[发明专利]基于FDA与SOM的间歇工业过程反应阶段聚类以及故障分类可视化

说明书

本发明公开了一种基于FDA与SOM的间歇工业过程反应阶段聚类以及故障分类可视化的方法。间歇工业过程一般需要经历几个固定的反应阶段，即具有多阶段的特性，准确区分各个反应阶段有助于确认反应过程进度和反应过程是否正常；同时，针对批次过程中可能产生的故障，准确对故障进行识别并确认故障类型对于安全生产至关重要。本方法通过在仿真平台pensim2.0上模拟青霉素的发酵过程获得所需的间歇过程数据，利用线性判别分析（FDA）进行数据的特征提取，通过改进K均值算法预先对反应模态进行聚类，通过自组织映射神经网络（SOM）完成各阶段的聚类结果可视化，同时对于不同的故障批次利用SOM进行分类可视化。

技术领域

本发明涉及一种对间歇工业过程进行反应阶段聚类以及故障分类可视化的方法，主要涉及间歇工业过程的不同阶段聚类与各种故障状态分类的可视化。

背景技术

间歇工业过程在现代工业生产中所占的比重越来越大，其生产过程已广泛的应用于生物制药，化学化工，食品生产以及半导体等行业，通常用于生产具有较高附加值的产品。为了实现间歇工业过程的大规模生产，对间歇工业过程输出的产品质量、操作环境的安全性以及产品的稳定性具有很高的要求，需要对间歇过程进行有效的监督以保证多阶段生产过程和各种质量指标稳定在可接受的范围内。由于间歇工业过程的非线性、时变性以及阶段性等特点，某些关键的生产变量即使发生很小的改变，经过时间和批次双重的累积，也会造成其不断地传播，从而影响批次中产品的质量。因此对间歇工业过程进行有效的监控，对于保障产品质量和过程安全都具有十分重要的意义。

当前对于间歇工业过程普遍采用的在线监控，多采用多元统计分析的方法，例如多向主成分分析法（MPCA）和多向偏最小二乘法（MPLS）等一般传统的统计分析法，基本可以实现对间歇工业过程的监控，但这些方法要求各变量须服从高斯分布，且在进行监控时仅仅用到了系统的二阶统计信息，忽略了变量之间的相关性；多向独立成分分析法（MICA）是一种基于独立成分分析（ICA）对间歇工业过程进行监控的方法，这种方法不需要假设数据服从高斯分布，并且利用了数据的高阶信息，对间歇工业过程也可以实现较好的监控；还有基于神经网络和小波变换等非统计方法用来对间歇工业过程进行过程监控的研究，通过对大量间歇工业过程数据的学习和归纳，实现了较好的监控效果。

通过对间歇工业过程的多阶段特性进行可视化监控，可以对间歇工业过程的运行模态进行清楚地界定，确定各阶段的起止反应点，从而可以进一步实现对各阶段内部状态的监控，为阶段内部的故障检测与识别提供依据；而通过对间歇工业过程的多状态特性进行可视化监控，可以有效对正常状态与各种不同故障状态进行识别，从而及时发现故障批次，确定故障批次的故障类型及故障可能发生位置的定位，并进一步分离故障批次产物，保证产品质量的稳定性。

发明内容

本发明的目的是提供一种针对于间歇工业过程具有的多阶段和多状态特性进行可视化的方法。本发明主要分为两部分，第一部分是对间歇工业过程的模态进行可视化，第二部分是对间歇工业过程的不同状态进行可视化。采用pensim 2.0青霉素发酵过程模拟器产生需要的间歇工业过程数据，对数据进行展开以及标准化，通过线性判别分析（FDA）进行关键变量的特征提取，对于反应阶段的可视化，首先采用K-means算法对数据进行预聚类，并将预聚类结果运用序列分割以确定各阶段分界点，然后输入到SOM网络进行训练、输出，实现模态可视化；对于状态可视化，数据经FDA特征提取后，直接输入SOM网络训练、输出，实现状态可视化。

1.数据采集和预处理

采集间歇工业过程的正常和各故障状态所对应的数据，其数据形式X（I×J×K）是一个三维矩阵，其中I代表批次数，J代表变量个数，K代表采样次数。对于模态可视化的数据矩阵，首先将数据按照时间片展开，然后进行重新组合，对重新组合后的数据矩阵进行总体标准化；对于状态可视化的数据矩阵，同样首先将数据按照时间片方式展开，按照求均值预处理后，进行重新组合，然后进行标准化。

2.特征提取