一种基于MLLE‑OCSVM的青霉素发酵过程故障监测方法技术

一种基于MLLE‑OCSVM的青霉素发酵过程故障监测方法，涉及基于数据驱动的故障监测技术领域。包括“离线建模”和“在线监测”两个阶段。“离线建模”的步骤为：首先对发酵过程的三维数据进行处理；之后采用流形学习算法中的局部线性嵌入方法(MLLE)对原始高维数据样本进行特征提取；最后利用单类支持向量机(OCSVM)进行建模构造监控统计量，并利用核密度估计方法确定控制限。“在线监测”的步骤为：对新采集的数据按照模型进行处理，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。本发明专利技术无需假设发酵过程变量服从高斯或非高斯等具体的分布，故障监测的准确率较高。

A penicillin fermentation process fault monitoring method based on OCSVM MLLE

A penicillin fermentation process fault monitoring method based on OCSVM MLLE, relates to the field of fault monitoring technology based on data driven. It includes two stages: off-line modeling and on-line monitoring. \Off-line\ steps as follows: first, 3D data of fermentation process; after using manifold learning algorithm in locally linear embedding (MLLE) of the original high dimensional data samples are extracted; finally, using one class support vector machine (OCSVM) modeling and structural monitoring statistics, using the kernel density method determine the control limits. The steps of on-line monitoring are as follows: the new data is processed according to the model, the statistic is calculated and compared with the control limit to judge whether the fermentation process is normal or not. The invention does not need to assume that the fermentation process variables obey the specific distribution of Gauss or non Gauss, and the accuracy of fault monitoring is higher.

【技术实现步骤摘要】
一种基于MLLE-OCSVM的青霉素发酵过程故障监测方法
本专利技术涉及基于数据驱动的故障监测
，特别是涉及一种针对间歇过程的故障监测技术。本专利技术的基于数据驱动的方法是在典型间歇过程——青霉素发酵过程故障监测方面的具体应用。
技术介绍
在制造技术加速发展的今天，为了满足市场上各种不同的需求，生物化学产品、高分子产品、医药产品等高附加值的产品大量涌现，由于间歇过程正好可以满足生产高附加值产品的需求，从而越来越受到广泛关注。在间歇过程中，人们获得的数据呈现出的非单一工况、非线性、非高斯等特点愈发显著。同时，生产过程中所获得的数据维数越来越高，数据结构也越来越复杂，并且其机理复杂，操作复杂度到，产品的质量容易受不确定因素的影响。为了保证间歇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。降维是数据处理的一种有效的解决方案，目前在故障诊断中的数据降维方法分为线性方法和非线性方法。主元分析法(PrincipalComponentAnalysis,PCA)和多维尺度变换(Multi-DimensionalScaling，MDS)是两种典型的线性降维方法。典型的非线性方法包括核主元分析(KernelPrincipalComponentAnalysis，KPCA)、等距映射(Isometricmapping，Isomap)和拉普拉斯特征映射(LaplacianEigenmaps，LE)等。然而，以上方法都是从全局出发确定的投影向量，没有考虑局部的线性特征。例如，传统的MPCA方法，提取的是全局的主成分，降维后的数据没有包含残差空间的成分，不能很好的保留一些对全局数据相关的而又不明显的隐含数据。这些使得基于局部保持投影(LocalityPreservingProjections，LPP)和邻域保持嵌入(NeighborhoodPreservingEmbedding，NPE)等相关算法被提出。它们虽然考虑了局部几何结构，但是距离比较大的点在目标函数中起主导作用，因此不能保证邻域内相距较远的点，投影后相距也较远，破坏了数据的多样性和局部拓扑的几何属性。MLLE可以利用线性嵌入方法得到高维数据的低维线性嵌入矩阵，显现出比其他方法更优的特征提取效果。然而，实际的工业过程多为高斯和非高斯的混合分布，因此传统的多元统计的监控方法因需假设过程变量服从具体的分布而受到应用限制。一些学者采用提出了组合方法MLLE-PCA对非高斯信息和高斯信息分别监控，但该方法无法做到有效区分非高斯信息和高斯信息。
技术实现思路
为了克服以上不足，本专利技术提供了一种基于MLLE-OCSVM的青霉素发酵过程故障监测方法。将MLLE特征提取得到的低维成分用于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。本专利技术采用了如下的技术方案及实现步骤：包括“离线建模”和“在线监测”两个阶段，其中“离线建模”阶段主要是基于青霉素发酵过程正常工况下的历史数据建立发酵过程的模型，并通过一系列方法确定模型的“控制限”；“在线监测”阶段主要是对被监测的实时过程数据按照模型进行处理，判断其是否超过“控制限”，若超限则认为发酵过程发生故障，进行报警；若未超限则认为发酵过程运行正常。具体如下：A.离线建模阶段：1)青霉素发酵过程正常工况下历史数据的采集：每次发酵过程的反应时间有限，产品需要多批量、重复性生产，故而一次间歇过程周期可称之为一个批次。因此，收集到的发酵过程正常工况下的历史数据集合要比连续过程多一维“批次”元素，即典型的发酵过程数据是一个三维矩阵，其表达形式为XI×J×K，I是批次数，J是过程变量的个数，K是采样次数；2)对历史数据进行标准化处理，处理方式如下：三维数据的预处理：三维数据的预处理和标准化是非常重要的一个环节，不同的数据处理和标准化方法可以体现发酵过程数据中不同的方差和协方差结构。本专利技术采用新的数据处理方法：首先计算历史数据X的所有采样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，采集当前发酵过程第k采样时刻的J个过程变量的数据X，然后对历史数据X进行标准化后得到其中第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；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；4)利用局部线性嵌入(MLLE)方法进行特征提取：对展开后的二维矩阵X'利用局部线性嵌入(MLLE)方法，对数据进行标准化处理以消除量纲的影响，然后根据计算的欧氏距离得到近邻a，并利用极大似然估计方法求得降维维数d；在重构过程中根据误差最小原则确定最优权值矩阵W，求解相关矩阵M，然后求得M的前(1,d+1)个最小非零特征值对应的特征向量V，再根据得到低维局部空间的低维矩阵Y，其中标准化以后步骤3)得到的二维矩阵X'；5)利用OCSVM对Y每个时刻的所有批次数据分别进行训练，得到第k采样时刻的决策超平面函数Fk(·)，然后计算建模数据相应的D统计量，D＝(D'1,...,D'K)，D'k＝(d'k,1,...,d'k,I)，其中，d'k,i＝-Fk(Y'k,i)，Yk',i为Y在第k采样时刻的第i列；优选决策超平面函数Fk(·)计算公式如下：Fk(·)＝wkφk(·)+bk其中wk、φk(·)、bk为使用OCSVM对第k个采样时刻进行训练时得到的参数。6)利用核密度估计方法估计上述求得的D统计量在预设置信限时的估计值，并将其作为模型的控制限，一般可设得置信限为0.99。B.在线监测阶段：7)采集当前发酵过程第k采样时刻的J个过程变量的数据xk，并根据步骤2)中得到的k时刻的均值和标准方差的方法对xk进行标准化得到其中第k采样时刻的第j个过程变量的标准化公式如下：其中，xk,j为当前第k采样时刻所采集发酵数据中的第j个过程变量，为第k采样时刻的第j个过程变量的平均值，sk,j为第k采样时刻的第j个过程变量的标准方差，j＝1,...,J，k＝1,...,K；8)将步骤7)中标准化后的数据作为二维矩阵X'，并求得X'低维矩阵y如下式所示：其中对应步骤8)X'；其中，V为离线建模阶段步骤4)中矩阵M前(1,d+1)个最小非零特征值所对应的特征向量；9)按下式计算新采集数据的监控统计量D：D(y)＝-Fk(y)其中，Fk为离线建模阶段步骤5)所确定的第k时刻的决策本文档来自技高网...

【技术保护点】
一种基于MLLE‑OCSVM的青霉素发酵过程故障监测方法，其特征在于，包括“离线建模”和“在线监测”两个阶段，其中“离线建模”阶段主要是基于青霉素发酵过程正常工况下的历史数据建立发酵过程的模型，并通过一系列方法确定模型的“控制限”；“在线监测”阶段主要是对被监测的实时过程数据按照模型进行处理，判断其是否超过“控制限”，若超限则认为发酵过程发生故障，进行报警；若未超限则认为发酵过程运行正常；具体步骤如下：A.离线建模阶段：1)青霉素发酵过程正常工况下历史数据的采集：每次发酵过程的反应时间有限，产品需要多批量、重复性生产，故而一次间歇过程周期称之为一个批次；因此，收集到的发酵过程正常工况下的历史数据集合要比连续过程多一维“批次”元素，即典型的发酵过程数据是一个三维矩阵，其表达形式为X

【技术特征摘要】
1.一种基于MLLE-OCSVM的青霉素发酵过程故障监测方法，其特征在于，包括“离线建模”和“在线监测”两个阶段，其中“离线建模”阶段主要是基于青霉素发酵过程正常工况下的历史数据建立发酵过程的模型，并通过一系列方法确定模型的“控制限”；“在线监测”阶段主要是对被监测的实时过程数据按照模型进行处理，判断其是否超过“控制限”，若超限则认为发酵过程发生故障，进行报警；若未超限则认为发酵过程运行正常；具体步骤如下：A.离线建模阶段：1)青霉素发酵过程正常工况下历史数据的采集：每次发酵过程的反应时间有限，产品需要多批量、重复性生产，故而一次间歇过程周期称之为一个批次；因此，收集到的发酵过程正常工况下的历史数据集合要比连续过程多一维“批次”元素，即典型的发酵过程数据是一个三维矩阵，其表达形式为XI×J×K，I是批次数，J是过程变量的个数，K是采样次数；2)对历史数据进行标准化处理，处理方式如下：三维数据的预处理：首先计算历史数据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；然后对历史数据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；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；4)利用局部线性嵌入(MLLE)方法进行特征提取：将二维矩阵X'利用MLLE算法求得相关...

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