【技术实现步骤摘要】
本专利技术涉及一种基于asgae(attention-based stacked graph auto-encoder，基于注意力机制的堆叠图自动编码器)的植物乳杆菌发酵过程故障检测与诊断方法，属于基于数据驱动的故障检测。
技术介绍
1、批次发酵过程是一种在生物制药和食品生产等领域中常见的发酵过程。它采用一次性投入发酵罐的方式进行操作，包括灭菌、接种和发酵，随后一次性地将发酵液放出。在整个发酵过程中，除了需要不断通气和排出发酵尾气，以及针对ph值进行酸碱调节外，系统与外界没有其他物质的交换。由于受时间和批次方向动态变化的影响，批次发酵过程的质量通常不稳定且发酵时长难以控制。
2、传统基于经验的模型在建立过程中耗费大量时间，且往往无法有效诊断故障。这些模型存在容易出现错误的诊断结果或无法准确地确定故障幅值等问题。因此，建立有效的故障检测与诊断模型对于批次发酵过程至关重要。
3、为应对上述问题，需要利用新的方法和技术，例如基于数据驱动的方法或机器学习算法来建立更准确、高效的故障检测与诊断模型。这些模型能够利用实时数据进行分析，快速准确地检测出发酵过程中潜在的问题，并提供相应的解决方案。通过这些方法，可以提高批次发酵过程的稳定性和生产效率，确保产品质量达到预期水平。
技术实现思路
1、针对现有基于数据驱动的检测方法，应用于植物乳杆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，造成建立的检测模型有效性降低
2、第一方面，本专利技术提供了一种基于asgae的植物乳杆菌发酵过程故障检测与诊断方法，包括如下步骤：
3、步骤1、建立植物乳杆菌发酵检测模型：采集植物乳杆菌正常发酵的过程数据，并对其进行预处理以获得标准化数据，将标准化数据的每个样本作为图的节点构造图，以获取模型输入，根据模型输入建立asgae网络模型，选取样本的重构误差lossr作为故障检测指标，训练asgae网络模型直至lossr收敛；
4、步骤2、根据步骤1建立的检测模型对植物乳杆菌发酵过程进行故障诊断；
5、步骤3、根据步骤1建立的检测模型以及步骤2的故障诊断对植物乳杆菌发酵过程进行在线检测。
6、在本专利技术的一种实施方式中，所述步骤1中的建立植物乳杆菌发酵检测模型具体包括如下步骤：
7、步骤101、采集植物乳杆菌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；
8、步骤102、对所述步骤101获得的数据预处理，对数据进行z-score标准化处理，获得标准化数据；
9、步骤103、获取模型输入：将在所述步骤102中经过标准化后的数据x(i,j,k)中的每个样本xi,k作为图的节点来构造图；然后在x(i,j,k)上构造二维滑窗；通过计算样本在时间维度和批次维度上的相关性来确定滑窗的尺寸(a×b)；滑窗所在平面为i×k，滑窗先沿着时间方向滑动，到达k的边界之后向批次维度的方向前进一格继续沿着时间维度滑动；获得序列其中，wa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；为该a×b个样本在图中对应的节点之间添加一条边，其中边的值为样本之间的欧式距离；至此图构造完毕，模型的输入为标准化后的数据x(i,j,k)和构造的图；
10、步骤104、建立asgae网络模型；asgae网络模型的整体结构包括编码器和解码器；所述编码器由两层神经网络构成，其中第一层为gat神经网络层，神经元个数为j；第二层也为gat神经网络层，其神经元个数比上一层少，输出维度和潜空间相同，这一层会输出原始样本在潜空间的结果；所述解码器的结构有两层，其第一层为gat神经网络层，输入的维度和潜空间相同，输出维度小于j，第二层也为gat神经网络层，输入的维度与第一层的输出维度相同，输出的维度为j，这一层将降维之后的信息还原成原来的维度；其中，每一个gat神经网络层由一层gat神经网络和一个全连接层构成，两者的输入和输出维度相同；
11、步骤105、确定故障检测指标；选取样本的重构误差lossr作为故障检测指标，具体计算方法为：
12、
13、其中，为二范数，n为样本x中的变量个数，为模型对样本x进行重构后得到的结果；
14、步骤106、训练asgae网络模型直至lossr收敛。
15、在本专利技术的一种实施方式中，所述步骤102中的标准化处理包括：
16、首先，将三维数据x(i,j,k)展开为二维数据x(ik,j)，每一行即一个样本，然后根据如下公式进行标准化：
17、
18、
19、
20、其中，xi,j为第i个采样时刻的第j个变量，为标准化后的值；为变量j的均值，sj为变量j的方差；其中i＝1,2,...i,j＝1,2,...j,k＝1,2,...k；标准化之后再将二维数据x(ik,j)还原成三维数据x(i,j,k)。
21、在本专利技术的一种实施方式中，所述步骤104中建立asgae网络模型具体包括如下步骤：
22、步骤1041、将在所述步骤102和所述步骤103中获取到的标准化后的样本数据x和构造的图输入编码器的第一层gat神经网络层，得到经过注意力机制更新之后的数据的维度小于j；
23、步骤1042、将输入编码器的第二层gat神经网络层，输出原始样本数据经过编码器编码之后在潜空间的结果h，h的维度小于
24、步骤1043、将获取到的h输入到解码器的第一层gat神经网络层，将h解码后得到的维度与相同，然后将输入到解码器的第二层进行解码，得到解码重构之后的样本数据的维度和x相同，都为j。
25、在本专利技术的一种实施方式中，所述步骤2中的故障诊断具体包括如下步骤：
26、步骤201、采集植物乳杆菌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；
27、步骤202、对所述步骤201采集的实时发酵过程数据通过所述步骤102进行标准化处理，并按照所述步骤103获得输入序列x；
28、步骤203、设计两个向量，其中代表故障的变量方向的向量θ∈r1×j，故障的幅值向量δ∈rk×1，两个向量的初始值设为0；
29、步骤204、冻结所述步骤1的asgae网络模型中神经网络的参数；
30、步骤205、将输入序列x与δθ相加，将x+δθ放入到所述步骤1的asgae网络模型中，获得lossr的统计量；
31、步骤206、当发生故障时，所述统计量超出控制限，通过优化两个向量δ,θ的参数反向传播实现故障诊断，当诊断样本的统计量小于控制限时，代表当前诊断样本的故障诊断完成。
32、在本专利技术的一本文档来自技高网...
【技术保护点】
1.一种基于ASGAE的植物乳杆菌发酵过程故障检测与诊断方法，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ASGAE的植物乳杆菌发酵过程故障检测与诊断方法，其特征在于，所述步骤1中的建立植物乳杆菌发酵检测模型具体包括如下步骤：
3.根据权利要求2所述的一种基于ASGAE的植物乳杆菌发酵过程故障检测与诊断方法，其特征在于，所述步骤102中的标准化处理包括：
4.根据权利要求3所述的一种基于ASGAE的植物乳杆菌发酵过程故障检测与诊断方法，其特征在于，所述步骤104中建立ASGAE网络模型具体包括如下步骤：
5.根据权利要求4所述的一种基于ASGAE的植物乳杆菌发酵过程故障检测与诊断方法，其特征在于，所述步骤2中的故障诊断具体包括如下步骤：
6.根据权利要求5所述的一种基于ASGAE的植物乳杆菌发酵过程故障检测与诊断方法，其特征在于，所述步骤3中的在线检测具体包括如下步骤：
7.根据权利要求2所述的一种基于ASGAE的植物乳杆菌发酵过程故障检测与诊断方法，其特征在于，所述步骤105中的控制限计算通
8.一种根据权利要求1-7任一项所述的基于ASGAE的植物乳杆菌发酵过程故障检测与诊断方法在检测植物乳杆菌发酵过程中的应用。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，
...【技术特征摘要】
1.一种基于asgae的植物乳杆菌发酵过程故障检测与诊断方法，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asgae的植物乳杆菌发酵过程故障检测与诊断方法，其特征在于，所述步骤1中的建立植物乳杆菌发酵检测模型具体包括如下步骤：
3.根据权利要求2所述的一种基于asgae的植物乳杆菌发酵过程故障检测与诊断方法，其特征在于，所述步骤102中的标准化处理包括：
4.根据权利要求3所述的一种基于asgae的植物乳杆菌发酵过程故障检测与诊断方法，其特征在于，所述步骤104中建立asgae网络模型具体包括如下步骤：
5.根据权利要求4所述的一种基于asgae的植物乳杆菌发酵过程故障检测与诊断方法，其特征在于，所述步...
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。