融合多步预测的城市污水处理过程污泥膨胀异常检测方法

1.本发明属于污水处理技术领域，具体涉及一种融合多步预测的城市污水处理过程污泥膨胀异常检测方法。


背景技术：

2.城市污水处理过程主要利用活性污泥法促进微生物吸附、分解和氧化有机污染物，实现污水净化。对于活性污泥法城市污水处理过程而言，正常的泥水分离是保证其安全稳定运行的关键。然而，污泥膨胀是城市污水处理过程中频发的一种异常现象，污泥膨胀问题即结构松散、难以沉降分离的现象持续存在，不仅会导致污泥沉降性能下降，出现出水水质恶化，严重时甚至会导致城市污水处理工艺的失败。此外，污泥膨胀具有发生率高、发生范围广、恢复时间长等特点。实施有效的污泥膨胀异常检测方法是改善污水处理效果，保证城市污水处理厂有效运行的关键，具有良好的环境和社会效益。因此，本发明的研究成果具有广阔的应用前景。
3.污泥膨胀是活性污泥法不可避免且比较棘手的问题之一，其诱发因素众多，包括水质条件、环境因素、运行条件等；污泥膨胀运行机理复杂，受到微生物浓度、底物浓度以及微生物浓度等影响，难以建立准确的机理模型。同时，污泥膨胀主要通过污泥容积指数来评价其严重程度，而标准的污泥容积指数检测采用的是实验室化验的方法，该方法测量周期长，其测量频率远远低于相关过程变量。因此，如何根据采样频率高的过程变量样本建立污泥膨胀多步预测模型，实现污泥膨胀的多步预测对于污泥膨胀异常实时检测具有重要的意义。此外，城市污水处理是一个典型的非平稳过程，污泥膨胀的特征会随着运行条件、异常等的发生变化，如何准确获取污泥膨胀趋势特征，实时判断异常的发生对于保证污水处理性能是一件亟待解决的难题。因此，需建立一种有效的污泥膨胀多步预测方法，增加污泥膨胀评价指标样本数量，便于异常的实时检测；设计一种基于趋势分析的污泥膨胀异常检测策略，获取污泥膨胀的趋势特征，实现污泥膨胀的准确检测，保证城市污水处理厂的有效运行。


技术实现要素：

4.为了解决上述问题，本发明提出了一种融合多步预测的城市污水处理过程污泥膨胀异常检测方法，基于自适应模糊神经网络构建了融合多步直接预测和多步递归预测的污泥膨胀模型，实现污泥膨胀的多步预测，便于获得采样间隔更短的污泥膨胀样本；设计了基于趋势特征的异常检测方法，实现污泥膨胀异常的实时准确判断，解决了间歇测量下城市污水处理过程异常检测的问题，提高污水处理效率，保证城市污水处理厂的安全稳定运。
5.本发明的技术方案如下：
6.一种融合多步预测的城市污水处理过程污泥膨胀异常检测方法，通过构建污泥膨胀多步预测模型对污泥膨胀进行实时异常检测，具体包括如下步骤：
7.步骤1、构建污泥膨胀多步预测模型；
8.步骤2、设计基于趋势特征的svi异常检测策略；
9.步骤3、实时采集城市污水处理过程中产生的过程变量数据和污泥膨胀数据，基于构建的污泥膨胀多步预测模型设计污泥膨胀评价指标，进而判断当前时刻是否发生污泥膨胀现象。
10.进一步地，步骤1的具体过程如下：
11.步骤1.1、分析城市污水处理过程运行特点，获取可评价污泥膨胀严重程度的指标污泥容积指数svi，以及相关过程变量；相关过程变量包括进水流量q
in
、溶解氧浓度so、水力停留时间srt、污泥回流比srr、污泥负荷率f/m、温度t；
12.其中，svi值通过实验室化验获得，其测量周期为2小时；q
in
值通过进水流量计测量；so浓度值通过溶解氧在线分析仪获得；srt值通过生化反应池容积与q
in
之比获得；srr值通过混合液污泥浓度与回流污泥浓度与混合液污泥浓度之差的比获得，污泥浓度通过污泥浓度检测仪获得；f/m值通过q
in
与化学需氧量cod的乘积与曝气池容积和污泥浓度乘积之比获得，cod值通过化学需氧量检测仪获得；t值通过温度传感器获得，所有过程变量采样周期均为40分钟；
13.步骤1.2、建立基于模糊神经网络的污泥膨胀一步递归预测模型，模型输入为q
in
、so、srt、srr、f/m和t，模型输出为svi，具体表示为：
[0014][0015]
其中，表示k时刻的svi一步递归预测值，fr(
·
)表示递归预测过程中svi与输入之间的非线性关系，表示(k-1)时刻的svi一步递归预测值，将其作为k时刻递归预测模型的输入，xk表示相关过程变量，xk＝[q
in
,so,srt,srr,f/m,t]，ω
d,j,k
表示k时刻递归预测模型第j个隐含层的输出权重，j表示隐含层的个数，υ
j,k
表示递归预测模型k时刻第j个隐含层的输出，υ
j,k
具体表示为：
[0016][0017]
其中，l表示第l个相关过程变量，l＝1,
…
,6；x
l,k
表示k时刻第l个相关过程变量；c
l,j,k
表示k时刻第l个相关过程变量所对应的第j个隐含层的中心；ω
r,j,k
表示k时刻第j个隐含层的递归权重；σ
l,j,k
表示k时刻第l个相关过程变量所对应的第j个隐含层的宽度；
[0018]
步骤1.3、建立基于模糊神经网络的污泥膨胀一步直接预测模型，具体表示为：
[0019][0020]
其中，表示k时刻svi一步直接预测值；fd(
·
)表示一步直接预测过程中svi值与输入之间的非线性关系；w
j,k
表示直接预测模型k时刻第j个隐含层的输出权重；v
j,k
表示直接预测模型k时刻第j个隐含层的输出，v
j,k
具体表示为：
[0021]
[0022]
其中，表示直接预测模型k时刻第l个相关过程变量所对应的第j个隐含层的中心；表示直接预测模型k时刻第l个相关过程变量所对应的第j个隐含层的宽度；
[0023]
步骤1.4、在一步递归预测模型的基础上设计多步递归预测策略，具体表示为：
[0024][0025]
其中，表示(k+i)时刻的svi递归预测值，i表示预测步长，i＝2,
…
,h,h表示预测步长最大值；表示(k+i-1)时刻的svi递归预测值；yk表示k时刻的svi实际值；x
k+i
表示(k+i)时刻的相关过程变量；θ
k+i
表示多步递归预测策略(k+i)时刻待优化的参数，θ
k+i
＝[ω
d,k+i
,ω
r,k+i
,c
k+i
,σ
k+i
]，ω
d,k+i
表示(k+i)时刻递归预测模型的输出权重向量，ω
d,k+i
＝[ω
d,1,k+i
,
…
,ω
d,j,k+i
]，ω
r,k+i
表示(k+i)时刻隐含层的递归权重向量，ω
r,k+i
＝[ω
r,1,k+i
,
…
,ω
r,j,k+i
]，c
k+i
表示(k+i)时刻递归预测模型中隐含层的中心向量，c
k+i
＝[c
1,k+i
,
…
,c
j,k+i
]，c
j,k+i
表示第j个隐含层的中心向量，c
j,k+i
＝[c
1,j,k+i
,
…
,c
6,j,k+i
]，σ
k+i
表示(k+i)时刻递归预测模型中隐含层的宽度向量，σ
k+i
＝[σ
1,k+i
,
…
,σ
j,k+i
]，σ
j,k+i
表示(k+i)时刻第j个隐含层的宽度向量，σ
j,k+i
＝[σ
1,j,k+i
,
…
,σ
6,j,k+i
]；考虑到实际svi样本的采样周期高于相关过程变量的采样周期，只有达到svi样本的采样周期时，才对θ
k+h
进行优化调整，具体表示为：
[0026]
θ
k+h
＝θk+(ψk+λki)-1
×
ωkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0027]
其中，θ
k+h
表示多步递归预测策略(k+h)时刻待优化的参数，θk表示多步递归预测策略k时刻优化的参数，ψk表示多步递归预测策略k时刻的拟海森矩阵，λk表示k时刻的学习率，i表示单位矩阵，ωk表示多步递归预测策略k时刻的梯度向量；
[0028]
步骤1.5、在一步直接预测模型的基础上设计多步直接预测策略，具体表示为：
[0029][0030]
其中，表示(k+i)时刻的svi直接预测值；υ
k+i
表示多步直接预测策略(k+i)时刻待优化的参数，w
k+i
表示(k+i)时刻直接预测模型的输出权重向量，w
k+i
＝[w
1,k+i
,
…
,w
j,k+i
]，表示(k+i)时刻直接预测模型中隐含层的中心向量，表示(k+i)时刻直接预测模型中隐含层的中心向量，表示第j个隐含层的中心向量，表示第j个隐含层的中心向量，表示(k+i)时刻直接预测模型中隐含层的宽度向量，i)时刻直接预测模型中隐含层的宽度向量，表示(k+i)时刻第j个隐含层的宽度向量，考虑到实际svi样本采样周期高于相关过程变量，只有达到svi样本采样周期时，才对υ
k+h
进行优化调整，具体表示为：
[0031]
υ
k+h
＝υk+(γk+λki)-1
×
ξkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0032]
其中，υ
k+h
表示多步直接预测策略(k+h)时刻待优化的参数，υk表示多步直接预测策略k时刻优化的参数，γk表示k时刻多步直接预测策略的拟海森矩阵，ξk表示k时刻多步直接预测策略的梯度向量；
[0033]
步骤1.6、设计多步递归预测和多步直接预测的融合策略，具体表示为：
[0034][0035]
其中，表示(k+h)时刻的svi预测值，θ
k+h
表示权重参数，表示(k+h)时刻多步递归预测的svi预测值，表示(k+h)时刻多步直接预测的svi预测值；θ
k+h
的取值定义
为：
[0036][0037]
其中，e
r,k+h
表示多步递归预测误差，y
k+h
表示(k+h)时刻的svi实际值；e
d,k+h
表示多步直接预测误差，
[0038]
步骤1.7、根据svi预测结果，svi样本重构为：
[0039][0040]
其中，表示重构后的svi样本，m表示实际获取的svi样本个数，n表示重构后的svi样本个数，表示(k+h-1)时刻的svi预测值，y
k+h
表示(k+h)时刻的svi真实值，表示重构后(k+1)时刻的svi样本。
[0041]
进一步地，步骤2的具体过程如下：
[0042]
步骤2.1、获取重构svi的趋势特征；
[0043]
步骤2.1.1、将重构后的svi样本改写成滑窗的形式，具体表示为：
[0044][0045]
其中，ζ表示滑窗样本的长度；对于第k个滑窗样本将其表示为：
[0046][0047]
其中，ps表示第s个滑窗样本与第(s+1)个滑窗样本之间的变化趋势，εk表示k时刻残差；
[0048]
步骤2.1.2、设计基于自适应交替方向乘子法的优化算法获取svi的趋势特征，优化目标描述为：
[0049][0050]
其中，p＝[p1,p2,
…
,p
ζ-1
]，p表示趋势特征，1表示全1向量，η表示规则化参数，
[0051][0052]
根据自适应交替方向乘子法得：
[0053]
[0054]
其中，p
k+1
表示(k+1)时刻的趋势特征，ρ表示惩罚参数，qk表示k时刻的趋势特征变化量，rk表示k时刻的残差向量，s＝(2uu
t
+ρvv
t
)-1
；q
k+1
表示(k+1)时刻的趋势特征变化量，表示(k+1)时刻的趋势特征变化量，表示软测量操作算子，和分别为(k+1)时刻自定义的两个趋势特征向量，r
k+1
表示(k+1)时刻的残差向量；
[0055]
步骤2.2、设计基于趋势特征l2范数的污泥膨胀异常检测策略，具体表示为：
[0056][0057]
其中，表示污泥膨胀评价指标，ea表示第a个趋势特征的单位向量，评价指标的阈值设计为：
[0058][0059]
其中，表示阈值，表示n-ζ+1时刻的污泥膨胀评价指标；异常评价逻辑为：
[0060][0061]
当评价指标大于阈值时，则出现了污泥膨胀，否则，无污泥膨胀现象发生。
[0062]
本发明所带来的有益技术效果：
[0063]
1、本发明根据采样频率高的过程变量样本和采样频率低的污泥膨胀样本，建立了融合多步直接预测和多步递归预测的多步预测模型，实现污泥膨胀的多步预测，进而获得采样间隔更短的污泥膨胀样本；利用基于交替方向乘子法的趋势特征提取方法获取污泥膨胀的趋势变化，设计基于趋势特征的异常评价指标，实现污泥膨胀的实时准确检测；
[0064]
2、本发明采用融合多步预测的城市污水处理过程异常检测方法来实现污泥膨胀的实时准确判断，该异常检测方法通过多步预测方法重构间歇测量下的污泥膨胀样本，便于实时检测污泥膨胀异常的发生；同时，设计了基于趋势特征的异常检测方法，建立基于趋势特征的评价指标，减少非平稳特征等导致的污泥膨胀异常误报率高的问题，实现污泥膨胀的有效检测，保证城市污水处理过程的平稳运行。
附图说明
[0065]
图1是本发明融合多步预测的城市污水处理过程污泥膨胀异常检测方法的流程图；
[0066]
图2是本发明实验中正常样本下污泥膨胀多步预测测试效果图；
[0067]
图3是本发明实验中正常样本下污泥膨胀多步预测测试误差图；
[0068]
图4是本发明实验中异常样本下污泥膨胀多步预测测试效果图；
[0069]
图5是本发明实验中异常样本下污泥膨胀多步预测测试误差图；
[0070]
图6是本发明实验中污泥膨胀异常检测效果图。
具体实施方式
[0071]
下面结合附图以及具体实施方式对本发明作进一步详细说明：
[0072]
本发明提出了一种融合多步预测的城市污水处理过程污泥膨胀异常检测方法，该
方法构建了融合多步直接预测和多步递归预测的污泥膨胀模型，实现污泥膨胀的多步预测，便于获得采样间隔更短的污泥膨胀样本；设计了基于趋势特征的异常检测方法，实现污泥膨胀异常的实时准确判断；解决了间歇测量下城市污水处理过程异常检测的问题，提高污水处理效率，保证城市污水处理厂的安全稳定运行。
[0073]
如图1所示，一种融合多步预测的城市污水处理过程污泥膨胀异常检测方法，通过构建污泥膨胀多步预测模型对污泥膨胀进行实时异常检测，具体包括如下步骤：
[0074]
步骤1、构建污泥膨胀多步预测模型；具体过程如下：
[0075]
步骤1.1、分析城市污水处理过程运行特点，获取可评价污泥膨胀严重程度的指标污泥容积指数svi，以及相关过程变量；相关过程变量包括进水流量q
in
、溶解氧浓度so、水力停留时间srt、污泥回流比srr、污泥负荷率f/m、温度t；
[0076]
其中，svi值主要通过实验室化验获得，其测量周期为2小时；q
in
值主要通过进水流量计测量；so浓度值主要通过溶解氧在线分析仪获得；srt值主要通过生化反应池容积与q
in
之比获得；srr值通过混合液污泥浓度与回流污泥浓度与混合液污泥浓度之差的比获得，污泥浓度可通过污泥浓度检测仪获得；f/m值主要通过q
in
与化学需氧量cod的乘积与曝气池容积和污泥浓度乘积之比获得，cod值可通过化学需氧量检测仪获得；t值主要通过温度传感器获得，所有过程变量采样周期均为40分钟；
[0077]
步骤1.2、建立基于模糊神经网络的污泥膨胀一步递归预测模型，模型输入为q
in
、so、srt、srr、f/m和t，模型输出为svi，具体可表示为：
[0078][0079]
其中，表示k时刻的svi一步递归预测值，fr(
·
)表示递归预测过程中svi与输入之间的非线性关系，表示(k-1)时刻的svi一步递归预测值，将其作为k时刻递归预测模型的输入，xk表示相关过程变量，xk＝[q
in
,so,srt,srr,f/m,t]，ω
d,j,k
表示k时刻递归预测模型第j个隐含层的输出权重，j表示隐含层的个数，υ
j,k
表示递归预测模型k时刻第j个隐含层的输出，υ
j,k
具体可表示为：
[0080][0081]
其中，l表示第l个相关过程变量，l＝1,
…
,6；x
l,k
表示k时刻第l个相关过程变量；c
l,j,k
表示k时刻第l个相关过程变量所对应的第j个隐含层的中心，c
l,j,k
的取值区间为[-1,1]；ω
r,j,k
表示k时刻第j个隐含层的递归权重，ω
r,j,k
的取值范围为(-1,1)；σ
l,j,k
表示k时刻第l个相关过程变量所对应的第j个隐含层的宽度，σ
l,j,k
的取值区间为(0,2)；
[0082]
步骤1.3、建立基于模糊神经网络的污泥膨胀一步直接预测模型，具体可表示为：
[0083][0084]
其中，表示k时刻svi一步直接预测值；fd(
·
)表示一步直接预测过程中svi值与输入之间的非线性关系；w
j,k
表示直接预测模型k时刻第j个隐含层的输出权重，w
j,k
的取值范围为(-3,3)；v
j,k
表示直接预测模型k时刻第j个隐含层的输出，v
j,k
具体可表示为：
[0085][0086]
其中，表示直接预测模型k时刻第l个相关过程变量所对应的第j个隐含层的中心，中每个元素的取值区间为[-1,1]；表示直接预测模型k时刻第l个相关过程变量所对应的第j个隐含层的宽度，中每个元素的取值区间为(0,2)；
[0087]
步骤1.4、在一步递归预测模型的基础上设计多步递归预测策略，具体可表示为：
[0088][0089]
其中，表示(k+i)时刻的svi递归预测值，i表示预测步长，i＝2,
…
,h,h表示预测步长最大值，h＝3；表示(k+i-1)时刻的svi递归预测值；yk表示k时刻的svi实际值；x
k+i
表示(k+i)时刻的相关过程变量；θ
k+i
表示多步递归预测策略(k+i)时刻待优化的参数，θ
k+i
＝[ω
d,k+i
,ω
r,k+i
,c
k+i
,σ
k+i
]，ω
d,k+i
表示(k+i)时刻递归预测模型的输出权重向量，ω
d,k+i
＝[ω
d,1,k+i
,
…
,ω
d,j,k+i
]，ω
r,k+i
表示(k+i)时刻隐含层的递归权重向量，ω
r,k+i
＝[ω
r,1,k+i
,
…
,ω
r,j,k+i
]，c
k+i
表示(k+i)时刻递归预测模型中隐含层的中心向量，c
k+i
＝[c
1,k+i
,
…
,c
j,k+i
]，c
j,k+i
表示第j个隐含层的中心向量，c
j,k+i
＝[c
1,j,k+i
,
…
,c
6,j,k+i
]，σ
k+i
表示(k+i)时刻递归预测模型中隐含层的宽度向量，σ
k+i
＝[σ
1,k+i
,
…
,σ
j,k+i
]，σ
j,k+i
表示(k+i)时刻第j个隐含层的宽度向量，σ
j,k+i
＝[σ
1,j,k+i
,
…
,σ
6,j,k+i
]；考虑到实际svi样本的采样周期高于相关过程变量的采样周期，只有达到svi样本的采样周期时，才对θ
k+h
进行优化调整，具体可表示为：
[0090]
θ
k+h
＝θk+(ψk+λki)-1
×
ωkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0091]
其中，θ
k+h
表示多步递归预测策略(k+h)时刻待优化的参数，θk表示多步递归预测策略k时刻优化的参数，ψk表示多步递归预测策略k时刻的拟海森矩阵，λk表示k时刻的学习率，i表示单位矩阵，ωk表示多步递归预测策略k时刻的梯度向量；
[0092]
步骤1.5、在一步直接预测模型的基础上设计多步直接预测策略，具体可表示为：
[0093][0094]
其中，表示(k+i)时刻的svi直接预测值；υ
k+i
表示多步直接预测策略(k+i)时刻待优化的参数，w
k+i
表示(k+i)时刻直接预测模型的输出权重向量，w
k+i
＝[w
1,k+i
,
…
,w
j,k+i
]，表示(k+i)时刻直接预测模型中隐含层的中心向量，表示(k+i)时刻直接预测模型中隐含层的中心向量，表示第j个隐含层的中心向量，表示第j个隐含层的中心向量，表示(k+i)时刻直接预测模型中隐含层的宽度向量，i)时刻直接预测模型中隐含层的宽度向量，表示(k+i)时刻第j个隐含层的宽度向量，考虑到实际svi样本采样周期高于相关过程变量，只有达到svi样本采样周期时，才对υ
k+h
进行优化调整，具体可表示为：
[0095]
υ
k+h
＝υk+(γk+λki)-1
×
ξkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0096]
其中，γk表示k时刻多步直接预测策略的拟海森矩阵，ξk表示k时刻多步直接预测策略的梯度向量；
[0097]
步骤1.6、设计多步递归预测和多步直接预测的融合策略，具体可表示为：
[0098]
[0099]
其中，表示(k+h)时刻的svi预测值，θ
k+h
表示权重参数，表示(k+h)时刻多步递归预测的svi预测值，表示(k+h)时刻多步直接预测的svi预测值；θ
k+h
的取值定义为：
[0100][0101]
其中，e
r,k+h
表示多步递归预测误差，y
k+h
表示(k+h)时刻的svi实际值；e
d,k+h
表示多步直接预测误差，
[0102]
步骤1.7、根据svi预测结果，svi样本可重构为：
[0103][0104]
其中，表示重构后的svi样本，m表示实际获取的svi样本个数，n表示重构后的svi样本个数，表示(k+h-1)时刻的svi预测值，y
k+h
表示(k+h)时刻的svi真实值，表示重构后的svi样本中的第k+1个样本；
[0105]
步骤2、设计基于趋势特征的svi异常检测策略。
[0106]
步骤2.1、获取重构svi的趋势特征；
[0107]
步骤2.1.1、将重构后的svi样本改写成滑窗的形式，具体可表示为：
[0108][0109]
其中，ζ表示滑窗样本的长度，ζ＝5；对于第k个滑窗样本可将其表示为：
[0110][0111]
其中，ps表示第s个滑窗样本与第(s+1)个滑窗样本之间的变化趋势，εk表示k时刻残差；
[0112]
步骤2.1.2、设计基于自适应交替方向乘子法的优化算法获取svi的趋势特征，优化目标可描述为：
[0113][0114]
其中，p＝[p1,p2,
…
,p
ζ-1
]，p表示趋势特征，1表示全1向量，η表示规则化参数，η＝0.005，
[0115][0116]
根据自适应交替方向乘子法可得：
[0117][0118]
其中，p
k+1
表示(k+1)时刻的趋势特征，ρ表示惩罚参数，qk表示k时刻的趋势特征变化量，rk表示k时刻的残差向量，s＝(2uu
t
+ρvv
t
)-1
；q
k+1
表示(k+1)时刻的趋势特征变化量，表示(k+1)时刻的趋势特征变化量，表示软测量操作算子，和分别为(k+1)时刻自定义的两个趋势特征向量，r
k+1
表示(k+1)时刻的残差向量；
[0119]
步骤2.2、设计基于趋势特征l2范数的污泥膨胀异常检测策略，具体可表示为：
[0120][0121]
其中，表示污泥膨胀评价指标，ea表示第a个趋势特征的单位向量，评价指标的阈值设计为：
[0122][0123]
其中，表示阈值，表示n-ζ+1时刻的污泥膨胀评价指标；异常评价逻辑为：
[0124][0125]
当评价指标大于阈值时，则出现了污泥膨胀，否则，无污泥膨胀现象发生。
[0126]
步骤3、实时采集城市污水处理过程中产生的过程变量数据和污泥膨胀数据，基于构建的污泥膨胀多步预测模型得到污泥膨胀评价指标，进而判断当前时刻是否发生污泥膨胀现象。
[0127]
为了证明本发明的可行性与优越性，采集了实际城市污水处理厂的400组正常的过程变量样本、133组正常的svi样本以及475组异常的过程变量样本和158组异常的svi样本，在多步预测过程中，275组正常的过程变量样本用于训练，125组正常的过程变量样本进行测试，330组异常样本用于训练，145组异常样本用于测试，污泥膨胀异常检测效果如图2-图6所示。
[0128]
图2展示了正常样本下污泥膨胀的三步预测效果，x轴：样本数，单位是个，y轴：污泥容积指数值，单位是毫升/克，实线为重构后的污泥容积指数值，虚线是三步预测后的污泥容积指数值。图3展示了正常样本下污泥容积指数三步预测误差效果图，x轴：样本数，单位是个，y轴：污泥容积指数预测误差，单位是毫升/克。从图2和图3可以看出，所提出的多步融合预测方法能够实现正常样本下污泥容积指数的准确预测，预测误差可以保持在(-3,2)之间。
[0129]
图4展示了异常样本下污泥膨胀的三步预测效果，x轴：样本数，单位是个，y轴：污泥容积指数值，单位是毫升/克，实线为重构后的污泥容积指数值，虚线是三步预测后的污泥容积指数值；图5展示了异常样本下污泥容积指数三步预测误差效果图，x轴：样本数，单位是个，y轴：污泥容积指数预测误差，单位是毫升/克。从图4和图5可以看出，所提出的多步融合预测方法能够实现异常样本下污泥容积指数的准确预测。
[0130]
图6展示了污泥容积指数异常检测效果图，x轴：样本数，单位是个，y轴：异常检测评价指标值，单位是毫升/克，实线为污泥容积指数异常检测评价值，虚线为污泥容积指数评价控制限。从图6可以看出，所提出的基于趋势特征的异常检测方法能够实现污泥膨胀的有效检测。
[0131]
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。