[发明专利]一种基于MLLE‑OCSVM的青霉素发酵过程故障监测方法

摘要

一种基于MLLE‑OCSVM的青霉素发酵过程故障监测方法，涉及基于数据驱动的故障监测技术领域。包括“离线建模”和“在线监测”两个阶段。“离线建模”的步骤为首先对发酵过程的三维数据进行处理；之后采用流形学习算法中的局部线性嵌入方法(MLLE)对原始高维数据样本进行特征提取；最后利用单类支持向量机(OCSVM)进行建模构造监控统计量，并利用核密度估计方法确定控制限。“在线监测”的步骤为对新采集的数据按照模型进行处理，计算其统计量并与控制限进行比较判断发酵过程是否运行正常。本发明无需假设发酵过程变量服从高斯或非高斯等具体的分布，故障监测的准确率较高。

主权项

一种基于MLLE‑OCSVM的青霉素发酵过程故障监测方法，其特征在于，包括“离线建模”和“在线监测”两个阶段，其中“离线建模”阶段主要是基于青霉素发酵过程正常工况下的历史数据建立发酵过程的模型，并通过一系列方法确定模型的“控制限”；“在线监测”阶段主要是对被监测的实时过程数据按照模型进行处理，判断其是否超过“控制限”，若超限则认为发酵过程发生故障，进行报警；若未超限则认为发酵过程运行正常；具体步骤如下：A.离线建模阶段：1)青霉素发酵过程正常工况下历史数据的采集：每次发酵过程的反应时间有限，产品需要多批量、重复性生产，故而一次间歇过程周期称之为一个批次；因此，收集到的发酵过程正常工况下的历史数据集合要比连续过程多一维“批次”元素，即典型的发酵过程数据是一个三维矩阵，其表达形式为XI×J×K，I是批次数，J是过程变量的个数，K是采样次数；2)对历史数据进行标准化处理，处理方式如下：三维数据的预处理：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，xi,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sk,j的计算公式为，k＝1,...,K，j＝1,...,J；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：x~i,k,j=xi,k,j-x‾k,jsk,j]]>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二维矩阵X'，该矩阵共有J个列向量，即X'＝(X′1,X'2,...,X'J)，其中第j个列向量X'j＝(X'j,1,...,X'j,K)T，X'j,k＝(X'j,k,1,...,X'j,k,I)T，其中X'j,k,i表示经过步骤2)标准化处理后的第j个过程变量第k个采样时刻在第i个批次中对应的值，其中i＝1,...,I，j＝1,...,J，k＝1,...,K；4)利用局部线性嵌入(MLLE)方法进行特征提取：将二维矩阵X'利用MLLE算法求得相关矩阵M前(1,d+1)个特征值所对应的特征向量V，再根据得到低维矩阵Y，其中对应步骤3)中的X'；5)利用OCSVM对Y每个时刻的所有批次数据分别进行训练，得到第k采样时刻的决策超平面函数Fk(·)，然后计算建模数据相应的D统计量，D＝(D′1,...,D'K)，D'k＝(d'k,1,...,d'k,I)，其中，d'k,i＝‑Fk(Y′k,i)，Y′k,i为Y在第k采样时刻的第i列；6)利用核密度估计方法估计上述求得的统计量在预设置信限时的估计值，并将其作为模型的控制限；B.在线监测阶段：7)采集当前发酵过程第k采样时刻的J个过程变量的数据xk，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：x~k,j=xk,j-x‾k,jsk,j]]>其中，xk,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，为第k采样时刻的第j个过程变量的平均值，sk,j为第k采样时刻的第j个过程变量的标准方差，j＝1,...,J，k＝1,...,K；8)将步骤7)中标准化后的数据作为二维矩阵X'，并求得X'低维矩阵y如下式所示：y=Vx~]]>其中，V为离线建模阶段步骤4)中矩阵M前(1,d+1)个特征值所对应的特征向量；其中对应X'；9)将步骤8)中得到的y按下式计算新采集数据的监控统计量D：D(y)＝‑Fk(y)其中，Fk为离线建模阶段步骤5)所确定的第k时刻的决策超平面；10)将上述计算得到的监控统计量D与建模阶段的步骤6)确定的控制限进行比较，如果超限则认为发生故障，进行报警；否则即为正常；11)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7)，继续进行过程监测。