods

國內(nèi)的周東華等[10]將故障診斷方法整體分為兩大類：定性分析的方法和定量分析的方法，對現(xiàn)有的方法在此框架下進(jìn)行了劃分.但與Venkatasubramanian等[7-9]的分類方法在總體上大同小異.

盡管故障診斷方法繁多，但由于污水處理過程復(fù)雜，涉及了生化反應(yīng)、物理化學(xué)反應(yīng)、相變過程及物質(zhì)和能量的轉(zhuǎn)化和傳遞過程，從控制的角度分析，是一個典型的非線性、高維性、多變量、大滯后、非平穩(wěn)的時變系統(tǒng)，各種水質(zhì)參數(shù)之間存在強(qiáng)烈的耦合和關(guān)聯(lián)，用單一的參數(shù)不可能描述其過程變化的規(guī)律.因此，需從宏觀結(jié)構(gòu)方面對污水處理的過程進(jìn)行分析，以找尋適用的方法.其中，數(shù)據(jù)驅(qū)動方法和專家系統(tǒng)是兩個很重要的方面，因為這兩類方法都無需對系統(tǒng)的微觀結(jié)構(gòu)、知識進(jìn)行詳解，這對于具有微觀知識不完備性的污水處理過程是合適的.但是，污水處理過程相較于其他工業(yè)過程起步較晚，相關(guān)經(jīng)驗也相對較少，應(yīng)用專家系統(tǒng)存在診斷不確定性的風(fēng)險，而數(shù)據(jù)驅(qū)動方法的有效性取決于數(shù)據(jù)本身，這對于數(shù)據(jù)比較充分的污水處理過程是適用的.因此，文中在分析了污水處理的過程特點的基礎(chǔ)上，綜述了基于數(shù)據(jù)驅(qū)動的故障診斷方法.

2基于數(shù)據(jù)驅(qū)動的故障診斷方法在污水處理中的研究現(xiàn)狀2.1研究背景及描述

污水處理過程不僅涉及了機(jī)理復(fù)雜的生化反應(yīng)，也涉及了眾多的機(jī)械設(shè)備、電氣設(shè)備、自動化儀表，是典型的復(fù)雜系統(tǒng).圖2所示為活性污泥處理工藝，主要包括了預(yù)處理、初沉、曝氣、二沉和污泥回流5個部分，是一種利用在曝氣池內(nèi)懸浮、流動的微生物群體的凝聚、吸附、氧化分解等作用來去除污水中有機(jī)物的方法.原生污水通過預(yù)處理進(jìn)入初沉池，經(jīng)過初步沉淀后出水進(jìn)入曝氣池，在活性污泥的作用下進(jìn)行好氧和厭氧生物降解，將污水中的有機(jī)物分解并進(jìn)行脫氮除磷反應(yīng)；曝氣池的混合出水進(jìn)入二沉池進(jìn)行固液分離，上部澄清水排入受納水體.活性污泥法會產(chǎn)生大量的污泥，其中一部分除了回流外，剩余污泥和初沉池的污泥混合，進(jìn)行消化、脫水等處理.

圖2　活性污泥污水處理流程 Fig.2　Activated sludge wastewater treatment process

為保證出水水質(zhì)達(dá)到或優(yōu)于排放標(biāo)準(zhǔn)，在每一部分處理工藝中都需要測量一大類難以測量或不易在線測量的參數(shù)，比如氨氮、磷酸鹽、毒性物質(zhì)濃度等，這些變量對于出水指標(biāo)的控制以及過程的優(yōu)化非常重要.對于這些變量，除了尋求新的測量方法外，在硬件層面上，對測量儀表的要求也越來越高.儀器越精密，結(jié)構(gòu)也就越復(fù)雜，出現(xiàn)故障的概率也就越大.污水處理過程惡劣的工作環(huán)境更是加劇了故障發(fā)生的概率，其中最直接的影響是有些傳感器或執(zhí)行器經(jīng)不起長期惡劣環(huán)境的考驗，腐蝕、損壞嚴(yán)重，經(jīng)常發(fā)生癱瘓狀態(tài)，由此引起輸出信號的偏差、沖擊、漂移或輸出恒定值等.除此之外，因用水量、天氣等原因?qū)е碌倪M(jìn)水水質(zhì)和水量的波動，會對活性污泥造成沖擊，出現(xiàn)異常現(xiàn)象，如污泥膨脹、污泥上漲以及泡沫等，這些異常現(xiàn)象會導(dǎo)致處理效果大打折扣.

以上所述種種問題的出現(xiàn)，會最終導(dǎo)致排水水質(zhì)的惡化，影響污水處理廠的正常運(yùn)行.因此，在污水處理運(yùn)行過程中，需要對這些故障進(jìn)行及時和準(zhǔn)確的診斷，以防止因故障造成的損害擴(kuò)大化.

2.2研究現(xiàn)狀

污水處理過程是一種典型的復(fù)雜動態(tài)生物化學(xué)反應(yīng)工程系統(tǒng)，具有非線性、時變性、隨機(jī)性和不確定性等特點，對其難以建立精確的數(shù)學(xué)模型.由國際水協(xié)會(IWA)推出的活性污泥數(shù)學(xué)模型系列(如表1所示)較為經(jīng)典，也應(yīng)用廣泛，但模型都存在很多理想化的假設(shè)，而且復(fù)雜，不適合實際應(yīng)用[16].因此，通過解析模型對其進(jìn)行故障診斷是不太實際的.而專家系統(tǒng)的建立需要依賴于知識庫，而知識庫中的知識的獲取并不容易，知識的質(zhì)量與數(shù)量都嚴(yán)重依賴于專家自身的經(jīng)驗知識，這就有可能造成診斷的不確定性[17].數(shù)據(jù)驅(qū)動方法建立在大量的數(shù)據(jù)基礎(chǔ)上，這對于經(jīng)驗知識缺乏、數(shù)據(jù)比較充分的污水處理過程而言，是比較適合的.

表1國際水協(xié)會模型Table1ModelfromIAW

模型年份文獻(xiàn)ASM11986[11]ASM21995[12]ASM31999[13]模型年份文獻(xiàn)BSM12001[14]BSM22007[14-15]

污水處理系統(tǒng)在運(yùn)行過程中，為了保證出水水質(zhì)達(dá)標(biāo)，過程數(shù)據(jù)必須得到實時的監(jiān)控，豐富的數(shù)據(jù)是數(shù)據(jù)驅(qū)動故障診斷方法的前提條件.文獻(xiàn)[10]將數(shù)據(jù)驅(qū)動故障診斷方法定義為在不需知道系統(tǒng)精確解析模型的情況下對系統(tǒng)運(yùn)行過程數(shù)據(jù)進(jìn)行分析處理從而完成系統(tǒng)的故障診斷，并將方法分為機(jī)器學(xué)習(xí)類、多元統(tǒng)計分析類、信號處理類、信息融合類和粗糙集等多種類型；文獻(xiàn)[18]將基于數(shù)據(jù)驅(qū)動的故障診斷方法分為統(tǒng)計分析、信號分析和定量知識三大類.雖然分類方法不一樣，分類數(shù)目不盡相同，但都是基于無需對系統(tǒng)進(jìn)行解析建模的情況下，利用系統(tǒng)運(yùn)行過程中產(chǎn)生的數(shù)據(jù)進(jìn)行故障診斷.目前在污水處理領(lǐng)域，數(shù)據(jù)驅(qū)動故障診斷方法的研究多以機(jī)器學(xué)習(xí)和多元統(tǒng)計為主，這主要是因為這兩類方法相對而言，在算法上較為簡便，能充分快速地利用數(shù)據(jù)內(nèi)在的信息，這對于多故障頻發(fā)及具有實時性檢測要求的污水處理尤為適用，且其他數(shù)據(jù)驅(qū)動方法或多或少都以其為基礎(chǔ)進(jìn)行延伸，或者適用范圍小，比如信息融合類方法，基于信息融合的故障診斷方法主要有決策層融合和特征層融合，其中決策層融合方法需要建立在經(jīng)過不同方法得出的故障診斷結(jié)果上；而特征層融合診斷方法則是主要利用神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)等機(jī)器學(xué)習(xí)算法對故障特征進(jìn)行融合，進(jìn)而用于診斷.

2.2.1機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是人工智能領(lǐng)域的一個分支，是研究如何使機(jī)器獲得類似于人類的學(xué)習(xí)能力，通過自學(xué)獲取知識，不斷改善性能，實現(xiàn)自我完善的方法.機(jī)器學(xué)習(xí)的核心在于學(xué)習(xí)，圍繞著該核心，出現(xiàn)了很多優(yōu)秀的學(xué)習(xí)算法，比如人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、貝葉斯、支持向量機(jī)等.基于機(jī)器學(xué)習(xí)的故障診斷方法的研究思路是利用系統(tǒng)在正常和各種故障情況下的歷史數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)算法，然后基于現(xiàn)場數(shù)據(jù)再區(qū)分正常數(shù)據(jù)和故障數(shù)據(jù)從而達(dá)到故障診斷的目的.在污水處理領(lǐng)域，主要以人工神經(jīng)網(wǎng)絡(luò)(ANN)和支持向量機(jī)(SVM)為主.

人工神經(jīng)網(wǎng)絡(luò)，簡稱為神經(jīng)網(wǎng)絡(luò)，是一種模擬人腦結(jié)構(gòu)及其功能的信息處理系統(tǒng)，具有強(qiáng)大的非線性映射特征、良好的容錯性與聯(lián)想記憶特性、自適應(yīng)自學(xué)習(xí)特性和高度并行處理及綜合信息的特性，因此對于體現(xiàn)知識復(fù)雜性和微觀認(rèn)識不完備性的污水處理領(lǐng)域，ANN方法展現(xiàn)出了廣闊的應(yīng)用前景.

神經(jīng)網(wǎng)絡(luò)在故障診斷任務(wù)中所發(fā)揮的作用主要有：殘差產(chǎn)生的神經(jīng)網(wǎng)絡(luò)方法、殘差評估的神經(jīng)網(wǎng)絡(luò)方法、用神經(jīng)網(wǎng)絡(luò)進(jìn)行模式分類的故障診斷推理和用神經(jīng)元網(wǎng)絡(luò)作自適應(yīng)誤差補(bǔ)償[19].而具體到污水處理領(lǐng)域，相關(guān)研究工作多是集中于污水處理過程的模擬及控制[20]、對特定參數(shù)現(xiàn)象進(jìn)行預(yù)測[21]、優(yōu)化計算[22]和軟測量[23]等，具體單純專注于污水處理過程的故障診斷相對比較少.近年來，出現(xiàn)了很多將神經(jīng)網(wǎng)絡(luò)與其他方法相結(jié)合的故障診斷方法.文獻(xiàn)[24]提出了一種故障檢測與診斷方法，該方法結(jié)合了在線參數(shù)估計、BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)H?gglund算法.這種混合方法不僅魯棒性高，而且應(yīng)用到實際污水處理廠的檢驗結(jié)果顯示出很好的可靠性.文獻(xiàn)[25]建立了一種基于人工神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)，結(jié)合了神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的優(yōu)點，不僅能很好地實現(xiàn)專家系統(tǒng)的基本功能,模仿人類專家的邏輯思維方式進(jìn)行推理決策和問題求解,還具有神經(jīng)網(wǎng)絡(luò)所特有的學(xué)習(xí)能力、自適應(yīng)能力、并行推理能力和聯(lián)想記憶能力，在污水處理領(lǐng)域具有應(yīng)用前景.

神經(jīng)網(wǎng)絡(luò)發(fā)展至今，盡管出現(xiàn)了很多算法和技術(shù)，但是都無法從根本上解決其自身的缺陷，這是因為神經(jīng)網(wǎng)絡(luò)屬于模式識別方法的一種，而現(xiàn)有模式識別方法共同的重要理論基礎(chǔ)之一是統(tǒng)計學(xué)，傳統(tǒng)的統(tǒng)計學(xué)是以樣本數(shù)目趨于無窮大時的漸進(jìn)理論作為研究內(nèi)容，在實際問題中，樣本數(shù)是有限的，這樣就會導(dǎo)致一些方法比如神經(jīng)網(wǎng)絡(luò)在實際表現(xiàn)中不盡如人意.此外，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值問題，而計算量較大也是不可回避的問題.與神經(jīng)網(wǎng)絡(luò)不同，支持向量機(jī)是建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小化原理基礎(chǔ)上的機(jī)器學(xué)習(xí)方法，它在解決小樣本、非線性和高維情況具有優(yōu)勢.文獻(xiàn)[26]介紹了支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)的基本原理，并對二者進(jìn)行了非線性函數(shù)逼近能力方面的比較，結(jié)果顯示出支持向量機(jī)具有較強(qiáng)的逼近能力和較好的泛化能力；文獻(xiàn)[27]通過對傳統(tǒng)故障診斷方法原理的分析，提出了基于支持向量機(jī)的故障診斷方法，并通過一組實驗驗證了該方法的有效性.文獻(xiàn)[28]針對污水處理廠運(yùn)行時故障數(shù)據(jù)不平衡性和代價敏感等特點，通過構(gòu)造風(fēng)險泛函來改進(jìn)支持向量機(jī)，并用遺傳算法對風(fēng)險泛函求全局最優(yōu)，在故障數(shù)據(jù)分類率上具有優(yōu)勢.

2.2.2多元統(tǒng)計

多元統(tǒng)計是統(tǒng)計過程控制(SPC)[29-30]在現(xiàn)代過程工業(yè)中發(fā)展形成的一種方法，是相對單變量統(tǒng)計方法而言的，傳統(tǒng)的單變量統(tǒng)計過程控制只考慮單一變量的變化，不涉及多個變量之間的相互關(guān)系，它采用典型的控制圖，比如Shewwhart圖或其改進(jìn)圖法，對單一變量進(jìn)行監(jiān)控.在早期的控制系統(tǒng)，由于系統(tǒng)結(jié)構(gòu)簡單，功能單一，需要監(jiān)控的變量少，因此這種方法是可行的，但是隨著系統(tǒng)的大型化、復(fù)雜化，這種單變量統(tǒng)計方法在面對有上百個監(jiān)控變量的多變量系統(tǒng)時，結(jié)果就很不理想了，這是因為當(dāng)一個故障在運(yùn)行過程中發(fā)生時，多個單變量統(tǒng)計圖幾乎會同時響起警報，這種情況源自于過程變量之間存在的相關(guān)性.就污水生化處理工藝過程來看，從管網(wǎng)流入的污水經(jīng)過預(yù)處理后，要在工藝構(gòu)筑物內(nèi)停留一段時間以進(jìn)行工藝處理，在這段時間內(nèi)，各過程參數(shù)存在事實上的相關(guān)性，因此，單變量統(tǒng)計方法在面對過程變量具有很強(qiáng)相關(guān)性的污水生化處理系統(tǒng)時，往往無能為力，它僅適用于監(jiān)控某一采樣時刻某一個過程變量的情況.而多元統(tǒng)計方法能很好地解決這個問題[31].多元統(tǒng)計是研究多個隨機(jī)變量之間相互依賴關(guān)系以及內(nèi)在統(tǒng)計規(guī)律性的學(xué)科.基于多元統(tǒng)計分析的故障診斷方法是利用過程多個變量之間的相關(guān)性對過程進(jìn)行故障診斷[10].這類方法是利用多元投影方法將過程多變量高維數(shù)據(jù)投影到相對獨立的低維空間，然后在低維空間中構(gòu)造能夠反映空間變化的統(tǒng)計量對數(shù)據(jù)進(jìn)行分析.比如主元分析法(PCA)[32-35],偏最小二乘法(PLS)[36]和獨立成分分析法(ICA)[37-38]等，這些多元投影方法在污水生化處理領(lǐng)域得到了很好的研究.它們將原始?xì)v史數(shù)據(jù)投影到能夠準(zhǔn)確表征過程狀態(tài)的低維空間，結(jié)合相應(yīng)的統(tǒng)計量進(jìn)行故障檢測，比如T2統(tǒng)計量、Q統(tǒng)計量、I2統(tǒng)計量等，文獻(xiàn)[39]給出了用于故障檢測已有的統(tǒng)計量的統(tǒng)一表達(dá)式.

傳統(tǒng)的PCA與ICA方法都隱含假設(shè)觀察數(shù)據(jù)是在統(tǒng)計獨立，即不考慮數(shù)據(jù)中序列相關(guān)性的前提下對數(shù)據(jù)進(jìn)行分解降維，屬于靜態(tài)方法.在實際的工業(yè)過程中，這種假設(shè)只對長采樣間隔有效(比如2～12h)[40].而對于大部分污水處理過程，采樣間隔較短，這間接表明需要一種考慮到數(shù)據(jù)中序列相關(guān)性的方法，所以出現(xiàn)了動態(tài)主元分析法(DPCA)[41]和動態(tài)獨立成分分析法(DICA)[42-43].此外，PCA方法是建立在觀測數(shù)據(jù)遵循高斯分布的前提下，且與之相關(guān)的統(tǒng)計量Hotelling’sT2和SPE圖表的閾值也是基于潛在變量遵循高斯分布的假設(shè)而開發(fā)，而ICA方法并沒有這種限制條件；由于在污水生化處理過程中，故障源多具有非高斯特性，因此在過程監(jiān)控中，ICA方法更具有優(yōu)勢.但是基于ICA模型的過程監(jiān)控方法存在提取獨立元數(shù)目不確定及排序等缺點，文獻(xiàn)[44]提出了一種改良獨立成分分析法(MICA)，該方法優(yōu)化了ICA算法，避免了因提取獨立元過多導(dǎo)致的計算負(fù)荷過重的情況，考慮了提取獨立元的次序以及給出了算法統(tǒng)一的解決方案，但該方法并沒有進(jìn)一步研究如何確定獨立元的數(shù)量以及存在故障識別能力不足的問題.

但是，無論如何，上述所提及的方法或其衍生方法都屬于線性降維技術(shù)，忽略了過程數(shù)據(jù)中可能存在的非線性，鑒于污水處理的強(qiáng)非線性特性，采用以上方法是值得商榷的.在多元統(tǒng)計方法中，為解決觀察數(shù)據(jù)的非線性問題，出現(xiàn)了大量的研究文獻(xiàn)；具體到污水處理領(lǐng)域，文獻(xiàn)[45]將神經(jīng)網(wǎng)絡(luò)與PCA整合，利用神經(jīng)網(wǎng)絡(luò)擬合過程的非線性與動態(tài)特性，然后用PCA進(jìn)行故障檢測與分離，并與傳統(tǒng)PCA方法進(jìn)行了比較，取得了不錯的效果.除此之外，近年來，基于核理論方法的研究越來越多地出現(xiàn)在非線性化工過程中，比如核主元分析法(KPCA)[46-47]，核偏最小二乘法(KPLS)[47]和核獨立成分分析法(KICA)[48-49]等基于核的非線性降維技術(shù)都有被應(yīng)用到非線性過程監(jiān)控和故障檢測中.在污水生化處理領(lǐng)域，文獻(xiàn)[50]將KPCA應(yīng)用到序批式反應(yīng)器(SBR)工藝污水處理過程的故障診斷中；文獻(xiàn)[51]提出了一種用于非線性動態(tài)過程監(jiān)控的動態(tài)核主元分析法(DKPCA)，并與PCA、DPCA、KPCA在誤報、錯報率和檢測延遲上進(jìn)行了比較.文獻(xiàn)[52]基于文獻(xiàn)[53]中的KernelICA方法開發(fā)了一種故障檢測方法，用于監(jiān)控暴雨與下雨情況下污水處理過程中來自外界的干擾，與基于ICA、KICA方法的故障檢測相比，在效率、可靠性和準(zhǔn)確度方面更有優(yōu)勢；文獻(xiàn)[54]整合了KICA與支持向量機(jī)，結(jié)合了文獻(xiàn)[55]與文獻(xiàn)[44]中的方法，改進(jìn)了KICA算法，通過提取反映非線性過程全部信息的主要成分，避免了計算量過大的情況，并利用SVM，解決了因非線性映射函數(shù)未知導(dǎo)致的KICA無法對非線性過程進(jìn)行故障診斷的問題，成功應(yīng)用到了污水處理過程中，但沒有明確解決確定獨立元數(shù)量的問題.

在模式分類文獻(xiàn)中，存在一種廣泛研究的降維技術(shù)——費舍爾判別分析(FDA).FDA是一種線性降維技術(shù)，就故障診斷而言，首先從發(fā)生故障的設(shè)備采集數(shù)據(jù)，然后將數(shù)據(jù)進(jìn)行分類，每一類包含有表示某一個特定故障的數(shù)據(jù)；即使數(shù)據(jù)在原空間已很好地被分類，但在投影至低維空間時，也有可能會發(fā)生嚴(yán)重的重疊現(xiàn)象，F(xiàn)DA在降維的同時，能最大程度地分離各個類，在這點是最優(yōu)的.

基于FDA的故障診斷方法是對故障發(fā)生期間所收集的數(shù)據(jù)進(jìn)行降維，在降維的過程中，實現(xiàn)了各個故障類數(shù)據(jù)之間最大程度地分離，然后應(yīng)用模式分類系統(tǒng)中的判別函數(shù)對降維后的數(shù)據(jù)進(jìn)行最大值選擇、分類，實現(xiàn)故障的診斷.給定一訓(xùn)練集，有n個觀測值，m個過程變量，寫成如式(1)的形式：

(1)

定義p為故障類的個數(shù)，nj是第j類中觀測值的個數(shù)，xi為第i個觀測值的測量變量向量.根據(jù)FDA方法的概念，在降維的同時實現(xiàn)各個類的最大分離，定義數(shù)據(jù)類間離散度矩陣Sb、數(shù)據(jù)類內(nèi)離散度矩陣Sw和總離散度矩陣St.Sb、Sw、St之間的關(guān)系有

St=Sb+Sw

(2)

利用Sb、Sw和St可確定一系列線性變換向量，這些向量按照最大化類間離散度、同時最小化類內(nèi)離散度的準(zhǔn)則進(jìn)行排列，并作為列定義矩陣Wp∈Rma .這樣從m維原始空間到a維投影空間(a

(3)

與PCA方法相比，F(xiàn)DA在確定更低維度的表達(dá)式時，考慮了各類之間的信息，這樣判別函數(shù)使用類信息的程度比PCA使用類信息的程度大得多，因此，在多類別的故障診斷方面FDA方法比PCA更具優(yōu)勢[56].但是，該方法需要針對各種故障分類數(shù)據(jù)，這對于多層次、多尺度、多范圍的污水處理系統(tǒng)不是那么容易滿足.

FDA在模式分類文獻(xiàn)中，已經(jīng)研究得很成熟了，但是在化工過程數(shù)據(jù)的分析上，直至近幾年才逐漸開展[57-59]，而具體到與污水處理緊密結(jié)合的例子，還鮮有報道.文獻(xiàn)[60]結(jié)合了PCA與FDA，用PCA進(jìn)行故障檢測，F(xiàn)DA用于故障診斷.

3故障預(yù)測在污水處理中的研究現(xiàn)狀

故障預(yù)測是指根據(jù)所能獲取的系統(tǒng)過去和現(xiàn)在的運(yùn)行狀態(tài)，預(yù)測故障發(fā)生的時間或者判斷系統(tǒng)將來某個時刻是否會發(fā)生故障[10,61-62].與故障診斷的區(qū)別主要在于研究對象上，故障診斷研究的是已經(jīng)發(fā)生的確定性事件，而故障預(yù)測的研究對象則是未知的不確定事件，因此，相對于故障診斷，故障預(yù)測所面臨的挑戰(zhàn)更大.目前，針對故障預(yù)測方法的研究雖進(jìn)展緩慢，但也出現(xiàn)了不少成果[63-64]，而具體到能與污水處理緊密結(jié)合的報道還不多見，相關(guān)的研究文獻(xiàn)也寥寥無幾.

故障預(yù)測在污水處理領(lǐng)域具有潛在的研究與應(yīng)用價值.比如，目前污水處理領(lǐng)域主要采用污水生物處理法，其中又以活性污泥法為主或以其為基礎(chǔ)，而在活性污泥法廢水處理系統(tǒng)中，污泥膨脹一直是最常見又最難解決的異常問題之一.污泥膨脹是由絲狀菌的過量增殖所引起的慢性變化過程現(xiàn)象，一旦發(fā)生，將導(dǎo)致污泥不易沉淀，影響污水處理效果.如果能在活性污泥發(fā)生變化之前，通過測定某些信號從而預(yù)知活性污泥的變化情況，就可以防止污泥膨脹給系統(tǒng)性能帶來惡劣影響.目前，有關(guān)的研究還處于淺層地帶.文獻(xiàn)[65]提出一種污泥體積指數(shù)(SVI)預(yù)測裝置，SVI能反映活性污泥的松散程度和凝聚、沉降性能，是量化污泥膨脹的一個重要指標(biāo).該裝置基于分層徑向基函數(shù)(HRBF)神經(jīng)網(wǎng)絡(luò)來預(yù)測污水處理過程中的SVI值，并采用擴(kuò)展極端學(xué)習(xí)機(jī)(EELM)訓(xùn)練策略對HRBF權(quán)值進(jìn)行訓(xùn)練.文獻(xiàn)[66]根據(jù)污泥膨脹的復(fù)雜非線性及時變性特征，提出了一種改進(jìn)型的模糊遞歸神經(jīng)網(wǎng)絡(luò)(HRFNN)來預(yù)測污泥體積指數(shù)的變化，通過在網(wǎng)絡(luò)第三層加入了含有內(nèi)部變量的反饋連接來實現(xiàn)輸出信息的反饋，使得網(wǎng)絡(luò)的學(xué)習(xí)能力得到了增強(qiáng)，能更充分地反映污水處理系統(tǒng)的動態(tài)特性.文獻(xiàn)[67]在分析了污水處理過程特點的基礎(chǔ)上，結(jié)合了文獻(xiàn)[68]多路的概念和文獻(xiàn)[69]非高斯的概念，提出了一種應(yīng)用于周期性、連續(xù)污水生化處理過程的在線預(yù)測監(jiān)控方法，該方法結(jié)合了多路獨立主元分析法(MICA)和統(tǒng)計量I2、SPE，采用離、在線兩種模型對污水生化處理過程進(jìn)行故障檢測和診斷.在傳感器故障方面，為避免因故障導(dǎo)致的測量數(shù)據(jù)值的缺失或漂移而引起的誤警報、誤診斷，甚至更嚴(yán)重的損失，故障預(yù)測也是完全有必要且重要的.文獻(xiàn)[70]提出了一種基于故障樹分析的故障預(yù)測方法，該方法考慮了過程設(shè)備中特定傳感器的無輸出故障和輸出不穩(wěn)定故障的情況.

對系統(tǒng)安全性和可靠性要求的提高，以及相關(guān)領(lǐng)域理論的發(fā)展，會逐步促進(jìn)故障預(yù)測在污水處理中的研究進(jìn)展.由于故障預(yù)測能在識別早期故障征兆的基礎(chǔ)上，預(yù)測將要發(fā)生的故障，以便能及時進(jìn)行處理，從而減小故障的發(fā)生率，提高系統(tǒng)的運(yùn)行效率，這對于具有工作連續(xù)性的污水處理系統(tǒng)而言是重要且必要的.因此，故障預(yù)測技術(shù)在污水處理領(lǐng)域具有很好的發(fā)展前景.

4總結(jié)與展望

文中在總結(jié)了故障診斷方法的基礎(chǔ)上，對基于數(shù)據(jù)驅(qū)動的故障診斷方法在污水生化處理領(lǐng)域的研究現(xiàn)狀進(jìn)行了較全面的綜述，并對故障預(yù)測在污水處理中的研究前景和現(xiàn)狀進(jìn)行了分析與介紹.故障診斷研究經(jīng)過了幾十年的發(fā)展，在理論和應(yīng)用上都取得了大量的成果，但在污水處理領(lǐng)域，由于起步較晚以及污水處理系統(tǒng)的復(fù)雜性，研究主要集中在數(shù)據(jù)驅(qū)動方法上，而在已有成果中，對單故障診斷問題研究的較多，而對多故障診斷問題研究的較少；對線性化問題研究的較多，而對非線性問題研究的較少；此外，在故障診斷的魯棒性、自適應(yīng)性等問題上的研究也較為滯后，這些都有待于進(jìn)一步的研究.

數(shù)據(jù)驅(qū)動故障診斷方法在污水處理中的研究還在不斷完善和向前發(fā)展中，下面給出一些未來的研究方向：

(1)在多變量耦合、強(qiáng)非線性、參數(shù)時變、大滯后、多擾動等情況下，如何處理故障診斷建模所用到的數(shù)據(jù)存在缺失值的問題，從而實現(xiàn)數(shù)據(jù)缺失等種種不確定因素下數(shù)據(jù)驅(qū)動故障診斷的模型的研究.污水處理是以過程變量為指標(biāo)進(jìn)行監(jiān)控，產(chǎn)生并存儲大量的過程數(shù)據(jù)，但因工作環(huán)境的惡劣、外在環(huán)境的影響及設(shè)備的耐用性、保養(yǎng)等問題，會時常導(dǎo)致測量數(shù)據(jù)的缺失，雖然基于數(shù)據(jù)驅(qū)動的方法比如PCA、PLS等在過程監(jiān)控領(lǐng)域已經(jīng)被廣泛應(yīng)用，但這些方法在數(shù)據(jù)缺失的情況下，很難達(dá)到原先的效果.因此，為解決此問題，相關(guān)研究工作也在著手進(jìn)行，其中基于變分貝葉斯的方法為解決此類問題提供了一種可能性，比如變分主元分析法(VBPCA)、變分獨立成分分析法(VBICA)等，已有相關(guān)文獻(xiàn)報道，該類方法在處理含有缺失值的高維數(shù)據(jù)時，具有不錯的結(jié)果，但多應(yīng)用在數(shù)據(jù)重構(gòu)和圖像處理，在故障診斷方面還鮮有報道.因此，如何將此類方法進(jìn)行拓展以應(yīng)用在數(shù)據(jù)缺失環(huán)境的故障診斷中，是一個可行的研究方向.此外，基于FDA方法在故障診斷方面的優(yōu)越性，如何對其進(jìn)行處理使其能在數(shù)據(jù)缺失的情況下，發(fā)揮其原有或更勝者的效果也是一個值得期待的研究方向.

(2)在基于數(shù)據(jù)驅(qū)動的故障診斷方法中，數(shù)據(jù)的可靠性決定了數(shù)據(jù)模型的可靠性，所以有必要進(jìn)行適當(dāng)?shù)臄?shù)據(jù)預(yù)處理，比如離群點處理、動態(tài)特性考量以及標(biāo)準(zhǔn)化等.

(3)工藝的不同對基于數(shù)據(jù)驅(qū)動故障診斷方法提出了更高的要求.為適配不同的處理工藝，比如膜處理、人工濕地處理等有別于傳統(tǒng)活性污泥法的工藝方法，對數(shù)據(jù)驅(qū)動故障診斷方法的深入研究是不可避免的.

(4)基于數(shù)據(jù)驅(qū)動分布式故障診斷的研究.復(fù)雜系統(tǒng)的故障存在層次性、傳播性、相關(guān)性和放射性等特點，一個故障源可能會引起鏈?zhǔn)椒磻?yīng)，催生更多、更大的故障.這對于規(guī)模性大、系統(tǒng)構(gòu)成復(fù)雜、各處理單元關(guān)聯(lián)密切的污水處理系統(tǒng)更是如此.因此，采用各種相互獨立的診斷系統(tǒng)，已經(jīng)不能滿足實際的診斷需求，全廠的分布式故障診斷方法，甚至可擴(kuò)展至管網(wǎng)，這是未來污水處理系統(tǒng)故障診斷方法的一個可行的研究方向.

(5)面向污水處理故障預(yù)測的研究.針對污水處理過程的數(shù)據(jù)驅(qū)動故障診斷方法的研究已經(jīng)取得了不小的進(jìn)展，但相比之下，故障預(yù)測方法的研究卻顯得非常不足，尤其是面向污水處理的故障預(yù)測方法的研究更少之又少.近幾年出現(xiàn)的深度學(xué)習(xí)為故障預(yù)測的發(fā)展提供一種可能性.故障預(yù)測是根據(jù)系統(tǒng)過去和現(xiàn)在的運(yùn)行狀態(tài)，預(yù)測故障發(fā)生的時間或者判斷系統(tǒng)將來是否會發(fā)生故障，因此需要對系統(tǒng)的狀態(tài)指標(biāo)進(jìn)行監(jiān)控，但有些狀態(tài)指標(biāo)，由于技術(shù)或經(jīng)濟(jì)上的原因，直接或連續(xù)地測量存在著一些問題，尤其在污水處理過程中，存在著多變量耦合、強(qiáng)非線性、參數(shù)時變、大滯后等特點，面對這些特點，傳統(tǒng)傳感器無法得到有效的應(yīng)用，特別是存在一大類難以測量或不易在線測量的參數(shù)，如氨氮、磷酸鹽、微生物濃度、毒性物質(zhì)濃度等等，針對這個問題，軟測量技術(shù)提供了一個很好的解決方案，因此，在故障預(yù)測中引入軟測量技術(shù)是一個可行的方案.深度學(xué)習(xí)是指用于學(xué)習(xí)深層人工神經(jīng)網(wǎng)絡(luò)的一種機(jī)器學(xué)習(xí)方法，源于人工神經(jīng)網(wǎng)絡(luò)的研究.當(dāng)前多數(shù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法為淺層結(jié)構(gòu)算法，比如反向傳播算法(BP)等，其局限性在于有限樣本和計算單元情況下對復(fù)雜函數(shù)的表示能力有限，針對復(fù)雜分類問題其泛化能力受到一定的制約，深度學(xué)習(xí)可通過學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，實現(xiàn)復(fù)雜函數(shù)的逼近，表征輸入數(shù)據(jù)分布式表示，并展現(xiàn)強(qiáng)大的從少數(shù)樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力，其實質(zhì)是通過構(gòu)建具有多隱層的機(jī)器學(xué)習(xí)模型來學(xué)習(xí)更有用的特征，從而最終提升分類或預(yù)測的準(zhǔn)確性.所以，在軟測量技術(shù)中引入深度學(xué)習(xí)，構(gòu)建多步預(yù)測結(jié)構(gòu)，從而深化故障預(yù)測的預(yù)處理工作是一個值得期待的研究方向.

參考文獻(xiàn)：

[1]IsermannR,BalléP.Trendsintheapplicationofmodel-basedfaultdetectionanddiagnosisoftechnicalprocesses[J].ControlEngineeringPractice,1997,5(5):709-719.

[2]FrankPM.Analyticalandqualitativemodel-basedfaultdiagnosis—asurveyandsomenewresults[J].EuropeanJournalofControl,1996,2(1):6-28.

[3]KesavanP,LeeJH.Diagnostictoolsformultivariablemodel-basedcontrolsystems[J].IndustrialandEngineeringChemistryResearch,1997,36(7):2725-2738.

[4]BeardRV.Failureaccommodationinlinearsystemsthroughself-reorganization[D].Cambridge:MassachusettsInstituteofTechnology,1971.

[5]MehraRK,PeschonJ.Aninnovationapproachtofaultdetectionanddiagnosisindynamicsystems[J].Automatica,1971,7(5):637-640.

[6]周東華，王桂增.第五講 故障診斷技術(shù)綜述[J].化工自動化及儀表，1998,25(1):58-62.

ZhouDong-hua,WangGui-zeng.Fifthlecture:faultdiagnosistechniques[J].ControlandInstrumentsinChemicalIndustry,1998,25(1):58-62.

[7]VenkatasubramanianV,RengaswamyR,YinK,etal.AreviewofprocessfaultdetectionanddiagnosispartI:quantitativemodel-basedmethods[J].ComputersandChemicalEngineering,2003,27(3):293-311.

[8]VenkatasubramanianV,RengaswamyR,KavuriSN.AreviewofprocessfaultdetectionanddiagnosispartII:qua-litativemodelsandsearchstrategies[J].ComputersandChemicalEngineering,2003,27(3):313-326.

[9]VenkatasubramanianV,RengaswamyR,KavuriSN,etal.AreviewofprocessfaultdetectionanddiagnosispartIII:processhistorybasedmethods[J].ComputersandChemicalEngineering,2003,27(3):327-346.

[10]周東華，胡艷艷.動態(tài)系統(tǒng)的故障診斷技術(shù)[J].自動化學(xué)報，2009,35(6):748-758.

ZhouDong-hua,HuYan-yan.Faultdiagnosistechniquesfordynamicsystems[J].ActaAutomaticaSinica,2009,35(6):748-758.

[11]InternalAssociationonWaterQuality.ActivatedsludgemodelNo.1,IAWCscientificandtechnicalreportNo.1[R].London:IAWQ,1987.

[12]InternalAssociationonWaterQuality.ActivatedsludgemodelNo.2,scientificandtechnicalreportNo.3[R].London:IAWQ,1995.

[13]GujerW,HenzeM,MinoT,etal.Activatedsludgemo-delNo.3[J].WaterScienceandTechnology,1999,39(1):183-193.

[14]JeppssonU,PonsM-N,NopensI,etal.BenchmarksimulationmodelNo2:genaralprotocolandexploratorycasestudies[J].WaterScienceandTechnology,2007,56(8):67-78.

[15]CorriouJean-Pierre,PonsMarie-No?lle.Modelpredictivecontrolofwastewatertreatmentplants:applicationtotheBSM1benchmark[J].ComputerAidedChemicalEngineering,2004,18(14):625-630.

[16]李茹瑩，季民，任智勇，等.活性污泥數(shù)學(xué)模型的研究應(yīng)用進(jìn)展與問題討論[J].工業(yè)用水與廢水，2002，33(4):4-6.

LiRu-ying,JiMin,RenZhi-yong,etal.Approachestothedevelopmentandproblemsofresearchandapplicationofactivatedsludgemodel[J].IndustrialWaterandWastewater,2002,33(4):4-6.

[17]王道平，馮振聲，何海燕.故障診斷專家系統(tǒng)中不確定性問題[J].計算機(jī)工程與應(yīng)用，1998,34(12):33-35.

WangDao-ping,FengZhen-sheng,HeHai-yan.Theuncertaintyinfaultdiagnosticexpertsystem[J].Compu-terEngineeringandApplications,1998,34(12):33-35.

[18]李晗，蕭德云.基于數(shù)據(jù)驅(qū)動的故障診斷方法綜述[J].控制與決策，2011,26(1):1-9,16.

LiHan,XiaoDe-yun.Surveyondatadrivenfaultdiagnosismethods[J].ControlandDecision,2011,26(1):1-9,16.

[19]聞新，周露.神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)的可實現(xiàn)性[J].導(dǎo)彈與航天運(yùn)載技術(shù)，2000 (2):17-22.

WenXin,ZhouLu.RealityforNNfaultdiagnosistechnology[J].MissilesandSpaceVehicles,2000 (2):17-22.

[20]張文藝，鐘梅英，蔡建安.活性污泥法系統(tǒng)人工神經(jīng)網(wǎng)絡(luò)模型[J].給水排水，2002,28(6):12-15.

ZhangWen-yi,ZhongMei-ying,CaiJian-an.Modelingstudyofactivatedsludgeprocessbasedonartificialneuralnetwork[J].WaterandWastewaterEngineering,2002,28(6):12-15.

[21]ZhuJiabao,ZurcherJim,RaoMing,etal.Anon-linewastewaterqualitypredicationsystembasedonatime-delayneuralnetwork[J].EngineeringApplicationsofArtificialIntelligence,1998,11(6):747-758.

[22]KaramaA,BernardO,GouzéJL,etal.Hybridneuralmodellingofananaerobicdigesterwithrespecttobiolo-gicalconstraints[J].WaterScienceandTechnology,2001,43(7):1-8.

[23]ZhaoLijie,ChaiTianyou.WastewaterBODforecastingmodelforoptimaloperationusingrobusttime-delayneuralnetwork[J].LectureNotesinComputerScience,2005,3498(III):1028-1033.

[24]FuenteMJ,VegaP.Neuralnetworksappliedtofaultdetectionofabiotechnologicalprocess[J].EngineeringApplicationsofArtificialIntelligence,1999,12(5):569-584.

[25]張杰，高憲軍，姚勁勃，等.基于神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的故障診斷技術(shù)[J].吉林大學(xué)學(xué)報：信息科學(xué)版，2009,27(3):319-323.

ZhangJie,GaoXian-jun,YaoJing-bo,etal.Technologyofexpertsystembasedonneuralnetwork[J].JournalofJilinUniversity:InformationScienceEdition,2009,27(3):319-323.

[26]艾娜，吳作偉，任江華.支持向量機(jī)與人工神經(jīng)網(wǎng)絡(luò)[J].山東理工大學(xué)學(xué)報：自然科學(xué)版，2005,19(5):45-49.

AiNa,WuZuo-wei,RenJiang-hua.Supportvectormachineandartificialneuralnetwork[J].JournalofShandongUniversityofTechnology:NaturalScienceEdition,2005,19(5):45-49.

[27]王華忠，張雪申，俞金壽.基于支持向量機(jī)的故障診斷方法[J].華東理工大學(xué)學(xué)報：自然科學(xué)版，2004,30(2):179-182.

WangHua-zhong,ZhangXue-shen,YuJin-shou.Faultdiagnosisbasedonsupportvectormachine[J].JournalofEastChinaUniversityofScienceandTechnology:Natu-ralScienceEdition,2004,30(2):179-182.

[28]李曉東，曾光明，蔣茹，等.改進(jìn)支持向量機(jī)對污水處理廠運(yùn)行狀況的故障診斷[J].湖南大學(xué)學(xué)報：自然科學(xué)版，2007,34(12):68-71.

LiXiao-dong,ZengGuang-ming,JiangRu,etal.FaultdiagnosisofWWTPbasedonimprovedsupportvectormachines[J].JournalofHunanUniversity:NaturalSciences,2007,34(12):68-71.

[29]田學(xué)民，曹玉蘋.統(tǒng)計過程控制的研究現(xiàn)狀及展望[J].中國石油大學(xué)學(xué)報：自然科學(xué)版，2008,32(5):175-180.

TianXue-min,CaoYu-ping.Situationandperspectivesofstatisticalprocesscontrol[J].JournalofChinaUniversityofPetroleum,2008,32(5):175-180.

[30]郭振華.面向統(tǒng)計過程控制的成分提取技術(shù)研究與應(yīng)用[D].武漢：華中科技大學(xué)機(jī)械科學(xué)與工程學(xué)院,2005.

[31]MacGregorJF,KourtiT.Statisticalprocesscontrolofmultivariateprocesses[J].ControlEngineeringPractice,1995,3(3):403-414.

[32]LiuYiqi,HuangDaoping,LiYan.AdaptivestatisticprocessmonitoringwithamodifiedPCA[C]∥Proceedingsof2011IEEEInternationalConferenceonComputerScienceandAutomationEngineering.Shanghai:IEEE,2011:713-716.

[33]RuizM,SinG,BerjagaX,etal.Multivariateprincipalcomponentanalysisandcase-basedreasoningformonitoring,faultdetectionanddiagnosisinaWWTP[J].WaterScienceandTechnology,2011,64(8):1661-1667.

[34]LeeDaeSung,VanrolleghemPA.Adaptiveconsensusprincipalcomponentanalysisforon-linebatchprocessmonitoring[J].EnvironmentalMonitoringandAssessment,2004,92(1/2/3):119-135.

[35]LeeDaeSung,ParkJM,VanrolleghemPA.Adaptivemultiscaleprincipalcomponentanalysisforon-linemonitoringofasequencingbatchreactor[J].JournalofBiotechnology,2005,116(2):195-210.

[36]LeeDaeSung,VanrolleghemPA,ParkJM.Parallelhybridmodelingmethodsforafull-scalecokeswastewatertreatmentplant[J].JournalofBiotechnology,2005,115(3):317-328.

[37]LeeJong-Min,YooChangKyoo,LeeIn-Beum.Statisticalprocessmonitoringwithindependentcomponentanalysis[J].JournalofProcessControl,2004,14(5):467-485.

[38]LeeJ-M,YooC-K,LeeIB.NewmonitoringtechniquewithanICAalgorithminthewastewatertreatmentprocesses[J].WaterScienceandTechnology,2003,47(12):49-56.

[39]QinSJ.Statisticalprocessmonitoring:basicsandbeyond[J].JournalofChemometrics,2003,17(8/9):480-502.

[40]蔣浩天,拉塞爾EL,布拉茨RD.工業(yè)系統(tǒng)的故障檢測與診斷[M].段建民,譯.北京:機(jī)械工業(yè)出版社,2003:48.

[41]YooChangKyoo,ChoiSangWook,LeeIn-Beum.DynamicmonitoringmethodformultiscalefaultdetectionanddiagnosisinMSPC[J].IndustrialandEngineeringChemistryResearch,2002,41(17):4303-4317.

[42]VillegasT,FuenteMJ,Sainz-PalmeroGI.Faultdiagnosisinawastewatertreatmentplantusingdynamicindependentcomponentanalysis[C]∥Proceedingsof18thMediterraneanConferenceonControlandAutomation.Marrakech:IEEE,2010:874-879.T,FuenteMJ,Sainz-PalmeroGI.Faultdiagnosisinawastewatertreatmentplantusingdynamicindependentcomponentanalysis[C]∥Proceedingsof18thMediterraneanConferenceonControlandAutomation.Marrakech:IEEE,2010:874-879.

[43]YooChangKyoo,LeeJ-M,LeeI-B,etal.Dynamicmonitoringsystemforfull-scalewastewatertreatmentplants[J].WaterScienceandTechnology,2004,50(11):163-171.

[44]LeeJong-Min,QinSJ,LeeIn-Beum.Faultdetectionanddiagnosisbasedonmodifiedindependentcomponentanalysis[J].AIChEJournal,2006,52(10):3501-3514.

[45]FuenteMJ,Garcia-AlvarezD,Sainz-PalmeroGI,etal.FaultdetectioninawastewatertreatmentplantbasedonneuralnetworksandPCA[C]∥Proceedingsof2012 20thMediterraneanConferenceonControlandAutomation.Barcelona:IEEE,2012:758-763.

[46]LeeJong-Min,YooChangKyoo,ChoiSangWook,etal.Nonlinearprocessmonitoringusingkernelprincipalcomponentanalysis[J].ChemicalEngineeringScience,2004,59(1):223-234.

[47]LeeDaeSung,LeeMinWoo,WooSeungHan,etal.Multivariateonlinemonitoringofafull-scalebiologicalanaerobicfilterprocessusingkernel-basedalgorithms[J].IndustrialandEngineeringChemistryResearch,2006,45(12):4335-4344.

[48]LeeJong-Min,QinSJ,LeeIn-Beum.Faultdetectionofnon-linearprocessesusingkernelindependentcomponentanalysis[J].CanadianJournalofChemicalEngineering,2007,84(4):526-536.

[49]ZhangYingwei,QinSJ.Faultdetectionofnonlinearprocessesusingmultiwaykernelindependentcomponentanalysis[J].IndustrialandEngineeringChemistryResearch,2007,46(23):7780-7787.

[50]JunBH,ParkJH,LeeSI,etal.KernelPCAbasedfaultsdiagnosisforwastewatertreatmentsystem[C]∥Proceedingsof3thInternationalSymposiumonNeuralNetworks.Chengdu:Springer,2006:426-431.

[51]ChoiSW,LeeIn-Beum.NonlineardynamicprocessmonitoringbasedondynamickernelPCA[J].ChemicalEngineeringScience,2004,59(24):5897-5908.

[52]WangLi,ShiHongbo.Multivariatestatisticalprocessmonitoringusinganimprovedindependentcomponentanaly-sis[J].ChemicalEngineeringResearchandDesign,2010,88(4):403-414.

[53]BachFR,JordanMI.Kernelindependentcomponentanalysis[J].JournalofMachineLearningResearch,2003,3(1):1-48.

[54]ZhangYingwei.Faultdetectionanddiagnosisofnonlinearprocessesusingimprovedkernelindependentcomponentanalysis(KICA)andsupportvectormachine(SVM)[J].IndustrialandEngineeringChemistryResearch,2008,47(18):6961-6971.

[55]YangJian,GaoXiumei,ZhangDavid,etal.KernelICA:analternativeformulationanditsapplicationtofacereco-gnition[J].PatternRecognition,2005,38(10):1784-1787.

[56]ChiangLH,RussellEL,BraatzRD.FaultdiagnosisinchemicalprocessesusingFisherdiscriminantanalysis,discriminantpartialleastsquares,andprincipalcomponentanalysis[J].ChemometricsandIntelligentLaboratorySystems,2000,50(2):243-252.

[57]蔣浩天,拉塞爾EL,布拉茨RD.工業(yè)系統(tǒng)的故障檢測與診斷[M].段建民,譯.北京:機(jī)械工業(yè)出版社,2003:52-66.

[58]HeQP,QinSJ,WangJ.AnewfaultdiagnosismethodusingfaultdirectionsinFisherdiscriminantanalysis[J].AIChEJournal,2005,51(2):555-571.

[59]RongGang,LiuSu-yu,ShaoJi-dong.Faultdiagnosisbylocalitypreservingdiscriminantanalysisanditskernelvariation[J].ComputersandChemicalEngineering,2013,49:105-113.

[60]Garcia-AlvarezD,FuenteMJ,VegaP,etal.Faultdetectionanddiagnosisusingmultivariatestatisticaltechniquesinawastewatertreatmentplant[J].IFACProceedingsVolumes(IFAC-PapersOnline),2009,7(PART1):952-957.

[61]孫強(qiáng)，岳繼光.基于不確定性的故障預(yù)測方法綜述[J].控制與決策，2014,29(5):769-778.

SunQiang,YueJi-guang.Reviewonfaultprognosticmethodsbasedonuncertainty[J].ControlandDecision,2014,29(5):769-778.

[62]艾紅，周東華.動態(tài)系統(tǒng)的故障預(yù)測方法[J].華中科技大學(xué)學(xué)報：自然科學(xué)版，2009,37(增刊I):222-225.

AiHong,ZhouDong-hua.Faultpredictionapproachfordynamicsystem[J].JournalofHuazhongUniversityofScienceandTechnology:NaturalScienceEdition,2009,37(SupplI):222-225.

[63]陸寧云，何克磊，姜斌，等.一種基于貝葉斯網(wǎng)絡(luò)的故障預(yù)測方法[J].東南大學(xué)學(xué)報：自然科學(xué)版，2012,42(增刊I):87-91.

LuNing-yun,HeKe-lei,JiangBin,etal.AfaultprognosismethodusingBayesiannetwork[J].JournalofSoutheastUniversity:NaturalScienceEdition,2012,42(增刊I):87-91.

[64]TianWende,HuMinggang,LiChuankun.Faultpredictionbasedondynamicmodelandgreytimeseriesmodelinchemicalprocesses[J].ChineseJournalofChemicalEngineering,2014,22(6):643-650.

[65]HanHonggui,QiaoJunfei.Hierarchicalneuralnetworkmodelingapproachtopredictsludgevolumeindexofwastewatertreatmentprocess[J].IEEETransactionsonControlSystemsTechnology,2013,21(6):2423-2431.

[66]許少鵬，韓紅桂，喬俊飛.基于模糊遞歸神經(jīng)網(wǎng)絡(luò)的污泥容積指數(shù)預(yù)測模型[J].化工學(xué)報，2013,64(12):4550-4556.

XuShao-peng,HanHong-gui,QiaoJun-fei.Predictionofactivatedsludgebulkingbasedonrecurrentfuzzyneuralnetwork[J].CIESCJournal,2013,64(12):4550-4556.

[67]YooChangkyoo,KimMinhan,HwangSunjin,etal.Onlinepredictivemonitoringandpredictionmodelforaperiodicprocessthroughmultiwaynon-Gaussianmodeling[J].ChineseJournalofChemicalEngineering,2008,16(1):48-51.

[68]NomikosP,MacGregorJF.Monitoringbatchprocessesusingmultiwayprincipalcomponentanalysis[J].AIChEJournal,1994,40(8):1361-1373.

[69]YooChangkyoo,LeeJong-Min,VanrolleghemPA,etal.On-linemonitoringofbatchprocessesusingmultiwayindependentcomponentanalysis[J].ChemometricsandIntelligentLaboratorySystems,2004,71(2):151-163.

[70]YangZongxiao,YuanXiaobo,FengZhiqiang,etal.Afaultpredictionapproachforprocessplantsusingfaulttreeanalysisinsensormalfunction[C]∥Proceedingsofthe2006IEEEInternationalConferenceonMechatronicsandAutomation.Luoyang:IEEE,2006:2415-2420.

ReviewofData-DrivenFaultDiagnosisandPrognosisforWastewater

Treatment

Huang Dao-pingQiu YuLiu Yi-qiLi Yan

(SchoolofAutomationScienceandEngineering,SouthChinaUniversityofTechnology,Guangzhou510640,Guangdong,China)

Abstract：There exists significant nonlinearity, multi-variable coupling, time-variant parameter, large time delay and frequent inside or outside interferences in the process of wastewater treatment, so that it is essential to find out the abnormalities of wastewater treatment system in time and further to ensure the reliability and stability of treatment equipment. This paper, by taking into consideration the characteristics of biochemical wastewater treatment, reviews the research status, existing problems and corresponding solutions of data-driven fault diagnosis methods in the field of wastewater treatment, discusses the research prospect of fault prognosis in wastewater treatment, and points out some problems and development trends of the research on data-driven fault diagnosis.

Keywords:wastewatertreatment;faultdiagnosis;faultprognosis;data-drivenmethod

Foundationitem:SupportedbytheNationalWaterPollutionControlandTreatmentScienceandTechnologyMajorProject(2014ZX07406002)

?通信作者： 李軍(1964-)，男，教授，博士生導(dǎo)師，主要從事污水處理理論與技術(shù)研究.E-mail:jglijun@bjut.edu.cn

Foundationitems:SupportedbytheEarmarkedFundforModernAgro-IndustryTechnologyResearchSystem(nycytx-49-13),theOpenResearchFundProgramofStateKeyLaboratoryofHydroscienceandEngineering(sklhse-2013-B-02)andtheNationalNaturalScienceFoundationofChina(NSFC)(50979118)