本發(fā)明是一種基于寬度神經(jīng)網(wǎng)絡的傳感器初期漂移故障在線診斷方法，旨在實現(xiàn)對污水處理過程的傳感器初期漂移故障進行在線診斷，包括檢測故障發(fā)生時刻與定位故障傳感器。

背景技術：

1、傳感器是評估污水處理過程運行狀況不可或缺的工具，其可靠性是確保污水處理廠安全和出水水質(zhì)的先決條件。然而，由于高溫、潮濕、腐蝕等環(huán)境條件及安裝維護不當?shù)纫蛩?，傳感器極易出現(xiàn)故障。傳感器故障可分為以下幾類：漂移故障、偏差故障、精度下降故障、尖峰故障和卡死故障。其中，漂移故障是最常見的類型之一，其特點是隨著時間的推移緩慢而漸進變化。隨著漂移故障的發(fā)展，數(shù)據(jù)會顯著失真，進而造成控制失敗、出水水質(zhì)不達標等災難性影響。然而，重大故障通常不會突然發(fā)生，而是從初期故障演變而來。初期故障是指傳感器開始惡化時的第一個變化點。漂移故障的初期階段檢測有助于及時采取補償措施，控制故障的嚴重程度。因此，及時準確檢測初期漂移故障發(fā)生時刻并定位故障傳感器對于確保污水處理廠的安全運行至關重要。

2、目前，漂移故障初期診斷仍是一項重大挑戰(zhàn)。首先，鑒于污水處理過程的非線性、強耦合、高時變等復雜特性，傳感器的漂移故障診斷具有挑戰(zhàn)性。其次，污水處理過程數(shù)據(jù)通常包含噪聲，其特點是數(shù)據(jù)偶發(fā)尖峰或驟降，而初期漂移故障變化微弱。故難以區(qū)分故障和噪聲，從而極易導致漏診或誤診。因此，本發(fā)明提出一種基于寬度神經(jīng)網(wǎng)絡的傳感器初期漂移故障在線診斷方法，實現(xiàn)污水處理過程傳感器的初期故障診斷。

技術實現(xiàn)思路

1、本發(fā)明提出了一種基于寬度神經(jīng)網(wǎng)絡的傳感器初期漂移故障在線診斷方法，根據(jù)實際污水處理過程采集的數(shù)據(jù)實現(xiàn)了在噪聲存在情況下的多傳感器初期漂移故障診斷。本發(fā)明不僅可以處理過程中的非線性和動態(tài)性，而且網(wǎng)絡結(jié)構(gòu)簡單，更新速度快，檢測精度高，可以實現(xiàn)污水處理過程傳感器的在線監(jiān)控。

2、本發(fā)明提出了一種基于寬度神經(jīng)網(wǎng)絡的傳感器初期漂移故障在線診斷方法，該算法包括以下步驟：

3、一種基于寬度神經(jīng)網(wǎng)絡的傳感器初期漂移故障在線診斷方法，其特征在于，包括以下步驟：

4、步驟1：建立基于傅里葉濾波器的特征層；

5、步驟1.1：在t時刻，輸入由m維樣本向量x(t)＝[x1(t),…,xm(t)]t表示；同時，整個樣本序列通過滑動窗口機制輸入基于傅里葉濾波器的特征層，樣本序列描述為：

6、

7、其中，m代表樣本維數(shù)，t0代表滑動窗口大小，取值范圍為[5,30]的正整數(shù)；代表實數(shù)域；

8、步驟1.2：利用離散傅里葉變換，將第i維輸入序列fi(t)轉(zhuǎn)換到頻域，得到第i維頻域分量fi(t)如公式(2)：

9、

10、其中，f{}代表離散傅里葉變換，m代表樣本維數(shù)，每維數(shù)據(jù)均通過公式(2)變換得到整體頻率分量f(t)如公式(3)：

11、

12、其中，代表實數(shù)域；

13、步驟1.3：構(gòu)建一個基于傅里葉的特征濾波器r(t)，如公式(4)：

14、

15、其中，w(r)為濾波器的權(quán)值，r∈[1,l]為濾波器的行序號，代表實數(shù)域，為單位矩陣，為全零矩陣，l代表濾波器的行數(shù)，由公式(5)計算：

16、l＝η×t0?(5)

17、其中，η為濾波率，取值范圍為(0,1)；濾波器的輸出信號見公式(6)：

18、

19、其中，f′(t)代表t時刻濾波后的樣本；

20、步驟1.4：將f′(t)的每一維通過離散傅里葉逆變換在時域中重建，如公式(7)

21、

22、其中，代表離散傅里葉擬變換，fi′(t)代表f′(t)的第i維，fi'(t)代表在時域中重建的數(shù)據(jù)的第i維；進而，樣本的所有維度均在時域重建，表示為公式(8)：

23、

24、其中，f′(t)表示在時域中重建的數(shù)據(jù)矩陣，x′(t)代表t時刻經(jīng)過傅里葉特征濾波器去噪后的樣本；

25、步驟1.5：將f′(t)進行特征映射，建立n組特征節(jié)點，如公式(9)：

26、

27、其中，zj表示第j組特征節(jié)點，n代表特征節(jié)點組數(shù)；φ為特征映射函數(shù)，和是隨機生成的特征層的權(quán)重與偏置；進而基于傅里葉濾波器的特征層總輸出即總特征節(jié)點zn可表示為zn≡[z1,z2…,zn]；

28、步驟2：建立門控注意力增強層；

29、步驟2.1：通過映射特征節(jié)點zn獲得v組增強節(jié)點，如公式(10):

30、

31、其中，hu表示第u組增強節(jié)點，v代表增強節(jié)點組數(shù)，ξ為激活函數(shù)tanh函數(shù)，和是隨機生成的增強層的權(quán)重和偏置；

32、步驟2.2：定義門控注意力函數(shù)waga為公式(11)：

33、

34、其中，τ代表歸一化函數(shù)，dct代表離散余弦變換，γ是用于調(diào)整衰減速率的參數(shù)；

35、步驟2.3：定義第u組門控增強節(jié)點hu'為公式(12)：

36、hu'＝waga·hu,u＝1,2,…,v?(12)

37、定義門控注意力增強層總輸出即全部門控增強節(jié)點為hv≡[h′1,h′2…,h′v]；

38、步驟3：建立輸出層；

39、步驟3.1：將基于傅里葉濾波器的特征層zn與門控注意力增強層hv連接形成新的狀態(tài)矩陣

40、

41、步驟3.2：利用嶺回歸訓練獲得狀態(tài)矩陣與輸出層之間的連接權(quán)重

42、步驟3.2.1：輸入標簽向量y，定義平滑后的標簽向量y′如公式(14)：

43、

44、其中，α是標簽平滑參數(shù)，取值范圍為(0,1)；yi,j'和yi,j分別代表平滑后標簽y′與原始標簽向量y的第i行第j列元素；

45、步驟3.2.2：構(gòu)建目標函數(shù)如公式(15)：

46、

47、其中，第一項為正則化項，λ是正則化參數(shù)，取值范圍是[10-10,10-1]；第二項為最小二乘誤差項；

48、步驟3.2.3：通過令公式(15)關于的導數(shù)等于0，可求解出最優(yōu)連接權(quán)重為公式(16)：

49、

50、其中，i是單位矩陣；狀態(tài)矩陣的穆斯-彭羅斯廣義擬矩陣為：

51、

52、因此，

53、步驟3.2.4：獲得t時刻的網(wǎng)絡輸出標簽s(t)：

54、

55、其中，m代表樣本維度；

56、步驟3.2.5：儲存每個滑動窗口內(nèi)的權(quán)重參數(shù)

57、步驟4：在線測試；

58、步驟4.1：利用滑動窗口依次輸入測試樣本，計算各窗口內(nèi)測試樣本與訓練樣本的余弦相似度，使用相似度最大的訓練樣本對應的權(quán)重參數(shù)進行測試；

59、步驟4.2：重復步驟4.1直至滑動所有測試樣本，得到網(wǎng)絡輸出標簽，如果標簽為0代表無傳感器故障，1代表第1個傳感器故障，以此類推，初步完成故障診斷；

60、步驟5：當初步診斷精度不滿足需求時，添加d個額外增強節(jié)點進行增量學習訓練，d代表額外增強節(jié)點數(shù)量，試湊法擇優(yōu)選取任意正整數(shù)；

61、步驟5.1：定義額外增強節(jié)點hν+1為：

62、

63、其中，ξ為激活函數(shù)tanh函數(shù)，和是隨機設置的權(quán)重和偏置；

64、步驟5.2：重復步驟2.2至2.3獲得額外門控增強節(jié)點hν+1'；

65、步驟5.3：將狀態(tài)矩陣與額外門控增強節(jié)點hν+1'相連接，得到新的拓展狀態(tài)矩陣如公式(20)：

66、

67、步驟5.4：根據(jù)greville定理計算新的連接權(quán)重如公式(21)：

68、

69、其中，變換矩陣bt、差值項c、投影項d依次定義為：

70、

71、其中，c+和分別代表差值項c和狀態(tài)矩陣的偽逆；

72、步驟5.5：獲得網(wǎng)絡輸出標簽：

73、

74、其中，m代表樣本維度；

75、步驟5.6：儲存增量學習后每個滑動窗口內(nèi)的權(quán)重參數(shù)

76、步驟5.7：計算增量學習訓練精度；

77、步驟5.8：重復步驟5.1至5.7，直至訓練精度下降或保持不變；

78、步驟6：增量學習測試；

79、步驟6.1：利用滑動窗口依次輸入測試樣本，使用增量更新后的權(quán)重參數(shù)進行測試；

80、步驟6.2：得到網(wǎng)絡輸出標簽，如果標簽為0代表無傳感器故障，1代表第1個傳感器故障，以此類推；

81、步驟6.3：計算故障診斷精度，完成故障診斷；上述步驟中的滑動窗口大小t0，濾波率η，用于調(diào)整衰減速率的參數(shù)υ，標簽平滑參數(shù)α，正則化參數(shù)λ可通過在取值范圍內(nèi)網(wǎng)格搜索，選擇故障診斷精度最高的相應參數(shù)而確定。

82、本發(fā)明與現(xiàn)有技術相比，具有以下明顯的優(yōu)勢和有益效果：

83、本發(fā)明利用傅里葉濾波器，衰減低頻信號，剔除高頻噪聲信號，從頻域角度提高模型魯棒性。其次，針對漂移故障初期特性設計門控注意力增強層，從時域角度提高初期故障的可檢測性。此外，標簽平滑機制可以有效防止模型過擬合，提高模型分類性能。最后，通過動態(tài)增強節(jié)點，實現(xiàn)模型結(jié)構(gòu)在線調(diào)整，提高模型診斷性能。因此，本發(fā)明具有對噪聲具有魯棒性、診斷精度高、可適應動態(tài)過程、學習速度快及可解釋性強等技術優(yōu)勢。