[发明专利]一种基于MLLE‑OCSVM的青霉素发酵过程故障监测方法

说明书

技术领域

本发明涉及基于数据驱动的故障监测技术领域，特别是涉及一种针对间歇过程的故障监测技术。本发明的基于数据驱动的方法是在典型间歇过程——青霉素发酵过程故障监测方面的具体应用。

背景技术

在制造技术加速发展的今天，为了满足市场上各种不同的需求，生物化学产品、高分子产品、医药产品等高附加值的产品大量涌现，由于间歇过程正好可以满足生产高附加值产品的需求，从而越来越受到广泛关注。在间歇过程中，人们获得的数据呈现出的非单一工况、非线性、非高斯等特点愈发显著。同时，生产过程中所获得的数据维数越来越高，数据结构也越来越复杂，并且其机理复杂，操作复杂度到，产品的质量容易受不确定因素的影响。为了保证间歇过程操作系统的安全性和稳定性，建立一种有效的过程监控方案来及时地检测异常现象是十分有必要。

降维是数据处理的一种有效的解决方案，目前在故障诊断中的数据降维方法分为线性方法和非线性方法。主元分析法(Principal Component Analysis,PCA)和多维尺度变换(Multi-Dimensional Scaling，MDS)是两种典型的线性降维方法。典型的非线性方法包括核主元分析(Kernel Principal Component Analysis，KPCA)、等距映射(Isometric mapping，Isomap)和拉普拉斯特征映射(Laplacian Eigenmaps，LE)等。

然而，以上方法都是从全局出发确定的投影向量，没有考虑局部的线性特征。例如，传统的MPCA方法，提取的是全局的主成分，降维后的数据没有包含残差空间的成分，不能很好的保留一些对全局数据相关的而又不明显的隐含数据。这些使得基于局部保持投影(Locality Preserving Projections，LPP)和邻域保持嵌入(Neighborhood Preserving Embedding，NPE)等相关算法被提出。它们虽然考虑了局部几何结构，但是距离比较大的点在目标函数中起主导作用，因此不能保证邻域内相距较远的点，投影后相距也较远，破坏了数据的多样性和局部拓扑的几何属性。MLLE可以利用线性嵌入方法得到高维数据的低维线性嵌入矩阵，显现出比其他方法更优的特征提取效果。然而，实际的工业过程多为高斯和非高斯的混合分布，因此传统的多元统计的监控方法因需假设过程变量服从具体的分布而受到应用限制。一些学者采用提出了组合方法MLLE-PCA对非高斯信息和高斯信息分别监控，但该方法无法做到有效区分非高斯信息和高斯信息。

发明内容

为了克服以上不足，本发明提供了一种基于MLLE-OCSVM的青霉素发酵过程故障监测方法。将MLLE特征提取得到的低维成分用于OCSVM建模并构造非线性的监控统计量。OCSVM是基于统计学习理论提出的，因此其无需假设过程变量服从具体的分布。而且OCSVM可以确定正常工况下潜隐变量的非线性边界，有效减少过程监测中误报、漏报的发生，提高故障监测的准确性。

本发明采用了如下的技术方案及实现步骤：包括“离线建模”和“在线监测”两个阶段，其中“离线建模”阶段主要是基于青霉素发酵过程正常工况下的历史数据建立发酵过程的模型，并通过一系列方法确定模型的“控制限”；“在线监测”阶段主要是对被监测的实时过程数据按照模型进行处理，判断其是否超过“控制限”，若超限则认为发酵过程发生故障，进行报警；若未超限则认为发酵过程运行正常。具体如下：

A.离线建模阶段：

1)青霉素发酵过程正常工况下历史数据的采集：每次发酵过程的反应时间有限，产品需要多批量、重复性生产，故而一次间歇过程周期可称之为一个批次。因此，收集到的发酵过程正常工况下的历史数据集合要比连续过程多一维“批次”元素，即典型的发酵过程数据是一个三维矩阵，其表达形式为X_I×J×K，I是批次数，J是过程变量的个数，K是采样次数；

2)对历史数据进行标准化处理，处理方式如下：

三维数据的预处理：三维数据的预处理和标准化是非常重要的一个环节，不同的数据处理和标准化方法可以体现发酵过程数据中不同的方差和协方差结构。本发明采用新的数据处理方法：首先计算历史数据X的所有采样时刻上所有过程变量的均值和标准方差，其中第k采样时刻的第j个过程变量的均值的计算公式为，x_i,k,j表示第i批次中第k采样时刻的第j个过程变量的测量值，k＝1,...,K，j＝1,...,J；第k采样时刻的第j个过程变量的标准方差s_k,j的计算公式为，