[发明专利]基于Limited-DTW的MKPCA间歇过程故障监测方法

说明书

本发明公开一种基于Limited‑DTW的MKPCA间歇过程故障监测方法，针对间歇过程固有的批次不等长特性，也为了克服传统解决批次间同步问题方法数据浪费、扭曲原始过程变量的自相关及变量之间的交叉相关关系的严重缺陷，本发明方法引入了全局路径限制和失真度阈值限制对动态时间规整(Dynamic Time Warping,DTW)方法进行改进，避免算法长时间运行造成的监控弊端，并且解决了其处理过程的复杂性与其离线性导致其实际应用的困难。Limited‑DTW和基于MKPCA的监测方法的组合用于离线和在线实施；实验设计由青霉素发酵仿真平台和重组大肠杆菌实际生产过程完成，结果显示了本文方法的可行性和有效性。

技术领域

本发明涉及基于数据驱动的多元统计过程监控(Multivariate StatisticalProcess Monitoring,MSPM)技术领域，尤其涉及一种基于Limited-DTW的MKPCA间歇过程故障监测方法。

背景技术

基于数据驱动的多元统计方法在用于间歇过程的过程监控时，不需要考虑复杂的过程机理特性，通过对历史数据的建模和分析，判断生产过程的运行状态是否出现异常。间歇过程作为现代流程工业中的重要生产方式之一，被广泛用于生物医药、食品及生化产品的制备，特别是青霉素(Penicillin，或音译盘尼西林)药品的制备。与连续生产过程相比，间歇过程有着明显的区别，其中批次数据不等长是其固有特征之一。

为了运用传统的统计分析方法，假设批次数据是等长的，因此操作事件在批次上是同步化的。然而，这种假设通常是不成立的。另外，在进行间歇过程建模时，一般都基于一个默认假设，同一个时刻的数据属于同一阶段，即同一个阶段在所有的生产批次中都是等长的。但是实际生产过程中并不是如此，不同批次的生产由于种种条件的不同，导致不同批次间的阶段长度会有所差异。这也是导致批次不等长的原因之一。现有的解决批次不等长问题的方法，最常用的是最短长度法，即直接按最短批次数据轨迹的长度切割其余批次，方法简单，但使数据轨迹的过程大量丢失，并且使点对点数据的相关性降低，导致数据可靠性降低。Neogi和Undey均提出采用指示变量法解决批次间的同步问题，但是指示变量法可能会扭曲原始过程变量的自相关及变量之间的交叉相关关系。另外，并不是每个工业过程中都存在这样的“指示”变量。所以，在进行在线监控前，解决批次数据不等长问题是十分重要的。

发明内容

本发明针对间歇过程批次数据不等长问题，提供一种基于Limited-DTW的MKPCA间歇过程故障监测方法，通过使原始批次按照轨迹中点与点的模式进行动态的方法匹配解决批次不等长问题。

为实现上述目的，本发明采用如下的技术方案：

一种基于Limited-DTW的MKPCA间歇过程故障监测方法，包括以下步骤：

步骤1、针对青霉素的发酵过程数据进行数据预处理

将选取的青霉素发酵过程的10个批次在数据预处理时采用了沿批次展开方法，之后将沿批次对数据进行按列标准化处理，其中，10个批次数据为矩阵X^，；

步骤2、将提取的过程数据的平均轨迹进行缩放

选取B_RAW,i,i＝1,...,I为参考轨迹，它包含来自I个正常批次的原始测量值，I等于10，通过平均每个批次的范围来找到每个变量平均范围，然后存储这些值，将所有批次中的每个变量除以其平均范围，得到B_i，定义B_i,i＝1,...,I作为生成的缩放批次轨迹；

步骤3、利用Limited-DTW方法对不同批次轨迹进行同步处理

具体过程如下：在所有轨迹中选择一个轨迹B_k作为规整轨迹，令B_REF＝B_k，令W为Limited-DTW算法中的权重矩阵，设W等于单位矩阵，对指定的最大迭代次数执行以下步骤，