关键词:
多层感知机神经网络(MLP)模型
机制模型
迁移学习
模型漂移
系统适应性
知识迁移
摘要:
数据是智能运维的核心基础,但当前污水厂数据普遍不足,且污水处理系统状态随内外部环境动态演化.污水厂的智能运维面临着建模难度大,及因系统演化而导致的模型漂移问题.针对该问题,选取水温、水质和微生物状态等都有显著差异的夏冬两季作为典型对比场景,将机制模型与神经网络结合,建立了基于跨时间尺度迁移学习的污水处理模型漂移校正方法 .首先,针对数据不足问题,建立并校准活性污泥模型(ASM),以夏季工况数据作为输入,模拟计算运行参数和出水数据,生成模拟运行数据集,实现数据增广和质量提升,用于训练多层感知机神经网络(MLP)模型.结果显示,MLP模型对夏季出水COD、氨氮和总磷等的平均模拟准确率在95%以上;然后,针对模型在冬季工况中出现模拟准确率大幅下降等模型漂移问题,将冬季实测数据作为目标域数据集,以MLP模型作为预训练模型进行迁移学习.结果表明,迁移学习后模型性能显著提升,出水COD、氨氮、总氮和总磷的平均模拟准确率分别提高了21.49%、60.79%、58.14%和46.74%.研究提出的跨时间尺度迁移学习方法,能有效解决模型漂移问题,实现模型对污水处理系统动态演化的跟随响应.