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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。