CN103729562A - 一种基于重构识别分析的青霉素发酵过程故障监测方法 - Google Patents
一种基于重构识别分析的青霉素发酵过程故障监测方法 Download PDFInfo
- Publication number
- CN103729562A CN103729562A CN201310751551.7A CN201310751551A CN103729562A CN 103729562 A CN103729562 A CN 103729562A CN 201310751551 A CN201310751551 A CN 201310751551A CN 103729562 A CN103729562 A CN 103729562A
- Authority
- CN
- China
- Prior art keywords
- matrix
- data
- historical
- fault
- value
- 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.)
- Pending
Links
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明一种基于重构识别分析的青霉素发酵过程故障监测方法,属于故障监测与诊断技术领域,本发明通过分析正常数据和故障数据的相关性,获得对正常状况影响最大的故障方向,根据故障贡献方向,将数据中的故障消除,即将工业状况模型恢复到正常状态,并识别此故障类型,并通过实际故障解决措施将实际工况恢复正常;本发明通过分析故障与正常状况的相关性,使得监测的准确性有了很大提高,为复杂工业过程的安全加强了安全保障,减少了损失,提高了产品的质量。
Description
技术领域
本发明属于故障监测与诊断技术领域,具体涉及一种基于重构识别分析的青霉素发酵过程故障监测方法。
背景技术
工业生产过程中存在潜在危险因素。这些危险因素在一定条件下,使得生产过程失败,甚至造成事故的发生、生产的扰乱、生活的不安全、环境的严重污染和经济的大量损失。这就对生产过程的监控和诊断提出了更高的要求。由于实际的工业生产过程中的不确定性及复杂的过程,一般包括非线性、时变性、变量耦合、时间相关性、多模态、多周期、大规模和间歇等特性,使它难以建立精确的过程模型。为了避免上述问题,基于数据驱动和知识驱动的复杂工业过程的故障诊断一直被视为一个热门话题,广泛用于工业过程。
在过去十年中,多元统计分析技术已被广泛用于过程分析、监测和故障诊断。从海量数据中提取过程信息在各个领域中被发展,如主元分析法,独立元分析法和偏最小二乘法已广泛应用于工业生产过程的监测和诊断。当过程监测的统计量超出所需的控制限制,可以认为生产过程中出现异常的变化。当故障被检测到时,它需要人们可以迅速地诊断出异常的情况,并得到一个确定的原因,使它可以迅速被恢复正常。主元分析法是一种流行的,已被开发和广泛使用在许多工业生产过程中。主元分析法就是将高维数据投影到低维正交子空间的过程中,并保留关键过程的数据信息的方法。主元分析法空间被划分为主成分的子空间和剩余成分的子空间,结合T2(Hotelling’s T2,即霍特林T2统计量)和SPE(squared predicted error,平方预测误差)统计监测图和贡献图来监测正常工业状况是否发生异常。主元分析法虽然已经成功地使用在许多工业过程中,并对过程监控和诊断提供了一个很大的推动作用,但在生产过程中的应用中仍然还存在一些问题。虽然主元分析法用于故障检测已相当完善,但仍非常困难的识别那种影响多个传感器而产生的故障。因此,贡献图给出的是故障发生的结果,但不是故障发生的原因。
发明内容
针对现有技术存在的不足,本发明提出一种基于重构识别分析的青霉素发酵过程故障监测方法,以达到不仅能够监测到故障的发生,还能识别出故障的类型,加强复杂工业过程的安全安全保障、减少损失和提高产品质量的目的。
一种基于重构识别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、采集青霉素发酵过程中的多组历史数据,每组数据中包括: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、培养容积和二氧化碳浓度九个变量;
步骤2、确定采集的多组历史数据中的正常数据组和故障数据组,并通过求平均值和标准差的方法对数据进行预处理,具体为:
步骤2-1、将正常数据组和故障数据组存储至矩阵中,形成历史正常数据矩阵和历史故障数据矩阵;
步骤2-2、计算历史正常数据组中每个变量的平均值和标准差;
步骤2-3、将历史正常数据矩阵和历史故障数据矩阵的每个变量与计算获得的平均值做差,并与标准差相除,将获得的结果替换矩阵中原始位置的元素,进而完成对历史正常数据矩阵和历史故障数据矩阵的预处理;
步骤3、采用主元分析方法分别对预处理后获得的历史正常数据矩阵和历史故障数据矩阵进行分解,获得历史正常数据得分矩阵、历史正常数据负载矩阵、历史故障数据得分矩阵和历史故障数据负载矩阵;
步骤4、建立历史正常数据矩阵与历史故障数据矩阵之间的相关性,具体如下:
步骤4-1、根据预处理后的历史正常数据矩阵、历史故障数据矩阵和采集历史数据的组数,建立历史正常数据矩阵和历史故障数据矩阵之间的协方差矩阵;
步骤4-2、采用奇异值分解法对获得的协方差矩阵进行分解,获得具有历史正常数据矩阵和历史故障数据矩阵之间相关性的数据相关负载矩阵;
步骤4-3、将历史故障数据矩阵与获得的数据相关负载矩阵相乘,计算获得数据相关得分矩阵;
步骤4-4、计算所获数据相关得分矩阵的方差和历史故障数据得分矩阵的方差,根据上述两个方差的比值,获得数据相关得分矩阵与历史故障数据得分矩阵之间的比率向量;
步骤4-5、将获得的比率向量中的每个比率值与设定的阈值相比较,提取其中大于阈值的比率值,并根据所提取的比率值所在比率向量的列,提取历史正常数据负载矩阵中对应列的数据,获得历史正常数据负载矩阵的一个子矩阵,即获得故障相关负载矩阵,并将该子矩阵作为数据重构的故障方向;
步骤5、将获得的故障相关负载矩阵分别投影到主元子空间和残差空间,获得主元子空间内的故障方向,残差空间的故障方向;
步骤6、实时采集被测青霉素发酵过程中的多组实时数据,并根据步骤2中的历史正常数据组中每个变量的平均值和标准差,对采集的数据进行预处理,构成被测数据矩阵;
步骤7、根据被测数据矩阵、历史正常数据矩阵的转换矩阵和数据重构的故障方向,获 得在第一目标函数值最小时,SPE统计量重构中的故障量值;并根据历史正常数据负载矩阵、被测数据矩阵和数据重构的故障方向获得在第二目标函数值最小时,T2统计量重构中的故障量值;
步骤8、根据获得的SPE统计量重构中的故障量值、数据重构的故障方向和被测数据矩阵获得SPE统计量重构中被测数据中的正常数据的部分;再根据历史正常数据矩阵的转换矩阵,获得SPE统计量重构中被测数据矩阵的SPE统计值,并通过χ2分布获得SPE统计量重构中的置信限;
步骤9、根据T2统计量重构中的故障量值、数据重构的故障方向和被测数据矩阵,获得T2统计量重构中被测数据中的正常数据的部分;再根据历史正常数据负载矩阵和该矩阵对应的特征值,获得在T2统计量重构中被测数据矩阵的T2统计值;并通过F分布获得T2统计量重构中的置信限;
步骤10、判断在T2统计量重构中被测数据矩阵的T2统计值是否小于其置信限,在SPE统计量重构中被测数据矩阵的SPE统计值是否小于其置信限,若同时小于,则该被测青霉素发酵过程中的故障类型为历史数据中存储的故障类型,并执行步骤12;否则该被测青霉素发酵过程中的故障类型不是历史数据中存储的故障类型,并执行步骤11;
步骤11、返回执行步骤1,重新采集历史数据获取其他故障类型;
步骤12、根据判断所得被测青霉素发酵过程的故障类型,采取解决措施,具体为:
当通风率超出8.60L/h±0.05范围时,则调节通风口阀门的开度,控制通风大小,使通风率控制在设定范围内;
当搅拌器功率超出30.0W±0.5范围时,则修改搅拌器的功率值,使搅拌器功率控制在设定范围内;
当基质进给速率超出0.040L/h~0.045L/h范围时,则修改基质进给的量值,控制基质进给量,使基质进给速率控制在设定范围内;
当基质进给温度超出296.0K±0.1K范围时,则修改进给基质的温度值,使基质进给温度控制在设定范围内;
当生成的热量超出70kCal~80kCal范围时,则调节冷水和热水阀门的开度,控制冷水和热水流量大小,使生成的热量控制在设定范围内;
当溶解氧浓度超出1.11g/L~1.13g/L范围时,则调节搅拌器的速率,使溶解氧的浓度控制在设定范围内;
当pH值超出5.0±0.5范围时,则调节酸液和碱液阀门的开度,控制酸液和碱液流量大 小,使pH值控制在设定范围内;
当培养容积超出用户设定范围时,则改变容积的大小,使其控制在设定范围内;
当二氧化碳浓度超出2.0g/L~2.5g/L范围时,则调节调节搅拌器的速率,使二氧化碳的浓度控制在设定范围内。
步骤3所述的采用主元分析方法分别对预处理后获得的历史正常数据矩阵和历史故障数据矩阵进行分解,公式如下:
其中,X表示采集的历史数据矩阵,包括历史正常数据和历史工况故障数据N表示数据的组数,M表示变量数目,取值为9,x11,x12,...,x1N表示采集的第1组到第N组历史正常数据,x21,x22,...,x2N表示采集的第1组到第N组历史故障数据,T表示数据主元分解后的得分矩阵,T(N×R)=[t1,t2,…,tN],包括历史正常数据得分矩阵T1和历史故障数据得分矩阵T2;P表示数据主元分解后的负载矩阵,P(M×R)=[p1,p2,…,pM],包括历史正常数据负载矩阵P1和历史故障数据负载矩阵P2,其中,R表示数据中包含的主元个数,R的取值满足 λi是数据主元分解后的负载矩阵P中pi列向量对应的特征值;E表示数据分解后的残差矩阵,是一个N行M列矩阵。
步骤4-1所述的建立历史正常数据矩阵和历史故障数据矩阵之间的协方差矩阵,公式如下:
其中,S表示历史正常数据矩阵和历史故障数据矩阵之间的协方差矩阵,是一个M行M列的矩阵;
步骤4-2所述的采用奇异值分解法对获得的协方差矩阵进行分解,获得具有历史正常数据矩阵和历史故障数据矩阵之间相关性的数据相关负载矩阵,公式如下:
S=P3Λ3P3 T (3)
其中,Λ3表示一个对角阵,包含幅值递减的非负特征值λ1≥λ2≥…≥λM≥0,P3表示历 史正常数据矩阵和历史故障数据矩阵之间相关性的数据相关负载矩阵;
步骤4-4所述的获得数据相关得分矩阵与历史故障数据得分矩阵之间的比率向量,公式如下:
其中,Ratioi表示第i个比率值,var(·)表示对得分矩阵求方差,T3表示数据相关得分矩阵,T3=X2×P3;
步骤4-5所述的阈值取值范围为0.8~1.2。
步骤5所述的获得主元子空间内的故障方向,残差空间的故障方向,公式如下:
其中,I表示一个单位矩阵;P*表示故障相关负载矩阵;Ζ表示数据重构的故障方向;表示主元子空间内的故障方向,表示残差空间的故障方向,表示历史正常数据映射到残差空间的转换矩阵,表示历史正常数据映射到主元子空间的转换矩阵,
步骤7所述的获得在第一目标函数值最小时,SPE统计量重构中的故障量值,并获得在第二目标函数值最小时,T2统计量重构中的故障量值,具体如下:
SPE统计量重构中的故障量值,公式如下:
其中,argmin||.||表示目标函数绝对值最小时,未知数的取值;x* SPE表示SPE统计量重构中被测数据中的正常数据的部分,x* SPE=x-ΖfSPE,x表示被测数据矩阵;表示被测数据矩阵在残差空间的投影矩阵;
在T2统计量的重构中的故障量值,公式如下:
步骤9所述的获得在T2统计量重构中被测数据矩阵的T2统计值,公式如下:
T2=tTΛ-1t (10)
其中,t=x*P1,Λ=diag{λ1,λ2,…,λR}是对角矩阵,λ1,λ2,…,λR是历史正常数据负载矩阵对应的特征值;
通过F分布获得T2统计量重构中的置信限,公式如下:
步骤8所述的获得SPE统计量重构中x* SPE被测数据矩阵的SPE统计值,公式如下:
其中,SPE表示SPE统计量重构中被测数据矩阵的SPE统计值;
通过χ2分布获得SPE统计量重构中的置信限,公式如下:
本发明优点:
本发明一种基于重构识别分析的青霉素发酵过程故障监测方法,通过此方法分析正常数据和故障数据的相关性,获得对正常状况影响最大的故障方向,根据故障贡献方向,将数据中的故障消除,即将工业状况模型恢复到正常状态,并识别此故障类型,并通过实际故障解决措施将实际工况恢复正常;本发明通过分析故障与正常状况的相关性,使得监测的准确性有了很大提高,为复杂工业过程的安全加强了安全保障,减少了损失,提高了产品的质量。
附图说明
图1为本发明一种实施例的青霉素发酵过程示意图;
图2为本发明一种实施例的基于重构识别分析的青霉素发酵过程故障监测方法流程图;
图3为本发明一种实施例的采集各个变量的数据示意图,其中,图(a)为通风率;图(b)为搅拌器功率;图(c)为基质给进速率;图(d)为基质给进温度;图(e)为生成的热量;图(f)为溶解氧的浓度;图(g)为ph值;图(h)为二氧化碳浓度;图(i)为培养容积;
图4为本发明一种实施例的青霉素发酵过程的通风率加入50%的阶跃跳变时T2和SPE统计量示意图,其中,图(a)为采用主元分析算法得出的青霉素发酵过程的T2统计量;图(b)为采用主元分析算法得出的青霉素发酵过程的SPE统计量;图(c)为采用故障相关重构算法得出的青霉素发酵过程的T2统计量;图(d)为采用故障相关重构算法得出的青霉素发酵过程的SPE统计量;
图5为本发明一种实施例的青霉素发酵过程的搅拌器功率加入50%的阶跃跳变时T2和SPE统计量示意图,其中,图(a)为采用主元分析算法得出的青霉素发酵过程的T2统计量;图(b)为采用主元分析算法得出的青霉素发酵过程的SPE统计量;图(c)为采用故障相关重构算法得出的青霉素发酵过程的T2统计量;图(d)为采用故障相关重构算法得出的青霉素发酵过程的SPE统计量;
图6为本发明一种实施例的青霉素发酵过程的基质进给速率加入50%的阶跃跳变时T2和SPE统计量示意图,其中,图(a)为采用主元分析算法得出的青霉素发酵过程的T2统计量;图(b)为采用主元分析算法得出的青霉素发酵过程的SPE统计量;图(c)为采用故障相关 重构算法得出的青霉素发酵过程的T2统计量;图(d)为采用故障相关重构算法得出的青霉素发酵过程的SPE统计量;
图7为本发明一种实施例的青霉素发酵过程的通风率加入2%的斜坡跳变时T2和SPE统计量示意图,其中,图(a)为采用主元分析算法得出的青霉素发酵过程的T2统计量;图(b)为采用主元分析算法得出的青霉素发酵过程的SPE统计量;图(c)为采用故障相关重构算法得出的青霉素发酵过程的T2统计量;图(d)为采用故障相关重构算法得出的青霉素发酵过程的SPE统计量;
图8为本发明一种实施例的青霉素发酵过程的基质进给速率加入2%的斜坡跳变时T2和SPE统计量示意图,其中,图(a)为采用主元分析算法得出的青霉素发酵过程的T2统计量;图(b)为采用主元分析算法得出的青霉素发酵过程的SPE统计量;图(c)为采用故障相关重构算法得出的青霉素发酵过程的T2统计量;图(d)为采用故障相关重构算法得出的青霉素发酵过程的SPE统计量;
图9为本发明一种实施例的青霉素发酵过程的搅拌器功率加入2%的斜坡跳变时T2和SPE统计量示意图,其中,图(a)为采用主元分析算法得出的青霉素发酵过程的T2统计量;图(b)为采用主元分析算法得出的青霉素发酵过程的SPE统计量;图(c)为采用故障相关重构算法得出的青霉素发酵过程的T2统计量;图(d)为采用故障相关重构算法得出的青霉素发酵过程的SPE统计量。
具体实施方式
下面结合附图对本发明一种实施例做进一步说明。
本发明实施例中,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。
一种基于重构识别分析的青霉素发酵过程故障监测方法,方法流程图如图2所示,包括 以下步骤:
步骤1、采集青霉素发酵过程中的多组历史数据,每组数据中包括: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、培养容积和二氧化碳浓度九个变量;
本发明实施例中,温度和pH值采用闭环控制,而补料采用开环定值控制;对于青霉素发酵过程采集两批数据,采用0.5h的采样间隔采集历史数据,作为训练数据用来建立青霉素发酵过程初始的模型,由400个观测数构成,其中在此数据建模和检测中取99%的置信限,每组样本数据包含9个变量,各个变量如图3中图(a)~图(i)的数据示意图,建立青霉素发酵过程初始的监测模型。本发明实施例中,随机选取了10组标准数据如表1所示,本发明实施例中以400组历史数据为例对以下内容进行说明。
表1.青霉素发酵建模中的十组数据
步骤2、确定采集的400组历史数据中的正常数据组和故障数据组,并通过求平均值和标准差的方法对数据进行预处理,具体为:
步骤2-1、将正常数据组和故障数据组存储至矩阵中,形成历史正常数据矩阵和历史故障数据矩阵;
步骤2-2、计算历史正常数据组中每个变量的平均值和标准差;
步骤2-3、将历史正常数据矩阵和历史故障数据矩阵的每个变量与计算获得的平均值做差,并与标准差相除,将获得的结果替换矩阵中原始位置的元素,进而完成对历史正常数据 矩阵和历史故障数据矩阵的预处理;
步骤3、采用主元分析方法分别对预处理后获得的历史正常数据矩阵 和历史故障数据矩阵 进行分解,获得历史正常数据得分矩阵T1、历史正常数据负载矩阵P1、历史故障数据得分矩阵T2和历史故障数据负载矩阵P2;
其中,X表示采集的历史数据矩阵,包括历史正常数据和历史工况故障数据,x11,x12,...,x1400表示采集的第1组到第400组历史正常数据,x21,x22,...,x2400表示采集的第1组到第400组历史故障数据T表示数据主元分解后的得分矩阵,T(400×R)=[t1,t2,…,t400],包括历史正常数据得分矩阵T1和历史故障数据得分矩阵T2;P表示数据主元分解后的负载矩阵,P(9×R)=[p1,p2,…,p9],包括历史正常数据负载矩阵P1和历史故障数据负载矩阵P2,其中,R表示数据中包含的主元个数,R的取值满足 λi是数据主元分解后的负载矩阵P中pi列向量对应的特征值;E表示数据分解后的残差矩阵,是一个400行9列矩阵。
步骤4、建立历史正常数据矩阵X1与历史故障数据矩阵X2之间的相关性,具体如下:
步骤4-1、根据预处理后的历史正常数据矩阵X1、历史故障数据矩阵X2和采集历史数据的组数400,建立历史正常数据矩阵和历史故障数据矩阵之间的协方差矩阵S;
公式如下:
其中,S表示历史正常数据矩阵和历史故障数据矩阵之间的协方差矩阵,是一个9行9列的矩阵;
步骤4-2、采用奇异值分解法对获得的协方差矩阵S进行分解,获得具有历史正常数据矩 阵和历史故障数据矩阵之间相关性的数据相关负载矩阵;
本发明实施例中,将获得的协方差矩阵S代入公式(3)中进行分解,公式如下:
S=P3Λ3P3 T (3)
其中,Λ3表示一个对角阵,包含幅值递减的非负特征值λ1≥λ2≥…≥λ9≥0(半正定矩阵),P3表示历史正常数据矩阵X1和历史故障数据矩阵X2之间相关性的数据相关负载矩阵;
步骤4-3、将历史故障数据矩阵X2与获得的数据相关负载矩阵P3相乘,计算获得数据相关得分矩阵T3,即T3=X2×P3;
步骤4-4、计算所获数据相关得分矩阵T3的方差和历史故障数据得分矩阵T2的方差,根据上述两个方差的比值,获得数据相关得分矩阵T3与历史故障数据得分矩阵T2之间的比率向量;
本发明实施例中,利用历史故障数据的得分矩阵T2和数据相关得分矩阵T3之间的比率Ratioi(i=1,2,...,R)来截取到对正常状况影响较大的故障方向,得到故障相关负载矩阵P*(M×R)。其中j∈[1,2,…,R]是主元故障情况i的子集。
公式如下:
其中,Ratioi表示第i个比率值,var(·)表示对得分矩阵求方差,T3表示数据相关得分矩阵;
步骤4-5、将获得的比率向量中的每个比率值与设定的阈值(取值范围为0.8~1.2,本发明实施例中具体取值为1)相比较,,提取其中大于阈值的比率值,并根据所提取的比率值所在比率向量的列,提取历史正常数据负载矩阵中对应列的数据,获得历史正常数据负载矩阵的一个子矩阵,即获得故障相关负载矩阵P*,并将该子矩阵作为数据重构的故障方向Ζ;
本发明实施例中,如果比率值大于阙值,这就意味着故障对于正常状况的影响更显著,并能引起T2和SPE统计量的显著增加,偏离正常状况下的统计量控制线;如果比率值小于阙值,那故障对于正常状况的影响将被考虑很小或忽略不记。即当比较值满足Ratioj>α时,可 以截取到对正常状况影响较大的故障方向,j∈[1,2,…,R]是主元故障情况i的子集。
公式如下:
本发明实施例中,将故障相关负载矩阵P*替代数据重构的故障方向Ζ,在公式(5)中进行计算,其中,I表示一个单位矩阵;P*表示故障相关负载矩阵;Ζ表示数据重构的故障方向;表示主元子空间内的故障方向,表示残差空间的故障方向,表示历史正常数据映射到残差空间的转换矩阵,表示历史正常数据映射到主元子空间的转换矩阵,
步骤6、实时采集被测青霉素发酵过程中的多组实时数据,并根据步骤2中的历史正常数据组中每个变量的平均值和标准差,对采集的数据进行预处理,构成被测数据矩阵;
本发明实施例中,对实时采集的被测数据随机抽取10组如表2所示:
表2.青霉素发酵测试数据中的十组数据
步骤7、根据被测数据矩阵x、历史正常数据矩阵的转换矩阵和数据重构的故障方向Z,获得在第一目标函数值最小时,SPE统计量重构中的故障量值fSPE;并根据历史正常数据负载矩阵P1、被测数据矩阵x和数据重构的故障方向Ζ获得在第二目标函数值最小时,T2统计量重构中的故障量值
SPE统计量重构中的故障量值,公式如下:
本发明实施例中,根据故障相关方向对实时工况故障数据重构识别。在重构算法中,能够从工况数据中区分故障,就要得到精确地故障相关方向。所有可能的故障数据集合为F1,而实际故障数据F2则是F1的子集,根据重构算法,获得x* SPE:x* SPE表示SPE统计量重构中被测数据中的正常数据的部分,x* SPE=x-ΖfSPE,x表示被测数据矩阵;重构就是将正常部分x*从扰动的数据x中沿着给定的故障方向Ζ中重构出来,是一个正交矩阵;
本发明实施例中,在SPE统计量的重构中,通过求得正常部分x*的最好估计值来计算量值fSPE,即用其到残差子空间(Sr)的最短距离这个约束条件求得。
步骤8、根据获得的SPE统计量重构中的故障量值fSPE、数据重构的故障方向Ζ和被测数据矩阵x获得SPE统计量重构中被测数据中的正常数据的部分x* SPE;再根据历史正常数据矩阵的转换矩阵获得SPE统计量重构中被测数据矩阵的SPE统计值,并通过χ2分布获得SPE统计量重构中的置信限;
本发明实施例中,获得SPE统计值,公式如下:
其中,SPE表示SPE统计量重构中被测数据矩阵的SPE统计值;
通过χ2分布获得SPE统计量重构中的置信限,χ2分布是服从标准正态分布的相互独立的随机变量的平方和构成的一组新的随机变量的分布,公式如下:
步骤9、根据T2统计量重构中的故障量值数据重构的故障方向Ζ和被测数据矩阵x,获得T2统计量重构中被测数据中的正常数据的部分再根据历史正常数据负载矩阵P1和该矩阵对应的特征值λ1,λ2,…,λR,获得在T2统计量重构中被测数据矩阵的T2统计值;并通过F分布获得T2统计量重构中的置信限;
获得在T2统计量重构中被测数据矩阵的T2统计值,公式如下:
T2=tTΛ-1t (10)
其中,t=x*P1,Λ=diag{λ1,λ2,…,λR}是对角矩阵,λ1,λ2,…,λR是历史正常数据负载矩阵对应的特征值;
通过F分布获得T2统计量重构中的置信限,F分布是两个独立的随机变量的卡方分布被各自的自由度除以后的比率这一统计量的分布,公式如下:
步骤10、判断在T2统计量重构中被测数据矩阵的T2统计值是否小于其置信限,在SPE统计量重构中被测数据矩阵的SPE统计值是否小于其置信限,若同时小于,则该被测青霉素发酵过程中的故障类型为历史数据中存储的故障类型,并执行步骤12;否则该被测青霉素发酵过程中的故障类型不是历史数据中存储的故障类型,并执行步骤11;
本发明实施例中,T2统计值和SPE统计值分别形成两条曲线,置信限为一条控制线,判断统计量的曲线是否超出控制线,当对某一类型实时工况故障数据用故障相关的重构算法处理后,观测数据的T2和SPE统计量如果与正常数据的统计量浮动相同,并且没有超出统计量规定的控制线时,则此算法识别出了此类型故障;反之如果观测数据的T2和SPE统计量与正常数据不相符,且超出统计量规定的控制线,则认为算法识别不出此类型故障。
步骤11、返回执行步骤1,重新采集历史数据获取其他故障类型;
步骤12、根据判断所得被测青霉素发酵过程的故障类型,采取解决措施,具体为:
当通风率超出8.60L/h±0.05范围时,则调节通风口阀门的开度,控制通风大小,使通风率控制在设定范围内;
当搅拌器功率超出30.0W±0.5范围时,则修改搅拌器的功率值,使搅拌器功率控制在设定范围内;
当基质进给速率超出0.040L/h~0.045L/h范围时,则修改基质进给的量值,控制基质进给量,使基质进给速率控制在设定范围内;
当基质进给温度超出296.0K±0.1K范围时,则修改进给基质的温度值,使基质进给温度控制在设定范围内;
当生成的热量超出70kCal~80kCal范围时,则调节冷水和热水阀门的开度,控制冷水和热水流量大小,使生成的热量控制在设定范围内;
当溶解氧浓度超出1.11g/L~1.13g/L范围时,则调节搅拌器的速率,使溶解氧的浓度控制在设定范围内;
当pH值超出5.0±0.5范围时,则调节酸液和碱液阀门的开度,控制酸液和碱液流量大小,使pH值控制在设定范围内;
当培养容积超出用户设定范围时,则改变容积的大小,使其控制在设定范围内;
当二氧化碳浓度超出2.0g/L~2.5g/L范围时,则调节调节搅拌器的速率,使二氧化碳的浓度控制在设定范围内。
本发明实施例中,在青霉素发酵过程中,青霉素发酵过程新采样x是工况时,采用重构分析方法更新步骤1素发酵过程的初始模型,并利用重构分析方法的求得T2统计和SPE统计中重构的正常部分最后通过统计变量T2和SPE进行故障监测。本发明实施例中,将本方法与主元分析法进行比较。六个不正常的批次数据用于在线监测。前三个不正常的批次是分别在通风率、搅拌器功率、基质进给速率三个变量上增加了50%的阶跃跳变。如图4所示,故障从第100个样本开始持续到第400个样本。如图4中图(a)和图4中图(b)所示,主元分析法能够监测到故障并发出警报。如图4中图(c)和图4中图(d)所示,本发明实施例中所提出的基于重构识别分析方法不仅能够监测出故障,而且能够识别出故障类型,并将故障消除,恢复为正常数据。图5中图(a)、图(b)、图(c)、图(d)和图6中图(a)、图(b)、图(c)、图(d)所示的事例与图4类似。并在后三个不正常批次的通风率、搅拌器功率、基质进给速率三个变量上增加了2%的斜坡跳变。如图7所示,故障从第100个样本开始持续到第400个样本。如图7中图(a)和图7中图(b)所示,主元分析法能够监测到故障并发出警报。如图7中图(c)和图7中图(d)所示,本发明实施例中所提出的基于重构识别分析方法不仅能够监测出故障,而且能够识别出故障类型,并将故障消除,恢复为正常数据。图8中图(a)、图(b)、图(c)、图(d)和图9中图(a)、图(b)、图(c)、图(d)所示的事例与图4类似。
由上述对比分析可得,本发明基于重构识别分析的青霉素发酵过程故障监测方法有效地找到对正常状况影响最大的故障方向,本发明所提出的方法比主元分析法更具优势。不仅能够监测到故障的发生,还能识别出故障的类型,为复杂工业过程的安全加强了安全保障,减少了损失,提高了产品的质量。
Claims (7)
1.一种基于重构识别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、采集青霉素发酵过程中的多组历史数据,每组数据中包括: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、培养容积和二氧化碳浓度九个变量;
步骤2、确定采集的多组历史数据中的正常数据组和故障数据组,并通过求平均值和标准差的方法对数据进行预处理,具体为:
步骤2-1、将正常数据组和故障数据组存储至矩阵中,形成历史正常数据矩阵和历史故障数据矩阵;
步骤2-2、计算历史正常数据组中每个变量的平均值和标准差;
步骤2-3、将历史正常数据矩阵和历史故障数据矩阵的每个变量与计算获得的平均值做差,并与标准差相除,将获得的结果替换矩阵中原始位置的元素,进而完成对历史正常数据矩阵和历史故障数据矩阵的预处理;
步骤3、采用主元分析方法分别对预处理后获得的历史正常数据矩阵和历史故障数据矩阵进行分解,获得历史正常数据得分矩阵、历史正常数据负载矩阵、历史故障数据得分矩阵和历史故障数据负载矩阵;
步骤4、建立历史正常数据矩阵与历史故障数据矩阵之间的相关性,具体如下:
步骤4-1、根据预处理后的历史正常数据矩阵、历史故障数据矩阵和采集历史数据的组数,建立历史正常数据矩阵和历史故障数据矩阵之间的协方差矩阵;
步骤4-2、采用奇异值分解法对获得的协方差矩阵进行分解,获得具有历史正常数据矩阵和历史故障数据矩阵之间相关性的数据相关负载矩阵;
步骤4-3、将历史故障数据矩阵与获得的数据相关负载矩阵相乘,计算获得数据相关得分矩阵;
步骤4-4、计算所获数据相关得分矩阵的方差和历史故障数据得分矩阵的方差,根据上述两个方差的比值,获得数据相关得分矩阵与历史故障数据得分矩阵之间的比率向量;
步骤4-5、将获得的比率向量中的每个比率值与设定的阈值相比较,提取其中大于阈值的比率值,并根据所提取的比率值所在比率向量的列,提取历史正常数据负载矩阵中对应列的数据,获得历史正常数据负载矩阵的一个子矩阵,即获得故障相关负载矩阵,并将该子矩阵作为数据重构的故障方向;
步骤5、将获得的故障相关负载矩阵分别投影到主元子空间和残差空间,获得主元子空间内的故障方向,残差空间的故障方向;
步骤6、实时采集被测青霉素发酵过程中的多组实时数据,并根据步骤2中的历史正常数据组中每个变量的平均值和标准差,对采集的数据进行预处理,构成被测数据矩阵;
步骤7、根据被测数据矩阵、历史正常数据矩阵的转换矩阵和数据重构的故障方向,获得在第一目标函数值最小时,SPE统计量重构中的故障量值;并根据历史正常数据负载矩阵、被测数据矩阵和数据重构的故障方向获得在第二目标函数值最小时,T2统计量重构中的故障量值;
步骤8、根据获得的SPE统计量重构中的故障量值、数据重构的故障方向和被测数据矩阵获得SPE统计量重构中被测数据中的正常数据的部分;再根据历史正常数据矩阵的转换矩阵,获得SPE统计量重构中被测数据矩阵的SPE统计值,并通过χ2分布获得SPE统计量重构中的置信限;
步骤9、根据T2统计量重构中的故障量值、数据重构的故障方向和被测数据矩阵,获得T2统计量重构中被测数据中的正常数据的部分;再根据历史正常数据负载矩阵和该矩阵对应的特征值,获得在T2统计量重构中被测数据矩阵的T2统计值;并通过F分布获得T2统计量重构中的置信限;
步骤10、判断在T2统计量重构中被测数据矩阵的T2统计值是否小于其置信限,在SPE统计量重构中被测数据矩阵的SPE统计值是否小于其置信限,若同时小于,则该被测青霉素发酵过程中的故障类型为历史数据中存储的故障类型,并执行步骤12;否则该被测青霉素发酵过程中的故障类型不是历史数据中存储的故障类型,并执行步骤11;
步骤11、返回执行步骤1,重新采集历史数据获取其他故障类型;
步骤12、根据判断所得被测青霉素发酵过程的故障类型,采取解决措施,具体为:
当通风率超出8.60L/h±0.05范围时,则调节通风口阀门的开度,控制通风大小,使通风率控制在设定范围内;
当搅拌器功率超出30.0W±0.5范围时,则修改搅拌器的功率值,使搅拌器功率控制在设定范围内;
当基质进给速率超出0.040L/h~0.045L/h范围时,则修改基质进给的量值,控制基质进给量,使基质进给速率控制在设定范围内;
当基质进给温度超出296.0K±0.1K范围时,则修改进给基质的温度值,使基质进给温度控制在设定范围内;
当生成的热量超出70kCal~80kCal范围时,则调节冷水和热水阀门的开度,控制冷水和热水流量大小,使生成的热量控制在设定范围内;
当溶解氧浓度超出1.11g/L~1.13g/L范围时,则调节搅拌器的速率,使溶解氧的浓度控制在设定范围内;
当pH值超出5.0±0.5范围时,则调节酸液和碱液阀门的开度,控制酸液和碱液流量大小,使pH值控制在设定范围内;
当培养容积超出用户设定范围时,则改变容积的大小,使其控制在设定范围内;
当二氧化碳浓度超出2.0g/L~2.5g/L范围时,则调节调节搅拌器的速率,使二氧化碳的浓度控制在设定范围内。
2.根据权利要求1所述的基于重构识别分析的青霉素发酵过程故障监测方法,其特征在于,步骤3所述的采用主元分析方法分别对预处理后获得的历史正常数据矩阵和历史故障数据矩阵进行分解,公式如下:
其中,X表示采集的历史数据矩阵,包括历史正常数据和历史工况故障数据N表示数据的组数,M表示变量数目,取值为9,x11,x12,...,x1N表示采集的第1组到第N组历史正常数据,x21,x22,...,x2N表示采集的第1组到第N组历史故障数据,T表示数据主元分解后的得分矩阵,T(N×R)=[t1,t2,…,tN],包括历史正常数据得分矩阵T1和历史故障数据得分矩阵T2;P表示数据主元分解后的负载矩阵,P(M×R)=[p1,p2,…,pM],包括历史正常数据负载矩阵P1和历史故障数据负载矩阵P2,其中,R表示数据中包含的主元个数,R的取值满足λi是数据主元分解后的负载矩阵P中pi列向量对应的特征值;E表示数据分解后的残差矩阵,是一个N行M列矩阵。
3.根据权利要求1所述的基于重构识别分析的青霉素发酵过程故障监测方法,其特征在于,步骤4-1所述的建立历史正常数据矩阵和历史故障数据矩阵之间的协方差矩阵,公式如下:
其中,S表示历史正常数据矩阵和历史故障数据矩阵之间的协方差矩阵,是一个M行M列的矩阵;
步骤4-2所述的采用奇异值分解法对获得的协方差矩阵进行分解,获得具有历史正常数据矩阵和历史故障数据矩阵之间相关性的数据相关负载矩阵,公式如下:
S=P3Λ3P3 T (3)
其中,Λ3表示一个对角阵,包含幅值递减的非负特征值λ1≥λ2≥…≥λM≥0,P3表示历史正常数据矩阵和历史故障数据矩阵之间相关性的数据相关负载矩阵;
步骤4-4所述的获得数据相关得分矩阵与历史故障数据得分矩阵之间的比率向量,公式如下:
其中,Ratioi表示第i个比率值,var(·)表示对得分矩阵求方差,T3表示数据相关得分矩阵,T3=X2×P3;
步骤4-5所述的阈值取值范围为0.8~1.2。
5.根据权利要求1所述的基于重构识别分析的青霉素发酵过程故障监测方法,其特征在于,步骤7所述的获得在第一目标函数值最小时,SPE统计量重构中的故障量值,并获得在第二目标函数值最小时,T2统计量重构中的故障量值,具体如下:
SPE统计量重构中的故障量值,公式如下:
其中,argmin||.||表示目标函数绝对值最小时,未知数的取值;x* SPE表示SPE统计量重构中被测数据中的正常数据的部分,x* SPE=x-ΖfSPE,x表示被测数据矩阵;表示被测数据矩阵在残差空间的投影矩阵;
在T2统计量的重构中的故障量值,公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310751551.7A CN103729562A (zh) | 2013-12-31 | 2013-12-31 | 一种基于重构识别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 |
---|---|---|---|
CN201310751551.7A CN103729562A (zh) | 2013-12-31 | 2013-12-31 | 一种基于重构识别分析的青霉素发酵过程故障监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103729562A true CN103729562A (zh) | 2014-04-16 |
Family
ID=50453633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310751551.7A Pending CN103729562A (zh) | 2013-12-31 | 2013-12-31 | 一种基于重构识别分析的青霉素发酵过程故障监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103729562A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133990A (zh) * | 2014-07-15 | 2014-11-05 | 东北大学 | 一种基于核最小二乘回归的青霉素发酵过程故障分离方法 |
CN104133991B (zh) * | 2014-07-15 | 2017-01-04 | 东北大学 | 基于核偏最小二乘重构的青霉素发酵过程故障诊断方法 |
CN106529079A (zh) * | 2016-11-29 | 2017-03-22 | 上海电机学院 | 一种基于故障相关主成分空间的化工过程故障检测方法 |
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 |
CN106845095A (zh) * | 2017-01-10 | 2017-06-13 | 上海第二工业大学 | 一种古龙酸工业发酵过程代谢活性关键阶段的识别方法 |
CN107424441A (zh) * | 2017-06-08 | 2017-12-01 | 中国民航大学 | 基于Hotelling′s T2统计量的航空器航迹变点检测与估计方法 |
CN108038346A (zh) * | 2017-11-29 | 2018-05-15 | 广东嘉博制药有限公司 | 一种采用单位阵法评价药物制剂溶出度相似程度的方法 |
CN110083860A (zh) * | 2019-03-13 | 2019-08-02 | 东北大学 | 一种基于相关变量选择的工业故障诊断方法 |
CN110109435A (zh) * | 2019-05-22 | 2019-08-09 | 杭州电子科技大学 | 一种改进两步子空间划分的在线监测方法 |
CN116738296A (zh) * | 2023-08-14 | 2023-09-12 | 大有期货有限公司 | 机房状况综合智能监控系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964021A (zh) * | 2010-09-29 | 2011-02-02 | 东北大学 | 基于递归核主元分析的青霉素发酵过程故障监测方法 |
-
2013
- 2013-12-31 CN CN201310751551.7A patent/CN103729562A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964021A (zh) * | 2010-09-29 | 2011-02-02 | 东北大学 | 基于递归核主元分析的青霉素发酵过程故障监测方法 |
Non-Patent Citations (6)
Title |
---|
CARLOS F.ALCALA ET AL.: "Reconstruction-based contribution for process monitoring", 《AUTOMATICA》, vol. 45, no. 7, 31 July 2009 (2009-07-31), pages 1593 - 1600 * |
ZHANG JIANWEI ET AL.: "Fault reconstruction algorithm based on fault-relevant KPCA", 《CONTROL AND DECISION CONFERENCE》, 25 March 2013 (2013-03-25), pages 4319 - 4323 * |
ZHANG YINGWEI ET AL.: "ICA-based fault-relevant reconstruction", 《CONTROL AND DECISION CONFERENCE》, 25 March 2013 (2013-03-25), pages 4307 - 4312 * |
孔明: "基于FDA的青霉素发酵过程故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技I辑》, no. 3, 15 March 2013 (2013-03-15), pages 1 - 37 * |
张新荣: "基于PCA的连续过程性能监控与故障诊断研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 3, 15 March 2009 (2009-03-15), pages 1 - 67 * |
高明亮: "PCA故障重构方法及应用", 《科技广场》, no. 5, 30 May 2013 (2013-05-30), pages 155 - 158 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133990A (zh) * | 2014-07-15 | 2014-11-05 | 东北大学 | 一种基于核最小二乘回归的青霉素发酵过程故障分离方法 |
CN104133991B (zh) * | 2014-07-15 | 2017-01-04 | 东北大学 | 基于核偏最小二乘重构的青霉素发酵过程故障诊断方法 |
CN106529079A (zh) * | 2016-11-29 | 2017-03-22 | 上海电机学院 | 一种基于故障相关主成分空间的化工过程故障检测方法 |
CN106845095A (zh) * | 2017-01-10 | 2017-06-13 | 上海第二工业大学 | 一种古龙酸工业发酵过程代谢活性关键阶段的识别方法 |
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 |
CN107424441A (zh) * | 2017-06-08 | 2017-12-01 | 中国民航大学 | 基于Hotelling′s T2统计量的航空器航迹变点检测与估计方法 |
CN107424441B (zh) * | 2017-06-08 | 2020-05-01 | 中国民航大学 | 基于Hotelling′s T2统计量的航空器航迹变点检测与估计方法 |
CN108038346A (zh) * | 2017-11-29 | 2018-05-15 | 广东嘉博制药有限公司 | 一种采用单位阵法评价药物制剂溶出度相似程度的方法 |
CN110083860A (zh) * | 2019-03-13 | 2019-08-02 | 东北大学 | 一种基于相关变量选择的工业故障诊断方法 |
CN110109435A (zh) * | 2019-05-22 | 2019-08-09 | 杭州电子科技大学 | 一种改进两步子空间划分的在线监测方法 |
CN116738296A (zh) * | 2023-08-14 | 2023-09-12 | 大有期货有限公司 | 机房状况综合智能监控系统 |
CN116738296B (zh) * | 2023-08-14 | 2024-04-02 | 大有期货有限公司 | 机房状况综合智能监控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103729562A (zh) | 一种基于重构识别分析的青霉素发酵过程故障监测方法 | |
CN103853152B (zh) | 一种基于ar-pca的间歇过程故障监测方法 | |
CN104777830B (zh) | 一种基于kpca混合模型的多工况过程监控方法 | |
CN110309886B (zh) | 基于深度学习的无线传感器高维数据实时异常检测方法 | |
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 | |
Jiang et al. | Weighted kernel principal component analysis based on probability density estimation and moving window and its application in nonlinear chemical process monitoring | |
CN101964021A (zh) | 基于递归核主元分析的青霉素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 | |
CN105700518A (zh) | 一种工业过程故障诊断方法 | |
CN104536439B (zh) | 一种基于嵌套迭代费舍尔判别分析的故障诊断方法 | |
CN106529079A (zh) | 一种基于故障相关主成分空间的化工过程故障检测方法 | |
CN108664009A (zh) | 基于相关分析的阶段划分和故障检测方法 | |
CN104714537A (zh) | 一种基于联合相对变化分析和自回归模型的故障预测方法 | |
CN110880024B (zh) | 基于判别核慢特征分析的非线性过程故障辨识方法及系统 | |
Deng et al. | Multimode process fault detection using local neighborhood similarity analysis | |
Van Impe et al. | An extensive reference dataset for fault detection and identification in batch processes | |
Xiang et al. | Multimode process monitoring based on fuzzy C-means in locality preserving projection subspace | |
CN103926919B (zh) | 基于小波变换和Lasso函数的工业过程故障检测方法 | |
CN111506041A (zh) | 一种基于扩散距离改进的邻域保持嵌入的间歇过程故障检测方法 | |
CN105955214A (zh) | 基于样本时序和近邻相似性信息的间歇过程故障检测方法 | |
CN108181893B (zh) | 一种基于pca-kdr的故障检测方法 | |
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 | |
Khan et al. | Advanced statistical and meta-heuristic based optimization fault diagnosis techniques in complex industrial processes: a comparative analysis | |
Wang et al. | Data-driven fault detection and reasoning for industrial monitoring | |
Li et al. | Variable moving windows based non‐Gaussian dissimilarity analysis technique for batch processes fault detection and diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140416 |