[发明专利]基于统计分析和贝叶斯集成的青霉素生产过程监测方法

权利要求书

1.一种基于统计分析和贝叶斯集成的青霉素生产过程监测方法，其特征在于，包括以下步骤： 

（1）利用集散控制系统收集青霉素生产过程各个正常工况的数据组成建模用的三维训练样本集：X=[X₁;X₂;…,X_C]。其中，c=1,2,…,C为对应于过程工况c的数据矩阵，I_c为该工况下的批次数目，J为变量个数，K为每个批次的采样数据点数。分别将这些数据存入历史数据库。 

（2）分别将不同工况下的数据沿着各自的批次方向展开为I_c×JK二维数据矩阵，对其进行预处理和归一化，即使得各个过程变量的均值为零，方差为1，得到新的数据矩阵集为

（3）重新沿着时间点方向对每一个数据矩阵进行排列，得到新的数据矩阵集中为

（4）采用独立成分分析方法对每一个新的数据矩阵进行处理，建立独立成分分析模型，并得到残差矩阵

（5）针对提取出来的独立成分，构造基于支持向量描述方法的监测统计量，并计算其统计限。 

（6）针对残差矩阵采用主元分析方法对其进一步分析，并构造统计量，计算相应的统计限。 

（7）将建模数据和各个模型参数存入历史数据库和实时数据库中备用。 

（8）收集新的过程数据，并对其进行预处理和归一化。 

（9）分别采用不同的工况模型对其进行监测，并计算各个统计量的值。 

（10）通过贝叶斯推理方法计算当前监测数据在各个操作工况下的后验概率值，计算数据的故障概率值，并给出相应的工况分析和定位结果。 

2.根据权利要求1所述基于统计分析和贝叶斯集成的青霉素生产过程监测方法，其特征在于，所述步骤（4）具体为：采用独立成分分析（ICA）方法对每一个新的数据矩阵进行处理，建立独立成分分析模型。通过ICA分析，可以得到该数据矩阵的独立成分矩阵混合矩阵A_c∈R^J×r，分离矩阵W_c∈R^r×J以及残差矩阵如下： 

其中，c=1,2,…,C，r为选取的独立成分个数。 

3.根据权利要求1所述基于统计分析和贝叶斯集成的青霉素生产过程监测方法，其特征在于，所述步骤（5）具体为：针对上一步提取出来的独立成分信息，建立支持向量数据描述模型，也即解如下的优化问题 

在高维特征空间中，得到超球体的球心和半径分别为 

构造独立成分信息的监测统计量为样本到超球体球心的距离的平方，即 

其中，统计量的统计限为超球体半径的平方值。 

4.根据权利要求1所述基于统计分析和贝叶斯集成的青霉素生产过程监测方法，其特征在于，所述步骤（6）具体为：在上一步的基础上对残差矩阵进行主元分析，即 

其中T_c和P_c分别为主元分析模型的得分和负载矩阵，F_c为主元分析模型的残差矩阵。基于主元分析模型，建立监测统计量及其相应的监测统计限如下 

其中，c=1,2,…,C，k_c为主元模型的主元变量个数，α为F分布的显著性指标，g_c=v_c/(2m_c)，m_c和v_c分别为SPE统计量的均值和方差。 

5.根据权利要求1所述基于统计分析和贝叶斯集成的青霉素生产过程监测方法，其特征在于，所述步骤（9）具体为：对于归一化之后的新数据分别采用不同工况下的模型对其进行监测，建立独立成分监测统计量如下： 

NGS_c,new=d²(Φ(s_c,new))=||Φ(s_c,new)-a_c||²

得到残差信号为进而利用主元分析模型得到另外两个统计量的值为 

。

6.根据权利要求1所述基于统计分析和贝叶斯集成的青霉素生产过程监测方法，其特征在于，所述步骤（10）具体为：首先通过贝叶斯推理方法计算当前监测数据在各个过程操作工况下的后验概率值，即： 

其中，和分别为边缘分布概率，定义如下： 

P(c)为先验概率，可简单计算为

接下来，计算当前数据在各个工况下的故障概率如下： 

其中，为对应工况下的建模数据，Pr{·}表示概率值。 

最后，计算新样本的监测结果，即集成不同操作工况下的监测结果如下： 

基于各个操作工况的后验概率值，对新数据进行工况分析和定位如下：其中，后验概率的值越大，说明当前监测数据与相应工况的关联度越大。反之，值越小说明该数据处于相应工况的可能性就越小。