طراحی سامانه ی هشدار سریع برای تشخیص ناهنجاری ها در فرایندهای با ابعاد بالا با استفاده از سیستم استنتاج فازی عصبی تطبیقی

در سال های اخیر، پایش هوشمند کیفیت آب و تشخیص زودهنگام آلودگی به دلیل رفتار غیرخطی، نویز و عدم قطعیت داده های محیطی، به یکی از چالش های مهم مدیریت منابع آب تبدیل شده است. در این پژوهش، چارچوب ترکیبی مبتنی بر تبدیل موجک و سیستم استنتاج فازی-عصبی تطبیقی برای تشخیص ناهنجاری های کیفیت آب ارائه شده است. ابتدا غلظت فسفات کل (TP) با استفاده از رابطه ساروگیت برآورد شد. سپس سری زمانی با استفاده از تبدیل موجک نویززدایی و به عنوان ورودی مدل ANFIS استفاده گردید. پس از آموزش مدل، خطای باقی مانده بین مقادیر واقعی و پیش بینی شده استخراج و آستانه تشخیص ناهنجاری بر اساس برازش توزیع های آماری مختلف تعیین شد. نتایج شاخص های آماری شامل AIC، BIC و آزمون کولموگروف-اسمیرنوف نشان داد که توزیع لجستیک نسبت به توزیع های نرمال و لاپلاس برازش مناسب تری برای مدل سازی خطاهای باقی مانده ارائه می دهد. برای ارزیابی عملکرد مدل، دو سناریوی آلودگی با شدت های مختلف تعریف و ازشاخص های ارزیابی ماتریس درهم ریختگی استفاده شد. نتایج نشان داد که مدل Wavelet–ANFIS در سناریوی دوم با دستیابی به Accuracy برابر با ۹۸.۰۷%، Recall برابر با ۹۸.۹۸%، Specificity برابر با ۹۹.۰۴% و F۱-score برابر با ۹۹.۰۸% بهترین عملکرد را ارائه داده است. همچنین استفاده از تبدیل موجک پیش از مرحله یادگیری موجب کاهش خطا، بهبود پایداری مدل و افزایش توانایی تشخیص رخدادهای واقعی آلودگی شده است. نتایج این پژوهش بیانگر آن است که چارچوب پیشنهادی Wavelet–ANFIS می تواند به عنوان ابزاری موثر برای پایش هوشمند کیفیت آب و هشدار سریع آلودگی در محیط های دارای داده های غیرخطی و نویزی مورد استفاده قرار گیرد.

کلیدواژه ها:

آلودگی آب ، ناهنجاری ، فرایند با ابعاد بالا ، سیستم استنتاج فازی عصبی تطبیقی ، تبدیل موجک