一种基于CDVAE的批次过程故障监测方法技术

本发明专利技术公开了一种基于CDVAE的批次过程故障监测方法，属于故障监测技术领域。本发明专利技术的方法包括“离线建模”和“在线监测”两个部分；其中“离线建模”首先对已采集的批次过程数据进行标准化和二维滑窗处理，根据历史经验划分数据各个阶段；其次建立CDVAE模型，并构建故障监测统计量，利用核密度估计方法计算控制限；“在线监测”包括对在线采集数据进行标准化处理，计算统计量并判断运行状态；本发明专利技术能有效处理批次过程的多阶段，非线性，以及二维动态特性，能够明显提高故障检测率，降低误报率，具有较高的实际应用价值。高的实际应用价值。高的实际应用价值。

【技术实现步骤摘要】
一种基于CDVAE的批次过程故障监测方法


[0001]本专利技术涉及一种基于CDVAE的批次过程故障监测方法，属于故障监测


技术介绍

[0002]批次生产过程在现代生产过程中占有较大的比重，并且在半导体，生物制药，注塑过程重起到举足轻重的作用。由于其生产的低成本性与高附加值的特点，因此生产过程中的安全性问题以及产品最终质量受到关注。由于批次过程具有非线性，多阶段特性，二维动态特性等因素的影响，传统基于机理模型和基于经验的模型存在局限性，因此建立有效的故障监测模型是十分必要。
[0003]目前，基于物联网技术与计算机技术的不断提升，数据采集的低成本化为基于数据的多元统计方法创造了良好条件。典型的方法有主成分分析(Principal Component Analysis,MPCA),偏最小二乘法(Partial Least Squares,PLS)，尽管该类方法能够实现过程监控，但是该类方法是解决线性问题，无法很好的提取批次过程中的非线性信息。尽管有其他基于该类的改进方法，当数据维度变大时，该类方法处理预算变得复杂。
[0004]通常，批次过程具有多阶段特性。例如在发酵批次过程，菌株生长具有静止期，指数增长期，平稳期等。这些多阶段特性同样体现在数据中。若在建立模型时不考虑多阶段特性，则模型的监测效果降低。因此在建立模型时，考虑到多阶段问题可显著提高模型的监测精度。
[0005]过程监测的目的是提取批次过程中的特征信息，实现正常数据与故障数据的分类。条件变分自编码器(Conditional Variational Auto
‑
encoder,CVAE)是一种基于深度学习的生成模型。可以根据条件信息实现不同内容的生成。其主要包含两个部分，编码器与解码器。编码负责将原始数据压缩到低维浅空间，随后解码器结合条件信息与浅在特征生成原始数据。然而目前利用CVAE进行批次过程故障监测，不能较好地解决提取数据的动态特性，和时段特性，且针对多时段特性需要建立多个模型，导致了不仅误检测率较高，且监测的过程中计算量非常大，监测效率很低。

技术实现思路

[0006]为了提升批次过程故障监测准确率和监测效率，本专利技术提供了一种基于CDVAE的批次过程故障监测方法，所述技术方案如下：
[0007]本专利技术的第一个目的在于提供一种批次过程故障监测方法，包括：
[0008]步骤1：采集三维正常生产过程的历史数据，三个维度分别为批次维度I、变量维度J和时间维度K；
[0009]步骤2：根据批次过程工艺信息，确定数据的各阶段划分，并对采集的数据进行标准化处理；
[0010]步骤3：将标准化处理后的数据按照所述批次维度展开，并进行二维滑窗处理，获取输入数据；
[0011]步骤4：设计CDVAE模型的结构并进行训练；
[0012]所述CDVAE模型分为编码器和解码器，所述编码器第一层维度由输入数据和批次的阶段信息决定，编码器网络其他维度逐渐变小，以实现原始数据信息压缩，编码器最后一层网络最小，该层提取的特征更加抽象；
[0013]所述解码器与所述编码器具有反向对称结构，层数不断增加，最后一层网络维度与所述输入数据的维度相同；
[0014]步骤5：训练结束后，建立浅空间统计量loss
res
、残差空间统计量loss
kld
，并根据历史数据利用核密度估计计算这两个统计量的控制限；
[0015]步骤6：获取实时采样数据
[0016]步骤7：采用与历史数据相同的标准化方式，对所述实时采样数据进行标准化处理；
[0017]步骤8：通过训练好的模型计算所述浅空间统计量和残差空间统计量；
[0018]步骤9：判断所述浅空间统计量和残差空间统计量是否超出控制限，若超出控制限，触发报警；若统计量没有超出控制限，则继续判断是否该批次出现故障。
[0019]可选的，所述步骤2采用Z
‑
score标准化方式，包括：求均值求方差随后对历史数据按如下公式进行标准化：
[0020][0021]其中，i＝1,2,...I,j＝1,2,...J,k＝1,2,...K，x
i,j,k
代表第i个批次中第k个采样时刻的第j个变量。
[0022]可选的，所述步骤3包括：
[0023]假设当前时刻为第i批次、第k时刻，则历史采样数据为x
i,k
∈R1×
J
；
[0024]由于批次过程中存在二维动态特性，当前的时刻数据不仅与当前批次内的先前采样数据有相关性，还与先前批次数据具有相关性，因此二维滑窗设置为其中w为批次内相关性长度，l为批次间相关性长度。
[0025]可选的，所述CDVAE模型的激活函数选用Leaky Relu函数，损失函数为：
[0026][0027]其中，z
k
表示潜变量，c
α
表时段标签，为重构编码网络，D
KL
表示KL距离，表示编码网络，p(z
k
,c
α
)表示标准正太分布，loss
recon
表示模型生成数据与原始
数据的重构误差，loss
kld
表示浅空间统计量，表示编码网络期望。
[0028]可选的，所述浅空间统计量loss
kld
，残差空间统计量loss
res
分别为：
[0029][0030][0031]其中，N是采样次数，表示重构输出，N(0,1)表示标准正态分布，表示二范数。
[0032]可选的，所述批次过程的阶段信息采用“One
‑
to
‑
Hot”编码方式转换。
[0033]可选的，所述CDVAE模型的编码器神经网络层数设定为330
‑
60
‑
20，解码器神经网络层数设定为20
‑
60
‑
330。
[0034]本专利技术的第二个目的在于提供一种青霉素批次发酵过程故障监测方法，采用上述任一项所述的批次过程故障监测方法，实现青霉素批次发酵过程中的故障监测。
[0035]可选的，将青霉素发酵过程划分为3个阶段，则转换后的阶段信息为c1＝[1,0,0]T
，c2＝[0,1,0]T
，c3＝[0,0,1]T
。
[0036]可选的，青霉素发酵过程时间维度相关性长度l设置为10，批次维度相关性长度w设置为3。
[0037]本专利技术有益效果是：
[0038]本专利技术将三维批次过程数据按照批次维度展开，选用二维滑动窗提取批次过程中二维动态特性，根据历史经验将批次过程划分多个阶段，建立的CDVAE实现了一个模型提取批次过程中的多阶段特性，避免了一个批次过程建立多个模型的繁琐过程，与现有的批次过程故障监测方法相比较，本专利技术可以大大地减少计算量，提高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种批次过程故障监测方法，其特征在于，所述方法包括：步骤1：采集三维正常生产过程的历史数据，三个维度分别为批次维度I、变量维度J和时间维度K；步骤2：根据批次过程工艺信息，确定数据的各阶段划分，并对采集的数据进行标准化处理；步骤3：将标准化处理后的数据按照所述批次维度展开，并进行二维滑窗处理，获取输入数据；步骤4：设计CDVAE模型的结构并进行训练；所述CDVAE模型分为编码器和解码器，所述编码器第一层维度由输入数据和批次的阶段信息决定，编码器网络其他维度逐渐变小，以实现原始数据信息压缩，编码器最后一层网络最小，该层提取的特征更加抽象；所述解码器与所述编码器具有反向对称结构，层数不断增加，最后一层网络维度与所述输入数据的维度相同；步骤5：训练结束后，建立浅空间统计量loss
res
、残差空间统计量loss
kld
，并根据历史数据利用核密度估计计算这两个统计量的控制限；步骤6：获取实时采样数据步骤7：采用与历史数据相同的标准化方式，对所述实时采样数据进行标准化处理；步骤8：通过训练好的模型计算所述浅空间统计量和残差空间统计量；步骤9：判断所述浅空间统计量和残差空间统计量是否超出控制限，若超出控制限，触发报警；若统计量没有超出控制限，则继续判断是否该批次出现故障。2.根据权利要求1所述的批次过程故障监测方法，其特征在于，所述步骤2采用Z
‑
score标准化方式，包括：求均值求方差随后对历史数据按如下公式进行标准化：其中，i＝1,2,...I,j＝1,2,...J,k＝1,2,...K，x
i,j,k
代表第i个批次中第k个采样时刻的第j个变量。3.根据权利要求2所述的批次过程故障监测方法，其特征在于，所述步骤3包括：假设当前时刻为第i批次、第k时刻，则历史采样数据为x
i,k
∈R1×
J
；由于批次过程中存在二维动态特性，当前的时刻数据不仅与当前批次内的先前采样数据有相关性，还与先前批次数据具有相关性，因此二维滑窗设置为其中w为批次内相关性长度，l为批次间相关性长度。4.根据权利要求...

【专利技术属性】
技术研发人员：刘忠，楼旭阳，
申请(专利权)人：江南大学，
类型：发明
国别省市：