[发明专利]一种青霉素发酵过程故障检测方法

说明书

本发明提供一种青霉素发酵过程故障检测方法，主要步骤为：收集多种工况下的生产数据，包含正常生产数据、故障数据，每个工况收集多批次完整的生产数据；对收集的三维数据进行数据预处理；在主元分析理论的基础上，对数据进一步提炼并提取数据特征；所得特征空间用于检测数据投影和子空间分析；进而进行故障检测。故障检测的统计控制限由多批正常工况的完整批次数据制定。实际检测时，精细检测生产数据的子空间的统计量是否超过融合统计控制限，判断该批生产是否受到故障影响，从而完成故障检测。本发明检测方法采用融合统计控制限对青霉素发酵过程故障进行检测，能够更加精确地检测间歇生产过程中的故障，提高检测效率。

技术领域

本发明属于工业过程故障检测技术领域，涉及间歇工业过程中的故障检测方法，具体涉及一种青霉素发酵过程故障检测方法。

背景技术

随着科学的发展和技术的进步，现代工业过程的规模和复杂程度都在日益提高。与此同时，人们对工业过程运行安全性能和产品质量也提出了更高的要求，过程监控和故障诊断技术尤其重要。故障检测与诊断技术通常用于基于计算机的自动化系统开发与设计，帮助人类解决诸多实际问题，如工业过程监控和疾病诊断等。

作为人们进行生活、生产活动最早使用的操作方式，间歇过程相对于连续过程存在很多优势，如：设备投资少、生产周期短、操作灵活等。考虑到投资成本与风险，企业往往选择一套多用途、多功能的设备来实现对多种产品的生产。这使得企业能够适应市场快速的变化，提离企业的竞争力。间歇过程生产方式的这些优点使得它在工业生产中占有越来越重要的地位，其占有的比重也不断提升，已被广泛应用于具有高附加值的专用化学品和生物医药中，特别是在医药、食品和饮料等行业。随着工业生产市场的不断扩大，国外甚至出现了大规模的、集中的间歇生产。此外，与人们日常生活相关的食品、化妆品、香料等产品的生产都越来越离不开间歇过程。为了满足市场的需求，提商企业竞争力，间歇生产过程也日益趋向于商效、大型和集成化的方向。在实际的故障检测中，以往的研究者更加注重对所采集原始数据的空间建模，如：研究三维数据的多样展开方式、在主元分析中引入高级函数等方法来提取数据特征，从而获得精确地故障检测统计量。但是对统计量合格的标准没有进行更加深入而精准的研究，例如：Q统计量和T²统计量监测的是生产过程中的不同方面，T²统计量表征主元空间特征，Q统计量表征残差空间，故T²统计量包含正常生产过程信号的大部分变化，Q统计量主要代表噪声。如图3所示，Q统计量主要衡量正常过程变量之间的相关性被改变的程度，显示异常的过程状况。T²统计量度量现有样本距离主元空间原点的距离。实际检测时，Q统计量和T²统计量不一定会同时越过各自的控制限，此时，故障难以辨识，降低了间歇生产过程检测故障的效率，使得精准的统计量没有发挥更好的效果。

发明内容

本发明为改善间歇工业过程故障检测中存在的统计控制限不精准、故障检测效果低的问题，提供一种更加高效、准确的统计控制限并应用于青霉素发酵过程故障检测方法，能够更加精确地检测间歇生产过程中的故障，提高检测效率。

为了达到上述目的，本发明提供了一种青霉素发酵过程故障检测方法，其特征在于，具体步骤如下：

步骤一：获取多批正常生产过程数据，I批正常生产的完整数据构成的数据集X(I×J×K)是一个三维数据结构。其中，I代表批次数，J代表过程变量数，K代表采样个数；将三维数据集沿时间轴方向依次向右展开构成一系列二维数据集合(I×JK)，得到K个时间片，即K个二维数据子空间模型Xi(i＝1,2,L,K)；二维数据子空间模型中，每一行元素包含某个批次某个时刻所有过程变量的过程数据；

步骤二：对步骤一中的K个二维数据子空间模型Xi(I×JK)分别进行数据标准化，具体方法为：求出二维数据子空间模型Xi中每一列元素的均值mean(Xi)和标准差std(Xi)，每一列元素减去相应的列均值且除以相应的列标准差；公式如下：