基于语言有序加权平均池化深度卷积神经网络的污水处理厂故障诊断

《IEEE Access》：Fault diagnosis in a wastewater treatment plant based on Linguistic Ordered Weighted Averaging and deep learning pooling

　　水回用是解决水资源短缺的重要策略。污水处理厂在此过程中发挥着关键作用，其正常运行至关重要。因此，故障诊断对这些工厂来说是一项关键活动。由于非线性、环境条件引起的物理特性变化以及进水流量和组成的巨大波动，污水处理厂的动态行为通常复杂且不确定；这些因素增加了监测的难度。因此，需要智能方法来实现可靠的故障诊断和安全运行。在这项工作中，我们提出了一种针对整个污水处理厂的故障诊断方法，该方法使用一种新颖的语言有序加权平均（OWA）池化深度卷积神经网络（DCNN）结合滑动重叠时间窗口。这种替代语言池化采用OWA量词，允许使用"大多数"和"至少"等术语，为池化提供直观的聚合选项。所提出的方法能够在每个采样时刻实现更早且更准确的故障诊断，仅使用少量监测样本和比标准池化DCNN更少的训练迭代次数。我们使用污水处理厂基准评估了多种语言OWA算子。考虑了五种故障类型，包括传感器故障、执行器故障和不同工厂单元的故障，使用140个以15分钟间隔采样的变量。该方法在准确率、召回率、F1分数和G均值方面均超过91%，优于其他竞争性方法。此外，用于DCNN池化的语言OWA算子比标准最大池化和平均池化选项表现出更好的性能。