[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

摘要

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。

主权项

1.一种微生物制药过程的角相似度阶段划分及监测方法，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：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：4)对于全部时间片矩阵，计算初始K个密度指标,其中，第k个密度指标的计算公式如下，k＝1,…,K：其中，表示第k个时间片与第h个时间片的相似度，s_dist＝||x_k‑x_h||²，||·||表示2范数计算，x_k、x_h分别表示标准化之后的第k、h时刻的时间片矩阵，权重系数0≤λ≤1，密度半径γ_a>0；5)初始化聚类中心个数c＝1；6)选择具有最高密度指标的时间片x_k为第c个聚类中心，选中的时间片记为为其密度指标，之后对全部时间片的密度指标进行更新：其中，表示第h个时间片与第c个聚类中心时间片的相似度,公式同步骤4中s_k,h，正数γ_b>γ_a；7)修正了全部时间片的密度指标后，判断中的最大值是否满足以下判据：其中，v∈(0，0.01]，如满足，则结束阶段划分，最终得到个C₀＝c个聚类中心，进入(9)；不满足则进入(8)；8)令c＝c+1，循环至(6)。9)对全部K个时间片进行聚类：以每个时间片为对象，首先计算每个时间片与全部C₀个聚类中心的相似度s_k,c(c＝1,…,C₀)，公式同步骤4中s_k,h；然后，在全部C₀个聚类中心找到一个聚类中心c，使得这个聚类中心与当前时间片的相似度为最大，即将当前时间片划入子时段c；对全部K个时间进行划分，得到C₀个子时段；10)将隶属同一子时段的时间片沿时间先后顺序组合为三维矩阵X_c，c＝1,…,C₀，三维分别为生产批次数i＝1,…,I、过程变量j＝1,…J、采样时刻k＝1,…,k_c，k_c为属于第c子时段的时间片个数；11)利用数据矩阵X_c，c＝1,…,C₀建立全部C₀个子时段的KECA模型；12)利用KECA模型，计算各时段内所有数据的T²和SPE统计量，并用核密度估计分别确定各子时段内T²和SPE统计量的控制限，用于在线监测；B.在线监测：13)获取当前时刻时间片矩阵并根据离线建模阶段对应时刻的均值和标准差进行数据标准化预处理：为中第i行第j列的元素，表示第i批第j个变量于在线阶段第k时刻的采样值；14)根据离线建模阶段得到的C₀个聚类中心，判断当前时刻k的所属子时段c；15)用第c子时段的KECA模型计算在线数据的T²和SPE统计量，判断T²和SPE统计量是否大于步骤(12)中得到的控制限，若二者均未超限，则认为当前时刻过程正常运行，返回(13)；否则认为过程发生异常，产生报警。