废水处理厂中溶解氧气传感器的半监督异常检测

科学领域:

• 环境工程 环境工程
• 水资源管理 水资源管理
• 工业过程中的人工智能

背景情况:

• 废水处理过程 (WWTP) 对水资源的保护至关重要,需要持续的运营效率.
• 复杂和动态的WWTP系统需要先进的工具来早期检测微妙的偏差和设备故障,特别是有限的异常数据.
• 半监督学习 (SSL) 为在这样的环境中检测异常提供了一个有希望的方法.

研究的目的:

• 分析和比较五种半监督机器学习技术在WWTP中异常检测的有效性.
• 确定最适合的SSL算法,用于检测溶解氧 (DO) 传感器和通风中的完整,并发和复杂异常.
• 开发基于性能最佳的SSL技术的综合异常检测系统.

主要方法:

• 评估了五种半监督学习算法:隔离森林 (IF),局部异常因素 (LOF),一类支持向量机器 (OCSVM),多层感知子自编码器 (MLP-AE) 和卷积自编码器 (Conv-AE).
• 应用这些算法来检测WWTP溶化氧 (DO) 传感器和通风数据中的完整,并发和复杂异常.
• 开发一个使用最有效的SSL技术的异常检测系统,包括延迟时间检测和故障报警.

主要成果:

• 卷积式自动编码器 (Conv-AE) 展示了卓越的性能,实现了高准确率:98.36%的完整故障,97.81%的并发故障,98.64%的复杂故障.
• Conv-AE有效地检测到组合的初始和并发故障,这表明它在识别复杂的异常模式方面的稳定性.
• 开发的异常检测系统成功地提供了及时检测,并为分析的异常生成了特定的故障报警.

结论:

• 半监督异常检测,特别是使用Conv-AE,对于确保废水处理过程的可靠性和效率非常有效.
• 开发的系统为早期检测设备故障提供了实用解决方案,为可持续的水资源管理做出了贡献.
• 这种方法解决了有限的异常数据的挑战,利用强大的机器学习模型进行强大的故障识别.