废水处理工艺故障检测与智能诊断方法研究进展

doi:10.12422/j.issn.1672-6952.2025.03.001

摘要/Abstract

摘要：

随着废水处理厂提标改造标准的日趋严格，废水处理工艺流程逐渐延长而复杂化。为了应对废水处理系统故障可能引发的重大安全事故与环境污染，如何对工艺装置运行工况进行智能检测并提高故障管控水平，已成为当前研究热点。从废水处理工艺流程特点与主要故障类型出发，对近些年国内外在该领域最新废水处理工艺的故障检测与智能诊断成果及进展进行了全面综述,总结了三类故障检测和智能诊断方法，包括基于解析模型的方法、基于领域经验的方法和基于数据驱动的方法，分析了这些废水处理工艺故障检测和智能诊断方法的应用现状以及优缺点，梳理了存在的问题。最后，展望了废水处理工艺故障检测与智能诊断技术的未来研究方向。

关键词: 废水处理, 故障检测技术, 故障智能诊断

Abstract:

As the regulations for the upgrading and transformation of wastewater treatment plants have become increasingly stringent, the process flow of wastewater treatment has gradually lengthened and become more complex. Addressing how to intelligently monitor operational conditions of process equipment and enhance fault management has emerged as a hot research topic due to the significant safety incidents and environmental pollution events that faults in wastewater treatment systems can cause. This paper starts by analyzing the characteristics of wastewater treatment process flows and the main types of faults. It comprehensively reviews the latest achievements and progress in fault detection and diagnosis in wastewater treatment processes both domestically and internationally. It summarizes three types of fault detection and diagnostic methods: model?based, domain experience?based, and data?driven approaches. The paper evaluates the current applications, strengths, and weaknesses of these wastewater treatment process fault detection and intelligent diagnostic methods, identifies existing problems, and anticipates future research directions in the technology of fault detection and intelligent diagnosis for wastewater treatment processes.

Key words: Wastewater treatment, Fault detection technology, Intelligent fault diagnosis

中图分类号:

TE992.2

邹威, 李爽, 马会强. 废水处理工艺故障检测与智能诊断方法研究进展[J]. 辽宁石油化工大学学报, 2025, 45(3): 1-10.

Wei ZOU, Shuang LI, Huiqiang MA. Advancements in Fault Detection and Intelligent Diagnostics for Wastewater Treatment Processes[J]. Journal of Liaoning Petrochemical University, 2025, 45(3): 1-10.

图/表 1

参考文献 75

1	常尧枫，谢嘉玮，谢军祥，等. 城镇污水处理厂提标改造技术研究进展［J］. 中国给水排水， 2022， 38（6）： 20⁃28.
	CHANG Y F， XIE J W， XIE J X， et al. Research progress on upgrading and Reconstruction technology of urban sewage treatment plants［J］. China Water & Wastewater， 2022， 38（6）： 20⁃28.
2	GERNAEY K V， VAN LOOSDRECHT M C M， HENZE M， et al. Activated sludge wastewater treatment plant modelling and simulation： State of the art［J］. Environmental Modelling & Software， 2004， 19（9）： 763⁃783.
3	韩红桂，伍小龙，张璐，等. 城市污水处理过程异常工况识别和抑制研究［J］. 自动化学报， 2018， 44（11）： 1971⁃1984.
	HAN H G， WU X L， ZHANG L， et al. Identification and suppression of abnormal conditions in municipal wastewater treatment process［J］. Acta Automatica Sinica， 2018， 44（11）： 1971⁃1984.
4	李云，蒋进元，何连生，等. 污水处理故障诊断方法的研究现状及展望［J］. 给水排水， 2017， 43（10）： 130⁃135.
	LI Y， JIANG J Y， HE L S， et al. Trouble shooting methods for wastewater treatment： Status and prospect［J］. Water & Wastewater Engineering， 2017， 43（10）： 130⁃135.
5	马小博，刘鸿斌. 废水处理过程的降维方法综述［J］. 造纸科学与技术， 2022， 41（1）： 1⁃11.
	MA X B， LIU H B. Review on dimensionality reduction methods in wastewater treatment processes［J］. Paper Science & Technology， 2022， 41（1）： 1⁃11.
6	高嵩，邱勇，孟凡琳，等. 污水处理工艺数据分析技术的现状与趋势［J］. 环境工程， 2022， 40（6）： 194⁃203.
	GAO S， QIU Y， MENG F L， et al. State⁃of⁃art and trends of data analytical techniques for wastewater treatment processes［J］. Environmental Engineering， 2022， 40（6）： 194⁃203.
7	黄道平，邱禹，刘乙奇，等. 面向污水处理的数据驱动故障诊断及预测方法综述［J］. 华南理工大学学报（自然科学版）， 2015（3）： 111⁃120.
	HUANG D P， QIU Y， LIU Y Q， et al. Review of data⁃driven fault diagnosis and prognosis for wastewater treatment［J］. Journal of South China University of Technology（Natural Science Edition）， 2015（3）： 111⁃120.
8	ALVI M， BATSTONE D， MBAMBA C K， et al. Deep learning in wastewater treatment： A critical review［J］. Water Research， 2023， 245： 120518.
9	李长波，赵国峥，徐磊. 水污染控制工程［M］. 北京：中国石化出版社， 2016.
10	HOO K A， PIOVOSO M J， SCHNELLE P D， et al. Process and controller performance monitoring： Overview with industrial applications［J］. International Journal of Adaptive Control and Signal Processing， 2003， 17（7⁃9）： 635⁃662.
11	SCHÄFER J， CINAR A. Multivariable MPC system performance assessment， monitoring， and diagnosis［J］. Journal of Process Control， 2004， 14（2）： 113⁃129.
12	LEE C， CHOI S W， LEE I B. Sensor fault diagnosis in a wastewater treatment process［J］. Water Science and Technology， 2006， 53（1）： 251⁃257.
13	GHINEA L M， MIRON M， BARBU M. Semi⁃supervised anomaly detection of dissolved oxygen sensor in wastewater treatment plants［J］. Sensors， 2023， 23（19）： 8022.
14	ISERMANN R. Process fault detection based on modeling and estimation methods［J］. IFAC Proceedings Volumes， 1982， 15（4）： 7⁃30.
15	WEN Q J， GE Z Q， SONG Z H. Data⁃based linear Gaussian state⁃space model for dynamic process monitoring［J］. AIChE Journal， 2012， 58（12）： 3763⁃3776.
16	CHOW E， WILLSKY A. Analytical redundancy and the design of robust failure detection systems［J］. IEEE Transactions on Automatic Control， 1984， 29（7）： 603⁃614.
17	MID E C， DUA V. Fault detection in wastewater treatment systems using multiparametric programming［J］. Processes， 2018， 6（11）： 231.
18	李鸿，蔺小林，李建全，等. 一类污水处理数学模型的定性分析［J］. 陕西科技大学学报， 2024， 42（1）： 206⁃212.
	LI H， LIN X L， LI J Q， et al. Qualitative analysis of a mathematical model for sewage treatment［J］. Journal of Shaanxi University of Science & Technology， 2024， 42（1）： 206⁃212.
19	SECO A， RUANO M V， RUIZ⁃MARTINEZ A， et al. Plant⁃wide modelling in wastewater treatment： Showcasing experiences using the biological nutrient removal model［J］. Water Science and Technology， 2020， 81（8）： 1700⁃1714.
20	DOCHAIN D， VANROLLEGHEM P A. Dynamical modelling and estimation in wastewater treatment processes［M］. Caxton： IWA Publishing， 2001.
21	BARBU M， CARAMAN S， IFRIM G A， et al. State observers for food industry wastewater treatment processes［J］. Journal of Environmental Protection and Ecology， 2011， 12（2）： 678⁃687.
22	YIN X Y， LIU J F. State estimation of wastewater treatment plants based on model approximation［J］. Computers & Chemical Engineering， 2018， 111： 79⁃91.
23	LI X J， LAW A W， YIN X Y. Partition⁃based distributed extended Kalman filter for large⁃scale nonlinear processes with application to chemical and wastewater treatment processes［J］. AIChE Journal， 2023， 69（12）： e18229.
24	NAGY K A M， MARX B， MOUROT G， et al. State estimation of two⁃time scale multiple models. Application to wastewater treatment plant［J］. Control Engineering Practice， 2011， 19（11）： 1354⁃1362.
25	AGUIAR A P， HADJ⁃ABDELKADER O. Comparison of several filtering approaches on water treatment processes［J］. International Journal Bioautomation， 2021， 25（3）： 225⁃248.
26	宋阳，姜成英，王爱杰，等. 城市污水处理厂活性污泥生物泡沫研究进展［J］. 微生物学通报， 2019， 46（8）： 1954⁃1970.
	SONG Y， JIANG C Y， WANG A J， et al. Research progress towards biological foaming of activated sludge in municipal wastewater treatment plants［J］. Microbiology， 2019， 46（8）： 1954⁃1970.
27	DOKAS I M， KARRAS D A， PANAGIOTAKOPOULOS D C. Fault tree analysis and fuzzy expert systems： Early warning and emergency response of landfill operations［J］. Environmental Modelling & Software， 2009， 24（1）： 8⁃25.
28	周志杰，刘涛源，胡冠宇，等. 一种基于数据可靠性和区间证据推理的故障检测方法［J］. 自动化学报， 2020， 46（12）： 2628⁃2637.
	ZHOU Z J， LIU T Y， HU G Y， et al. A fault detection method based on data reliability and interval evidence reasoning［J］. Acta Automatica Sinica， 2020， 46（12）： 2628⁃2637.
29	杨帆，萧德云. 概率SDG模型及故障分析推理方法［J］. 控制与决策， 2006， 21（5）： 487⁃491.
	YANG F， XIAO D Y. Probabilistic SDG model and approach to inference for fault analysis［J］. Control and Decision， 2006， 21（5）： 487⁃491.
30	PUÑAL A， ROCA E， LEMA J M. An expert system for monitoring and diagnosis of anaerobic wastewater treatment plants［J］. Water Research， 2002， 36（10）： 2656⁃2666.
31	CALISE F， EICKER U， SCHUMACHER J， et al. Wastewater treatment plant： Modelling and validation of an activated sludge process［J］. Energies， 2020， 13（15）： 3925.
32	CARRASCO E P， RODRÍGUEZ J， PUAL A， et al. Rule⁃based diagnosis and supervision of a pilot⁃scale wastewater treatment plant using fuzzy logic techniques［J］. Expert Systems with Applications， 2002， 22（1）： 11⁃20.
33	PIADEH F， AHMADI M， BEHZADIAN K. Reliability assessment for hybrid systems of advanced treatment units of industrial wastewater reuse using combined event tree and fuzzy fault tree analyses［J］. Journal of Cleaner Production， 2018， 201： 958⁃973.
34	李子怡，钟炜. 智慧水厂能耗监测评价与异常诊断管理平台研究［J］. 给水排水， 2024， 50（2）： 153⁃157.
	LI Z Y， ZHONG W. Research on the management platform of energy consumption monitoring and abnormal diagnosis in wastewater treatment plants［J］. Water & Wastewater Engineering， 2024， 50（2）： 153⁃157.
35	龚利民，林峰，李震，等. 基于数字孪生的智慧污水处理厂建设和应用实践［J］. 给水排水， 2023， 49（11）： 138⁃143.
	GONG L M， LIN F， LI Z， et al. Smart wastewater treatment plant construction and application based on digital twins［J］. Water & Wastewater Engineering， 2023， 49（11）： 138⁃143.
36	NEWHART K B， HOLLOWAY R W， HERING A S， et al. Data⁃driven performance analyses of wastewater treatment plants： A review［J］. Water Research， 2019， 157： 498⁃513.
37	YOO C K， VANROLLEGHEM P A， LEE I B. Nonlinear modeling and adaptive monitoring with fuzzy and multivariate statistical methods in biological wastewater treatment plants［J］. Journal of Biotechnology， 2003， 105（1⁃2）： 135⁃163.
38	TAO E P， SHEN W H， LIU T L， et al. Fault diagnosis based on PCA for sensors of laboratorial wastewater treatment process［J］. Chemometrics and Intelligent Laboratory Systems， 2013， 128： 49⁃55.
39	STAEY G V D， GINS G， SMETS I. Bioflocculation and activated sludge separation： A PLS case study［J］. IFAC⁃PapersOnLine， 2016， 49（7）： 1151⁃1156.
40	AGUADO D， NORIEGA⁃HEVIA G， FERRER J， et al. PLS⁃based soft⁃sensor to predict ammonium concentration evolution in hollow fibre membrane contactors for nitrogen recovery［J］. Journal of Water Process Engineering， 2022， 47： 102735.
41	SOBCZYK M， PAJDAK⁃STÓS A， FIAŁKOWSKA E， et al. Multivariate analysis of activated sludge community in full⁃scale wastewater treatment plants［J］. Environmental Science and Pollution Research International， 2021， 28（3）： 3579⁃3589.
42	CHENG H C， LIU Y Q， HUANG D P， et al. Rebooting kernel CCA method for nonlinear quality⁃relevant fault detection in process industries［J］. Process Safety and Environmental Protection， 2021， 149： 619⁃630.
43	LEE J M， YOO C K， LEE I B. New monitoring technique with an ICA algorithm in the wastewater treatment process［J］. Water Science and Technology， 2003， 47（12）： 49⁃56.
44	JOE Q S. Statistical process monitoring： Basics and beyond［J］. Journal of Chemometrics， 2003， 17（8⁃9）： 480⁃502.
45	ZHOU J， HUANG F N， SHEN W H， et al. Sub⁃period division strategies combined with multiway principle component analysis for fault diagnosis on sequence batch reactor of wastewater treatment process in paper mill［J］. Process Safety and Environmental Protection， 2021， 146： 9⁃19.
46	LIU H B， ZHANG H， ZHANG Y C， et al. Modeling of wastewater treatment processes using dynamic bayesian networks based on fuzzy PLS［J］. IEEE Access， 2020， 8： 92129⁃92140.
47	梁北辰，戴景民. 偏最小二乘法在系统故障诊断中的应用［J］. 哈尔滨工业大学学报， 2020， 52（3）： 156⁃164.
	LIANG B C， DAI J M. Application of PLS in system fault diagnosis［J］. Journal of Harbin Institute of Technology， 2020， 52（3）： 156⁃164.
48	刘鸿斌，张昊，景宜，等. 基于动态核PCA的复杂废水处理过程在线故障检测［J］. 江苏大学学报（自然科学版）， 2021， 42（2）： 215⁃220.
	LIU H B， ZHANG H， JING Y， et al. Online fault detection of complex wastewater treatment process using dynamic kernel PCA［J］. Journal of Jiangsu University（Natural Science Edition）， 2021， 42（2）： 215⁃220.
49	刘乙奇，黄志鹏，于广平，等. 全生命周期污泥膨胀的智能检测和诊断分析［J］. 华南理工大学学报（自然科学版）， 2022， 50（6）： 91⁃99.
	LIU Y Q， HUANG Z P， YU G P， et al. Full life⁃cycle intelligent detection and diagnosis analysis for sludge bulking［J］. Journal of South China University of Technology（Natural Science Edition）， 2022， 50（6）： 91⁃99.
50	何清，李宁，罗文娟，等. 大数据下的机器学习算法综述［J］. 模式识别与人工智能， 2014， 27（4）： 327⁃336.
	HE Q， LI N， LUO W J， et al. A survey of machine learning algorithms for big data［J］. Pattern Recognition and Artificial Intelligence， 2014， 27（4）： 327⁃336.
51	SINGH N K， YADAV M， SINGH V， et al. Artificial intelligence and machine learning⁃based monitoring and design of biological wastewater treatment systems［J］. Bioresource Technology， 2023， 369： 128486.
52	HE Y L， LI K， LIANG L L， et al. Novel discriminant locality preserving projection integrated with monte carlo sampling for fault diagnosis［J］. IEEE Transactions on Reliability， 2023， 72（1）： 166⁃176.
53	ZHANG N， XU Y， ZHU Q X， et al. Farthest⁃nearest distance neighborhood and locality projections integrated with bootstrap for industrial process fault diagnosis［J］. IEEE Transactions on Industrial Informatics， 2023， 19（5）： 6284⁃6294.
54	WANG Z J， YAN X Y， LI Z W， et al. Nonlinear dynamic process robust monitoring based on spatiotemporal preserving projections with rank⁃order distance［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 72： 1⁃11.
55	LIU Z J， WAN J Q， MA Y W， et al. Online prediction of effluent COD in the anaerobic wastewater treatment system based on PCA⁃LSSVM algorithm［J］. Environmental Science and Pollution Research International， 2019， 26（13）： 12828⁃12841.
56	马帅印，王晨，卢津，等. 数据驱动的污水处理高密池混凝加药预测研究［J］. 给水排水， 2024， 50（2）： 158⁃166.
	MA S Y， WANG C， LU J， et al. Research on data⁃driven prediction of coagulation dosing in high⁃density pools for sewage treatment［J］. Water & Wastewater Engineering， 2024， 50（2）： 158⁃166.
57	LOY⁃BENITEZ J， TARIQ S， NGUYEN H T， et al. Sludge bulking monitoring in industrial wastewater treatment plants through graphical methods： A dynamic graph embedding and Bayesian networks approach［J］. Journal of Environmental Management， 2023， 345： 118804.
58	KAZEMI P， BENGOA C， STEYER J P， et al. Data⁃driven techniques for fault detection in anaerobic digestion process［J］. Process Safety and Environmental Protection， 2021， 146： 905⁃915.
59	HINTON G E， OSINDERO S， TEH Y W. A fast learning algorithm for deep belief Nets［J］. Neural Computation， 2006， 18（7）： 1527⁃1554.
60	夏起磊，罗林，张垚. 基于注意力增强型编解码网络的化工过程故障诊断［J］. 辽宁石油化工大学学报， 2024， 44（2）： 63⁃70.
	XIA Q L， LUO L， ZHANG Y. Fault diagnosis of chemical processes based on attention⁃enhanced encoder⁃decoder network［J］. Journal of Liaoning Petrochemical University， 2024， 44（2）： 63⁃70.
61	谷小峰，马庆鲁，黄文杰，等. 实时参数整定的无模型自适应控制算法及其在气体分馏装置的应用［J］. 石油炼制与化工， 2024， 55（3）： 97⁃106.
	GU X F， MA Q L， HUANG W J， et al. Model⁃free adaptive control with real⁃time parameter tuning and its application in gas fractionation unit［J］. Petroleum Processing and Petrochemicals， 2024， 55（3）： 97⁃106.
62	赵学良，贾梦达，王显鹏，等. 石化智能工厂建设关键场景与技术［J］. 化工进展， 2024， 43（2）： 894⁃902.
	ZHAO X L， JIA M D， WANG X P， et al. Key scenarios and technologies for smart plant construction in petrochemical industry［J］. Chemical Industry and Engineering Progress， 2024， 43（2）： 894⁃902.
63	常亚娜，武锦涛，代玉强. 数据分析与BP神经网络相结合的乙烯装置智能故障诊断系统［J］. 石油炼制与化工， 2023， 54（6）： 97⁃104.
	CHANG Y N， WU J T， DAI Y Q. Research on intelligent fault diagnosis system of ethylene plant based on data analysis and bp neural network［J］. Petroleum Processing and Petrochemicals， 2023， 54（6）： 97⁃104.
64	邱磊，张汉文，徐辰雨，等. 基于深度学习的页岩气产量预测模型［J］. 当代化工， 2024， 53（11）： 2713⁃2719.
	QIU L， ZHANG H W， XU C Y， et al. Shale gas production prediction model based on deep learning［J］. Contemporary Chemical Industry， 2024， 53（11）： 2713⁃2719.
65	王俊，邱爽，鞠丹阳，等. 基于改进INFO⁃CNN⁃QRGRU模型的农村分布式光伏发电短期概率预测［J］. 沈阳农业大学学报， 2024， 55（4）： 490⁃502.
	WANG J， QIU S， JU D Y， et al. Short⁃term probabilistic prediction of rural distributed photovoltaic power generation based on improved INFO⁃CNN⁃QRGRU model［J］. Journal of Shenyang Agricultural University， 2024， 55（4）： 490⁃502.
66	冯勇，张校铭. 基于MSA⁃LSTM的短期电力负荷预测模型［J］. 辽宁大学学报（自然科学版）， 2024， 51（4）： 360⁃367.
	FENG Y， ZHANG X M. Short⁃term power load forecasting model based on MSA⁃LSTM［J］. Journal of Liaoning University（Natural Science Edition）， 2024， 51（4）： 360⁃367.
67	赵珣，陈帅，邱海洋. 基于改进双向循环神经网络的变压器故障诊断模型研究［J］. 辽宁石油化工大学学报， 2023， 43（5）： 75⁃83.
	ZHAO X， CHEN S， QIU H Y. Research on transformer fault diagnosis model based on improved bidirectional recurrent neural network［J］. Journal of Liaoning Petrochemical University， 2023， 43（5）： 75⁃83.
68	高坤，黄雁，马冰冰，等. 基于改进优化算法的轧机滚动轴承深度学习故障诊断方法［J］. 辽宁大学学报（自然科学版）， 2023， 50（1）： 28⁃37.
	GAO K， HUANG Y， MA B B， et al. Deep learning⁃based fault diagnosis method for rolling bearing of rolling mill with improved optimization algorithm［J］. Journal of Liaoning University（Natural Science Edition）， 2023， 50（1）： 28⁃37.
69	梁伟阁，张钢，王健，等. 复杂机械设备健康状态预测方法研究综述［J］. 兵器装备工程学报， 2022， 43（7）： 67⁃77.
	LIANG W G， ZHANG G， WANG J， et al. A review on health state assessment and remaining useful life prediction of mechanical equipment under intelligent manufacturing［J］. Journal of Ordnance Equipment Engineering， 2022， 43（7）： 67⁃77.
70	黄梓健，石磊，杨晓，等. 基于多智能体的罐区巡检关键技术研究［J］. 当代化工， 2022， 51（1）： 236⁃241.
	HUANG Z J， SHI L， YANG X， et al. Research on key technologies of tank farm inspection based on multi⁃agent［J］. Contemporary Chemical Industry， 2022， 51（1）： 236⁃241.
71	MUNIAPPAN A， TIRTH V， ALMUJIBAH H， et al. Deep convolutional neural network with sine cosine algorithm based wastewater treatment systems［J］. Environmental Research， 2023， 219： 114910.
72	HU T， ZHANG Y C， WANG X Y， et al. Optimized convolutional neural networks for fault diagnosis in wastewater treatment processes［J］. Environmental Science： Water Research & Technolog， 2024， 10（2）： 364⁃375.
73	WANG G M， YUAN G H， HU Z Q， et al. Complexity⁃based structural optimization of deep belief network and application in wastewater treatment process［J］. IEEE Transactions on Industrial Informatics， 2024， 20（4）： 6974⁃6982.
74	陈国健，李继庚，陈波，等. 基于自编码的长流程造纸过程断纸故障识别［J］. 中国造纸， 2024， 43（3）： 113⁃120.
	CHEN G J， LI J G， CHEN B， et al. Paper break fault recognition in long process papermaking process based on autoencoder［J］. China Pulp & Paper， 2024， 43（3）： 113⁃120.
75	SESHAN S， VRIES D， IMMINK J， et al. LSTM⁃based autoencoder models for real⁃time quality control of wastewater treatment sensor data［J］. Journal of Hydroinformatics， 2024， 26（2）： 441⁃458.

故障类型	故障原因	故障后果
传感器故障	在恶劣环境暴露、维护不当	数据污染和丢失，测量误差增加，控制失效
过程故障	物料不平衡、机械故障	工艺处理质量下降，水质不达标
质量相关故障	工艺设计不当、不合理操作	增加处理成本，影响处理效率

故障类型	故障原因	故障后果
传感器故障	在恶劣环境暴露、维护不当	数据污染和丢失，测量误差增加，控制失效
过程故障	物料不平衡、机械故障	工艺处理质量下降，水质不达标
质量相关故障	工艺设计不当、不合理操作	增加处理成本，影响处理效率

[1]	宋健伟, 张晶, 檀凯文, 潘立卫, 钟和香. 水处理中非均相臭氧氧化催化剂的研究进展[J]. 辽宁石油化工大学学报, 2022, 42(3): 8-13.
[2]	张永辉, 陈雪冰, 张静. 可见光催化剂氧化铋的改性研究进展[J]. 辽宁石油化工大学学报, 2021, 41(6): 1-8.