一种基于滑动自回归误差生成模型的青霉素生产异常检测方法技术

本发明专利技术公开了一种基于滑动自回归误差生成模型的青霉素生产异常检测方法，旨在实时利用青霉素新生产批次的采样数据来即时建立相应的能描述异常变化的数据模型，并在此基础上利用最能反映出异常的特征来实施青霉素生产异常检测。具体来讲，本发明专利技术方法通过将滑动窗口技术同时应用于历史正常批次采样数据和新批次采样数据中，并即时建立自回归模型从而生成相应的误差。本发明专利技术方法为滑动窗口中多个数据向量建立的自回归模型是专门针对当前的滑动窗口矩阵的，可以针对性的为不同的数据向量建立不同的自回归模型，而且自回归模型建立的目的是为了是使被实施检测的数据向量的误差最大化。因此，本发明专利技术方法所生成的误差对异常具有较高的敏感性和针对性。具有较高的敏感性和针对性。具有较高的敏感性和针对性。

【技术实现步骤摘要】
一种基于滑动自回归误差生成模型的青霉素生产异常检测方法


[0001]本专利技术涉及一种工业过程异常检测方法，特别涉及一种基于滑动自回归误差生成模型的青霉素生产异常检测方法。

技术介绍

[0002]青霉素作为一种临床应用广泛的重要抗生素，其生产制备过程是典型的间歇过程，青霉素发酵过程是物料分批发酵的过程，整个过程可以分为两个阶段，分别为发酵初始阶段与补料操作阶段。第一阶段产生大部分菌体，第二阶段补充葡萄糖等物料来保证生产效率，同时会发生菌体的死亡以及青霉素的合成。可以说，青霉素生产过程十分复杂，过程变量高度耦合相关，过程数据呈现强高维性以及多模态性等特点，难以建立精确的机理模型对其生产状态进行实时监测从而及时发现异常。溶解氧饱和度、pH值、菌丝浓度和形态、基质浓度、温度等因素都对青霉素生产率产生影响。因此，实时的对青霉素生产异常进行检测一直以来都是一个技术难点。
[0003]在青霉素发酵模型中，输入变量控制过程参数有5个，菌体合成及生长过程有9个过程变量，青霉素的产量受5个质量变量影响，其中，通过PID控制器控制冷热水的流率可以控制温度变量，通过PID控制器控制酸碱溶液的流率可以控制pH值。为了保证最终发酵的青霉素产品符合产品质量要求，需要对整个青霉素生产过程进行监控，及时检测出运行过程中出现的异常。从青霉素发酵过程来看，其生产具有很典型的时间先后顺序，且是指按照批次和固定的加工顺序进行的重复性生产方式。相对于连续生产过程，间歇或批次过程具有不同的时间特性和数据分布特点。
[0004]从间歇或批次过程建模的角度来看，非稳态性以及生产状态切换的不确定性导致采样数据分布呈现多样性和批次数据不等长之类问题。因此，利用采样数据实施青霉素生产异常检测需要面对的是不规则的三维数据，即：每个生产批次都有其对应的一组批次数据，每组批次数据由多个采样时间节点上的多个测量数据组成。分析和挖掘历史数据库中的多个正常生产批次数据的变化特征，来反映出新生产批次青霉素的生产是否出现异常，是本
常用的技术手段。然而，青霉素的每个生产批次都有其自身的特点，而且出现何种类型的异常是未知的，离线分析历史数据的正常变化特征是否对异常检测有用同样是未知的。因此，为了有效的实施青霉素生产异常检测，需要实时利用青霉素生产新批次的采样数据建立相应的异常检测模型。

技术实现思路

[0005]本专利技术所要解决的主要技术问题是：如何实时利用青霉素新生产批次的采样数据来即时建立相应的能描述异常变化的数据模型，并在此基础上利用最能反映出异常的特征来实施青霉素生产异常检测。具体来讲，本专利技术方法通过将滑动窗口技术同时应用于历史正常批次采样数据和新批次采样数据中，并即时建立自回归模型从而生成相应的误差，再
通过监控单变量误差的上下波动变化情况来完成青霉素新批次生产是否异常的实时检测任务。
[0006]本专利技术方法解决上述问题所采用的技术方案为：一种基于滑动自回归误差生成模型的青霉素生产异常检测方法，包括以下所示步骤：
[0007]步骤(1)：从青霉素生产批次的历史数据库中，获取J个青霉素正常生产批次的批次数据集，按照采样时间先后分别组成相应的批次矩阵X1，X2，
…
，X
J
后，再设置滑动窗口的长度等于L；其中，第j个青霉素正常生产批次对应的批次矩阵X
j
∈R
N
×
10
具体由N个数据向量组成，且每个数据向量具体由10个样本数据组成，j∈{1，2，
…
，J}，R
N
×
10
表示N
×
10维的实数矩阵，R表示实数集，滑动窗口的长度L为正整数，X
j
中的第一行向量向量为第j个青霉素正常生产批次的第1个采样时刻的数据向量，X
j
中的第N行向量为第j个青霉素正常生产批次的第N个采样时刻的数据向量。
[0008]需要说明的是，批次矩阵中各个数据向量的10个样本数据的排列顺序依次是：通风率，搅拌功率，底物流加速率，底物流温度，底物流浓度，溶解氧浓度，反应器内部，二氧化碳浓度，PH值，反应器内部温度，和冷却水流加速率。
[0009]步骤(2)：获取青霉素生产最新批次各个采样时刻的样本数据，并将每个采样时刻的10个样本数据组建成一个1
×
10维的数据向量，当获取到L个采样时刻的数据向量x1，x2，
…
，x
L
时，再设置k＝1并执行步骤(3)。
[0010]步骤(3)：将批次矩阵X1，X2，
…
，X
J
中第k行至第k+L
‑
1行的行向量分别对应组成训练批次矩阵后，再计算J个训练批次矩阵中所有行向量的平均值向量μ∈R1×
10
和标准差向量δ∈R1×
10
；其中，第j个训练批次矩阵具体是由第j个批次矩阵X
j
中第k行至第k+L
‑
1行的行向量组成，j∈{1，2，
…
，J}。
[0011]步骤(4)：当i分别等于1，2，
…
，L时，利用公式对训练批次矩阵实施标准化处理从而得到参考批次矩阵并使用公式并使用公式对数据向量x
i
实施标准化处理得到数据向量其中，表示中第i行的行向量，表示中第i行的行向量，j∈{1，2，
…
，J}。
[0012]步骤(5)：为标准化处理后的L个数据向量建立相应的滑动自回归误差生成模型，从而生成相应的误差e，具体的实施过程如步骤(5.1)至步骤(5.5)所示。
[0013]步骤(5.1)：将组成滑动窗口矩阵X
t
∈R
L
×
10
后，初始化载荷向量w
t
等于任意一个10
×
1维的实数向量。
[0014]步骤(5.2)：根据公式和计算出矩阵G和矩阵L后，再求解广义特征值问题G＝λLv中最大特征值λ所对应的特征向量v后，再根据公式β
t
＝v/v(1)计算得到系数向量β
t
∈R
L
×1；其中，v(1)表示特征向量v中的第1个元素。
[0015]步骤(5.3)：根据公式和更新矩阵G和矩阵L后，再次求解广义特征值问题G＝λLv中最大特征值λ对应的特征向量v后，再根据公式w
t
＝v/||v||计算得到载荷向量w
t
；其中，表示计算v的长度。
[0016]步骤(5.4)：判断w
t
是否收敛，收敛的标准是w
t
中元素不再发生变化；若否，则返回
步骤(5.2)；若是，则得到最终的载荷向量w
t
∈R
10
×1和系数向量β
t
∈R
L
×1后，再执行步骤(5.5)。
[0017本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于滑动自回归误差生成模型的青霉素生产异常检测方法，其特征在于，具体包括以下所示步骤：步骤(1)：从青霉素生产批次的历史数据库中，获取J个青霉素正常生产批次的批次数据集，按照采样时间先后分别组成相应的批次矩阵X1，X2，
…
，X
J
后，再设置滑动窗口的长度等于L；其中，第j个青霉素正常生产批次对应的批次矩阵X
j
∈R
N
×
10
具体由N个数据向量组成，且每个数据向量具体由10个样本数据组成，j∈{1，2，
…
，J}，R
N
×
10
表示N
×
10维的实数矩阵，R表示实数集；步骤(2)：获取青霉素生产最新批次各个采样时刻的样本数据，并将每个采样时刻的10个样本数据组建成一个1
×
10维的数据向量，当获取到L个采样时刻的数据向量x1，x2，
…
，x
L
时，再设置k＝1并执行步骤(3)；步骤(3)：将批次矩阵X1，X2，
…
，X
J
中第k行至第k+L
‑
1行的行向量分别对应组成训练批次矩阵后，再计算J个训练批次矩阵中所有行向量的平均值向量μ∈R1×
10
和标准差向量δ∈R1×
10
；其中，第j个训练批次矩阵具体是由第j个批次矩阵X
j
中第k行至第k+L
‑
1行的行向量组成，j∈{1，2，
…
，J}；步骤(4)：当i分别等于1，2，
…
，L时，利用公式对训练批次矩阵实施标准化处理从而得到参考批次矩阵并使用公式并使用公式对数据向量x
i
实施标准化处理得到数据向量其中，表示中第i行的行向量，表示中第i行的行向量，表示两个向量中相同位置的元素相除；步骤(5)：为标准化处理后的L个数据向量建立相应的滑动自回归误差生成模型，从而生成相应的误差e，具体的实施过程如步骤(5.1)至步骤(5.5)所示；步骤(5.1)：将组成滑动窗口矩阵X
t
∈R
L
×
10
后，初始化载荷向量w
t
等于任意一个10
×
1维的实数向量；步骤(5.2)：根据公式和计算出矩阵G和矩阵L后，再求解广义特征值问题G＝λLv中最大特征值λ所对应的特征向量v后，再根据公式β
t
＝v/v(1)计算得到系数向量β
t
∈R
L
×1；其中，v(1)表示特征向量v中的第1个元素；步骤(5.3)：根据公式和更新矩阵G和矩阵L后，再次求解广义特征值问题G＝λLv中最大特征值λ对应的特征向量v后，再根据公式w
t
＝v/||v||计算得到载荷向量w
t
；其中，表示计算v的长度；步骤(5.4)：判断w
t
是否收敛；若否，则返回步骤(5.2)；若是，则得到最终的载荷...

【专利技术属性】
技术研发人员：陈杨，王瑾，童楚东，
申请(专利权)人：宁波大学科学技术学院，
类型：发明
国别省市：