面向污水處理的數據驅動故障診斷及預測方法綜述*

黃道平邱禹?劉乙奇李艷

(華南理工大學 自動化科學與工程學院， 廣東 廣州 510640)

摘要：在污水處理過程中，存在著強非線性、多變量耦合、參數時變、大滯后、內外干擾頻繁等問題，因此如何及時發(fā)現系統的異常從而保證過程設備的可靠性和穩(wěn)定性顯得尤為重要.文中根據污水生化處理的特點，綜述了基于數據驅動的故障診斷方法在污水處理領域的研究現狀、存在的問題以及解決方案，探討了故障預測在污水處理中的研究前景，指出了基于數據驅動的故障診斷方法研究在污水處理中存在的問題和未來的發(fā)展方向.

關鍵詞：污水處理；故障診斷；故障預測；數據驅動方法

中圖分類號：TP277

doi：10.3969/j.issn.1000-565X.2015.03.017

文章編號：1000-565X(2015)03-0130-07

收稿日期：2014-09-23

基金項目：* 國家水體污染控制與治理科技重大專項(2014ZX07406002)

作者簡介：張彥灼(1987-)，男，博士生，主要從事污水處理理論與技術研究. E-mail: 83995983@qq.com

文章編號：1000-565X(2015)03-0121-09

收稿日期：2014-05-06

基金項目：* 現代農業(yè)產業(yè)技術體系建設專項(nycytx-49-13)；清華大學水沙科學與水利水電工程國家重點實驗室開放研究基金資助項目(sklhse-2013-B-02)；國家自然科學基金資助項目(50979118)；華南理工大學中央高?；究蒲袠I(yè)務費專項資金資助項目(2013ZZ0027)

作者簡介：程香菊(1974-)，女，博士，教授，主要從事湖泊、水庫、河流、河口、水產養(yǎng)殖池塘等的水力與水環(huán)境相關研究. E-mail: chengxiangju@scut.edu.cn

污水處理過程是一個外界干擾強烈、時變性強、耦合性強、非線性的復雜動態(tài)生物化學過程，因此控制系統的可靠性和穩(wěn)定性顯得尤其重要.為確保過程運行狀況滿足規(guī)定的運行指標，設計合理的過程控制器(如比例-積分-微分(PID)控制器等)來補償過程中產生的干擾或變化的影響成為了一種常用的手段，但對于過程中出現的很多異常變化(故障)，控制器往往無能為力.Isermann等[1]根據IFACSAFEPROCESS技術委員會的討論將故障定義為至少一個系統特征或者變量出現了不被允許的偏差.關于故障的類型，一直都有不同的分法，Frank[2]從故障診斷的角度將故障分為3類：執(zhí)行器故障、元件故障和傳感器故障.而Kesavan等[3]將基于模型的多變量控制系統產生的故障分為：過程參數的變化、干擾參數的變化、執(zhí)行機構和傳感器的問題以及執(zhí)行器的飽和.無論哪種分法，都是基于故障產生的機理原因所作出的結論.由于污水處理系統的工作連續(xù)性和不可替代性，一旦發(fā)生故障，就會造成嚴重影響.如福建紫金礦業(yè)所屬的紫金山銅礦濕法廠污水池于2010年7月因防滲膜墊層被撕裂發(fā)生酸性含銅污水滲漏事故，造成大量污水外滲引發(fā)汀江流域污染，直接賠償金額高達2270萬元，間接經濟損失近4億元；2013年1月大連市污水處理廠水下處污設備運行時出現故障，造成大連市30萬人的生活污水無法得到及時處理，損失和影響甚大.因此，確保污水處理過程中所產生的故障能夠得到及時地發(fā)現與處理，最大程度地減少故障帶來的消極影響，故障診斷是必不可少的一環(huán).

污水處理的最終目的是使凈化后的出水水質滿足規(guī)定指標，為此，需要在污水處理的過程中測量一大類參數，以用于水質的監(jiān)控，與此同時，產生并存儲著大量的過程數據，這些數據隱含著工藝變動和設備運行等信息，如何有效利用這些離線和在線數據來提高系統可靠性成為了亟待解決的問題，也正因此，基于數據驅動的故障診斷方法體現了其獨特的優(yōu)越性.

文中首先簡單總結了故障診斷的方法與分類，然后綜述了基于數據驅動的故障診斷方法在污水生化處理過程的研究現狀，以及存在的問題和相應的解決方案；最后，文中還簡述和探討了故障診斷的擴展領域——故障預測在污水處理中的研究前景，并指出了數據驅動故障診斷方法研究在污水處理中存在的問題和未來的發(fā)展方向.

1故障診斷方法與分類

故障診斷是對系統中出現的故障進行檢測、分離和識別，包括種類、大小、位置和時間的測定[1].最早起源于采用硬件冗余方法的人工診斷.1971年，Beard[4]和Mehra等[5]率先提出通過比較觀測器的輸出得到系統故障信息的思想，標志著解析冗余故障診斷技術的開端.文中所提及的故障診斷技術都以此為主.

20世紀90年代，Frank[2]將故障診斷方法劃分為三大類，分別是基于信號的方法、基于解析模型的方法和基于知識的方法，這是之前經典的歸類與分法；周東華等[6]在此基礎上，將故障診斷方法進一步細分.

但是近年來，隨著故障診斷方法的理論研究不斷深入，以及相關學科領域的發(fā)展，各種新理念的診斷方法層出不窮，之前的分類方法已經跟不上學科發(fā)展的腳步，因此有必要對現有的故障診斷方法進行重新認識.

國外的Venkatasubramanian等[7-9]基于先驗知識的應用將故障診斷方法從整體上劃分為三大類：基于定量模型的方法、基于定性模型的方法和基于過程歷史數據的方法，如圖1所示.這種分類方式涵蓋了大多數故障診斷方法，也獲得了業(yè)內的廣泛認可.

圖1　故障診斷方法分類 Fig.1　Classification of diagnostic methods

國內的周東華等[10]將故障診斷方法整體分為兩大類：定性分析的方法和定量分析的方法，對現有的方法在此框架下進行了劃分.但與Venkatasubramanian等[7-9]的分類方法在總體上大同小異.

盡管故障診斷方法繁多，但由于污水處理過程復雜，涉及了生化反應、物理化學反應、相變過程及物質和能量的轉化和傳遞過程，從控制的角度分析，是一個典型的非線性、高維性、多變量、大滯后、非平穩(wěn)的時變系統，各種水質參數之間存在強烈的耦合和關聯，用單一的參數不可能描述其過程變化的規(guī)律.因此，需從宏觀結構方面對污水處理的過程進行分析，以找尋適用的方法.其中，數據驅動方法和專家系統是兩個很重要的方面，因為這兩類方法都無需對系統的微觀結構、知識進行詳解，這對于具有微觀知識不完備性的污水處理過程是合適的.但是，污水處理過程相較于其他工業(yè)過程起步較晚，相關經驗也相對較少，應用專家系統存在診斷不確定性的風險，而數據驅動方法的有效性取決于數據本身，這對于數據比較充分的污水處理過程是適用的.因此，文中在分析了污水處理的過程特點的基礎上，綜述了基于數據驅動的故障診斷方法.

2基于數據驅動的故障診斷方法在污水處理中的研究現狀2.1研究背景及描述

污水處理過程不僅涉及了機理復雜的生化反應，也涉及了眾多的機械設備、電氣設備、自動化儀表，是典型的復雜系統.圖2所示為活性污泥處理工藝，主要包括了預處理、初沉、曝氣、二沉和污泥回流5個部分，是一種利用在曝氣池內懸浮、流動的微生物群體的凝聚、吸附、氧化分解等作用來去除污水中有機物的方法.原生污水通過預處理進入初沉池，經過初步沉淀后出水進入曝氣池，在活性污泥的作用下進行好氧和厭氧生物降解，將污水中的有機物分解并進行脫氮除磷反應；曝氣池的混合出水進入二沉池進行固液分離，上部澄清水排入受納水體.活性污泥法會產生大量的污泥，其中一部分除了回流外，剩余污泥和初沉池的污泥混合，進行消化、脫水等處理.

圖2　活性污泥污水處理流程 Fig.2　Activated sludge wastewater treatment process

為保證出水水質達到或優(yōu)于排放標準，在每一部分處理工藝中都需要測量一大類難以測量或不易在線測量的參數，比如氨氮、磷酸鹽、毒性物質濃度等，這些變量對于出水指標的控制以及過程的優(yōu)化非常重要.對于這些變量，除了尋求新的測量方法外，在硬件層面上，對測量儀表的要求也越來越高.儀器越精密，結構也就越復雜，出現故障的概率也就越大.污水處理過程惡劣的工作環(huán)境更是加劇了故障發(fā)生的概率，其中最直接的影響是有些傳感器或執(zhí)行器經不起長期惡劣環(huán)境的考驗，腐蝕、損壞嚴重，經常發(fā)生癱瘓狀態(tài)，由此引起輸出信號的偏差、沖擊、漂移或輸出恒定值等.除此之外，因用水量、天氣等原因導致的進水水質和水量的波動，會對活性污泥造成沖擊，出現異?，F象，如污泥膨脹、污泥上漲以及泡沫等，這些異常現象會導致處理效果大打折扣.

以上所述種種問題的出現，會最終導致排水水質的惡化，影響污水處理廠的正常運行.因此，在污水處理運行過程中，需要對這些故障進行及時和準確的診斷，以防止因故障造成的損害擴大化.

2.2研究現狀

污水處理過程是一種典型的復雜動態(tài)生物化學反應工程系統，具有非線性、時變性、隨機性和不確定性等特點，對其難以建立精確的數學模型.由國際水協會(IWA)推出的活性污泥數學模型系列(如表1所示)較為經典，也應用廣泛，但模型都存在很多理想化的假設，而且復雜，不適合實際應用[16].因此，通過解析模型對其進行故障診斷是不太實際的.而專家系統的建立需要依賴于知識庫，而知識庫中的知識的獲取并不容易，知識的質量與數量都嚴重依賴于專家自身的經驗知識，這就有可能造成診斷的不確定性[17].數據驅動方法建立在大量的數據基礎上，這對于經驗知識缺乏、數據比較充分的污水處理過程而言，是比較適合的.

表1國際水協會模型Table1ModelfromIAW

模型年份文獻ASM11986[11]ASM21995[12]ASM31999[13]模型年份文獻BSM12001[14]BSM22007[14-15]

污水處理系統在運行過程中，為了保證出水水質達標，過程數據必須得到實時的監(jiān)控，豐富的數據是數據驅動故障診斷方法的前提條件.文獻[10]將數據驅動故障診斷方法定義為在不需知道系統精確解析模型的情況下對系統運行過程數據進行分析處理從而完成系統的故障診斷，并將方法分為機器學習類、多元統計分析類、信號處理類、信息融合類和粗糙集等多種類型；文獻[18]將基于數據驅動的故障診斷方法分為統計分析、信號分析和定量知識三大類.雖然分類方法不一樣，分類數目不盡相同，但都是基于無需對系統進行解析建模的情況下，利用系統運行過程中產生的數據進行故障診斷.目前在污水處理領域，數據驅動故障診斷方法的研究多以機器學習和多元統計為主，這主要是因為這兩類方法相對而言，在算法上較為簡便，能充分快速地利用數據內在的信息，這對于多故障頻發(fā)及具有實時性檢測要求的污水處理尤為適用，且其他數據驅動方法或多或少都以其為基礎進行延伸，或者適用范圍小，比如信息融合類方法，基于信息融合的故障診斷方法主要有決策層融合和特征層融合，其中決策層融合方法需要建立在經過不同方法得出的故障診斷結果上；而特征層融合診斷方法則是主要利用神經網絡或支持向量機等機器學習算法對故障特征進行融合，進而用于診斷.

2.2.1機器學習

機器學習是人工智能領域的一個分支，是研究如何使機器獲得類似于人類的學習能力，通過自學獲取知識，不斷改善性能，實現自我完善的方法.機器學習的核心在于學習，圍繞著該核心，出現了很多優(yōu)秀的學習算法，比如人工神經網絡、遺傳算法、貝葉斯、支持向量機等.基于機器學習的故障診斷方法的研究思路是利用系統在正常和各種故障情況下的歷史數據訓練機器學習算法，然后基于現場數據再區(qū)分正常數據和故障數據從而達到故障診斷的目的.在污水處理領域，主要以人工神經網絡(ANN)和支持向量機(SVM)為主.

人工神經網絡，簡稱為神經網絡，是一種模擬人腦結構及其功能的信息處理系統，具有強大的非線性映射特征、良好的容錯性與聯想記憶特性、自適應自學習特性和高度并行處理及綜合信息的特性，因此對于體現知識復雜性和微觀認識不完備性的污水處理領域，ANN方法展現出了廣闊的應用前景.

神經網絡在故障診斷任務中所發(fā)揮的作用主要有：殘差產生的神經網絡方法、殘差評估的神經網絡方法、用神經網絡進行模式分類的故障診斷推理和用神經元網絡作自適應誤差補償[19].而具體到污水處理領域，相關研究工作多是集中于污水處理過程的模擬及控制[20]、對特定參數現象進行預測[21]、優(yōu)化計算[22]和軟測量[23]等，具體單純專注于污水處理過程的故障診斷相對比較少.近年來，出現了很多將神經網絡與其他方法相結合的故障診斷方法.文獻[24]提出了一種故障檢測與診斷方法，該方法結合了在線參數估計、BP神經網絡和改進H?gglund算法.這種混合方法不僅魯棒性高，而且應用到實際污水處理廠的檢驗結果顯示出很好的可靠性.文獻[25]建立了一種基于人工神經網絡的故障診斷專家系統，結合了神經網絡和專家系統的優(yōu)點，不僅能很好地實現專家系統的基本功能,模仿人類專家的邏輯思維方式進行推理決策和問題求解,還具有神經網絡所特有的學習能力、自適應能力、并行推理能力和聯想記憶能力，在污水處理領域具有應用前景.

神經網絡發(fā)展至今，盡管出現了很多算法和技術，但是都無法從根本上解決其自身的缺陷，這是因為神經網絡屬于模式識別方法的一種，而現有模式識別方法共同的重要理論基礎之一是統計學，傳統的統計學是以樣本數目趨于無窮大時的漸進理論作為研究內容，在實際問題中，樣本數是有限的，這樣就會導致一些方法比如神經網絡在實際表現中不盡如人意.此外，傳統神經網絡容易陷入局部極小值問題，而計算量較大也是不可回避的問題.與神經網絡不同，支持向量機是建立在統計學習理論的VC維理論和結構風險最小化原理基礎上的機器學習方法，它在解決小樣本、非線性和高維情況具有優(yōu)勢.文獻[26]介紹了支持向量機和人工神經網絡的基本原理，并對二者進行了非線性函數逼近能力方面的比較，結果顯示出支持向量機具有較強的逼近能力和較好的泛化能力；文獻[27]通過對傳統故障診斷方法原理的分析，提出了基于支持向量機的故障診斷方法，并通過一組實驗驗證了該方法的有效性.文獻[28]針對污水處理廠運行時故障數據不平衡性和代價敏感等特點，通過構造風險泛函來改進支持向量機，并用遺傳算法對風險泛函求全局最優(yōu)，在故障數據分類率上具有優(yōu)勢.

2.2.2多元統計

多元統計是統計過程控制(SPC)[29-30]在現代過程工業(yè)中發(fā)展形成的一種方法，是相對單變量統計方法而言的，傳統的單變量統計過程控制只考慮單一變量的變化，不涉及多個變量之間的相互關系，它采用典型的控制圖，比如Shewwhart圖或其改進圖法，對單一變量進行監(jiān)控.在早期的控制系統，由于系統結構簡單，功能單一，需要監(jiān)控的變量少，因此這種方法是可行的，但是隨著系統的大型化、復雜化，這種單變量統計方法在面對有上百個監(jiān)控變量的多變量系統時，結果就很不理想了，這是因為當一個故障在運行過程中發(fā)生時，多個單變量統計圖幾乎會同時響起警報，這種情況源自于過程變量之間存在的相關性.就污水生化處理工藝過程來看，從管網流入的污水經過預處理后，要在工藝構筑物內停留一段時間以進行工藝處理，在這段時間內，各過程參數存在事實上的相關性，因此，單變量統計方法在面對過程變量具有很強相關性的污水生化處理系統時，往往無能為力，它僅適用于監(jiān)控某一采樣時刻某一個過程變量的情況.而多元統計方法能很好地解決這個問題[31].多元統計是研究多個隨機變量之間相互依賴關系以及內在統計規(guī)律性的學科.基于多元統計分析的故障診斷方法是利用過程多個變量之間的相關性對過程進行故障診斷[10].這類方法是利用多元投影方法將過程多變量高維數據投影到相對獨立的低維空間，然后在低維空間中構造能夠反映空間變化的統計量對數據進行分析.比如主元分析法(PCA)[32-35],偏最小二乘法(PLS)[36]和獨立成分分析法(ICA)[37-38]等，這些多元投影方法在污水生化處理領域得到了很好的研究.它們將原始歷史數據投影到能夠準確表征過程狀態(tài)的低維空間，結合相應的統計量進行故障檢測，比如T2統計量、Q統計量、I2統計量等，文獻[39]給出了用于故障檢測已有的統計量的統一表達式.

傳統的PCA與ICA方法都隱含假設觀察數據是在統計獨立，即不考慮數據中序列相關性的前提下對數據進行分解降維，屬于靜態(tài)方法.在實際的工業(yè)過程中，這種假設只對長采樣間隔有效(比如2～12h)[40].而對于大部分污水處理過程，采樣間隔較短，這間接表明需要一種考慮到數據中序列相關性的方法，所以出現了動態(tài)主元分析法(DPCA)[41]和動態(tài)獨立成分分析法(DICA)[42-43].此外，PCA方法是建立在觀測數據遵循高斯分布的前提下，且與之相關的統計量Hotelling’sT2和SPE圖表的閾值也是基于潛在變量遵循高斯分布的假設而開發(fā)，而ICA方法并沒有這種限制條件；由于在污水生化處理過程中，故障源多具有非高斯特性，因此在過程監(jiān)控中，ICA方法更具有優(yōu)勢.但是基于ICA模型的過程監(jiān)控方法存在提取獨立元數目不確定及排序等缺點，文獻[44]提出了一種改良獨立成分分析法(MICA)，該方法優(yōu)化了ICA算法，避免了因提取獨立元過多導致的計算負荷過重的情況，考慮了提取獨立元的次序以及給出了算法統一的解決方案，但該方法并沒有進一步研究如何確定獨立元的數量以及存在故障識別能力不足的問題.

但是，無論如何，上述所提及的方法或其衍生方法都屬于線性降維技術，忽略了過程數據中可能存在的非線性，鑒于污水處理的強非線性特性，采用以上方法是值得商榷的.在多元統計方法中，為解決觀察數據的非線性問題，出現了大量的研究文獻；具體到污水處理領域，文獻[45]將神經網絡與PCA整合，利用神經網絡擬合過程的非線性與動態(tài)特性，然后用PCA進行故障檢測與分離，并與傳統PCA方法進行了比較，取得了不錯的效果.除此之外，近年來，基于核理論方法的研究越來越多地出現在非線性化工過程中，比如核主元分析法(KPCA)[46-47]，核偏最小二乘法(KPLS)[47]和核獨立成分分析法(KICA)[48-49]等基于核的非線性降維技術都有被應用到非線性過程監(jiān)控和故障檢測中.在污水生化處理領域，文獻[50]將KPCA應用到序批式反應器(SBR)工藝污水處理過程的故障診斷中；文獻[51]提出了一種用于非線性動態(tài)過程監(jiān)控的動態(tài)核主元分析法(DKPCA)，并與PCA、DPCA、KPCA在誤報、錯報率和檢測延遲上進行了比較.文獻[52]基于文獻[53]中的KernelICA方法開發(fā)了一種故障檢測方法，用于監(jiān)控暴雨與下雨情況下污水處理過程中來自外界的干擾，與基于ICA、KICA方法的故障檢測相比，在效率、可靠性和準確度方面更有優(yōu)勢；文獻[54]整合了KICA與支持向量機，結合了文獻[55]與文獻[44]中的方法，改進了KICA算法，通過提取反映非線性過程全部信息的主要成分，避免了計算量過大的情況，并利用SVM，解決了因非線性映射函數未知導致的KICA無法對非線性過程進行故障診斷的問題，成功應用到了污水處理過程中，但沒有明確解決確定獨立元數量的問題.

在模式分類文獻中，存在一種廣泛研究的降維技術——費舍爾判別分析(FDA).FDA是一種線性降維技術，就故障診斷而言，首先從發(fā)生故障的設備采集數據，然后將數據進行分類，每一類包含有表示某一個特定故障的數據；即使數據在原空間已很好地被分類，但在投影至低維空間時，也有可能會發(fā)生嚴重的重疊現象，FDA在降維的同時，能最大程度地分離各個類，在這點是最優(yōu)的.

基于FDA的故障診斷方法是對故障發(fā)生期間所收集的數據進行降維，在降維的過程中，實現了各個故障類數據之間最大程度地分離，然后應用模式分類系統中的判別函數對降維后的數據進行最大值選擇、分類，實現故障的診斷.給定一訓練集，有n個觀測值，m個過程變量，寫成如式(1)的形式：

(1)

定義p為故障類的個數，nj是第j類中觀測值的個數，xi為第i個觀測值的測量變量向量.根據FDA方法的概念，在降維的同時實現各個類的最大分離，定義數據類間離散度矩陣Sb、數據類內離散度矩陣Sw和總離散度矩陣St.Sb、Sw、St之間的關系有

St=Sb+Sw

(2)

利用Sb、Sw和St可確定一系列線性變換向量，這些向量按照最大化類間離散度、同時最小化類內離散度的準則進行排列，并作為列定義矩陣Wp∈Rma .這樣從m維原始空間到a維投影空間(a

(3)

與PCA方法相比，FDA在確定更低維度的表達式時，考慮了各類之間的信息，這樣判別函數使用類信息的程度比PCA使用類信息的程度大得多，因此，在多類別的故障診斷方面FDA方法比PCA更具優(yōu)勢[56].但是，該方法需要針對各種故障分類數據，這對于多層次、多尺度、多范圍的污水處理系統不是那么容易滿足.

FDA在模式分類文獻中，已經研究得很成熟了，但是在化工過程數據的分析上，直至近幾年才逐漸開展[57-59]，而具體到與污水處理緊密結合的例子，還鮮有報道.文獻[60]結合了PCA與FDA，用PCA進行故障檢測，FDA用于故障診斷.

3故障預測在污水處理中的研究現狀

故障預測是指根據所能獲取的系統過去和現在的運行狀態(tài)，預測故障發(fā)生的時間或者判斷系統將來某個時刻是否會發(fā)生故障[10,61-62].與故障診斷的區(qū)別主要在于研究對象上，故障診斷研究的是已經發(fā)生的確定性事件，而故障預測的研究對象則是未知的不確定事件，因此，相對于故障診斷，故障預測所面臨的挑戰(zhàn)更大.目前，針對故障預測方法的研究雖進展緩慢，但也出現了不少成果[63-64]，而具體到能與污水處理緊密結合的報道還不多見，相關的研究文獻也寥寥無幾.

故障預測在污水處理領域具有潛在的研究與應用價值.比如，目前污水處理領域主要采用污水生物處理法，其中又以活性污泥法為主或以其為基礎，而在活性污泥法廢水處理系統中，污泥膨脹一直是最常見又最難解決的異常問題之一.污泥膨脹是由絲狀菌的過量增殖所引起的慢性變化過程現象，一旦發(fā)生，將導致污泥不易沉淀，影響污水處理效果.如果能在活性污泥發(fā)生變化之前，通過測定某些信號從而預知活性污泥的變化情況，就可以防止污泥膨脹給系統性能帶來惡劣影響.目前，有關的研究還處于淺層地帶.文獻[65]提出一種污泥體積指數(SVI)預測裝置，SVI能反映活性污泥的松散程度和凝聚、沉降性能，是量化污泥膨脹的一個重要指標.該裝置基于分層徑向基函數(HRBF)神經網絡來預測污水處理過程中的SVI值，并采用擴展極端學習機(EELM)訓練策略對HRBF權值進行訓練.文獻[66]根據污泥膨脹的復雜非線性及時變性特征，提出了一種改進型的模糊遞歸神經網絡(HRFNN)來預測污泥體積指數的變化，通過在網絡第三層加入了含有內部變量的反饋連接來實現輸出信息的反饋，使得網絡的學習能力得到了增強，能更充分地反映污水處理系統的動態(tài)特性.文獻[67]在分析了污水處理過程特點的基礎上，結合了文獻[68]多路的概念和文獻[69]非高斯的概念，提出了一種應用于周期性、連續(xù)污水生化處理過程的在線預測監(jiān)控方法，該方法結合了多路獨立主元分析法(MICA)和統計量I2、SPE，采用離、在線兩種模型對污水生化處理過程進行故障檢測和診斷.在傳感器故障方面，為避免因故障導致的測量數據值的缺失或漂移而引起的誤警報、誤診斷，甚至更嚴重的損失，故障預測也是完全有必要且重要的.文獻[70]提出了一種基于故障樹分析的故障預測方法，該方法考慮了過程設備中特定傳感器的無輸出故障和輸出不穩(wěn)定故障的情況.

對系統安全性和可靠性要求的提高，以及相關領域理論的發(fā)展，會逐步促進故障預測在污水處理中的研究進展.由于故障預測能在識別早期故障征兆的基礎上，預測將要發(fā)生的故障，以便能及時進行處理，從而減小故障的發(fā)生率，提高系統的運行效率，這對于具有工作連續(xù)性的污水處理系統而言是重要且必要的.因此，故障預測技術在污水處理領域具有很好的發(fā)展前景.

4總結與展望

文中在總結了故障診斷方法的基礎上，對基于數據驅動的故障診斷方法在污水生化處理領域的研究現狀進行了較全面的綜述，并對故障預測在污水處理中的研究前景和現狀進行了分析與介紹.故障診斷研究經過了幾十年的發(fā)展，在理論和應用上都取得了大量的成果，但在污水處理領域，由于起步較晚以及污水處理系統的復雜性，研究主要集中在數據驅動方法上，而在已有成果中，對單故障診斷問題研究的較多，而對多故障診斷問題研究的較少；對線性化問題研究的較多，而對非線性問題研究的較少；此外，在故障診斷的魯棒性、自適應性等問題上的研究也較為滯后，這些都有待于進一步的研究.

數據驅動故障診斷方法在污水處理中的研究還在不斷完善和向前發(fā)展中，下面給出一些未來的研究方向：

(1)在多變量耦合、強非線性、參數時變、大滯后、多擾動等情況下，如何處理故障診斷建模所用到的數據存在缺失值的問題，從而實現數據缺失等種種不確定因素下數據驅動故障診斷的模型的研究.污水處理是以過程變量為指標進行監(jiān)控，產生并存儲大量的過程數據，但因工作環(huán)境的惡劣、外在環(huán)境的影響及設備的耐用性、保養(yǎng)等問題，會時常導致測量數據的缺失，雖然基于數據驅動的方法比如PCA、PLS等在過程監(jiān)控領域已經被廣泛應用，但這些方法在數據缺失的情況下，很難達到原先的效果.因此，為解決此問題，相關研究工作也在著手進行，其中基于變分貝葉斯的方法為解決此類問題提供了一種可能性，比如變分主元分析法(VBPCA)、變分獨立成分分析法(VBICA)等，已有相關文獻報道，該類方法在處理含有缺失值的高維數據時，具有不錯的結果，但多應用在數據重構和圖像處理，在故障診斷方面還鮮有報道.因此，如何將此類方法進行拓展以應用在數據缺失環(huán)境的故障診斷中，是一個可行的研究方向.此外，基于FDA方法在故障診斷方面的優(yōu)越性，如何對其進行處理使其能在數據缺失的情況下，發(fā)揮其原有或更勝者的效果也是一個值得期待的研究方向.

(2)在基于數據驅動的故障診斷方法中，數據的可靠性決定了數據模型的可靠性，所以有必要進行適當的數據預處理，比如離群點處理、動態(tài)特性考量以及標準化等.

(3)工藝的不同對基于數據驅動故障診斷方法提出了更高的要求.為適配不同的處理工藝，比如膜處理、人工濕地處理等有別于傳統活性污泥法的工藝方法，對數據驅動故障診斷方法的深入研究是不可避免的.

(4)基于數據驅動分布式故障診斷的研究.復雜系統的故障存在層次性、傳播性、相關性和放射性等特點，一個故障源可能會引起鏈式反應，催生更多、更大的故障.這對于規(guī)模性大、系統構成復雜、各處理單元關聯密切的污水處理系統更是如此.因此，采用各種相互獨立的診斷系統，已經不能滿足實際的診斷需求，全廠的分布式故障診斷方法，甚至可擴展至管網，這是未來污水處理系統故障診斷方法的一個可行的研究方向.

(5)面向污水處理故障預測的研究.針對污水處理過程的數據驅動故障診斷方法的研究已經取得了不小的進展，但相比之下，故障預測方法的研究卻顯得非常不足，尤其是面向污水處理的故障預測方法的研究更少之又少.近幾年出現的深度學習為故障預測的發(fā)展提供一種可能性.故障預測是根據系統過去和現在的運行狀態(tài)，預測故障發(fā)生的時間或者判斷系統將來是否會發(fā)生故障，因此需要對系統的狀態(tài)指標進行監(jiān)控，但有些狀態(tài)指標，由于技術或經濟上的原因，直接或連續(xù)地測量存在著一些問題，尤其在污水處理過程中，存在著多變量耦合、強非線性、參數時變、大滯后等特點，面對這些特點，傳統傳感器無法得到有效的應用，特別是存在一大類難以測量或不易在線測量的參數，如氨氮、磷酸鹽、微生物濃度、毒性物質濃度等等，針對這個問題，軟測量技術提供了一個很好的解決方案，因此，在故障預測中引入軟測量技術是一個可行的方案.深度學習是指用于學習深層人工神經網絡的一種機器學習方法，源于人工神經網絡的研究.當前多數神經網絡學習方法為淺層結構算法，比如反向傳播算法(BP)等，其局限性在于有限樣本和計算單元情況下對復雜函數的表示能力有限，針對復雜分類問題其泛化能力受到一定的制約，深度學習可通過學習一種深層非線性網絡結構，實現復雜函數的逼近，表征輸入數據分布式表示，并展現強大的從少數樣本集中學習數據集本質特征的能力，其實質是通過構建具有多隱層的機器學習模型來學習更有用的特征，從而最終提升分類或預測的準確性.所以，在軟測量技術中引入深度學習，構建多步預測結構，從而深化故障預測的預處理工作是一個值得期待的研究方向.

參考文獻：

[1]IsermannR,BalléP.Trendsintheapplicationofmodel-basedfaultdetectionanddiagnosisoftechnicalprocesses[J].ControlEngineeringPractice,1997,5(5):709-719.

[2]FrankPM.Analyticalandqualitativemodel-basedfaultdiagnosis—asurveyandsomenewresults[J].EuropeanJournalofControl,1996,2(1):6-28.

[3]KesavanP,LeeJH.Diagnostictoolsformultivariablemodel-basedcontrolsystems[J].IndustrialandEngineeringChemistryResearch,1997,36(7):2725-2738.

[4]BeardRV.Failureaccommodationinlinearsystemsthroughself-reorganization[D].Cambridge:MassachusettsInstituteofTechnology,1971.

[5]MehraRK,PeschonJ.Aninnovationapproachtofaultdetectionanddiagnosisindynamicsystems[J].Automatica,1971,7(5):637-640.

[6]周東華，王桂增.第五講 故障診斷技術綜述[J].化工自動化及儀表，1998,25(1):58-62.

ZhouDong-hua,WangGui-zeng.Fifthlecture:faultdiagnosistechniques[J].ControlandInstrumentsinChemicalIndustry,1998,25(1):58-62.

[7]VenkatasubramanianV,RengaswamyR,YinK,etal.AreviewofprocessfaultdetectionanddiagnosispartI:quantitativemodel-basedmethods[J].ComputersandChemicalEngineering,2003,27(3):293-311.

[8]VenkatasubramanianV,RengaswamyR,KavuriSN.AreviewofprocessfaultdetectionanddiagnosispartII:qua-litativemodelsandsearchstrategies[J].ComputersandChemicalEngineering,2003,27(3):313-326.

[9]VenkatasubramanianV,RengaswamyR,KavuriSN,etal.AreviewofprocessfaultdetectionanddiagnosispartIII:processhistorybasedmethods[J].ComputersandChemicalEngineering,2003,27(3):327-346.

[10]周東華，胡艷艷.動態(tài)系統的故障診斷技術[J].自動化學報，2009,35(6):748-758.

ZhouDong-hua,HuYan-yan.Faultdiagnosistechniquesfordynamicsystems[J].ActaAutomaticaSinica,2009,35(6):748-758.

[11]InternalAssociationonWaterQuality.ActivatedsludgemodelNo.1,IAWCscientificandtechnicalreportNo.1[R].London:IAWQ,1987.

[12]InternalAssociationonWaterQuality.ActivatedsludgemodelNo.2,scientificandtechnicalreportNo.3[R].London:IAWQ,1995.

[13]GujerW,HenzeM,MinoT,etal.Activatedsludgemo-delNo.3[J].WaterScienceandTechnology,1999,39(1):183-193.

[14]JeppssonU,PonsM-N,NopensI,etal.BenchmarksimulationmodelNo2:genaralprotocolandexploratorycasestudies[J].WaterScienceandTechnology,2007,56(8):67-78.

[15]CorriouJean-Pierre,PonsMarie-No?lle.Modelpredictivecontrolofwastewatertreatmentplants:applicationtotheBSM1benchmark[J].ComputerAidedChemicalEngineering,2004,18(14):625-630.

[16]李茹瑩，季民，任智勇，等.活性污泥數學模型的研究應用進展與問題討論[J].工業(yè)用水與廢水，2002，33(4):4-6.

LiRu-ying,JiMin,RenZhi-yong,etal.Approachestothedevelopmentandproblemsofresearchandapplicationofactivatedsludgemodel[J].IndustrialWaterandWastewater,2002,33(4):4-6.

[17]王道平，馮振聲，何海燕.故障診斷專家系統中不確定性問題[J].計算機工程與應用，1998,34(12):33-35.

WangDao-ping,FengZhen-sheng,HeHai-yan.Theuncertaintyinfaultdiagnosticexpertsystem[J].Compu-terEngineeringandApplications,1998,34(12):33-35.

[18]李晗，蕭德云.基于數據驅動的故障診斷方法綜述[J].控制與決策，2011,26(1):1-9,16.

LiHan,XiaoDe-yun.Surveyondatadrivenfaultdiagnosismethods[J].ControlandDecision,2011,26(1):1-9,16.

[19]聞新，周露.神經網絡故障診斷技術的可實現性[J].導彈與航天運載技術，2000 (2):17-22.

WenXin,ZhouLu.RealityforNNfaultdiagnosistechnology[J].MissilesandSpaceVehicles,2000 (2):17-22.

[20]張文藝，鐘梅英，蔡建安.活性污泥法系統人工神經網絡模型[J].給水排水，2002,28(6):12-15.

ZhangWen-yi,ZhongMei-ying,CaiJian-an.Modelingstudyofactivatedsludgeprocessbasedonartificialneuralnetwork[J].WaterandWastewaterEngineering,2002,28(6):12-15.

[21]ZhuJiabao,ZurcherJim,RaoMing,etal.Anon-linewastewaterqualitypredicationsystembasedonatime-delayneuralnetwork[J].EngineeringApplicationsofArtificialIntelligence,1998,11(6):747-758.

[22]KaramaA,BernardO,GouzéJL,etal.Hybridneuralmodellingofananaerobicdigesterwithrespecttobiolo-gicalconstraints[J].WaterScienceandTechnology,2001,43(7):1-8.

[23]ZhaoLijie,ChaiTianyou.WastewaterBODforecastingmodelforoptimaloperationusingrobusttime-delayneuralnetwork[J].LectureNotesinComputerScience,2005,3498(III):1028-1033.

[24]FuenteMJ,VegaP.Neuralnetworksappliedtofaultdetectionofabiotechnologicalprocess[J].EngineeringApplicationsofArtificialIntelligence,1999,12(5):569-584.

[25]張杰，高憲軍，姚勁勃，等.基于神經網絡與專家系統的故障診斷技術[J].吉林大學學報：信息科學版，2009,27(3):319-323.

ZhangJie,GaoXian-jun,YaoJing-bo,etal.Technologyofexpertsystembasedonneuralnetwork[J].JournalofJilinUniversity:InformationScienceEdition,2009,27(3):319-323.

[26]艾娜，吳作偉，任江華.支持向量機與人工神經網絡[J].山東理工大學學報：自然科學版，2005,19(5):45-49.

AiNa,WuZuo-wei,RenJiang-hua.Supportvectormachineandartificialneuralnetwork[J].JournalofShandongUniversityofTechnology:NaturalScienceEdition,2005,19(5):45-49.

[27]王華忠，張雪申，俞金壽.基于支持向量機的故障診斷方法[J].華東理工大學學報：自然科學版，2004,30(2):179-182.

WangHua-zhong,ZhangXue-shen,YuJin-shou.Faultdiagnosisbasedonsupportvectormachine[J].JournalofEastChinaUniversityofScienceandTechnology:Natu-ralScienceEdition,2004,30(2):179-182.

[28]李曉東，曾光明，蔣茹，等.改進支持向量機對污水處理廠運行狀況的故障診斷[J].湖南大學學報：自然科學版，2007,34(12):68-71.

LiXiao-dong,ZengGuang-ming,JiangRu,etal.FaultdiagnosisofWWTPbasedonimprovedsupportvectormachines[J].JournalofHunanUniversity:NaturalSciences,2007,34(12):68-71.

[29]田學民，曹玉蘋.統計過程控制的研究現狀及展望[J].中國石油大學學報：自然科學版，2008,32(5):175-180.

TianXue-min,CaoYu-ping.Situationandperspectivesofstatisticalprocesscontrol[J].JournalofChinaUniversityofPetroleum,2008,32(5):175-180.

[30]郭振華.面向統計過程控制的成分提取技術研究與應用[D].武漢：華中科技大學機械科學與工程學院,2005.

[31]MacGregorJF,KourtiT.Statisticalprocesscontrolofmultivariateprocesses[J].ControlEngineeringPractice,1995,3(3):403-414.

[32]LiuYiqi,HuangDaoping,LiYan.AdaptivestatisticprocessmonitoringwithamodifiedPCA[C]∥Proceedingsof2011IEEEInternationalConferenceonComputerScienceandAutomationEngineering.Shanghai:IEEE,2011:713-716.

[33]RuizM,SinG,BerjagaX,etal.Multivariateprincipalcomponentanalysisandcase-basedreasoningformonitoring,faultdetectionanddiagnosisinaWWTP[J].WaterScienceandTechnology,2011,64(8):1661-1667.

[34]LeeDaeSung,VanrolleghemPA.Adaptiveconsensusprincipalcomponentanalysisforon-linebatchprocessmonitoring[J].EnvironmentalMonitoringandAssessment,2004,92(1/2/3):119-135.

[35]LeeDaeSung,ParkJM,VanrolleghemPA.Adaptivemultiscaleprincipalcomponentanalysisforon-linemonitoringofasequencingbatchreactor[J].JournalofBiotechnology,2005,116(2):195-210.

[36]LeeDaeSung,VanrolleghemPA,ParkJM.Parallelhybridmodelingmethodsforafull-scalecokeswastewatertreatmentplant[J].JournalofBiotechnology,2005,115(3):317-328.

[37]LeeJong-Min,YooChangKyoo,LeeIn-Beum.Statisticalprocessmonitoringwithindependentcomponentanalysis[J].JournalofProcessControl,2004,14(5):467-485.

[38]LeeJ-M,YooC-K,LeeIB.NewmonitoringtechniquewithanICAalgorithminthewastewatertreatmentprocesses[J].WaterScienceandTechnology,2003,47(12):49-56.

[39]QinSJ.Statisticalprocessmonitoring:basicsandbeyond[J].JournalofChemometrics,2003,17(8/9):480-502.

[40]蔣浩天,拉塞爾EL,布拉茨RD.工業(yè)系統的故障檢測與診斷[M].段建民,譯.北京:機械工業(yè)出版社,2003:48.

[41]YooChangKyoo,ChoiSangWook,LeeIn-Beum.DynamicmonitoringmethodformultiscalefaultdetectionanddiagnosisinMSPC[J].IndustrialandEngineeringChemistryResearch,2002,41(17):4303-4317.

[42]VillegasT,FuenteMJ,Sainz-PalmeroGI.Faultdiagnosisinawastewatertreatmentplantusingdynamicindependentcomponentanalysis[C]∥Proceedingsof18thMediterraneanConferenceonControlandAutomation.Marrakech:IEEE,2010:874-879.T,FuenteMJ,Sainz-PalmeroGI.Faultdiagnosisinawastewatertreatmentplantusingdynamicindependentcomponentanalysis[C]∥Proceedingsof18thMediterraneanConferenceonControlandAutomation.Marrakech:IEEE,2010:874-879.

[43]YooChangKyoo,LeeJ-M,LeeI-B,etal.Dynamicmonitoringsystemforfull-scalewastewatertreatmentplants[J].WaterScienceandTechnology,2004,50(11):163-171.

[44]LeeJong-Min,QinSJ,LeeIn-Beum.Faultdetectionanddiagnosisbasedonmodifiedindependentcomponentanalysis[J].AIChEJournal,2006,52(10):3501-3514.

[45]FuenteMJ,Garcia-AlvarezD,Sainz-PalmeroGI,etal.FaultdetectioninawastewatertreatmentplantbasedonneuralnetworksandPCA[C]∥Proceedingsof2012 20thMediterraneanConferenceonControlandAutomation.Barcelona:IEEE,2012:758-763.

[46]LeeJong-Min,YooChangKyoo,ChoiSangWook,etal.Nonlinearprocessmonitoringusingkernelprincipalcomponentanalysis[J].ChemicalEngineeringScience,2004,59(1):223-234.

[47]LeeDaeSung,LeeMinWoo,WooSeungHan,etal.Multivariateonlinemonitoringofafull-scalebiologicalanaerobicfilterprocessusingkernel-basedalgorithms[J].IndustrialandEngineeringChemistryResearch,2006,45(12):4335-4344.

[48]LeeJong-Min,QinSJ,LeeIn-Beum.Faultdetectionofnon-linearprocessesusingkernelindependentcomponentanalysis[J].CanadianJournalofChemicalEngineering,2007,84(4):526-536.

[49]ZhangYingwei,QinSJ.Faultdetectionofnonlinearprocessesusingmultiwaykernelindependentcomponentanalysis[J].IndustrialandEngineeringChemistryResearch,2007,46(23):7780-7787.

[50]JunBH,ParkJH,LeeSI,etal.KernelPCAbasedfaultsdiagnosisforwastewatertreatmentsystem[C]∥Proceedingsof3thInternationalSymposiumonNeuralNetworks.Chengdu:Springer,2006:426-431.

[51]ChoiSW,LeeIn-Beum.NonlineardynamicprocessmonitoringbasedondynamickernelPCA[J].ChemicalEngineeringScience,2004,59(24):5897-5908.

[52]WangLi,ShiHongbo.Multivariatestatisticalprocessmonitoringusinganimprovedindependentcomponentanaly-sis[J].ChemicalEngineeringResearchandDesign,2010,88(4):403-414.

[53]BachFR,JordanMI.Kernelindependentcomponentanalysis[J].JournalofMachineLearningResearch,2003,3(1):1-48.

[54]ZhangYingwei.Faultdetectionanddiagnosisofnonlinearprocessesusingimprovedkernelindependentcomponentanalysis(KICA)andsupportvectormachine(SVM)[J].IndustrialandEngineeringChemistryResearch,2008,47(18):6961-6971.

[55]YangJian,GaoXiumei,ZhangDavid,etal.KernelICA:analternativeformulationanditsapplicationtofacereco-gnition[J].PatternRecognition,2005,38(10):1784-1787.

[56]ChiangLH,RussellEL,BraatzRD.FaultdiagnosisinchemicalprocessesusingFisherdiscriminantanalysis,discriminantpartialleastsquares,andprincipalcomponentanalysis[J].ChemometricsandIntelligentLaboratorySystems,2000,50(2):243-252.

[57]蔣浩天,拉塞爾EL,布拉茨RD.工業(yè)系統的故障檢測與診斷[M].段建民,譯.北京:機械工業(yè)出版社,2003:52-66.

[58]HeQP,QinSJ,WangJ.AnewfaultdiagnosismethodusingfaultdirectionsinFisherdiscriminantanalysis[J].AIChEJournal,2005,51(2):555-571.

[59]RongGang,LiuSu-yu,ShaoJi-dong.Faultdiagnosisbylocalitypreservingdiscriminantanalysisanditskernelvariation[J].ComputersandChemicalEngineering,2013,49:105-113.

[60]Garcia-AlvarezD,FuenteMJ,VegaP,etal.Faultdetectionanddiagnosisusingmultivariatestatisticaltechniquesinawastewatertreatmentplant[J].IFACProceedingsVolumes(IFAC-PapersOnline),2009,7(PART1):952-957.

[61]孫強，岳繼光.基于不確定性的故障預測方法綜述[J].控制與決策，2014,29(5):769-778.

SunQiang,YueJi-guang.Reviewonfaultprognosticmethodsbasedonuncertainty[J].ControlandDecision,2014,29(5):769-778.

[62]艾紅，周東華.動態(tài)系統的故障預測方法[J].華中科技大學學報：自然科學版，2009,37(增刊I):222-225.

AiHong,ZhouDong-hua.Faultpredictionapproachfordynamicsystem[J].JournalofHuazhongUniversityofScienceandTechnology:NaturalScienceEdition,2009,37(SupplI):222-225.

[63]陸寧云，何克磊，姜斌，等.一種基于貝葉斯網絡的故障預測方法[J].東南大學學報：自然科學版，2012,42(增刊I):87-91.

LuNing-yun,HeKe-lei,JiangBin,etal.AfaultprognosismethodusingBayesiannetwork[J].JournalofSoutheastUniversity:NaturalScienceEdition,2012,42(增刊I):87-91.

[64]TianWende,HuMinggang,LiChuankun.Faultpredictionbasedondynamicmodelandgreytimeseriesmodelinchemicalprocesses[J].ChineseJournalofChemicalEngineering,2014,22(6):643-650.

[65]HanHonggui,QiaoJunfei.Hierarchicalneuralnetworkmodelingapproachtopredictsludgevolumeindexofwastewatertreatmentprocess[J].IEEETransactionsonControlSystemsTechnology,2013,21(6):2423-2431.

[66]許少鵬，韓紅桂，喬俊飛.基于模糊遞歸神經網絡的污泥容積指數預測模型[J].化工學報，2013,64(12):4550-4556.

XuShao-peng,HanHong-gui,QiaoJun-fei.Predictionofactivatedsludgebulkingbasedonrecurrentfuzzyneuralnetwork[J].CIESCJournal,2013,64(12):4550-4556.

[67]YooChangkyoo,KimMinhan,HwangSunjin,etal.Onlinepredictivemonitoringandpredictionmodelforaperiodicprocessthroughmultiwaynon-Gaussianmodeling[J].ChineseJournalofChemicalEngineering,2008,16(1):48-51.

[68]NomikosP,MacGregorJF.Monitoringbatchprocessesusingmultiwayprincipalcomponentanalysis[J].AIChEJournal,1994,40(8):1361-1373.

[69]YooChangkyoo,LeeJong-Min,VanrolleghemPA,etal.On-linemonitoringofbatchprocessesusingmultiwayindependentcomponentanalysis[J].ChemometricsandIntelligentLaboratorySystems,2004,71(2):151-163.

[70]YangZongxiao,YuanXiaobo,FengZhiqiang,etal.Afaultpredictionapproachforprocessplantsusingfaulttreeanalysisinsensormalfunction[C]∥Proceedingsofthe2006IEEEInternationalConferenceonMechatronicsandAutomation.Luoyang:IEEE,2006:2415-2420.

ReviewofData-DrivenFaultDiagnosisandPrognosisforWastewater

Treatment

Huang Dao-pingQiu YuLiu Yi-qiLi Yan

(SchoolofAutomationScienceandEngineering,SouthChinaUniversityofTechnology,Guangzhou510640,Guangdong,China)

Abstract：There exists significant nonlinearity, multi-variable coupling, time-variant parameter, large time delay and frequent inside or outside interferences in the process of wastewater treatment, so that it is essential to find out the abnormalities of wastewater treatment system in time and further to ensure the reliability and stability of treatment equipment. This paper, by taking into consideration the characteristics of biochemical wastewater treatment, reviews the research status, existing problems and corresponding solutions of data-driven fault diagnosis methods in the field of wastewater treatment, discusses the research prospect of fault prognosis in wastewater treatment, and points out some problems and development trends of the research on data-driven fault diagnosis.

Keywords:wastewatertreatment;faultdiagnosis;faultprognosis;data-drivenmethod

Foundationitem:SupportedbytheNationalWaterPollutionControlandTreatmentScienceandTechnologyMajorProject(2014ZX07406002)

?通信作者： 李軍(1964-)，男，教授，博士生導師，主要從事污水處理理論與技術研究.E-mail:jglijun@bjut.edu.cn

Foundationitems:SupportedbytheEarmarkedFundforModernAgro-IndustryTechnologyResearchSystem(nycytx-49-13),theOpenResearchFundProgramofStateKeyLaboratoryofHydroscienceandEngineering(sklhse-2013-B-02)andtheNationalNaturalScienceFoundationofChina(NSFC)(50979118)