递归双线性子空间辨识-贝叶斯网络实现污水处理中的概率性故障诊断:建模、诊断与系统平台

《Journal of Water Process Engineering》:Recursive bilinear subspace identification-Bayesian network enables probabilistic fault diagnosis in wastewater treatment: Modelling, diagnosis and system platform

【字体: 大 中 小 】 时间:2026年10月21日 来源:Journal of Water Process Engineering 6.6

编辑推荐:

   # 基于递归双线性子空间识别(RBLSI)预测残差辅助的贝叶斯污水故障诊断 - 与匹配的线性模型相比,RBLSI在厂级数据上将DO?误差降低了19.57% - 在留出仿真中,RBLSI-BN将准确率从76.9%提升至83.3% - 仿真报警检测率达到78.1%,误报率仅为2

  

# 基于递归双线性子空间识别(RBLSI)预测残差辅助的贝叶斯污水故障诊断

- 与匹配的线性模型相比,RBLSI在厂级数据上将DO?误差降低了19.57%
- 在留出仿真中,RBLSI-BN将准确率从76.9%提升至83.3%
- 仿真报警检测率达到78.1%,误报率仅为2.38%
- Web原型展示了按优先级排列的候选原因并建议工艺检查

## 引言

可靠的污水处理对保护受纳水体和公共健康至关重要,然而活性污泥系统必须在实际运行约束下适应变化的进水负荷、温度、回流流量和曝气能力,同时维持稳定的出水水质。在线传感、实验室监测和全厂数据系统的扩展现已使运行记录能够为及时的状态估计和预测提供依据。数字孪生、过程仿真和机器学习方法提高了水处理分析与运行的准确性和效率,并减少了可避免的运行成本[1]、[2]、[3]。然而,其实际价值取决于判断测量变化是表示工艺扰动还是普通波动或传感器故障。对恶化出水水质的预测可以警告操作人员可能需要干预,但它本身无法确定应调查的扰动。同样的出水响应可能反映水力或有机负荷、供氧不足、碳源受限、生物质状况变化或内回流变化。这些机制需要不同的运行检查和纠正措施。因此,故障诊断通过将有异常观测与合理的可验证解释联系起来,补充了过程预测。它还帮助防止自动决策依赖于受传感器漂移、偏移、污垢或其他数据质量失效影响的测量[4]、[5]、[6]、[7]。

机理模型、数据驱动模型和混合模型在污水处理预测方面取得了进展。一种混合方法在校准活性污泥模型后,利用其残差训练神经网络,改进了五个过程变量的模拟[8]。Wang在全厂规模上比较了九种机器学习算法;加入水力滞后和运行变量后改进了出水预测,最佳模型的R2值分别为COD 0.92、TN 0.93、TP和pH 0.99[9]。Roohi在三个厂中比较了贝叶斯网络与八种人工智能模型。虽然其精度最高,但误差仅在样本数至少250时显著下降,当缺失输入超过10%时误差急剧上升[10]。这些发现表明,预测器设计和数据完整性与模型选择同样影响性能。Xie将时间卷积与长短期记忆网络结合,预测逐时出水TN,相比其单独深度学习组件精度提高了33.1%,相比前馈神经网络提高了63.6%,同时保持了八小时的预警时间[11]。对于使用全厂长期数据的N?O建模,Khalil报告AdaBoost的R2高于深度神经网络(0.94对0.90);特征选择去除了40%的输入而未实质性降低精度[12]。在横跨七个香港厂的研究中,Aghdam发现基因表达编程优于五种替代算法,达到BOD? R2值0.784和COD 0.861[13]。Liu将两阶段特征选择、CNN-LSTM-TCN学习和黄金豺狼优化结合,在所评估的回看窗口和预测步骤中获得最佳出水TN预测[14]。这些研究共同表明,模型结构、滞后选择和特征选择可以改善预测,同时也清楚地表明了对数据质量和校准的依赖。对于非线性在线控制,Zhou将带遗忘因子的递归双线性子空间识别(RBLSI)应用于基准仿真模型1(BSM1)。该模型捕捉了耦合和延迟;在降雨条件下,其变设定点溶解氧控制器将积分绝对误差、积分平方误差和最大偏差分别降低了82.81%、96.62%和71.89%,相对于递归线性控制器[15]。该结果确立了递归双线性动力学在污水处理运行中的潜力,同时留下了一个开放问题——其预测残差是否能区分异常出水水质的竞争性原因。

近期工作将出水预测扩展至不确定性估计和模型解释。Xie使用Shapley加性解释法识别时间卷积网络-LSTM模型中的关键变量[11]。Yin在冲击负荷下产生了总氮概率预测,并在六小时内正确捕捉了约90%的超标排放[16]。Wei将XGBoost与Shapley分析结合,表征了影响出水有机负荷的非线性交互[17]。这些研究改进了预测或解释了关键输入,但预测或特征归因并不指定哪种竞争性过程扰动最能解释异常出水状态。这促使建立动态状态估计与面向故障的概率推理之间的联系。

污水处理故障诊断也从统计监控发展到了深度分类器和概率推理。Garcia-Alvarez将主成分分析(PCA)用于故障检测,与费雪判别分析结合用于在仿真处理厂中分类已知故障[18]。Hu随后将多尺度卷积网络与代理最近邻成分分析结合,在仿真污水过程故障中报告了85.4%的平均故障分类准确率[19]。近期工作将这条线扩展到了传感器重构、实际厂验证和根因定位。Ba-Alawi开发了一个可解释的多任务U-Net,联合诊断和重构传感器故障,相比传统模型将重构误差降低了40–56%[4]。使用意大利厂的氧气、氨气和曝气功率测量数据,Bellamoli发现梯度提升集成检测到了多达96%的异常事件,但正确的多类分类率从一个数据集中的84%降至独立数据集中的62%[5]。Kini将PCA与非参数Kolmogorov-Smirnov检验结合,在无标签训练数据的情况下检测了多种仿真传感器故障类型,优于传统PCA监控[6]。Xu使用复数慢独立成分捕捉动态、非高斯早期故障,并结合贡献映射与Granger分析在仿真和氧化沟厂数据中定位根因[7]。此类方法可以区分异常模式并越来越多地识别关键变量,但一个类别标签或统计贡献并不一定提供从进水扰动到出水响应的具有不确定性感知能力的路径。

贝叶斯网络通过编码条件依赖关系并随着新证据到达更新后验概率来解决这一可解释性差距。Guo将专家定义的拓扑结构与从历史厂数据学习的参数结合,并使用所得网络在实际案例中返回故障诊断和纠正措施[20]。Cheon在实验室五段脱氮除磷装置上实现了学习型贝叶斯网络,在三个月内观察到的21个异常事件中正确诊断了14个[21]。Li同样使用贝叶斯网络将经验和物理数据相结合,用于改进序批式反应器的出水预测[22]。动态贝叶斯网络和混合设计也处理了时间行为。Loy-Benitez将动态图嵌入与贝叶斯网络结合,用于污水处理中的污泥膨胀检测和根因分析[23]。Zhang将子空间识别与动态贝叶斯网络结合,用于搅拌罐反应器的故障预测[24]。这些先例表明,将动态模型与概率推理耦合本身并不是本工作的创新之处。此处解决的问题是:与线性残差和仅贝叶斯网络路径相比,双线性DO?和NO?预测残差能否在同一测试背景下改善多种工艺和传感器故障的排序。近期工作强调了稀疏故障数据和变化运行条件导致的认知不确定性[25]。具有不确定性感知能力的典型相关分析解决了污水处理过程监测可靠性和误报控制问题[26]。这些研究框定了一个相关但不同的问题:本分析检验动态DO?和NO?残差是否在共享测量之外改进了类别条件故障后验。我们使用匹配的仅测量和线性残差控制、概率校准和时间有序报警指标来评估这一增量。后验分布描述候选故障之间的不确定性,但仅靠测量可能无法揭示当前过程是否偏离预期动力学。因此,我们测试DO?和NO?预测残差是否在同一干预标记条件下向共享过程测量添加了故障辨别信息。

在上述线索基础上,本文发展了一个RBLSI-BN框架,其中双线性预测残差为概率诊断提供故障条件证据。具体贡献如下:

(1)我们为DO?和NO?构建了目标特定的递归观测器,并考察其残差所携带的诊断信息。与线性观测器路径的比较在每次分析中使用的确切输入和评估记录上解释。

(2)我们使用工艺信息驱动的贝叶斯诊断框架来组织运行证据和故障概率。历史案例考察工艺状态解释,而干预标记仿真在将DO?和NO?残差添加到常见测量时量化分类和校准。

(3)我们在留出仿真背景下评估故障分类、概率校准和连续报警。一个基于Web的原型为示例场景呈现后验排序和建议检查。

核心贡献是从动态预测失配到故障条件概率证据的明确路径,在共同仿真背景下与仅测量和线性残差控制进行比较。

### 片段

**位置与工艺**

本研究使用荷兰蒂尔堡污水处理厂(WWTP)的实际运行数据。该厂位于荷兰南部,通过预处理后,将进水分配到三条平行的生物处理线,分别标记为AT1、AT2和AT3。每条AT处理线由一个好氧选择器(SEL)、一个反硝化池(DET)、一个兼性池(DNT)和三个串联的好氧硝化池(NIT)组成。

**模型开发**

第2.2节描述的方法应用于DO?和NO?,使用原始100个观测序列和一个269条记录的BSM仿真日序列。两个序列均基于所研究污水处理厂的运行记录和动态参数。

比较了三种配置:RBLSI、多输入RLSI和单输入RLSI。对于DO?,RBLSI和多输入RLSI均使用Qair5、Qinf和Temp。对于NO?,RBLSI和多输入RLSI均使用Qa和CODinf,产生一…

### 结论

本研究发展了一个RBLSI-BN框架,将自适应双线性过程建模与概率故障诊断相结合。通过将非线性过程动力学纳入工艺信息驱动的贝叶斯网络,该框架将准确预测与可解释的诊断证据联系起来。主要发现如下:

(1)RBLSI实现了DO? RMSE为0.4188 mg/L,相比单输入RLSI误差降低23.70%,相比多输入RLSI降低19.57%。它还相比…将NO? MAE降低了11.90%

### CRediT作者贡献声明

田润峰:撰写——审阅与编辑,撰写——初稿,方法论,概念化。王震硕:撰写——审阅与编辑。盛星:撰写——审阅与编辑。赵鹏程:撰写——审阅与编辑,验证,方法论。

### 利益冲突声明

作者声明不存在已知的竞争性经济利益或个人关系,这些可能影响本文报告的工作。

田润峰|王震硕|盛星|赵鹏程
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号