论文部分内容阅读
随着目前经济的快速发展，污水的排放量与日俱增，污水的处理问题已经成为环境治理的重中之重。由于污水处理是一个包含许多复杂处理工艺的工业过程，一般情况下难以长时间稳定运行，而且多参数、多变量的生化反应过程与腐蚀性的工作环境会产生各种类型的故障。因此准确且高效的检测出污水处理过程中的故障，对于污水处理的生产监控与控制非常重要。 模糊聚类(FCM)作为一种软划分聚类算法，具有实现简单，能够准确描述现实聚类问题的特点，目前被广泛应用于各个领域，但仍存在某些不足。本文采用模糊聚类算法作为基本的故障检测算法，并采用智能优化算法对其进行优化，利用改进后的算法对UCI污水处理故障数据和BSM1仿真平台污水处理故障数据进行故障检测，主要研究内容如下: (1)首先介绍了BSM1仿真平台的布局及其仿真模型，并根据实际情况给出可能出现的故障与仿真方式，随后简略介绍了数据预处理的方法。 (2）针对模糊聚类算法对于噪声数据敏感和非线性数据聚类效果较差的问题，提出了改进可能性模糊聚类算法。采用点密度加权核理论进行改进，通过实验表明，点密度加权核可能性模糊聚类(WKPFCM)算法的聚类效果相比于原始模糊聚类算法有一定改善。 (3)针对鸡群(CSO)算法收敛速度慢，容易收敛于局部最优解，且在高维问题下寻优效果不佳的问题，采用柯西变异策略进行改进，通过测试函数在不同维度下测试分析，并与粒子群(PSO)算法及CSO进行比较，表明该改进算法(ICCSO)在高维情况下寻优精度与速度上优于对比算法。 (4)针对FCM算法对于随机选取的初始聚类中心较为敏感的问题，采用ICCSO算法对于初始聚类中心进行寻优，该算法融合了ICCSO算法的全局寻优能力和高维寻优能力的优点。最后通过UCI污水故障数据的测试，表明该算法有效的改善了模糊聚类算法对于随机选取的初始聚类中心较为敏感的问题。 (5)将WKPFCM算法和算法ICCSO算法相结合应用于污水处理过程的故障检测，通过在UCI数据集和BSM1数据集上的实验结果表明，该算法在检测效果上有着明显的改善效果。