CN101964021B - 基于递归核主元分析的青霉素发酵过程故障监测方法 - Google Patents
基于递归核主元分析的青霉素发酵过程故障监测方法 Download PDFInfo
- Publication number
- CN101964021B CN101964021B CN 201010295493 CN201010295493A CN101964021B CN 101964021 B CN101964021 B CN 101964021B CN 201010295493 CN201010295493 CN 201010295493 CN 201010295493 A CN201010295493 A CN 201010295493A CN 101964021 B CN101964021 B CN 101964021B
- Authority
- CN
- China
- Prior art keywords
- phi
- new
- prime
- fermentation process
- penicillin fermentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
Description
技术领域
本发明属于故障监测与诊断技术领域,提出了一种基于递归核主元分析的青霉素发酵过程故障监测方法。
背景技术
间歇及半间歇过程已经广泛应用于化工、发酵、制药、食品生产等诸多领域,青霉素作为抗生素的一种,具有广泛的临床医用价值,而其生产设备是个典型的非线性、动态、多阶段半间歇生产过程。间歇过程操作复杂,操作条件的微小变化、原料中混入杂质等异常状况都会影响到最终产品的产量和质量,如果能对间歇过程在线监测、诊断故障,则能帮助操作人员及时消除故障或暂时停止生产以减小原材料的浪费和设备的占用。
目前,针对间歇过程Nonmikos和Macgregor提出了多元统计监控方法,主要是基于多向主成分分析法(multiway principal component analysis,MPCA)以及多向偏最小二乘法(multiwaypartial least squares,MPLS),这两种方法都是假设过程变量之间的关系是线性的,它们用于监测简单的间歇过程比较有效,但大多数间歇过程由于操作条件或反应进程的改变,从而具有多阶段性,不同操作阶段的数据动态特性不同,同一操作阶段的变量也往往具有高度非线性,这时用单一的统计模型便不能很好的表现原始数据的信息,还有可能导致一些重要信息的缺失,产生故障的漏报及误报,实际上间歇过程没有稳态操作点,过程变量的轨迹随着时间呈现非线性变化趋势,是典型的非线性动态操作过程,针对间歇过程的非线性特性,Lee等人又提出一种基于核函数的非线性算法:多向核主成分分析(multiway kernel principalcomponent analysis,MKPCA),提取间歇过程的非线性特征,将间歇过程的三维数据矩阵按纵向展开成二维矩阵并进行标准化,建立过程模型并用于过程的在线监测,核主成分分析(kernel principal component analysis,KPCA)通过非线性核函数把非线性数据映射到高维特征空间,然后在特征空间中执行线性PCA提取特征,KPCA是在高维特征空间中执行PCA,所以无需求解非线性优化问题,并且与其它非线性方法相比,在建模之前它不需要指定主元数目。但是传统KPCA算法存在着不足之处,即KPCA模型是时不变的,而大部分实际工业过程都具有时变的特性,这限制了KPCA在非线性间歇过程中的应用。
发明内容
为弥补上述方法之不足,本发明提出一种基于递归核主元分析的青霉素发酵过程故障监测方法,以达到降低误报警率的目的。
本发明的技术方案是这样实现的:基于递归核主元分析的青霉素发酵过程故障监测方法,包括以下步骤:
步骤1:采集数据,在青霉素发酵过程中,采集的数据包括:通风率,搅拌器功率,基质进给速率,基质进给温度,生成的热量,溶解氧浓度,pH值和二氧化碳浓度数据,其中温度和pH值采用闭环控制,而补料采用开环定值控制,用均值和标准偏差规范采集的数据;
步骤2:计算青霉素发酵过程故障的主要因素P,方法如下:用步骤1标准化后的N个采样样本,建立青霉素发酵过程初始的监测模型,对于青霉素发酵过程中一个新的采样xnew,确定青霉素发酵过程故障的主要因素P和置信限,监测其是否出现异常;如果异常则报警,否则转到步骤3;
其中,青霉素发酵过程故障的主要因素P,公式如下:
式中,Φ(X)为X=[x1,x2,...,xN]样本矩阵映射到高维特征空间后的矩阵,N是采样样本个数,青霉素发酵过程初始监测模型主要因素的调节因子青霉素发酵过程初始模型主要因素的修正矩阵k(X,x1)表示X和x1的内积,K(X)表示样本矩阵的内积,表示和x1的内积,为中间矩阵,表示中间矩阵的内积,为中间矩阵协方差的特征值阵,U′Φ为过程变量的特征向量阵;
对于青霉素发酵过程,一个新的采样xnew,采集的数据包括:通风率,搅拌器功率,基质进给速率,基质进给温度,生成的热量,溶解氧浓度,pH值和二氧化碳浓度;用初始监测模型得到的主要因素P和置信限,监测新的采样xnew是否出现异常;如果异常则报警,否则转到步骤3;
步骤3:青霉素发酵过程采样xnew是正常数据时,采用递归核主元分析方法更新步骤2的青霉素发酵过程初始的监测模型,并计算更新青霉素发酵过程模型后的青霉素发酵过程故障主要因素公式如下;
步骤4:对青霉素发酵过程进行故障监测;
通过Hotelling的T2统计和平方预测误差(SPE)统计进行故障监测,即可判断出青霉素发酵过程是否发生故障,当T2统计和SPE统计超出各自的控制限时,认为有故障发生,反之,整个过程正常,转到步骤3继续更新青霉素发酵过程的监测模型。
步骤2所述的建立青霉素发酵过程初始的监测模型,包括以下步骤:
本发明所提出的RKPCA方法,利用在特征空间中的递归计算来更新样本协方差矩阵的特征值分解。令X=[x1,x2,…,xN]为青霉素发酵过程样本矩阵,x1,x2,…,xN为青霉素发酵过程采样样本,N是采样样本个数,为青霉素发酵过程中间矩阵,m是采样变量个数,为更新后青霉素发酵过程的样本矩阵,xnew为青霉素发酵过程中新样本,它们被映射Φ投影到高维特征空间后分别为Φ(X),和Φ(Xnew),因此Φ(X)的均值向量mΦ和协方差矩阵CF可计算得到
令Λ和P分别为CF的特征值阵和主要因素,和分别为的特征值阵和主要因素。假设RΦ是一个正交旋转矩阵,由P=Φ(X)A,这里ξi和vi分别表示的第i个特征值和特征向量,ωi和分别表示的第i个特征值和特征向量,将CF,分别对角化得到PTCFP=Λ,由式(2)计算得到其中
其中,青霉素发酵过程初始监测模型主要因素的调节因子:
青霉素发酵过程初始监测模型主要因素的修正矩阵:
令
对VΦ作奇异值分解得到VΦ=U′Φ∑′ΦD′ΦT,U′Φ为特征向量阵,∑′Φ为对角阵,D′Φ为对应的右奇异阵,将VΦ代入式(2)有
则有CF的主要因素P可以表示为
又因为P=Φ(X)A,所以得到式(11)
对于青霉素发酵过程,一个新样本xnew,一个新样本xnew,采集的数据包括:通风率,搅拌器功率,基质进给速率,基质进给温度,生成的热量,溶解氧浓度,pH值和二氧化碳浓度;用步骤2建立初始监测模型得到的主要因素P。青霉素发酵过程在特征空间中的得分向量t∈Rr为
其中,P=[p1,p2,…,pr],r为保留的核主元数目,k(X,xnew)表示样本矩阵X与新样本xnew的内积向量。新样本xnew的T2和SPE统计量由式(13)和式(14)计算
SPE1=[Φ(xnew)-mΦ]T(I-PPT)[Φ(xnew)-mΦ] (14)
其中,Λ为主元的方差阵。T2满足F分布:
其中,N是采样样本的个数,r是保留主元的个数,T2统计量的上限为
其中,β为置信度,而Q统计量的分布满足χ2分布,其控制上限为
Qβ=gχ2(h) (16)
由式(2)-(9)我们可以得到:
对V′Φ作奇异值分解得到V′Φ=U″Φ∑″ΦD″Φ T
其中:青霉素发酵过程更新监测模型主要因素的调节因子:
青霉素发酵过程更新监测模型主要因素的修正矩阵:
步骤4所述的利用Hotelling的T2统计和平方预测误差(SPE)统计进行故障监测,T2统计和平方预测误差(SPE)确定方法如下:
对于青霉素发酵过程中一个新样本z,其在特征空间中的得分向量t∈Rr为
其中,为主元的方差阵。
本发明优点:本发明提出了一种基于递归核主元分析的青霉素发酵过程故障监测方法,主要解决数据的非线性和时变性问题,RKPCA通过递归计算训练数据协方差的特征值和主要因素对模型进行更新,利用此方法进行的过程监测结果表明,该方法不仅能大大降低误报警,还提高了故障监测的准确性。
附图说明
图1为本发明基于递归核主元分析的青霉素发酵过程故障监测方法青霉素发酵过程示意图;
图2为本发明基于递归核主元分析的青霉素发酵过程故障监测方法总流程图;
图3为本发明基于递归核主元分析的青霉素发酵过程故障监测方法基于RKPCA的故障监测流程图;
图4为本发明基于递归核主元分析的青霉素发酵过程监测方法采集到的(a)通风率、(b)搅拌器功率、(c)基质给进速率、(d)基质给进温度、(e)生成的热量、(f)溶解氧的浓度、(g)ph值、(h)二氧化碳浓度示意图;
图5为本发明基于核主元分析的青霉素发酵过程故障监测方法用KPCA得出的青霉素发酵过程的T2统计量;
图6为本发明基于核主元分析的青霉素发酵过程故障监测方法用KPCA得出的青霉素发酵过程的SPE统计量;
图7为本发明基于递归核主元分析的青霉素发酵过程故障监测方法用RKPCA得出的青霉素发酵过程的T2统计量;
图8为本发明基于递归核主元分析的青霉素发酵过程故障监测方法用RKPCA得出的青霉素发酵过程的SPE统计量;
图9为本发明基于递归核主元分析的青霉素发酵过程故障监测方法用RKPCA递归计算的主元个数;
图10为本发明基于递归核主元分析的青霉素发酵过程故障监测方法用RKPCA得出的青霉素发酵过程中斜坡类型故障的T2统计量;
图11为本发明基于递归核主元分析的青霉素发酵过程故障监测方法用RKPCA得出的青霉素发酵过程中斜坡类型故障的SPE统计量。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明:
青霉素发酵过程是青霉素产生菌在合适的培养基、pH值、温度、空气流量、搅拌等发酵条件下进行生长和合成抗生素的代谢活动。图1为青霉素生产发酵过程示意图,其中,被控变量包括发酵罐的pH值和温度,它们分别通过操纵变量:酸、碱流量和冷、热水流量将其控制在一定的值,主要采用控制器FC控制酸、碱流量和冷、热水的阀门的开度,来调节pH值和温度的。在青霉素发酵过程中温度和pH值采用闭环控制,而补料采用开环定值控制,青霉素发酵的每个批次持续时间是400小时,包含约45小时的预培养阶段和约355小时的间歇补料阶段;
本实施例基于递归核主元分析的青霉素发酵过程故障监测方法,如图2所示,包括以下步骤:
步骤1:采集数据,在青霉素发酵过程中,采集的数据包括:通风率,搅拌器功率,基质进给速率,基质进给温度,生成的热量,溶解氧浓度,pH值和二氧化碳浓度数据,其中温度和pH值采用闭环控制,而补料采用开环定值控制,用均值和标准偏差规范采集的数据;
对于青霉素发酵过程采集两批数据,采用0.5h的采样间隔采集数据,其中一批数据为训练数据用来建立青霉素发酵过程初始的模型,另一批次数据作为测试数据,每批由800个观测数构成,其中在此仿真中取99%的置信限,每个样本包含8个变量,在这里我们给出部分采样数据。分别随机选取了标准数据和实时工况数据中的十组数据如表1和表2所示:
表1.青霉素发酵建模中的十组数据
表2.青霉素发酵测试数据中的十组数据
步骤2:用步骤1标准化后的800个采样样本,建立青霉素发酵过程初始的监测模型,计算青霉素发酵过程故障的主要因素P,并计算置信限;对于青霉素发酵过程中一个新的采样xnew,用初始的监测模型得到的青霉素发酵过程故障主要因素P和置信限,监测其是否出现异常;如果异常则报警,否则转到步骤3;
以青霉素发酵过程800个观测数为样本数据X,以观测数据的后799个数据为中间数据它们被映射Φ投影到高维特征空间,建立青霉素发酵过程的初始模型,求出中间矩阵的传输因子根据方程(2)和(10),计算得到X的协方差矩阵CF和主要因素P,并求出该模型下的置信限,利用主要因素P可由式(13)和式(14)计算得到青霉素发酵过程中新采样xnew的和SPE1的统计量,并它们是否大于各自的置信限,若此时新采样本xnew的统计量没有大于置信限,转到步骤3,本实例通过计算没有发生故障,转到步骤3;
xnew为观测数中的一个可以用的新样本,Φ(xnew)为新样本xnew在特征空间中的投影,为青霉素发酵过程更新后的样本矩阵,则更新后数据样本协方差的的传输因子和特征值阵可以有(14)和(15)分别求的,进而可以得到更新后青霉素发酵过程模型后的主要因素这里分别随机选取了青霉素发酵过程更新模型传输因子的十组数据如表3所示:
步骤4:对青霉素发酵过程进行故障监测;
利用上面的两组数据,其中一个批次的数据用来建立KPCA模型,另一批次数据作为测试数据,由图5和图6可见,KPCA由于不具有递归更新的能力,无法跟踪青霉素发酵过程正常工况的变化,进而导致所生成的T2和SPE大约都在450个样本过后超过99%的置信限,产生误报警;
采用递归核主元分析方法更新步骤2的青霉素发酵过程的初始模型,并计算更新青霉素发酵过程模型后的主要因素为了监控过程,使用T2和SPE统计量,对于一个新样本z∈300,其在特征空间中的得分向量t可有(23)求的,新样本z的T2和SPE的统计量由式(24)和式(25)计算得到。接着根据式(15)和式(16)确定它们的控制限,得到改进的RKPCA对青霉素发酵过程结果如图7和图8所示,从图可以看出,RKPCA由于能够根据新样本来更新模型,可以准确反映青霉素发酵过程正常工况所发生的变化,从而所生成的T2和SPE基本都在99%的置信限之内,在图9中,所保留的主元个数从初始值r=10变化到最大值r=13,从而图6和图7中的统计量的置信限也会相应的改变;
为了进一步说明RKPCA对故障的监测能力,青霉素发酵过程的测试数据前700个样本用来展示RKPCA对时变过程的自适应监控效果,后100个样本用作故障数据来进行监测,从第701个样本开始直到第800个样本,基质进给速率以-0.003的斜率下降,从而基质进给速率故障加入到后100个样本中,图9和图10显示了监测结果:RKPCA生成的T2和SPE统计量大约在第770个样本左右监测到加入的故障,此结果表明所提出的RKPCA算法不但能够实现对时变非线性过程的自适应监控,而且能够监测到由故障所引起的过程的重大变化。
Claims (3)
1.基于递归核主元分析的青霉素发酵过程故障监测方法,其特征在于:包括以下步骤:
步骤1:采集数据,在青霉素发酵过程中,采集的数据包括:通风率,搅拌器功率,基质进给速率,基质进给温度,生成的热量,溶解氧浓度,pH值和二氧化碳浓度数据,其中温度和pH值采用闭环控制,而补料采用开环定值控制,用均值和标准偏差标准化采集的数据;
步骤2:计算青霉素发酵过程故障的主要因素P,采用如下方法:用步骤1标准化后的N个采样样本,建立青霉素发酵过程初始的监测模型,对于青霉素发酵过程中一个新的采样xnew,用初始的监测模型得到青霉素发酵过程故障的主要因素P和置信限,监测其是否出现异常;如果异常则报警,否则转到步骤3;
其中,青霉素发酵过程故障的主要因素P,公式如下:
式中,Φ(X)为X=[x1,x2,...,xN]样本矩阵映射到高维特征空间后的矩阵,N是采样样本个数,青霉素发酵过程初始监测模型主要因素的调节因子
步骤4:对青霉素发酵过程是否发生故障进行监测;
通过监测Hotelling的T2统计和平方预测误差SPE统计进行故障监测,即可判断出青霉素发酵过程是否发生故障,当T2统计和SPE统计超出各自的置信限时,认为有故障发生,反之,整个过程正常,转到步骤3继续更新青霉素发酵过程的监测模型。
2.根据权利要求1所述的基于递归核主元分析的青霉素发酵过程故障监测方法,其特征在于:步骤2所述的建立青霉素发酵过程初始的监测模型,方法如下:
利用在特征空间中的递归计算来更新样本协方差矩阵的特征值分解,令X=[x1,x2,…,xN]为青霉素发酵过程样本矩阵,x1,x2,...,xN为青霉素发酵过程采样样本,为青霉素发酵过程中间矩阵,m是采样变量个数, 为更新后青霉素发酵过程的样本矩阵,xnew为青霉素发酵过程中新样本,它们被映射Φ投影到高维特征空间后分别为Φ(X),和Φ(Xnew),因此Φ(X)的均值向量mΦ和协方差矩阵CF可计算得到
令Λ和P分别为CF的特征值阵和主要因素,和分别为的特征值阵和主要因素,假设RΦ是一个正交旋转矩阵,由P=Φ(X)A,这里 ξi和vi分别表示的第i个特征值和特征向量, ωi和分别表示的第i个特征值和特征向量,将CF,分别对角化得到PTCFP=Λ,由式(2)计算得到 其中
令 则和RΦ分别对应SΦ的特征值阵与特征向量阵,由式(2)可得到式(3)
其中,青霉素发酵过程初始监测模型主要因素的调节因子:
青霉素发酵过程初始监测模型主要因素的修正矩阵:
令
对VΦ作奇异值分解得到VΦ=UΦ∑'ΦD′Φ T,U′Φ为特征向量阵,∑′Φ为对角阵,D′Φ为对应的右奇异阵,将VΦ代入式(2)有
则有CF的主要因素P可以表示为
又因为P=Φ(X)A,所以得到式(11)
根据式(11),可由下式计算得到
利用步骤2建立初始监测模型得到的主要因素P,计算青霉素发酵过程在特征空间中的得分向量t∈Rr为
其中,P=[p1,p2,…,pr],r为保留的核主元数目,k(X,xnew)表示样本矩阵X与新样本xnew的内积向量,新样本xnew的T2和SPE统计量由式(13)和式(14)计算
SPE1=[Φ(xnew)-mΦ]T(I-PPT)[Φ(xnew)-mΦ] (14)
其中,Λ为主元的方差阵,T2满足F分布:
其中,r是保留主元的个数,T2统计量的上限为
其中,β为置信度,而Q统计量的分布满足χ2分布,其控制上限为
Qβ=gχ2(h) (16)
其中,g=ρ2/2μ,h=2μ2/ρ2,μ与ρ2分别对应样本Q统计量的均值和方差。
3.根据权利要求1所述的基于递归核主元分析的青霉素发酵过程故障监测方法,其特征在于:步骤3所述的采用递归核主元分析方法更新步骤2的青霉素发酵过程初始的监测模型,并计算更新后青霉素发酵过程故障的主要因素方法如下:
由式(2)-(9)得到:
对V′Φ作奇异值分解得到
其中:青霉素发酵过程更新监测模型主要因素的调节因子:
青霉素发酵过程更新监测模型主要因素的修正矩阵:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010295493 CN101964021B (zh) | 2010-09-29 | 2010-09-29 | 基于递归核主元分析的青霉素发酵过程故障监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010295493 CN101964021B (zh) | 2010-09-29 | 2010-09-29 | 基于递归核主元分析的青霉素发酵过程故障监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101964021A CN101964021A (zh) | 2011-02-02 |
CN101964021B true CN101964021B (zh) | 2012-12-19 |
Family
ID=43516892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010295493 Expired - Fee Related CN101964021B (zh) | 2010-09-29 | 2010-09-29 | 基于递归核主元分析的青霉素发酵过程故障监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101964021B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102520614A (zh) * | 2011-09-20 | 2012-06-27 | 长沙理工大学 | 一种基于主元特征的工程机械负载模式判别方法 |
CN103729562A (zh) * | 2013-12-31 | 2014-04-16 | 东北大学 | 一种基于重构识别分析的青霉素发酵过程故障监测方法 |
CN103810396B (zh) * | 2014-03-03 | 2016-10-19 | 北京工业大学 | 一种基于特征空间的双核多向偏最小二乘的发酵过程质量预测方法 |
CN103901855B (zh) * | 2014-04-01 | 2016-11-02 | 浙江大学 | 一种不等长批次条件下青霉素生产过程核学习监测方法 |
CN104182623A (zh) * | 2014-08-12 | 2014-12-03 | 南京工程学院 | 一种基于当量变化率计算的热工过程数据检测方法 |
CN104503441B (zh) * | 2014-12-22 | 2017-02-22 | 北京化工大学 | 一种基于改进动态可见图的过程故障监测方法 |
CN106709214A (zh) * | 2017-02-20 | 2017-05-24 | 北京工业大学 | 一种基于mlle‑ocsvm的青霉素发酵过程故障监测方法 |
CN107817784B (zh) * | 2017-10-26 | 2019-07-23 | 东北大学 | 一种基于并发偏最小二乘的过程故障检测方法 |
CN111324110A (zh) * | 2020-03-20 | 2020-06-23 | 北京工业大学 | 一种基于多块收缩自动编码器的发酵过程故障监测方法 |
CN113377078B (zh) * | 2021-04-20 | 2023-04-07 | 山东师范大学 | 一种基于核主成分回归的工业过程故障检测方法及系统 |
CN116268357B (zh) * | 2023-03-03 | 2024-06-11 | 广东美味鲜调味食品有限公司 | 一种高盐稀态酱油酿造过程监控方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101158693A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 基于多核独立元分析的批量生产过程故障检测方法 |
CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7831094B2 (en) * | 2004-04-27 | 2010-11-09 | Honda Motor Co., Ltd. | Simultaneous localization and mapping using multiple view feature descriptors |
CA2641131A1 (en) * | 2008-08-18 | 2010-02-18 | The Governors Of The University Of Alberta | A method of diagnosing a respiratory disease |
-
2010
- 2010-09-29 CN CN 201010295493 patent/CN101964021B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101158693A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 基于多核独立元分析的批量生产过程故障检测方法 |
CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101964021A (zh) | 2011-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101964021B (zh) | 基于递归核主元分析的青霉素发酵过程故障监测方法 | |
Reinartz et al. | An extended Tennessee Eastman simulation dataset for fault-detection and decision support systems | |
CN101158693B (zh) | 基于多核独立元分析的批量生产过程故障检测方法 | |
CN103970092B (zh) | 一种基于自适应fcm的多阶段发酵过程故障监测方法 | |
Yu | A new fault diagnosis method of multimode processes using Bayesian inference based Gaussian mixture contribution decomposition | |
CN109407652B (zh) | 基于主辅pca模型的多变量工业过程故障检测方法 | |
Said et al. | Machine learning technique for data-driven fault detection of nonlinear processes | |
CN101308385B (zh) | 基于二维动态核主元分析的非线性过程故障检测方法 | |
Gunther et al. | Process monitoring and quality variable prediction utilizing PLS in industrial fed-batch cell culture | |
CN110245460B (zh) | 一种基于多阶段oica的间歇过程故障监测方法 | |
WO2023019883A1 (zh) | 利用细胞代谢网络监测生物制造过程的方法 | |
CN110032799A (zh) | 一种微生物制药过程的角相似度阶段划分及监测方法 | |
CN117009831A (zh) | 一种精细化工事故风险预测评估方法 | |
Li et al. | Complex dynamic process monitoring method based on slow feature analysis model of multi-subspace partitioning | |
US20120088679A1 (en) | Method for Monitoring Cell Culture | |
Besenhard et al. | A multivariate process monitoring strategy and control concept for a small-scale fermenter in a PAT environment | |
Cunha et al. | An assessment of seed quality and its influence on productivity estimation in an industrial antibiotic fermentation | |
Ferreira et al. | Study of the application of multiway multivariate techniques to model data from an industrial fermentation process | |
CN112631258B (zh) | 一种工业过程关键指标的故障预警方法 | |
Peng et al. | Quality relevant over-complete independent component analysis based monitoring for non-linear and non-Gaussian batch process | |
CN116224887A (zh) | 一种多工况间歇过程故障监测方法 | |
EP3296387A1 (de) | Verfahren zur überwachung von bioprozessen | |
Zhou et al. | Process monitoring based on classification tree and discriminant analysis | |
CN111504944A (zh) | 基于近红外光谱的柠檬酸发酵液化清液的统计监控方法 | |
Liu et al. | Batch process monitoring with two-dimensional LSTM-variational auto-encoder |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121219 Termination date: 20130929 |