一种基于邻域差异特征分析提取的批次生产过程监测方法技术

本发明专利技术公开了一种基于邻域差异特征分析提取的批次生产过程监测方法，针对青霉素生产批次数据的批次不等长和时变问题提供行之有效的解决方案。具体来讲，本发明专利技术方法首先通过时间邻域窗口从多个正常生产的批次矩阵中获取相近时间邻域内的参考数据，并即时分析新生产批次数据相对于邻域矩阵的差异，从而直接通过监控该差异特征变化范围来实现对青霉素批次生产异常的监测。主要优势在于：其一，可以应对青霉素生产批次的数据不等长问题；其二，可以提取出直接用于过程监测的即时差异特征；其三，可以应对批次数据的时变特性。本发明专利技术方法实施的技术关键是：获取相近时间邻域内的参考数据组成邻域矩阵，从而提取出直接用于过程监测的差异特征。测的差异特征。测的差异特征。

【技术实现步骤摘要】
一种基于邻域差异特征分析提取的批次生产过程监测方法


[0001]本专利技术涉及一种间歇过程运行状态监测方法，特别涉及一种基于邻域差异特征分析提取的批次生产过程监测方法。

技术介绍

[0002]随着生物技术的快速发展，间歇过程已成为现代工业的一种重要生产方式，而青霉素发酵过程属于典型的间歇过程，具有多阶段性、时变性、多批次性等特点。青霉素发酵是按照生产批次间歇完成的一个过程，它的操作主要分为两个阶段。第一个阶段是在培养罐中培养大量能产生青霉素的菌体。当菌体的繁殖达到一定程度后，进入第二阶段由菌体生产出青霉素。在第二阶段中，需要向反应器中不断补加葡萄糖物料，促使菌体的活性。对于青霉素的整个生产过程，罐体温度、罐内pH值、搅拌功率、通气量等诸多因素都对加工过程和产品质量有着重要的影响。
[0003]为了提高青霉素产品的品质，需要对青霉素整个生产过程进行监测，及时的发现异常或故障的青霉素生产批次。然而，对于青霉素生产这样一个复杂过程来说，很难建立精确的机理模型。因此，过去几年来，都是通过采样数据驱动的方式来实施青霉素批次生产过程监测。这主要得益于分布式控制系统(Distributed Control System，缩写：DCS)广泛应用于青霉素生产中，采样数据的实时测量，和数据传输变得越来越容易。由于青霉素生产的具体是包含两个阶段，两个阶段不同的操作导致采样数据存在明显的区别。而且，每个批次的青霉素生产时间长度存在的差别导致每个批次的采样数据个数不等，即数据不等长问题。因此，对青霉素生产进行数据驱动的过程监测是存在较大的技术实施难点。
[0004]此外，考虑到青霉素生产批次数据的多阶段时变特点，采用固定不点的特征提取机制或模型会逐渐降低相应方法的异常检测灵敏度。值得强调是，从过程监测的角度出发，对多批次数据实施特征分析和提取是实现过程监测的必要手段，但是发现故障或异常的过程监测才是真正的目的所在。为了应对青霉素生产批次的不等长问题，同时考虑批次数据的时变特性，以开展过程监测为核心要点的特征分析和提取理应具有自使用特性，即能针对在线新采样数据即时展开，而不是固定不变的。

技术实现思路

[0005]本专利技术所要解决的主要技术问题是：针对青霉素生产批次数据的不等长和时变问题，如何通过时间邻域窗口获取参考数据，并即时的分析提取出直接用于过程监测的差异特征。具体来讲，本专利技术方法首先通过时间邻域窗口从多个正常批次下的参考批次矩阵中获取相近时间邻域内的参考数据，并即时分析新生产批次数据向量相对于参考数据向量的差异，从而直接通过监测该差异特征的变化范围来实现对青霉素生产批次是否出现异常或故障的实时监测。
[0006]本专利技术方法解决上述问题所采用的技术方案为：一种基于邻域差异特征分析提取的批次生产过程监测方法，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样本数据集，按照采样时间先后分别组成相应的批次矩阵X1，X2，
…
，X
j
；其中，第j个青霉素正常生产批次对应的批次矩阵具体由N
j
个10
×
1维的数据向量组成，j∈{1，2，
…
，J}，表示10
×
N
j
维的实数矩阵，R表示实数集，X
j
中的第1列向量为第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
j
列向量为第j个青霉素正常生产批次的第N
j
个采样时刻的数据向量。
[0008]需要说明的是，各个采样时刻的数据向量中10个数据的排列顺序依次是：通风率，搅拌功率，葡萄糖流加温度，葡萄糖流加速率，冷却液流加速率，酸碱流加速率，反应器温度，PH值，葡萄糖浓度，和青霉素浓度。
[0009]步骤(2)：设置时间邻域窗口的基准长度等于L，开始青霉素最新批次的生产，并获取各个采样时刻的样本数据；其中，L是一个正整数。
[0010]步骤(3)：将最新采样时刻的10个样本数据组建成一个10
×
1维的数据向量x
i
，分别从批次矩阵X1，X2，
…
，X
j
中获取参考数据向量，从而合并组建成参考数据矩阵X
t
，具体如步骤(3.1)至步骤(3.4)所示。
[0011]步骤(3.1)：将当前采样时刻记做青霉素最新生产批次的第ζ个采样时刻后，再初始化j＝2。
[0012]步骤(3.2)：判断ζ是否大于L；若否，则将X1中第1列至第ζ+L列的列向量组建成参考数据矩阵X
t
；若是，则将X1中第ζ
‑
L列至第min{ζ+L，N1}列的列向量组建成参考数据矩阵X
t
；其中，min{ζ+L，N1}表示选取ζ+L和N1中的最小值。
[0013]步骤(3.3)：判断ζ是否大于L；若否，则将X
j
中第1列至第ζ+L列的列向量依次记录为参考数据向量v1，v2，
…
，v
ζ+L
后，再根据公式X
t
＝[X
t
，v1，v2，
…
，v
ζ+L
]更新参考数据矩阵X
t
；若是，则将X
j
中第ζ
‑
L列至第列的列向量依次记录为参考数据向量后，再根据公式更新参考数据矩阵X
t
；其中，表示选取ζ+L与N
j
中的最小值。
[0014]步骤(3.4)判断j是否小于J；若是，则设置j＝j+1后，返回步骤(3.3)；若否，则得到最终的参考数据矩阵X
t
。
[0015]步骤(4)：计算参考数据矩阵X
t
中所有列向量的平均值向量μ
t
和标准差向量δ
t
后，根据公式对数据向量x
t
实施标准化处理，从而得到在线数据向量再按照相同的方式对参考数据矩阵X
t
中的各个列向量实施标准化处理，从而得到邻域矩阵其中，表示将符号左右两个向量中相同位置的元素相除。
[0016]步骤(5)：利用在线数据向量和邻域矩阵实施差异特征即时提取，从而得到即时转换向量w
t
，具体的实施过程如步骤(5.1)至步骤(5.2)所示。
[0017]步骤(5.1)：计算中各个列向量与之间的距离，再将中与之间距离最小的C个列向量标记为u1，u2，
…
，u
C
；其中，C等于一个小于M的整数，计算中任意一列向量z与之间的距离是根据按照公式计算得到的。
[0018]步骤(5.2)：根据公式计算即时系数向量β
t
∈R
C
×1后，再求解特征
值问题中最大特征值λ对应的特征向量p，并根据公式计算出即本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于邻域差异特征分析提取的批次生产过程监测方法，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样本数据集，按照采样时间先后分别组成相应的批次矩阵X1，X2，
…
，X
J
；其中，第j个青霉素正常生产批次对应的批次矩阵具体由N
j
个10
×
1维的数据向量组成，j∈{1，2，
…
，J}，表示10
×
N
j
维的实数矩阵，R表示实数集，X
j
中的第1列向量为第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
j
列向量为第j个青霉素正常生产批次的第N
j
个采样时刻的数据向量；步骤(2)：设置时间邻域窗口的基准长度等于L，开始青霉素最新生产批次的生产，并获取各个采样时刻的样本数据；其中，L是一个正整数；步骤(3)：将最新采样时刻的10个样本数据组建成一个10
×
1维的数据向量x
t
，分别从批次矩阵X1，X2，
…
，X
J
中获取参考数据向量，从而合并组建成参考数据矩阵X
t
，具体如步骤(3.1)至步骤(3.4)所示；步骤(3.1)：将当前采样时刻记为青霉素最新生产批次的第ζ个采样时刻后，再初始化j＝2；步骤(3.2)：判断ζ是否大于L；若否，则将X1中第1列至第ζ+L列的列向量组建成参考数据矩阵X
t
；若是，则将X1中第ζ
‑
L列至第min{ζ+L，N1}列的列向量组建成参考数据矩阵X
t
；其中，min{ζ+L，N1}表示选取ζ+L与N1中的最小值；步骤(3.3)：判断ζ是否大于L；若否，则将X
j
中第1列至第ζ+L列的列向量依次记录为参考数据向量v1，v2，
…
，v
ζ+L
后，再根据公式X
t
＝[X
t
，v1，v2，
…
，v
ζ+L
]更新参考数据矩阵X
t
；若是，则将X
j
中第ζ
‑
L列至第列的列向量依次记录为参考数据向量后，再根据公式更新参考数据矩阵X
t
；其中，表示选取ζ+L与N
j
中的最小值；步骤(3.4)：判断j是否小于J；若...

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