[发明专利]一种微生物制药过程的角相似度阶段划分及监测方法

说明书

本发明公开了一种微生物制药过程的角相似度阶段划分及监测方法。为了更好的处理青霉素发酵过程中的多阶段特性，建立了一种有效的基于多阶段划分方法的故障监控模型。本发明包括“离线建模”和“在线监测”两个阶段。“离线建模”包括：首先对发酵过程的三维数据沿时间轴展开；之后将数据划分入C₀个子时段；之后利用子时段数据建立分别的KECA模型，最后计算数据的T²，SPE统计量，并确定各时段内统计量的控制限。“在线监测”包括：对新采集的数据按照模型进行处理，将其划分入各个子时段，计算其统计量并与控制限进行比较生产过程是否故障。本发明充分考虑间歇过程的多阶段特点，故障监测的准确率令人满意。

技术领域

本发明涉及基于工业过程的故障诊断技术领域，特别是涉及一种针对间歇过程的时段划分及故障诊断技术。本发明的基于数据驱动的方法即是在典型间歇过程——青霉素发酵过程故障监测方面的具体应用。

背景技术

目前，工业生产过程中有着大量的间歇过程。但其机理复杂、操作复杂度高、产品质量易受不确定性因素的影响。多阶段特性是间歇过程的固有特征，在每个阶段内都拥有其特定、独有的运行模式和潜在过程特性，具有不同的关键过程变量及特定的控制目标。为了减少间歇过程(比如发酵过程)的漏报率和误报率，对间歇过程进行阶段划分并故障监测是完全必要的。

目前，针对间歇过程的多阶段特性的监控国内外学者做了大量的工作。但是目前的多阶段间歇过程监测有以下两方面的不足：1)聚类数据的输入是MPCA分解后的负载矩阵，而MPCA是线性化方法不能处理间歇过程的非线性，其分解后的负载矩阵必然失去非线性的特征，而非线性又是间歇过程的固有特性，造成非线性数据的丢失。2)采用的K均值或FCM聚类算法需提前指定划分阶段的个数，一旦阶段个数选取的不合适，会使划分结果与数据集的真正结构不符合，也就是不符合过程的实际运行机制，其对过程的监测将造成大量的误报警和漏报警。

发明内容

为了克服上述现有技术的不足，本发明提出了一种微生物制药过程的角相似度阶段划分及监测方法，该方法将三维历史数据按照时间片展开，将其映射到高维核熵空间计算其相似度的值，最终将生产过程划分为稳定阶段和过渡阶段，并在每个阶段内构建监测模型对间歇过程进行过程监测，当监测到有异常工况发生时，利用时刻贡献图方法对其进行故障诊断。

本发明采用了如下的技术方案：

A.离线建模：

(1)采集到正常工况下的微生物制药发酵过程数据X，X为三维数组，三个维度分别为生产批次数i＝1,…,I、过程变量j＝1,…J、采样时刻k＝1,…,K；沿着时间轴方向分解得到K个时间片矩阵，其中，第k时刻的时间片矩阵其行代表生产批次数i＝1,…,I、列代表过程变量j＝1,…,J；

(2)对每个时间片矩阵中的所有元素进行标准化处理，其中，第k时间片中第i行第j列的元素的标准化公式如下：

其中，和分别代表当前第k时间片第j列的均值和标准差，表示标准化后的值；

(3)计算生产过程中任意两个时间片矩阵的夹角，其中，对于生产过程中第a、b两个时刻的时间片矩阵间夹角θ_a,b可通过如下公式计算：

其中，w_j为加权系数，θ_j计算公式如下：

其中，为标准化后的第k时刻时间片矩阵x_k的第j列向量，φ为核映射函数；

然后，计算两时间片矩阵间的角相似度指标，其中，第a、b两个时刻的时间片矩阵角相似度指标，计算公式如下：