一种基于HHT-DCNN的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HHT‑DCNN的发酵过程故障监测方法，用于解决传统故障监测方法容易忽略数据深层特征提取问题，属于故障监测领域，包括离线、在线两个阶段。离线阶段，首先采用滑动窗技术分割数据获取过程变量序列；然后对多个序列进行希尔伯特‑黄变换得到时频图，挖掘变量在幅值、频率、相位上的异常变化；最后利用时频图训练深度卷积神经网络模型，有效提取数据深层特征。在线阶段，从发酵过程获取新批次的m个时刻数据进行预处理，采用训练好的模型把新批次数据分为有故障和无故障两种状态，实现故障在线监测；本发明专利技术具有监测准确性高，实用性强的特点。

【技术实现步骤摘要】
一种基于HHT-DCNN的发酵过程故障监测方法
本专利技术涉及基于神经网络的故障监测
，特别是涉及基于卷积神经网络的发酵过程在线故障监测技术。本专利技术的方法即在典型发酵过程-青霉素发酵过程和大肠杆菌发酵过程故障监测方面的具体应用。
技术介绍
近年来，间歇过程因其可以满足生产高附加值产品的需求正逐渐超越连续生产方式成为市场的主流，发酵过程作为典型的间歇过程，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，具有较强的非线性、动态性等特点，难以建立合适的监测模型进行在线监测。因此，为了保证发酵过程的安全稳定运行，建立一个有效的监测模型是非常必要的。基于数据驱动的多元统计方法在工业工程领域取得了广泛应用，典型方法有主成分分析(PCA)，独立分量分析(ICA)，但多元统计方法多用不同种类的阈值作为监测标准，容易忽略特征提取不完整对监测结果的影响。随后，深度学习以其比传统方法和浅层神经网络更优越的监测性能，被广泛用于工业过程，尤其是CNN以其优越的特征提取能力越来越受到科研人员的青睐，被成功应用于工业过程。但发酵过程扰动实际上发生本文档来自技高网...

【技术保护点】
1.一种基于HHT-DCNN的发酵过程监测方法，其特征包括“离线建模”和“在线建模”两个阶段，具体步骤如下：/nA.离线建模阶段：/n1)历史数据的采集：采集发酵过程正常工况下的历史数据，所述历史数据为同一发酵过程相同工艺下的I批次数据，X＝(X

【技术特征摘要】
1.一种基于HHT-DCNN的发酵过程监测方法，其特征包括“离线建模”和“在线建模”两个阶段，具体步骤如下：
A.离线建模阶段：
1)历史数据的采集：采集发酵过程正常工况下的历史数据，所述历史数据为同一发酵过程相同工艺下的I批次数据，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；
2)数据预处理：针对发酵过程的动态性，采用滑窗技术对测量的所有变量在采样时间上进行滑动截取，对一个批次，令滑动窗的大小为m×n，m为截取的m个采样时刻，n＝j表示所有测量变量，滑动步长为1，对过程变量数据进行分割获取多个二维矩阵序列，直至获得所有批次数据序列；所有批次数据按变量展开成二维矩阵表示如下：

...

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