[发明专利]一种基于子阶段内高阶统计量构建的微生物发酵过程故障监测方法

说明书

本发明公开了一种实现对青霉素发酵过程进行实时故障监测的新方法。本方法利用青霉素发酵过程数据的高阶信息，建立一种有效的过程监测方案来及时地检测异常现象。本发明包括“离线建模”和“在线监测”两个阶段。“离线建模”包括：对原始数据进行阶段划分，采用核熵成份分析(KECA)处理的同时解决数据的非线性；然后在高维核熵空间利用HCA技术构建新的子阶段统计量用于过程监控。“在线监测”包括：对新采集的数据进行预处理，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。本发明能较好的揭示过程变量相关关系的变化，客观反映各稳定阶段和各过渡阶段特征的多样性，有效地减少了系统的误警和漏报率。

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子阶段的故障诊断技术。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

多阶段、非线性、非高斯性是间歇过程的固有特征，常见的间歇过程有微生物制药、污水处理、啤酒制备、酸奶制备等。间歇过程生产批量规模比较灵活，工艺改变较容易，同时对于产品切换有一定的兼容性，可以进行少量的不同品种的生产，可以较快地适应原料或运行条件的变化。但是由于相对于连续过程其人为参与成分较多，操作控制要求较复杂，会存在生产过程出现染菌、检测装置人为损坏等问题，虽然过程中停车比较容易，而且可以定期进行清洗和消毒，但是如何能够尽早地发现问题避免不必要的沉没成本依然是需要重视的。因此，建立一个合理、有效的在线监控和故障诊断机制是至关重要的。

近些年来，KICA监测方法在批次过程针对非高斯、非线性共存的监测领域得到了广泛应用。但是KICA的方法都是利用核技巧在高维特征空间使数据信息最大化进行数据降维，未考虑数据的簇结构信息，使得降维后的数据分布与原始数据分布有很大的差异，使用这种模型进行过程监测会导致大量故障的漏报警和误报警现象。

近五年来，KECA在间歇过程监控领域针对非线性的间歇生产过程故障监测方面取得了优于传统KICA的效果，但以上基于KECA的监控策略并未考虑非线性和非高斯性共存的问题。如果还仅仅用KECA去监测同时具有非高斯和非线性的间歇生产过程必将造成大量的误报警和漏报警，有些甚至失去对生产过程的监控性能。

间歇过程具有多个操作稳定阶段和多个操作过渡阶段，当生产过程运行于不同的阶段时，正常生产过程数据的均值、方差、相关性等特征会发生明显的变化，如按照整体建模的思想去构建监测模型势必造成所建立的模型不能很好地描述生产过程的所有操作阶段，往往体现为所建立的整体模型只能很好地描述某几个生产阶段；或者其所构建的整体控制限过宽，具有较高故障的误报警率和漏报警率。

发明内容

为了克服上述现有技术的不足，本发明提出了一种基于子阶段内高阶统计量构建的微生物发酵过程故障监测方法。该方法充分考虑间歇过程数据具有的非线性、非高斯性和多阶段等特性。首先划分时段，解决间歇过程多阶段的特性，之后利用KECA将原始数据映射到高维核熵空间解决数据的非线性特性，使其线性可分，在每一个阶段内建立ICA监测模型并将高维核熵空间的数据分解为独立元空间和残差空间，然后在两个子空间分别构造高阶累计量的监测统计量HS和HE，用于在线监测。

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)对于采集数据矩阵X，其每行对应每一采样时刻、每列对应每一传感器。

2)用聚类方法对全部运行时刻进行阶段划分，得到K类，每一类及为一个子时段。依据划分结果将矩阵X分解，得到每个阶段的数据矩阵X_k，k＝1，2，...，K。

3)将每个X_k映射至核空间，得到子时段核矩阵K_k，k＝1，2，...，K。K_k中第i行第j列元素k_kij计算方法如下：