数据驱动下的膜法水处理膜污染诊断与预测方法研究

作     者：石耀科 

作者单位：兰州理工大学 

学位级别：博士

导师姓名：王志文

授予年度：2023年

学科分类：12[管理学] 083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：深度信念网络 膜污染诊断 注意力机制 多策略融合 多输入卷积神经网络 

摘      要：如何减少膜法水处理过程中的膜污染,提高膜法水处理出水水质的同时降低能耗,已成为现代污水处理领域发展中不可回避的重大问题。膜污染诊断与预测技术是提高膜法水处理系统运行可靠性、降低系统运行成本的重要方法和必要手段。膜法水处理过程多为非线性系统,具有干扰强、结构复杂、参数不确定、动态变化、膜污染因素耦合强等特点,难以精确诊断和预测膜污染。因此,探索如何利用先进的科学技术,有目的、有方法、有针对性地诊断和预测膜污染是一个非常有意义的研究课题。本文以膜法水处理系统典型膜组件为研究对象,基于数据驱动的方法对膜法水处理膜污染诊断与预测方法展开研究。论文的主要创新研究成果如下:(1)针对膜法水处理过程中膜组件膜污染的强非线性和大时变等特点,提出了一种基于多机制水母算法自适应深度信念网络(Multi-Objective Jellyfish Search Adaptive Deep Belief Network,MOJS-ADBN)的膜组件膜污染诊断方法。MOJSADBN是基于DBN的一种改进诊断模型。首先,将自适应学习率引入到DBN的无监督预训练阶段,以提高网络的收敛速度。其次,采用MOJS方法代替传统DBN中基于梯度的逐层权值精调方法,提高网络特征提取能力。同时,构造李雅普诺夫函数证明MOJS-ADBN学习过程的收敛性。最后,将MOJSADBN用于膜组件膜污染诊断中进行模型诊断性能验证。实验结果表明所提出的MOJS-ADBN诊断模型收敛速度快,同时诊断准确率高,能够为膜法水处理实际运行过程中膜污染诊断提供理论基础。(2)针对膜组件的故障特征提取困难,导致模型计算量复杂,诊断准确率不够高的问题,以解决故障特征提取困难,降低模型复杂度,提高膜组件膜污染诊断准确率为目标,提出了一种结合注意力机制与卷积神经网络(Efficient Channel Attention-Convolutional Neural Networks,ECA-CNN)的膜组件膜污染诊断方法。首先,利用卷积核提取输入层的图片特征,同时在每个卷积层后面连接一个矫正线性单元,并添加批归一化层(Batch Normalization,BN)解决内部协变量偏移的问题,以提高非线性模型表达能力。其次,在BN层后添加ECA注意力机制模块,提取重要特征后连接池化层,降低网络计算复杂度,提高网络的准确率与效率。最后以膜组件运行数据为研究对象,进行膜污染诊断实验验证。实验结果表明,所提方法能够有效提升膜污染诊断精度,能够实现所有膜污染的高难分类与定位。(3)针对膜生物反应器膜组件膜污染特征提取能力不足,导致膜污染数据结构复杂,从而无法实现膜生物反应器中膜污染高效定位与分类的问题,提出了一种基于注意力机制的多输入卷积神经网络(Convolutional Block Attention ModuleMultiple-Convolutional Neural Networks,CBAM-MUL-CNN)模型。首先,以膜污染数据的时域信息和频域信息作为CNN的输入,经卷积层提取特征。然后,利用全连接层实现时域特征和频域特征的拼接后输入分类器进行分类。模型中的BN层可有效防止梯度消失,修正线性单元(Rectified Linear Unit,Re LU)层可提高非线性模型表达能力,CBAM模块可以简化模型复杂度,提高网络的特征表达能力,池化层可提高模型的容错性。对比结果表明该模型在并联式中空纤维膜装置的膜污染诊断实验中综合性能优异,能够有效实现所有膜污染的高效分类与定位,使膜法水处理提高出水水质的同时降低能耗,为实际生产提供理论基础。(4)针对膜法水处理过程膜污染预测问题存在的不确定性、强非线性、强耦合及非平稳性等特征,提出了一种基于改进多机制麻雀搜索算法自适应深度信念网络(Improved Multiple Objective Sparrow Search Algorithm Adaptive Deep Belief Network,IMOSSA-ADBN)的膜污染预测方法。首先,对DBN网络无监督预训练阶段的固定学习率进行自适应设计,提高网络收敛速度,提升网络训练效率。其次,利用IMOSSA方法优化传统DBN中的逐层权值精调方法,以提高模型预测精度。同时,证明了IMOSSA-ADBN模型学习过程的收敛性。最后,将IMOSSA-ADBN用于膜污染的预测中。实验结果表明所提出的IMOSSA-ADBN预测模型收敛速度快且预测精度高,能够满足实际膜法水处理过程对膜污染监测精度和运行效率的要求。(5)膜法水处理系统参数众多,数据量大、维度高,致使特征变量的选取困难、预测模型难以准确建立。因此,以深度学习模型CNN为主要技术手段,提出了基于改进CNN和多策略融合长短时记忆网络的膜污染预测模型。首先采用改进的多策略