[发明专利]一种基于多块收缩自动编码器的发酵过程故障监测方法

权利要求书

1.一种基于多块收缩自动编码器的发酵过程故障监测方法，其特征包括“离线建模”和“在线监测”两个阶段，具体步骤如下：

A.离线建模阶段：

1)采集发酵过程正常工况下的历史数据，由离线测试得到的同一发酵过程相同工艺下的I批次数据构成样本集X＝(X₁,X₂,...,X_I)^T，其中X_i表示第i批次数据，每个批次包含K个采样时刻，每个采样时刻采集J个过程变量，即X_i＝(X_i,1,X_i,2,...,X_i,K)，其中X_i,k表示第i批次第k采样时刻采集的数据，X_i,k＝(x_i,k,1,x_i,k,2,...,x_i,k,J)，其中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；

2)对历史数据X进行数据预处理，处理方式如下：

首先计算历史数据X的所有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，然后对历史数据X进行标准化，其中第i批次中第k采样时刻的第j个过程变量的标准化计算公式如下：

其中，i＝1,...,I，j＝1,...,J，k＝1,...,K；

3)将步骤2)标准化后的数据重新构造成矩阵X′，该矩阵共有I个批次，即X′＝(X′₁,X′₂,...,X′_I)^T，其中第i个批次数据X′_i＝(X′_i,1,X′_i,2,...,X′_i,K)，X′_i,k＝(x′_i,k,1,x′_i,k,2,...,x′_i,k,J)，其中x′_i,k,j表示经过步骤2)标准化处理后的第i个批次中第k个采样时刻第j个过程变量的值，i＝1,...,I，k＝1,...,K，j＝1,...,J；

4)计算步骤3)矩阵X′的累积误差矩阵X″，该矩阵共有I个批次，即X″＝(X″₁,X″₂,...,X″_I)^T，其中第i个批次数据X″_i＝(X″_i,1,X″_i,2,...,X″_i,K)，X″_i,k＝(x″_i,k,1,x″_i,k,2,...,x″_i,k,J)，i＝1,...,I，k＝1,...,K，j＝1,...,J，x″_i,t,j表示第i个批次中第j个过程变量前t个采样时刻的累积误差值，计算公式为

5)步骤4)矩阵X″有J个过程变量，可表示为X″＝(X″₁,X″₂,...,X″_J)，其中第j个过程变量数据X″_j＝(X″_j,1K,X″_j,2K,...,X″_j,IK)^T，X″_j,iK＝(x″_j,i,1,x″_j,i,2,...,x″_j,i,K)^T，i＝1,...,I，k＝1,...,K，j＝1,...,J，分别计算两两变量之间的互信息值，即I_mn＝I(X″_m,X″_n)，m＝1,...,J，n＝1,...,J，如果I_mn≥I_th，其中I_th是一个阈值，那么第m个过程变量数据X″_m和第n个过程变量数据X″_n分到同一个子块中，最终划分为B个子块，其中，第b个子块记为X″′_b＝(X″_p,...,X″_q)，b＝1,...,B，表示第b个子块由第p、…、q个过程变量数据构成；

6)建立多块收缩自动编码器模型用于特征提取，具体包括以下步骤：

(6.1)对B个子块分别建立收缩自动编码器网络模型用于特征提取，其中，每一个网络模型结构包括输入层、隐含层和输出层，其中，隐含层节点数少于输入层节点数和输出层节点数，为提取的发酵数据特征层；其中，第b个网络模型结构的输入为加入掩蔽噪声ε的第b个子块的发酵过程数据第b个网络模型结构的输出为重构的子块发酵过程数据R_b，由输入层到隐含层为编码过程，具体形式为：

其中，为中的第i批次的数据，H_b,i为的隐含层编码，σ为隐含层激活函数，W和β分别为输入层到隐含层的连接权值和偏置向量；由隐含层到输出层为解码过程，具体形式为：

R_b,i＝W′H_b,i+β′

其中，R_b,i为输入后输出层重构的子块发酵过程数据，W′和β′分别为隐含层到输出层的连接权值和偏置向量；

(6.2)对网络参数η＝{W,W′,β,β′}进行随机初始化，采用小批量梯度下降算法迭代训练收缩自动编码器，每次迭代使用一个发酵批次样本来对参数η进行更新；其中，收缩自动编码器损失函数为：

其中为隐含层对于输入数据的雅克比矩阵，λ为收缩率，取值在0-1之间；

7)分别计算B个子块监测模型相对应的SPE统计量，其中第b个子块监测模型的SPE统计量计算如下,SPE_b＝(SPE_b,1,...,SPE_b,I)，SPE_b,i＝(SPE_b,i,1,...,SPE_b,i,K)，第i个批次中第k个采样时刻的SPE统计量定义为：

SPE_b,i,k＝(x″_b,i,k-r_b,i,k)^T(x″_b,i,k-r_b,i,k)

x″_x,i,k为第b个子块的第i个批次中第k个采样时刻的样本，r_b,i,k为输入x″_b,i,k到训练好的收缩自动编码器得到的实际输出；最后，利用核密度估计方法估计上述求得的SPE统计量在预设置信限时的估计值，并将其作为第b个子块SPE_b统计量的控制限；其余B-1个子块监测模型的SPE统计量控制限的计算重复以上过程；将B个子块监测模型的SPE统计量控制限合成一个综合统计量的控制限SPE^new，

B.在线监测阶段：

8)采集当前发酵过程第k采样时刻的J个过程变量的数据X_k，并根据步骤2)中得到的k时刻的均值和标准方差对其进行标准化得到其中第k采样时刻的第j个过程变量的标准化公式如下：

其中，x_k,j为当前第k采样时刻所采集发酵数据中的第j个过程变量，为步骤2)中得到的第k采样时刻的第j个过程变量的平均值，s_k,j为步骤2)中得到的第k采样时刻的第j个过程变量的标准方差，j＝1,...,J，k＝1,...,K；

9)按照步骤5)将进行子块划分，划分为B个输入向量将这B个输入向量分别输入步骤6)中对应的收缩自动编码器网络模型中，其中，输入步骤6)中的第b个收缩自动编码器，计算第b个收缩自动编码器对当前发酵过程第k时刻采集数据的监控统计量，计算公式如下：

其中，y_k,b为将输入离线建模阶段步骤6)中第b个收缩自动编码器模型得到的输出向量；

10)将步骤9)的B个收缩自动编码器对当前发酵过程第k时刻采集数据的监控统计量SPE_k,b合为一个新的统计量SPE_k^new：

11)将步骤10)得到的监控统计量SPE_k^new与步骤7)确定的综合控制限SPE^new进行比较，如果超限则认为发生故障，进行报警；否则即为正常；

12)若发酵过程完毕，则终止监测；否则采集下一时刻的数据，返回步骤8)，继续进行过程监测。