一种基于自适应FCM的多阶段发酵过程故障监测方法技术

本发明专利技术公开了一种基于自适应FCM的多阶段发酵过程故障监测方法，解决了标准FCM算法用于发酵过程阶段划分时存在的如下问题：无法实现多批次三维数据的聚类；需要人为指定阶段划分个数；随机初始化聚类中心且易受样本噪声及跳变点的影响。具体步骤包括：首先计算每个时刻数据矩阵的相似度指标作为聚类输入样本，依据最大最小聚类法则获取初始聚类中心集合，之后引入聚类有效性函数通过自适应迭代确定最佳聚类个数。本发明专利技术实现了基于多个正常操作批次数据的发酵过程阶段划分，使得阶段划分过程更加客观准确，分阶段建模监测模型降低了故障的误报漏报率，对实现发酵过程的控制及故障检测有重要意义。

A fault monitoring method for multi-stage fermentation process based on adaptive FCM

The invention discloses a multi stage fermentation process fault detection method based on adaptive FCM, solve the problems for the standard FCM algorithm is as follows: when the fermentation stages can not achieve clustering multiple batches of 3D data; given the number of stages; random cluster center initialization and is easily influenced by jump and change point sample noise. The concrete steps include: firstly, similarity index is calculated for each time of the data clustering matrix as the input sample, according to the maximum and minimum clustering formula for initial clustering center set, after the introduction of clustering validity function to determine the optimal clustering number by adaptive iteration. The invention realizes phase division multiple batch fermentation process based on the data of normal operation, the stage division process more accurate and objective, stage modeling monitoring model of failure in reducing the false alarm rate is of great significance to the realization of the fermentation process control and fault detection.

【技术实现步骤摘要】
一种基于自适应FCM的多阶段发酵过程故障监测方法
本专利技术涉及基于MSPM的间歇过程监控与故障诊断
，特别是涉及一种在发酵过程中应用改进的阶段划分算法建立多阶段故障监测模型并实施在线监测的方法。
技术介绍
发酵过程是现代流程工业中常见的一种生产方式，被广泛应用于医药、酿酒、生化制品等生产。发酵过程不仅具有一般非线性系统的时变性、大惯性、关联性、不确定性等特点，并且由于发酵过程的中的一些重要参数如菌体浓度和产物浓度等都不可以在线测量，所以发酵过程的控制比一般非线性系统更为复杂。由于发酵过程机理复杂，数据重复性比较差，很难用确定性数学模型来描述，因此，采用统计过程控制等数据驱动技术就成为解决此类复杂非线性生化反应系统的有效途径，已经成为近年来过程控制领域的研究热点之一。发酵过程在线监控和故障监测从历史生产数据出发，通过建立基于数据驱动的统计模型，并用于监视生产过程的进行，及时发现并消除过程的异常状况，实现过程的安全、稳定的运行，最终达到提高产品质量和企业经济效益的目的。发酵过程是典型的多阶段间歇工业生产过程。目前研究中对发酵过程的在线监控，多采用多向主成分分析(MPCA)和多向偏最小二乘(MPLS)等传统的多元统计方法，这些方法要求变量服从正态分布，利用的仅仅是二阶统计量信息。多向独立成分分析(MICA)是一种基于ICA技术、处理间歇过程三维数据的多元统计方法，不需假设变量满足正态分布，并且利用了信号的高阶统计信息，能更有效地分析处理过程数据，从而能更本质地描述过程特性。间歇过程的多阶段特性，即间歇过程操作中的过程变量跟随过程操作进程或过程机理特性的变化发生规律性的改变。每个阶段都有其特定的控制目标，有不同的过程主导变量和过程特征，如果将一个完整批次数据作为统计样本建立监控模型，则不能反映出这种特性，监控效果也会很不理想。近几年研究中常用的阶段划分算法即聚类算法，该类算法无需过程先验知识，通过对过程数据进行聚类分析，从而达到分段目的。其中最为典型的有FCM聚类算法，然而该算法用于间歇过程阶段划分时仍存在一些问题尚未解决：无法实现多批次三维数据的聚类；需要事先给定聚类个数，没有明确的度量指标；对初始化的聚类中心十分敏感；易受噪声与孤立点的影响。
技术实现思路
本专利技术针对上述现有技术中存在的问题，提出了一种基于自适应FCM的多阶段发酵过程故障监测方法。间歇过程三维数据展开成二维矩阵后，将矩阵间的相似性度量结果作为阶段划分的输入样本，即可实现多批次正常操作三维数据的聚类，又可消除样本噪声与孤立点的影响，增强鲁棒性；依据最大最小距离法则选取初始聚类中心集合，引入聚类有效性函数通过自适应迭代方式确定最佳聚类个数。本专利技术采用了如下的技术方案和实现步骤：步骤1：采集发酵过程数据，建立样本集X，所述的样本集由同一发酵过程相同工艺下所记录的I批次测量数据构成，X=(X1,X2,...,XI)T，其中Xi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Xi=(Xi,1,Xi,2,...,Xi,K)，其中Xi,k表示第i批次第k采样时刻采集的数据，Xi,k=(xi,k,1,xi,k,2,...,xi,k,J)，其中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；步骤2：对样本集X进行标准化处理，处理方式如下：首先计算样本集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；然后对样本集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：其中，i=1,...,I，j=1,...,J，k=1,...,K；步骤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'=(X1',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；步骤4：数据矩阵相似性度量将构造完成的二维矩阵X'中所有I批次上，同一采样时刻采集的所有J个过程变量划分成K个I行J列的时间片矩阵X'k(I×J),k=1,2,…,K，计算每一个X'k与其他时刻数据矩阵Xr'的相似度指标D(k，r)，即可得到K×K的相似度矩阵D={D(k，r)k=1，2，…，K；r=1，2，…，K}，作为聚类的输入样本，其中所述的相似度指标D(k，r)计算公式如下：其中，λj为协方差矩阵Sk的第j个特征值，J为过程变量数，其中，R为矩阵X'k和X'r的混合协方差矩阵，P=PoΛ-1/2，RPo=PoΛ（5）其中，Po为对R进行特征值分解得到的正交矩阵，Λ为对角阵，其对角元素为R的特征值；步骤5：采用最大最小距离法则获取相似度矩阵D的初始聚类中心集合，聚类数为cD；步骤6：计算聚类有效性函数的值令起始聚类数c=2，并在初始聚类中心集合中选取相应个数的聚类中心运行FCM聚类算法，获取当前聚类个数的模糊划分，计算并记录模糊度聚类有效性函数DS的值及其迭代收敛次数；步骤7：聚类个数c=c+1，重复步骤6，直到c=cD；自适应选取的最佳聚类个数为DS最小值所对应的聚类个数，最佳聚类个数下得到的模糊划分作为最佳阶段划分；步骤8：建立离线多阶段监测模型步骤8.1：根据步骤7得到的最佳阶段划分方式，对步骤3中的重构二维矩阵X'进行阶段划分，获得C个操作子阶段，可表示如下：其中，k1，k2，…kc-1为C个操作子阶段的划分时本文档来自技高网...

【技术保护点】
一种基于自适应FCM的多阶段发酵过程故障监测方法，其特征在于包括以下步骤：步骤1：采集发酵过程数据，建立样本集X，所述的样本集由同一发酵过程相同工艺下所记录的I批次测量数据构成，X＝(X

【技术特征摘要】
1.一种基于自适应FCM的多阶段发酵过程故障监测方法，其特征在于包括以下步骤：步骤1：采集发酵过程数据，建立样本集X，所述的样本集由同一发酵过程相同工艺下所记录的I批次测量数据构成，X＝(X1,X2,...,Xi,...,XI)T，其中Xi表示第i批次数据1≤i≤I，每个批次包含K个采样时刻，每个采样时刻采集J个过程数据，即Xi＝(Xi,1,Xi,2,...,Xi,k,...,Xi,K)，其中Xi,k表示第i批次第k采样时刻采集的数据1≤i≤I,1≤k≤K，Xi,k＝(xi,k,1,xi,k,2,...,xi,k,j,...,xi,k,J)，其中xi,k,j表示第i批次中第k采样时刻的第j个过程数据的测量值1≤i≤I,1≤k≤K,1≤j≤J；步骤2：对样本集X进行标准化处理，处理方式如下：首先计算样本集X的所有时刻上所有过程数据的均值和标准方差，其中第k采样时刻的第j个过程数据的均值的计算公式为：第k采样时刻的第j个过程数据的标准方差sk,j的计算公式为，然后对样本集X进行标准化，其中第i批次中第k采样时刻的第j个过程数据的标准化计算公式如下：其中，i＝1,...,I，j＝1,...,J，k＝1,...,K；步骤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个过程数据第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；步骤4：数据矩阵相似性度量；在构造完成的二维矩阵X'中所有I批次基础之上，同一采样时刻采集的所有J个过程数据划分成K个I行J列的时间片矩阵X'k(I×J),k＝1,2,…,K，计算每一个X'k与其他时刻数据矩阵Xr'的相似度指标D(k,r)，即可得到K×K的相似度矩阵D＝{D(k,r),k＝1,2,…,K；r＝1,2,…,K}，作为聚类的输入样本，其中所述的相似度指标D(k,r)计算公式如下：其中，λj为协方差矩阵Sk的第j个特征值，J为过程数据数，其中，R为矩阵X'k和X'r的混合协方差矩阵，P＝PoΛ-1/2，RPo＝PoΛ(5)其中，Po为对R进行特征值分解得到的正交矩阵，Λ为对角阵，其对角元素为R的特征值；步骤5：采用最大最小聚类法则获取相似度矩阵D的初始聚类中心集合，聚类数为cD；步骤6：计算聚类有效性函数的值令起始聚类数c＝2，并在初始聚类中心集合中选取相应个数的聚类中心运行FCM聚类算法，获取当前聚类个数的模糊划分，计算并记录模糊度聚类有效性函数DS的值及其迭代收敛次数；步骤7...

【专利技术属性】
技术研发人员：高学金，崔宁，王普，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11