通过积极学习策略进行领域适应,用于废水处理厂的异常分类

科学领域:

• 环境工程 环境工程
• 废水处理技术 废水处理技术
• 机器学习应用 机器学习应用

背景情况:

• 废水处理厂 (WWTP) 的间歇通风控制器使用传感器数据来降低成本,但在异常检测方面遇到了困难.
• 在WWTP中用于异常检测的机器学习是数据密集型的,对新工厂的实施构成挑战.
• 传感器和过程异常可能导致WWTP的运营效率低下和成本增加.

研究的目的:

• 开发一种可适应的机器学习算法,用于识别间歇性通风WWTP中的异常.
• 为了使新的WWTP能够有效地适应新的WWTP,而可用的数据有限.
• 为优化WWTP管理和标签工作提供决策支持系统.

主要方法:

• 开发一种机器学习算法,利用主动学习来代地选择样本进行模型微调.
• 基于17个现有水电站数据的梯度增强模型的初始训练.
• 评估三个采样策略 (低概率,高) 以实现高效的模型适应.

主要成果:

• 积极学习显著提高了异常检测模型适应新WWTP的适应性,使用最小的数据.
• 低概率和高取样策略在早期模型适应方面被证明是有效的.
• 实现了接近最佳的F2得分,样本要求大大减少.

结论:

• 提出的积极学习方法为在新的WWTP中部署异常检测模型提供了一个有效的策略.
• 这种方法优化了标签工作,并通过有效的决策支持系统支持WWTP管理.
• 该算法有助于降低成本,提高废水处理过程的运行稳定性.