机器学习方法用于废水处理厂的异常分类
Francesca Bellamoli1, Mattia Di Iorio2, Marco Vian3
1University of Trento, Department of Information Engineering and Computer Science, via Sommarive 9, Trento, 38123, Italy; ETC Sustainable Solutions Srl, via dei Palustei 16, Trento, 38121, Italy.
机器学习有效地检测和分类废水处理中的异常,改善过程控制. 梯度增强算法在实时通风系统中识别问题时显示出高精度.
科学领域:
- 环境工程环境工程
- 水处理技术水处理技术
- 环境监测中的人工智能
背景情况:
- 污水处理厂使用先进的控制系统,在线探测效率和合规性.
- 对间歇性通风控制器来说,对氨和氧的实时测量至关重要.
- 传感器数据为人工智能提供燃料,用于异常检测,帮助操作员和自动控制.
研究的目的:
- 评估用于检测和分类间歇性通风废水处理中的异常的机器学习方法.
- 为了应对诸如噪音数据,有限的标记数据集和复杂的生物过程等挑战.
- 提出一种新的评估协议,用于检测现实世界废水处理中的异常.
主要方法:
- 收集了来自意大利废水处理厂的氧气,氨和通风功率数据.
- 应用和比较机器学习分类器:支持矢量机,多层感知器,随机森林,LightGBM和XGBoost.
- 进行严格的验证,包括对独立数据集进行测试.
主要成果:
- 渐变增强组合算法 (LightGBM和XGBoost) 显示出卓越的性能.
- 达到高达96%的异常检测率.
- 在两个不同的数据集上实现了高达84%和62%的正确异常分类.
结论:
- 机器学习,特别是梯度增强,对于间歇性通风废水处理中的实时异常检测和分类非常有效.
- 拟议的评估协议为评估这些算法提供了一个强大的方法.
- 改进的异常检测提高了废水处理设施的运营效率和合规性.
更多相关视频
05:40Comparison of Scale in a Photosynthetic Reactor System for Algal Remediation of Wastewater
Published on: March 6, 2017
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
相关概念视频
Steps in Outbreak Investigation
Methods of Classification and Identification
Mechanistic Models: Compartment Models in Individual and Population Analysis
