基于语言加权平均法的深度学习池化用于污水处理厂故障诊断
系统与控制
2025-06-11 v1 系统与控制
摘要
目前，水资源复用面临严峻挑战，需解决水资源短缺问题。污水处理厂（WWTP）在此过程中发挥关键作用，其正常运行至关重要。因此，针对这些设施的故障诊断成为关键任务。由于其高度复杂性和大规模特性，亟需智能方法进行故障诊断和安全运维。所有大规模、复杂的工业过程都受到监控，可收集关于工厂运行的数据，因此可以应用数据驱动方法进行故障诊断。深度学习方法是一种流行的故障诊断手段。本文提出一种基于新的语言加权平均（OWA）池化技术的深度卷积神经网络（DCNN）方法，用于WWTP的故障诊断，结合滑动和重叠时间窗口。该窗口根据监测采样时间滑动处理输入数据，然后通过基于语言OWA池化的DCNN进行诊断。这种语言池化方法采用众所周知的语言OWA量词，允许使用如“Most（大多数）”、“AtLeast（至少）”等术语，为池化任务提供新的直观选项。该滑动时间窗口和基于OWA池化的网络能够在仅使用少量监测样本和更少的学习迭代的情况下，实现更及时的故障诊断。已对多种语言OWA算子进行基准测试。采用5种故障类型，涉及140个变量，采样间隔为15分钟。结果显示，准确率、召回率和F1分数均超过91%，优于其他竞争方法。此外，与标准的“Max”和“Average”池化选项相比，这些语言OWA算子在DCNN池化中表现更佳。
引用
@article{arxiv.2506.08676,
title = {Linguistic Ordered Weighted Averaging based deep learning pooling for fault diagnosis in a wastewater treatment plant},
author = {Alicia Beneyto-Rodriguez and Gregorio I. Sainz-Palmero and Marta Galende-Hernández and María J. Fuente},
journal= {arXiv preprint arXiv:2506.08676},
year = {2025}
}