[发明专利]一种基于MICA-OCSVM的发酵过程故障监测方法

说明书

技术领域

本发明涉及基于数据驱动的故障诊断技术领域，特别是涉及一种针对间歇过程的故障诊断技术。本发明的基于数据驱动的方法即是在典型间歇过程——青霉素发酵过程故障监测方面的具体应用。 

背景技术

近几十年来，间歇过程因其可以满足生产高附加值产品的需求而受到广泛关注。但其机理复杂、操作复杂度高、产品质量易受不确定性因素的影响。青霉素发酵过程作为典型的间歇过程，具有较强的非线性、动态性、混合高斯分布等特点，为了保证发酵过程操作系统的安全性和稳定性，建立一种有效的过程监控方案来及时地检测异常现象是十分有必要的。 

目前，多元统计技术已经广泛应用到间歇过程（包括发酵过程）的过程监控。其中应用较多的方法有多向主成分分析(Multi-way Principal Component Analysis，MPCA)和多向偏最小二乘分析(Multi-way Partial Least Squares，MPLS)，这些方法需要假设过程变量服从或近似服从多元高斯分布，应用在实际间歇过程监控存在着不足。MICA可以利用高阶统计信息提取过程数据中的非高斯信号，显现出比MPCA更优的监控效果。然而，实际的工业过程多为高斯和 非高斯的混合分布，因此以上方法因需假设过程变量服从具体的分布而受到应用限制。一些学者采用PCA和ICA分步建模来解决这一问题，提出了组合方法MICA-PCA对非高斯信息和高斯信息分别监控，但该方法不能明确选择主要独立成分的个数，无法做到有效区分非高斯信息和高斯信息。 

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于MICA-OCSVM的发酵过程故障监测方法。将MICA提取的独立成分用于OCSVM建模并构造非线性的监控统计量。OCSVM是基于统计学习理论提出的，因此其无需假设过程变量服从具体的分布。而且OCSVM可以确定正常工况下潜隐变量的非线性边界，有效减少过程监测中误报、漏报的发生，提高故障监测的准确性。 

本发明采用了如下的技术方案及实现步骤： 

A.离线建模阶段： 

1）采集发酵过程正常工况下的历史数据，所述的历史数据X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，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）对历史数据进行标准化处理，处理方式如下：