论文部分内容阅读
我国水资源污染状况触目惊心，这加剧淡水资源短缺的同时也影响到人类的健康。有效优化污水处理过程，降低能源消耗成为迫切的需求。目前，污水处理厂的污水处理过程主要依赖知识的故障监测专家系统，而建立知识系统的关键是知识库的建立，这主要依赖于专家丰富的经验，因此存在一定的局限性：当运行过程中出现异常状态时，只有少数经验丰富的操作者才能有效的维护。为此，有人提出基于数据挖掘技术进行污水处理过程的异常检测，这样将提高污水处理厂的运行效率和管理水平。本论文利用聚类分析技术为理论基础，提出具有更高聚类效率和效果的Twi-CLARANS聚类算法，并且结合遗传算法优化，将优化算法运用于寻找污水处理厂监测数据中的异常数据，最终得出故障生成规则，促使工厂能尽早地采取正确的措施恢复正常。本文研究内容和成果如下：1.通过聚类算法中各个算法特性、适应范围以及核心思想的分析，选择基于划分法的CLARANS算法作为原型，对污水处理厂的异常数据进行聚类。2.基于传统CLARANS算法和网格思想，提出一种改进后的聚类算法：基于网格的二次CLARANS算法。相比传统CLARANS聚类在所有数据中随机选择初始节点的思想，改进后的算法从密集网格中挑选初始节点进行聚类，可以提高算法的执行时间，更关键的是能避免陷入局部最优；另外，将第一次得到的最优解放在原始数据中作为第二次CLARANS聚类的初始节点进行测试，这能降低孤立点被忽略的可能性，保证数据样本的完整性。在对大量数据进行仿真测试后，实验证明它能够实现高度聚集，同时提高其聚类效率。3.改进后的聚类算法Twi-CLARANS在聚类效率和质量上都有所提高，但是基于划分原理的算法是一种局部搜索机制，这使得它在实际应用时受到很大限制，所以需要结合具有全局搜索能力的遗传算法。本文将Twi-CLARANS算法和遗传优化相结合，弥补Twi-CLARANS算法的局限性。研究表明，将基于遗传优化的Twi-CLARANS算法运用于污水处理厂的监控数据中，能从样本数据中找出异常对象，并根据异常对象的属性归纳成故障规则，让污水处理厂能及时有效的针对故障采取对应的措施，提高工厂运行效率。