基于子周期划分和多元主成分分析的造纸废水处理序批式反应器故障诊断外文翻译资料

 2022-08-08 12:03:27

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

基于子周期划分和多元主成分分析的造纸废水处理序批式反应器故障诊断

摘要：序批式反应器(SBR)是一种广泛应用于造纸工业废水处理的大流量废水处理技术，由于其固有的多周期特性，其故障诊断一直是一个重大的挑战。本文在传统的多路主成分分析(MPCA)方法(场景0)的基础上，提出了两种基于SBR过程处理阶段(场景1)和相邻时间片之间负荷矩阵相似性(场景2)的子周期划分策略，用于故障检测。结合场景0，利用造纸厂SBR过程中风机电流、SBR反应器液位、废水溶解氧、风机阀门开度等现场数据，分别开发了场景1和场景2两种不同的故障诊断模型，并进行了评价。研究结果表明，场景1和场景2的故障诊断模型的计算统计量T2和预测误差总和(SPE)均能检测出故障，并识别出故障的位置和来源。与忽略SBR过程不同阶段之间的相关性的场景0相比，场景2的故障诊断模型在故障发生时间和故障来源方面具有优势，且具有足够的准确性。结果表明，所开发的子MPCA诊断模型在实际SBR装置中的应用是可行和可靠的。

  1. 介绍

现代自动化工业过程依赖于过程条件的精确控制。检测这些过程中的异常对于顺利运行和过程目标的满足是至关重要的。此外，为了提高工业过程的可靠性、安全性和效率，故障检测和故障诊断已成为众多技术过程中的重要环节(Madakyaru et al.， 2017)。主成分分析(PCA)和多元格兰杰因果关系等故障诊断技术已成功应用于液化天然气分馏过程中，以防止再沸器过热或过冷(Pyun et al.,2020)。此外，粒子滤波算法已用于活性污泥过程的故障诊断(Yu et al.,2019)，然而，基于广义似然比的多尺度偏最小二乘模型已被证明在精馏塔中具有突变或早期行为的小故障早期检测方面非常强大(Madakyaru et al.,2017)。巴克鲁帝利用改进的基于粒子滤波的多尺度优化指数加权移动平均图监测污水处理厂(WWTP) (Baklouti et al.,2018)。作为一个典型的批处理活性污泥废水处理在造纸厂,序列间歇式反应器(SBR)过程描述为一个循环的阶段序列填充、厌氧、好氧、缺氧过程中,沉降,取出,最后空闲阶段每个阶段都有特定的时间(Aguado et al ., 2007)。由于SBR的运行模式是定时的，它是一个动态的、高度非线性的过程，具有一定的间歇过程的特点，如多模式、多变量沿指定轨迹运行。这些固有的复杂间歇操作特性导致了SBR过程难以描述和监控 (Wu et al., 2019)。因此，为了提高污水处理厂SBR过程的运行效率，自动故障诊断系统和监测系统是必不可少的功能，已成为重要的研究课题之一。

作为世界上最大的造纸生产和消费大国，2015年中国制浆造纸工业废水排放量为23.67亿吨，占中国工业废水排放总量的13%，在41个行业中排名第一(Feng et al.， 2020)。经过适当处理的废水常被用作各种用途的再生水。但是，如果污水处理厂受到一些传感器或设备突然故障或故障的影响或中断，出水将违反规定的规范，造成水环境的二次污染和后续罚款(Baklouti et al.， 2018)。因此，为了提高和保障流程性能，SBR流程的行为监测受到了人们的高度重视，其中对可能对流程运行产生负面影响的故障或异常进行诊断就显得尤为重要。此外，由于SBR过程经常受到不同类型扰动的影响，如水力学波动、进水变化和设备故障(Yoo et al.，2004)，也应该通过检测和诊断故障来监测SBR过程的行为，以确保充分的性能。

在促进重要历史资料解释的统计方法方面，一些先进的技术提出了信息提取的方法。特别是，非线性监督学习方法在批处理反应器中表现出了优越的性能，包括模糊逻辑算法(Kim et al.，2006)、模糊神经网络(Han et al.,2014)、人工神经网络(Shrivastava et al.,2017)和支持向量机(SVM) (Jaramilloet al.,2018)。然而这些非线性监督模型以不确定的精度将非线性函数拟合到标记训练数据，主成分分析(PCA)算法(Fazai et al.,2019)和独立成分分析(ICA)，旨在降维，并应用于精确和精确的方式诊断故障或故障(Corominas et al.,2018)。

PCA被认为是最有效的多元统计技术之一，它关注从大量数据中对系统的低阶表示(Pimentel和Fogliatto,2018)。同时，为了预测和故障诊断的目的，基于可用的测量，PCA回归也可以预测输出行为(Liu et al.,2019)。Tao等提出了一种基于PCA的实验室规模污水处理过程传感器故障诊断分析研究，证明了评分图和加载图相结合在故障诊断传感器中的应用是可行和有效的(Tao et al.,2013)。并结合多元统计过程监测(MSPM) (Fazai et al.， 2019)，将PCA成功应用于SBR过程的故障诊断(Fuentes-Garcia et al.,2018)。然而，由于传统主成分分析只能处理二维数据(Cai and Tian,2014)的能力有限，很难在三维数据(批次times;变量times;时间)的SBR过程中使用。

为了克服传统主成分分析(PCA)的缺陷，多路主成分分析(MPCA)已成为批处理过程故障诊断的主流方法。该方法对批处理数据进行压缩，并通过将数据投影到一个总结变量及其轨迹的低维空间来提取信息。然而，将MPCA应用于批量过程在线监测时，依赖于检测数据的预测能力和准确性，阻碍了其在实际工业领域的应用(Villez et al.,2008)。此外，传统的MPCA没有考虑SBR流程不同阶段之间的相关性，而是将整个操作数据作为一个单一的建模对象(Han et al., 2018)，这增加了难以证明过程的性质，因此降低了监控效率(Alawi et al.,2015;Zhang.,2018)。

因此，为了避免上述缺点，提出了分周期策略，将整个操作批次按规则原则划分为多个子周期。K-means忽略了阶段到阶段的瞬态特性，这是一种广泛使用的时间切片划分硬分割方法，影响了子阶段代表性监测模型的准确性(Zhao et al.,2007)。研究了一种包含第一阶段考虑的机制知识和第二阶段应用的支持向量数据描述技术的两步子周期划分算法，但增加了划线计算的复杂性(Wang et al.,2013)。此外，变量动态变化的特性也可以作为间歇过程阶段划分的依据(Doan et al.,2007)。另一种有效策略是通过对不同阶段差异的相似性进行定量评价，将整个过程划分为子阶段，从而提高过程学习能力(Qin et al.,2017)。近年来，提出了一种多相二维时间片动态系统方法来同时表征批处理过程的动态和变动态，并在每个阶段的时间片上开发了一个二维动态系统，从而通过层内潜在提取可以更好地表征过程信息(Zhu et al.,2020)。引入了一种新的基于扩散距离的可重复性因子，将间歇过程划分为不同的稳定阶段和过渡阶段。与传统的可重复性因子相比，所提出的可重复性因子不仅可以从空间位置关系上反映两个批样本之间的相似性，还可以从样本归属到聚类上反映相似性(Tang and Li, 2020)。像分类算法这样的机器学习方法也被用于异常检测和过程阶段分类，以改善安全和维护活动(Quatrini et al.,2020)。

为了避免传统MPCA方法的缺陷，将整个SBR过程作为单一的建模对象，不进行阶段划分进行故障诊断，本研究的主要动机是研究适合造纸厂SBR过程的子阶段划分策略。结合传统的MPCA模型(场景0)，提出了两种基于技术阶段(场景1)和自动识别(场景2)的划分策略。经过训练和验证，建立了基于不同划分策略的故障诊断模型。最后，利用收集到的某造纸厂污水处理厂的现场数据，对场景0、1和2的所有故障诊断结果进行了评价和比较。

  1. 案例研究

2.1.SBR废水处理工艺

研究了位于中国南方的广州造纸厂SBR废水处理工艺。如图1右侧所示，SBR废水处理工艺已被公认为一种典型的循环性间歇工艺，其在特定造纸厂的循环时间为360分钟。SBR工艺分为以下七个步骤:(1)静态投加:投加废水10分钟，不曝气;(2)混合投料:废水连续投料10分钟，与活性污泥均匀配比混合;(3)曝气投加:连续投加废水100分钟，曝气与活性污泥进行生化反应;(4)曝气:曝气10分钟，不停止废水投料，曝气反应在反应器内进行;(5)混合，5分钟，无曝气，循环泵继续运行，活性污泥静止分布均匀，废水中的溶解氧被缓慢消耗;(6)沉降:65分钟，生化反应后留下污泥沉淀;(7)污水排放:70分钟，排出污水。

流程操作的控制下一个分布式控制系统(图1)左部,四个参数,风机阀门开度,风机电流,溶解氧(做)浓度的废水和SBR反应器,对SBR的操作过程是至关重要的。

图1.广州造纸厂SBR过程和循环的示意图

2.2.数据源

2018年1 - 4月，收集的265个SBR批次数据(264个正常批次和1个异常批次)构成造纸厂现场数据。研究了SBR工艺运行中的四个关键工艺变量:鼓风机电流、SBR反应器液位、废水DO和鼓风机阀门开度。

在SBR过程控制系统中，数据以1分钟的采样周期进行记录。在建立故障诊断模型的过程中，将采集到的264个正常批分为211个正常批和53个正常批，分别作为训练集((211times;4times;360))和验证集((53times;4times;360))。作为测试集，使用一个异常批((1times;4times;360))进行故障诊断。正常批次和异常批次的四个变量绘制在图2中。

根据造纸厂的运行记录，识别出两个故障，在图2的异常批次曲线中清楚地显示出来。在故障I中，曝气期间第186分钟，鼓风机电流突然下降，如图2a所示，氧传递过程被迫停止，导致DO相应下降(图2c)。与此同时，为了弥补氧气供应不足，鼓风机阀门被自动控制到如图2d所示的更高的开度位置。直到第199分钟，DO浓度在图2c中大约下降到零，手动关闭鼓风机和阀门，需要21分钟才能恢复到正常状态。如图2所示，从第186分钟到220分钟，运行状态异常。这是作为故障Ⅰ归因于失败的鼓风机电流。

对于故障Ⅱ，值得注意的是，在设置阶段的252 - 275分钟之间，DO浓度波动较大(图2c)。但根据SBR技术，风机和阀门应在设定阶段关闭，DO应处于较低水平。此异常时段称为DO传感器故障导致的故障Ⅱ。

  1. 研究方法

3.1.分周期多路主成分分析模型

采用子周期多路主成分分析(子MPCA)方法建立SBR过程的故障诊断模型，必须利用历史数据进行建模。

原始数据为三维工艺数据(I，批次;J，变量;K，时间切片)，如图3所示。它们是从造纸厂收集的，并与批次(I)坐标一起初步展开为二维数据。将数据归一化后(均值和单位方差为零)，实现变量展开，得到重排数据。

在展开和重排之后，每次块矩阵都用主成分分析的方法进行处理(Park and Konishi, 2017)。然后将监控空间划分为主成分空间(PCS)和残差空间(RS)两个子空间。得到了每个时间块的加载矩阵和对角特征值矩阵。随后，根据公认的累积百分比方差(CPV)ge;85%的原则，确定每个时间块的主成分(PCs) (Tang et al.，2014)。完成上述步骤后，得到本研究中称为情景0的基本解。

基于MPCA的情景0，考虑了不同的子周期划分策略，分别为情景1和情景2，将整个SBR处理过程通过不同的策略划分为几个子周期。对于子周期，该子周期的加载矩阵定义为

（1）

其中，为时刻的加载矩阵，为时间间隔的长度，为子周期的指标，= 1,2hellip;，为子周期的个数，为子周期的开始。=diag(，hellip;)是得到的对角特征值矩阵

（2）

最后，根据CPV原理确定第子周期的PCs，得到各子周期的和。

图2

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[257919]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章