一种基于多变量子区域交互的污水水质参数软测量方法
本发明属于工业软测量,尤其涉及一种基于多变量子区域交互的污水水质参数软测量方法。
背景技术:
1、污水处理过程是典型的复杂工业过程,其运行状态受到进水水质、水量波动、曝气条件、污泥回流、生化反应状态等多种因素的综合影响。出水化学需氧量、氨氮、总磷、总氮等水质参数是评价污水处理效果和排放达标情况的重要依据,准确获取上述水质参数对于及时掌握污水处理系统运行状态、优化过程调控策略、降低运行能耗以及保障排放合规性均具有重要意义。然而,上述关键水质参数难以通过常规传感器实现稳定、连续且低成本的在线检测。以化学需氧量为例,其检测通常依赖于实验室化学分析或专用检测设备,存在检测周期长、维护成本高、实时性不足等突出问题。软测量技术通过选取易于在线采集的辅助变量(如进水流量、溶解氧浓度、氧化还原电位、酸碱度等)建立预测模型,实现对难测水质参数的间接估计,已成为污水处理智能监测领域的重要技术手段。近年来,随着工业数据采集能力的不断提升和深度学习理论的发展,基于多层感知器、卷积神经网络、循环神经网络、图神经网络及transformer架构等深度模型的软测量方法得到了广泛研究和应用。上述方法能够从历史运行数据中自动提取非线性特征,建立辅助变量与目标水质参数之间的复杂映射关系,在一定程度上提升了软测量的精度和泛化能力。
2、然而,污水处理过程本质上是一个具有多变量耦合、大滞后和非线性强等特征的动态生化反应系统。在实际运行中,不同辅助变量对最终出水水质参数的影响往往存在显著的响应时间差异和持续作用效应,某一变量的局部变化可能需要经过一定时间延迟才能在其他变量的观测值或水质结果上体现出来。因此,变量之间的有效关联并不局限于同一采样时刻的点对点对应关系,还广泛存在于不同变量各自历史序列中处于不同时间位置的局部片段之间。现有的深度学习方法在处理多变量时序数据时,主要采用两种交互建模策略:其一,以同一采样时刻的多变量观测值为基本单元进行点对点的特征匹配和融合,该方式难以刻画不同变量局部信息之间的非同步关联关系,容易遗漏具有时间错位特性的跨变量相关性;其二,将各变量在完整历史时间窗口内的全部序列特征作为整体进行交互建模,该方式虽然能够捕捉变量间的全局依赖,但容易弱化历史时间窗口内部对水质参数变化具有显著驱动作用的局部状态信息,导致模型对关键时段信息的敏感度下降。此外,现有方法对于各变量自身在时间维度上的局部演化规律提取不够充分,难以有效融合跨变量局部相关性和变量内部时序演化特征,从而制约了软测量模型对污水处理过程复杂动态特性的拟合能力和预测精度。
技术实现思路
1、有鉴于此,本实施例提出一种基于多变量子区域交互的污水水质参数软测量方法,以解决现有方法难以充分捕获不同变量局部信息之间的关联关系,以及对变量内部时序演化特征提取不足的问题,从而进一步提升该领域软测量建模的准确性。
2、为解决上述技术问题,本发明提供了一种基于多变量子区域交互的污水水质参数软测量方法,包括:
3、获取污水处理过程中的多变量运行数据及与待测污水水质参数对应的历史检测数据,对所述多变量运行数据进行预处理,并按照预设历史时间窗口构建输入样本,将所述历史检测数据作为与所述输入样本对应的监督标签;
4、按照采样时间顺序,将所述输入样本中各变量对应的时间序列分别划分为多个有序子区域,对每个子区域内的数据进行特征嵌入,并为各子区域叠加对应的位置编码,获得各变量对应的子区域初始特征;
5、以各变量的子区域初始特征为状态更新的基本单元,通过关联注意力模块对不同变量之间的子区域特征进行交互建模,获得包含相关性信息的子区域更新特征;
6、针对所述子区域更新特征,利用时序注意力模块沿各变量内部子区域的时间顺序进行时序演化建模,获得各变量对应的深层时序表征;
7、根据所述深层时序表征构建表征多变量整体状态的全局特征,并通过预测输出层得到待测污水水质参数的软测量值;
8、基于所述软测量值与所述监督标签的误差构建损失函数,并采用反向传播算法训练得到软测量模型;在线应用时,将实时采集的多变量运行数据输入训练完成的软测量模型,获得污水水质参数的在线软测量值。
9、优选地,所述多变量运行数据为污水处理过程中可采集的辅助变量数据;
10、所述待测污水水质参数包括出水化学需氧量、生化需氧量、总磷、总氮。
11、优选地,将所述输入样本中各变量对应的时间序列分别划分为多个有序子区域的过程包括:
12、将每个变量的时间序列按照时间顺序划分为预设数量的连续子区域,每个子区域包含相同数量的连续采样点;
13、当时间序列的总采样点数不能被所述预设数量整除时,通过数据补齐、序列截取或滑动窗口重构方式,使各子区域包含的采样点数量一致。
14、优选地,所述特征嵌入通过可学习的线性变换将每个子区域内的原始数据映射为嵌入向量;
15、所述位置编码为与子区域排列顺序对应的可叠加位置向量,所述嵌入向量与所述位置编码相加后得到所述子区域初始特征。
16、优选地,通过关联注意力模块对不同变量之间的子区域特征进行交互建模和利用时序注意力模块沿各变量内部子区域的时间顺序进行时序演化建模中的注意力计算均采用多头注意力机制;
17、所述多头注意力机制通过多个并行的注意力头分别对输入的查询、键和值进行线性映射和注意力权重计算,并将各注意力头的输出拼接后经线性变换得到最终的多头注意力结果。
18、优选地,所述关联注意力模块以任一变量的任一个子区域作为待更新对象,将除变量以外的其他所有变量的全部子区域作为关联对象,构成关联子区域集合;
19、所述关联注意力模块在待更新子区域与所述关联子区域集合之间执行多头注意力计算,并将计算结果与所述待更新子区域的原始特征相加后,依次通过层归一化和前馈网络处理,得到所述子区域更新特征;
20、其中,同一变量内部的其他子区域不参与对应的关联聚合过程。
21、优选地,所述时序注意力模块以同一变量内部的全部子区域更新特征按照时间顺序组成子区域特征序列,并对所述子区域特征序列执行自注意力式的多头注意力计算,使每个子区域与同一变量内部的其他子区域进行时序关联;
22、将计算结果与输入序列相加后,依次通过层归一化和前馈网络处理,得到变量对应的深层时序表征;
23、其中,不同变量的子区域更新特征不参与对应的时序聚合过程。
24、优选地,根据所述深层时序表征构建表征多变量整体状态的全局特征,并通过预测输出层得到待测污水水质参数的软测量值的过程包括:
25、将各变量对应的所述深层时序表征按变量顺序拼接,获得所述全局特征;
26、将所述全局特征输入所述预测输出层,所述预测输出层为全连接层,通过线性变换和非线性激活函数输出所述软测量值。
27、优选地,所述关联注意力模块与所述时序注意力模块按照先后顺序依次设置;
28、所述关联注意力模块独立堆叠一层或多层,最后一层的输出作为所述时序注意力模块的输入;
29、所述时序注意力模块独立堆叠一层或多层,最后一层的输出用于全局特征构建和预测输出。
30、优选地,获得污水水质参数的在线软测量值的过程包括:
31、将实时采集的多变量运行数据按照与模型训练阶段相同的预处理方式和子区域划分方式构建待测输入样本,并将所述待测输入样本输入训练完成的软测量模型,通过所述软测量模型输出当前时刻的污水水质参数在线软测量值。
32、与现有技术相比,本发明具有如下优点和技术效果:
33、本发明通过将各变量的时间序列划分为若干连续且有序的子区域,并以该子区域作为状态更新和信息交互的基本单元,有效缓解了传统方法中点对点单点交互难以刻画变量间非同步关联的问题,同时也避免了将整段序列作为整体交互时易弱化局部关键信息的缺陷。
34、在此基础上,本发明通过关联注意力模块使任一变量的局部时间片段能够自适应地与其他变量处于不同时间位置的局部片段建立相关性权重关联,从而充分捕获了多变量之间具有时间错位特性的跨尺度依赖关系。
35、本发明通过时序注意力模块对各变量内部子区域沿时间顺序进行演化建模,有效提取了变量自身的局部时序变化规律,结合上述两个模块的串联堆叠结构,使得模型能够完整地融合跨变量相关性信息和变量内部动态特征,显著提升了对污水处理过程中多变量运行状态与水质参数之间复杂动态映射关系的拟合能力和预测准确性。通过多层堆叠的特征提取结构,本发明能够自适应地学习不同时间尺度和不同变量间的交互模式,具有良好的泛化性能和鲁棒性,可广泛应用于不同污水处理工艺场景下的水质参数在线软测量。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com