【技术实现步骤摘要】
本专利技术涉及基于数据驱动的故障监测，尤其涉及一种基于lstm-cvae(long short-term memory conditional variational auto-encoder)的乳酸菌发酵过程故障检测与诊断的方法，本专利技术尤其涉及在乳酸菌发酵过程故障检测与诊断方面的具体应用。
技术介绍
1、批次发酵是指将发酵培养基一次性投入发酵罐，经灭菌、接种和发酵后再一次性的将发酵液放出的一种操作方式。在发酵过程中，除了不断通气和发酵尾气的排出及因调节ph需加酸或碱外，整个系统与外界没有其他物资的交换，其在生物制药，食品生产等过程中起到举足轻重的作用。由于批次发酵过程受到时间与批次方向动态变化，以及多时段特性等因素的影响，质量不稳定，发酵时长不可控，需要对其进行实时监测和及时找出故障变量，传统基于机理模型和基于经验的模型存在需要花费大量时间建立数学模型等局限性，多数方法并没有做到故障诊断，或者诊断效果很差，比如错误的诊断，以及不能准定义故障幅值。因此建立有效的故障检测与诊断模型是十分必要。
2、目前，基于数据驱动的检测与诊断方法由于花费时间少，不需要建立复杂的数学模型，依托于计算机技术与传感器技术的发展，数据采集变得容易且易于获取，而受到更多重视，但是其应用在批次发酵生产过程的监测中仍具有较多局限性，例如kpca,kpls等方法，仅考虑了批次过程中的非线性信息，但未考虑生产过程中批次与批次间的物料变化的波动，批次内的变量动态变化等特性；忽略时段特性，例如在发酵批次过程，菌株生长具有多个时段，包括静止期，指数增长
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于lstm-cvae的乳酸菌发酵过程的故障检测与诊断方法，目的在于解决现有基于数据驱动的监测方法，应用于乳酸菌发酵过程的故障检测与诊断中，由于未考虑生产过程中批次与批次间的物料变化的波动和批次内的变量动态变化等特性，以及忽略时段特性，造成建立的监测模型有效性降低的技术问题。
2、本专利技术第一个技术方案为提供的一种基于lstm-cvae的乳酸菌发酵监测模型的建立方法，采用了如下的技术方案：
3、一种基于lstm-cvae的乳酸菌发酵监测模型的建立方法，包括如下步骤：
4、1)采集正常发酵的过程数据，所述过程数据为三维数据x(i,j,k)，共有i个发酵批次，每个发酵批次中有k个采样时刻，每个采样时刻里有j个采样变量。
5、2)对步骤1)获得的数据预处理，根据菌株生长期划分时段，并按照批次维度对数据进行z-score标准化处理，获得标准化数据；其中包含按照批次维度标准化，具体批次维度标准化方式如下：
6、
7、
8、
9、其中，xi,j,k代表第i个发酵批次的k采样时刻的第j个变量，为标准化后的数据，为批次维度均值，si,k为批次维度方差，其中i＝1,2,...i,j＝1,2,...j,k＝1,2,...k，
10、时段划分根据菌株生长期划分，例如菌株生长包含静止期，指数增长期，平稳期等。
11、3)获取输入序列：对步骤2)的标准化数据进行三维滑窗处理，其中通过梯度搜索方法获得采集数据的相关性并设置三维度滑窗的大小，获得输入序列其中，wt为时间维度相关性长度，wb为批次维度相关性大小，j为过程变量个数。
12、4)建立lstm-cvae网络模型，lstm网络是一种具有内存的深度学习网络，其良好的时间序列处理能力使其在处理时间序列数据时具有更好的性能。因此，本专利技术主要针对网路模型来优化cvae模型，以实现发酵过程故障检测。网络的具体结构为编码器，解码器。编码器的第一层为lstm神经网络，神经元个数为j。第二层设计全连接层，实现lstm信息提取与传递。第三层分为均值和方差，该层神经元要小于第二层。由于vae结构的网络在训练中不能反向传播，因此采用重构化参数策略，具体的为：将从标准正态分布中采样，将浅空间逼近到标准正态分布，重构化公式为：
13、z＝μ+σ*ε
14、其中z为潜变量，μ为编码器的输出均值，σ为编码器输出标准差，ε为重构化采样。
15、解码网络包含三层，第一层为lstm层，将实现先前信息的提取并存储。第二层为全连接层，实现将信息进一步处理，最后一层的神经元与输入层神经元个数相同。
16、5)设计故障检测指标。分别为潜变量的故障检测指标losskl与残差空间故障检测指标lossres。具体计算方法为：
17、losskl＝kl(qen(z|x)||n(0,1))
18、
19、其中，kl是衡量lstm-cvae的浅空间分布与标准正态分布间的距离，qen为编码网络，n(0,1)为标准正态分布。为二范数，n为采样次数。控制限计算利用核密度(kde,kernel density estimation)估计方法获得。
20、6)进行模型训练直至损失函数的值稳定。
21、在本专利技术提供的第二个技术方案为一种基于lstm-cvae的drbc诊断方法，包括如下步骤i)采集实时发酵过程数据表示当前发酵批次第k采样的j个取样变量的数据；
22、ii)对步骤i)采集的实时发酵过程数据通过第一个技术方案中步骤2)进行标准化处理并按照第一个技术方案的步骤3)获得输入序列x；
23、iii)设计两个向量，其中代表故障的变量方向的向量g∈r1×j，故障的幅值向量δ∈rk×1，所述两个向量的初始值设为0；
24、iii)将第一个技术方案所述的模型中神经网络参数固定；
25、iv)将输入序列x与δg相加，将x+δg放入到第一个技术方案所述的模型中，获得losskl和lossres的两个统计量；
26、v)当发生故障，所述统计量超出控制限，通过优化两个向量δ,g的参数反向传播实现故障诊断，当统计量小于控制限，代表故障诊断完成。
27、本专利技术提供的第三个技术方案为一种基于lstm-cvae的乳酸菌发酵过程监测方法，包括如下步骤：
28、a)采集实时发酵过程数据表示当前发酵批次第k采样的j个取样变量的数据；
29、b)对步骤a)采集的实时发酵数据通过第一个技术方案中步骤2)进行标准化处理并按照第一个技术方案的步骤3)获得输入序列x；
30、c)依据第一个技术方案中的监测模型，计算当前发酵批次第k时刻采集的发酵数据的losskl和lossres；
31、d)判断losskl和lossres是否超出控制限，若超出控制限，触发报警，并随之按照第二个技术方案所述的方法进行故障诊断，找出故障变量；否则即为正常；
32、e)若发酵批次完毕，则终止监测；否则采集下一本文档来自技高网...
【技术保护点】
1.一种基于LSTM-CVAE的发酵监测模型的建立方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于LSTM-CVAE的发酵监测模型的建立方法，其特征在于，步骤2)中，所述时段划分的依据为菌株的OD值。
3.根据权利要求2所述的一种基于LSTM-CVAE的发酵监测模型的建立方法，其特征在于，所述时段划分为静止期、指数增长期、平稳期，并利用“One Hot”编码对每个所述时段的信息进行转换。
4.根据权利要求1所述的一种基于LSTM-CVAE的发酵监测模型的建立方法，其特征在于，步骤2)中，所述Z-score标准化处理的具体公式如下：
5.根据权利要求1所述的一种基于LSTM-CVAE的发酵监测模型的建立方法，其特征在于，步骤3)中，通过梯度搜索方法获得步骤1)中数据的时间维度相关性和批次维度相关性。
6.根据权利要求1所述的一种基于LSTM-CVAE的发酵监测模型的建立方法，其特征在于，步骤4)中，所述重构化处理的化公式为：
7.根据权利要求1所述的一种基于LSTM-CVAE的发酵监测模型的建
8.一种基于LSTM-CVAE的DRBC诊断方法，其特征在于，包括如下步骤：
9.一种基于LSTM-CVAE的发酵过程监测方法，其特征在于，包括如下步骤：
10.权利要求1-7任一项所述的方法、权利要求8所述的方法或者权利要求9所述的方法在监测乳酸菌发酵中的应用。
...【技术特征摘要】
1.一种基于lstm-cvae的发酵监测模型的建立方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于lstm-cvae的发酵监测模型的建立方法，其特征在于，步骤2)中，所述时段划分的依据为菌株的od值。
3.根据权利要求2所述的一种基于lstm-cvae的发酵监测模型的建立方法，其特征在于，所述时段划分为静止期、指数增长期、平稳期，并利用“one hot”编码对每个所述时段的信息进行转换。
4.根据权利要求1所述的一种基于lstm-cvae的发酵监测模型的建立方法，其特征在于，步骤2)中，所述z-score标准化处理的具体公式如下：
5.根据权利要求1所述的一种基于lstm-cvae的发酵监测模型的建立方法，其特...
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。