[发明专利]基于递归核主元分析的青霉素发酵过程故障监测方法

说明书

技术领域

本发明属于故障监测与诊断技术领域，提出了一种基于递归核主元分析的青霉素发酵过程故障监测方法。

背景技术

间歇及半间歇过程已经广泛应用于化工、发酵、制药、食品生产等诸多领域，青霉素作为抗生素的一种，具有广泛的临床医用价值，而其生产设备是个典型的非线性、动态、多阶段半间歇生产过程。间歇过程操作复杂，操作条件的微小变化、原料中混入杂质等异常状况都会影响到最终产品的产量和质量，如果能对间歇过程在线监测、诊断故障，则能帮助操作人员及时消除故障或暂时停止生产以减小原材料的浪费和设备的占用。

目前，针对间歇过程Nonmikos和Macgregor提出了多元统计监控方法，主要是基于多向主成分分析法(multiway principal component analysis，MPCA)以及多向偏最小二乘法(multiway partial least squares，MPLS)，这两种方法都是假设过程变量之间的关系是线性的，它们用于监测简单的间歇过程比较有效，但大多数间歇过程由于操作条件或反应进程的改变，从而具有多阶段性，不同操作阶段的数据动态特性不同，同一操作阶段的变量也往往具有高度非线性，这时用单一的统计模型便不能很好的表现原始数据的信息，还有可能导致一些重要信息的缺失，产生故障的漏报及误报，实际上间歇过程没有稳态操作点，过程变量的轨迹随着时间呈现非线性变化趋势，是典型的非线性动态操作过程，针对间歇过程的非线性特性，Lee等人又提出一种基于核函数的非线性算法：多向核主成分分析(multiway kernel principal component analysis，MKPCA)，提取间歇过程的非线性特征，将间歇过程的三维数据矩阵按纵向展开成二维矩阵并进行标准化，建立过程模型并用于过程的在线监测，核主成分分析(kernel principal component analysis，KPCA)通过非线性核函数把非线性数据映射到高维特征空间，然后在特征空间中执行线性PCA提取特征，KPCA是在高维特征空间中执行PCA，所以无需求解非线性优化问题，并且与其它非线性方法相比，在建模之前它不需要指定主元数目。但是传统KPCA算法存在着不足之处，即KPCA模型是时不变的，而大部分实际工业过程都具有时变的特性，这限制了KPCA在非线性间歇过程中的应用。

发明内容

为弥补上述方法之不足，本发明提出一种基于递归核主元分析的青霉素发酵过程故障监测方法，以达到降低误报警率的目的。

本发明的技术方案是这样实现的：基于递归核主元分析的青霉素发酵过程故障监测方法，包括以下步骤：

步骤1：采集数据，在青霉素发酵过程中，采集的数据包括：通风率，搅拌器功率，基质进给速率，基质进给温度，生成的热量，溶解氧浓度，pH值和二氧化碳浓度数据，其中温度和pH值采用闭环控制，而补料采用开环定值控制，用均值和标准偏差规范采集的数据；

步骤2：计算青霉素发酵过程故障的主要因素P，方法如下：用步骤1标准化后的N个采样样本，建立青霉素发酵过程初始的监测模型，对于青霉素发酵过程中一个新的采样xnew，确定青霉素发酵过程故障的主要因素P和置信限，监测其是否出现异常；如果异常则报警，否则转到步骤3；

其中，青霉素发酵过程故障的主要因素P，公式如下：