[发明专利]基于多核独立元分析的批量生产过程故障检测方法

说明书

技术领域

本发明属于故障诊断技术领域，特别涉及一种基于多核独立元分析MKICA(MultiwayKernel Independent Component Analysis)的批量生产过程监测方法。

背景技术

随着工业规模的日益扩大，生产产品数量的增加，越来越多的工业领域使用批量生产方式生产。比如啤酒行业、味精行业和制药行业等许多领域。尤其是在复杂非线性工业生产过程中，批量生产方式应用的更为普遍。由于非线性生产过程中决定产品质量的因素较多，对条件要求比较苛刻，所以条件的变化大都会降低产品的质量，比如发酵过程。发酵过程是一个非常复杂的非线性过程，有关过程操作条件优化方面的报道不多。对于一个发酵装置、菌体及其相应的发酵培养基均确定的发酵过程而言，影响发酵过程的条件是pH、温度及溶解氧等要素。对于像生产木糖醇这类依靠氧化还原酶实现生物转化的过程来说，pH和溶解氧的因素尤为重要。

在许多采用批量方式生产的化学制品、医药制品、生物制品和其它产品制造行业中，生产过程中关键时期的微小变动都会降低产品质量。因此应用有效的故障检测方法能在生产过程中较早的检测到故障，可以减少不合格批次的数量，明显提高产品质量。批量生产过程的故障主要发生在进料泵和反应装置等部位。

目前，基于多元统计分析的几项技术被广泛应用于批量生产的故障检测。通过扩展多元统计过程控制方法，MacGregor在《Technometrics》等期刊中、Gallagher在《Comput.Chem.Eng.》中分别提出多主元分析方法。在《IEEE Transactions on semiconductor manufacturing》和《J.of Process Control》中，Qin提出了基于递归最小二乘方法的多偏最小二乘法，这种方法可用于监测过程数据和产品质量。在《Chem.Intell.Lab.Sys.》中，Nomikos和MacGregor提出了对批量生产过程的丢失数据的估计方法。这些方法在实际中很起作用。然而，如果应用不需要补充丢失数据的多偏最小二乘监测方法会更好。在《AIChE J.》中，Dong和McAvoy使用基于主曲线和神经网络相结合的非线性主元分析法来监测批量生产。非线性主元分析法是基于神经网络的。由于神经网络需要离线和在线学习近似的动态变化，所以是很慢的，不适用于实际的过程监测中。在《Chem.Intell.Lab.Sys.》中，Rnnar等提出一个有适应性的批量生产过程监测方法。这种方法使用等级主元分析方法，克服了在主元分析方法中对丢失数据的需要。最近，核主元分析方法也用来提取非线性关系。已经证实这种方法能通过分析历史数据很有效的检测故障，同时在线监测新批次的效果也很好。但是以上提出的方法应用在非高斯性的工业过程，如发酵过程中表现不很理想。

发明内容

本发明首次提出基于MKICA的批量生产过程的故障检测方法。针对批量生产过程所具有的非线性特征，提出一种基于多核独立元分析方法的故障检测方法，在标准操作条件模式下建模，从在线监测得到的实时工况数据中提取独立元，利用统计变量T²和SPE进行故障检测。此方法与基于多独立元分析(Multiway Independent Component Analysis，MICA)的方法比较，证实了基于多核独立元分析方法的过程监测方法能较早的检测到故障，从而提高产品的质量和生产率。

使用多核独立元分析方法进行批量生产过程的故障检测方法的详细步骤如下：

步骤一：数据采集

采集观测变量数据。对于每个故障，采集两组数据，即训练数据和实时工况数据。其中，训练数据用于建立模型，实时工况数据用于故障检测。例如在发酵过程中，进料泵的故障导致耗氧率的改变，需要采集温度、压力和PH值等相关变量进行故障检测。

步骤二：数据处理

在数据采集过程中，会丢失一些数据。对于丢失数据的补充有以下几个方法：

①用零补充丢失的数据；

②用当前值补充丢失的数据；

③用平均值补充丢失的数据；

④用主元分析方法补充丢失的数据；

⑤用变量之间冗余的关系补充丢失的数据。

依据批量生产的特征选择最合适的方法，方法②和③应用的比较普遍。本发明采用方法②。