[发明专利]一种基于即时学习局部模型的发酵过程故障监测方法

说明书

技术领域

本发明涉及数据驱动的故障诊断技术领域，尤其是涉及一种针对多阶段发酵过程的故障监测技术。本发明的基于数据驱动的方法是在青霉素发酵过程故障监测方面的具体应用。

背景技术

现代发酵工业过程规模不断扩大、复杂性日益增高，人们对过程生产的安全性和可靠性越来越重视。流程工业过程数据存在高维、高度藕合、共线性、数据缺损以及噪声污染等问题，而以主成分分析(PCA)，主成分回归(PCR)和偏最小二乘(PLS)等为核心技术的多元统计过程监控(MSPM)方法可以较好地解决上述难题。其中，由于偏最小二乘可对系统中的数据信息进行分解和筛选，提取对因变量解释性最强的综合变量，克服变量多重相关性在系统建模中的不良作用，得到了广泛应用。

然而，发酵过程往往无稳态的工作点，常常从一个稳定状态转为另一个稳定状态，具有动态性和时变特性。传统偏最小二乘全局建模方法会在强动态例如过渡阶段会产生误报警。本发明将即时学习策略引入偏最小二乘建模中，提出种基于局部模型的发酵过程故障监控策略。即时学习策略主要思想是从历史数据集中挑选出与当前待测试的样本最相关的样本子集，再利用该样本子集进行建模，最后用建立的局部模型分析当前待测试样本。从而准确地反映过程运行的当前状态变化，能有效地克服发酵过程存在的时变和多阶段问题。

发明内容

本发明提出的即时学习局部模型监控方法首先将发酵过程数据按批次方向展开，然后根据当前时刻的待测试样本设定遗忘因子对历史数据加权并从中挑选出一定数量的相关样本，最后用偏最小二乘方法对挑选出来的样本进行建模并分析当前样本是否为正常样本，流程如图1所示。该建模和监控策略能很好地保留过程的局部邻域信息，从而准确地反映过程运行的当前状态变化，能有效地克服发酵过程存在的时变和多阶段问题。

本发明所采用的技术方案，具体步骤如下所述：

步骤1，采集历史正常同一发酵过程数据，数据由生产某产品发酵过程的变量，批次，和每个批次的采样点个数这三个维度组成。历史数据由于比连续过程多了一个维度(批次)，所以数据为三维的数据矩阵。

步骤2，对步骤1采集的三维数据矩阵进行变量展开，展开成二维的矩阵。具体展开步骤为将后一批次的第一个数据接在前一批次最后一个数据后面，相当于按照时间顺序存储所有数据。

步骤3，被监测生产过程开始后，采集当前数据，被检测采样点。当前样本点为一个J维向量，其中J为生产过程被监测的变量总数。

步骤4，计算当前样本点与每个历史样本点马氏距离。

步骤5，对马氏距离从小到大排序，即相似的数据排名靠前，不相似的数据排名靠后。然后按照顺序计算数据集的信息熵。熵表达一个系统混乱的程度，其中系统越混乱，其熵值就越高；反之，若系统越是有序，那么所对应的熵值也就越低。可想而知刚开始计算时数据点少，噪声的信息量大，随着计算信息熵的数据集所包含的样本点增加，信息能够概括整体阶段，信息熵将减小，继续引入将样本点囊括到计算信息熵的数据集当中时其他阶段的样本点会被引入，这时系统信息再次丰富起来，信息熵将再次增大。利用这种自动选择样本方法，不需要先验知识，排除了操作人员经验选取带来的不确定性。具体操作为：先计算以第一个数据为数据集的信息熵，然后计算以第一个和第二个数据为数据集的信息熵，以此类推，依次增加，直到信息熵达到最小值为止，也就是由第一个数据到某个数据的数据集信息熵比第一个数据到某个数据的后一个数据的数据集信息熵要小，即相似点信息丰富性小。这表明数据点基本为一个阶段内的相似数据。那么选取由第一个数据到某个数据的数据集为相似样本数据。

步骤6，对选取的样本点进行归一化处理。首先计算相似样本点矩阵的每个过程变量的均值和标准方差。然后利用每个变量的均值和标准方差对每个变量进行Z-score标准化。同样对当前在线样本点进行Z-score标准化。

按照批次先后顺序利用遗忘因子进行加权。由于时间较远样本可能不能表征较近时刻数据特征，所以基于较小权值。遗忘因子的表达式为：λ_i＝e^-αi，其中i表示数据所在的批次与当前批次数只差的绝对值,e为自然指数，α为衰减因子，表示衰减速度，取0.6为通用值。这样从时间上对相似样本进行加权得到加权后的数据矩阵。

步骤7，用加权后的相似样本点进行PLS建模，得到PLS模型。