CN105159247A - 基于信息传递的间歇过程实时采样点阶段归属判断方法 - Google Patents

Abstract

基于信息传递的间歇过程实时采样点阶段归属判断方法涉及基于数据驱动的多元统计过程监控(MSPM)技术领域。本发明是在多阶段间歇过程故障检测基础上实现在线监控时实时采样点的阶段归属判断，提高监控性能。为了保证青霉素发酵过程安全稳定运行，同时为了提高现有青霉素发酵过程监控方法的有效性，对发酵过程批次数据进行分段建模是一种提高模型精度的有效手段。本发明主要针对青霉素发酵过程分段建模用于在线监控时对实时采样点如何准确选择对应阶段的监控模型问题，通过计算在线实时采样点与离线阶段划分获得的各聚类中心间的信息度，经过信息迭代输出稳定的阶段归属结果，指导在线监控时的模型选择。

Description

基于信息传递的间歇过程实时采样点阶段归属判断方法

技术领域

本发明涉及基于数据驱动的多元统计过程监控(MSPM)技术领域，特别是涉及一种针对多阶段间歇过程在线监控时的实时采样点阶段归属判断方法。本发明是在多阶段间歇过程故障检测基础上实现在线监控时实时采样点的阶段归属判断，提高监控性能。

背景技术

基于数据驱动的多元统计方法在用于间歇过程的过程监控时，不需要考虑复杂的过程机理特性，通过对历史数据的建模和分析，判断生产过程的运行状态是否出现异常。间歇过程作为现代流程工业中的重要生产方式之一，被广泛用于生物医药、食品及生化产品的制备。与连续生产过程相比，间歇过程有着明显的区别，其中多操作阶段是其固有特征之一。

在实现对多阶段间歇过程的监控时，传统的方法将一个多阶段的批次过程数据视为一个整体进行监控，忽略了过程中不同阶段的特性。在实际生产过程中，一个包含多个阶段的间歇过程，过程的每个阶段都有不同的过程主导变量和过程特性，而且过程变量相关关系并非随时间时刻变化，而是跟随过程操作进程或过程机理特性的变化呈现分阶段性。所以，通常的解决方案是基于时刻的阶段分类将不同阶段的数据划分到同一个类中，实现过程不同阶段的划分。这样，离线建模时，我们将针对不同的阶段建立不同的监控模型，使得模型更能够精确的描述每一个相应阶段内的过程特性，提高了监控的性能。在线监控时新获取的实时采样点严格按照对应时刻硬性划分到离线建模划分所得的对应阶段中，据此选取监控模型实现新的采样数据的监控。但是，以上的方法都是基于一个默认假设，同一个时刻的数据属于同一阶段，即同一个阶段在所有的生产批次中都是等长的。但是实际生产过程中并不是如此，不同批次的生产由于种种条件的不同，导致不同批次间过程内部阶段长度会有所差异，如图1所示。因此，基于时刻的实时采样点阶段归属就可能将不同阶段的数据分到一类中，从而影响监控模型的精度，导致出现大量的误报警和漏报警。所以，在进行在线监控前，解决新时刻采样数据的阶段归属判断问题将是十分重要的。

发明内容

完成阶段的划分，建立相应的监控模型后，在应用于在线监控时，将面临一个新的问题那就是新时刻采样点的归属问题。当获得了新的采样时刻，我们要合理地判断其属于那个特定的阶段，这样才能选取最合适的监控模型对该时刻进行监控。只有合理判断新时刻采样点的阶段所属，才能使得监控的效果达到最优。本发明针对以上问题，实现一种基于信息传递的间歇过程实时采样点阶段归属判断方法。该方法基于AP聚类算法中传递的吸收度R(i,k)与归属度A(i,k)两种信息实现。

本发明采用如下的技术方案及实现步骤：

Ⅰ完成离线建模与阶段划分后，将整个过程批次划分为k个阶段，此时获得各聚类中心C_j,j＝1,2,…,k对应时刻的历史采样数据组成

Ⅱ在线监控时，随着生产过程的持续，实时采集当前时刻新的过程数据 $x_{new,t_i},i=1,2,...,n;$

Ⅲ计算与各聚类中心对应历史时刻数据 $x_{t_{C_j}}=\mathrm{1,2},...,k$ 之间的相似度实时采样点 $x_{{\mathrm{new},t}_i}=\mathrm{1,2},...,n$ 与各聚类中心对应时刻之间的相似度计算公式如下所示：

$s(x_{new,t_i},x_{t_{C_j}})=-\left|\right|x_{new,t_i},x_{t_{C_j}}\left|\right|---\left(1\right)$

其中，||·||为欧式距离。

Ⅳ设定初始化参数。选取参考度为相似度的最大值 $max\left\{s\left(x_{new,t_i},x_{t_{C_j}}\right),i=1,2,...,n,j=1,2,...,k\right\},$ 令当前迭代次数iter＝1，阻尼系数λ∈(0,1)(具体依据经验设定，主要起收敛作用)，设定当迭代次数达到StallIter而结果保持不变或者达到最大迭代次数MaxIter时，终止程序；

Ⅴ计算各聚类中心对应时刻数据对过程在线实时采样点的吸收度计算公式如下：

$R(x_{new,t_i},x_{t_{C_j}})=S(x_{new,t_i},x_{t_{C_j}})-max\{A(x_{new,t_i},x_{t_{C_m}})+S(x_{new,t_i},x_{t_{C_m}})\}---\left(2\right)$

其中，i,m＝1,2,…,n；j＝1,2,…,k且j≠m。

Ⅵ计算过程实时采样点对各聚类中心对应时刻数据 $x_{t_{C_j}},j=1,2,...,k$ 的归属度值：

$A(x_{new,t_i},x_{t_{C_j}})=min\{0,R(x_{t_{C_j}},x_{t_{C_j}})+\underset{j}{\Σ}\{max(0,R(x_{new,t_m},x_{t_{C_j}}))\left\}\right\}---\left(3\right)$

其中，i,m＝1,2,…,n；j＝1,2,…,k且j≠i,m≠k。

Ⅶ迭代计算：每次迭代，吸收度R_i与归属度A_i为与上一时刻相应值的加权更新，此时迭代次数iter＝iter+1。更新公式如下所示：

R_i′＝(1-λ)×R_i+λR_i-1

A_i′＝(1-λ)×A_i+λA_i-1(4)

Ⅷ判断是否满足步骤Ⅳ中设定的终止条件，若满足则停止计算，不满足则返回步骤Ⅶ；

Ⅸ迭代终止时，满足条件{R(t,k)+A(t,k)}的值达到最大的聚类中心C_i所在的阶段即为当前采样时刻所属的阶段，即当前采样时刻应该归于以C_i为聚类中心的过程阶段当中；

Ⅹ直至过程结束，输出各实时采样点稳定的阶段归属判断结果，为后续实时采样点在线监控时进行模型选择提供指导。

本发明的整体流程框架图如图2所示。

有益效果

本发明实现了间歇过程实时采样点阶段归属判断，避免了对多阶段间歇过程实施在线监控时，对于新时刻采样点的阶段归属问题严格按照采样时刻顺序通过人为比对来确定当前时刻所属阶段的弊端，可以有效地将具有相近数据特征的数据点划归于已经获得的过程阶段中，准确选取最有利的监控模型对该采样点进行监控，减小模型误差，提高监控性能。实验数据表明，与按时刻对应关系进行阶段选择判断相比，采用本方法实现阶段归属判断后，过程监控的误报率和漏报率分别降低约7％和3.5％，效果显著。

附图说明

图1所示为不同批次内阶段不等长图示；

图2所示为本发明的整体框架流程图；

图3所示为第1时刻采样点的阶段归属图示；

图4所示为第33时刻采样点的阶段归属图示；

图5所示为第34时刻采样点的阶段归属图示；

图6所示为第64时刻采样点的阶段归属图示；

图7所示为第65时刻采样点的阶段归属图示；

图8所示为第400时刻采样点的阶段归属图示。

具体实施方式

青霉素(Penicillin，或音译盘尼西林)是人类历史上发现的第一种抗生素，且应用非常广泛，其生产制备过程是一个典型的多阶段间歇过程。由伊利诺科技学院的Cinar教授带领其团队于1998-2002年开发的Pensim仿真平台，包含了青霉素发酵过程的被控变量、操纵变量、输入变量和输出变量，可以完整模拟青霉素发酵过程。

本实验以Pensim2.0仿真平台作为数据源。仿真模拟发酵过程批次时长为400h，采样时间间隔为1h，选取10个主要的过程变量，如表1所示。

表1过程变量

Tab.1ProcessVariables

基于以上描述，按照发明内容，将具体过程在Matlab中实现如下：

Ⅰ基于AP聚类算法，在离线阶段获得阶段划分结果，在此可以得到由聚类中心对应时刻历史采样数据组成的X_exemplar(3×10)：

$X_{exemplar}(3\×10)=\left[\begin{array}{cccc}{X}_{C_{1,1}}& X_{C_{1,2}}& ...& X_{C_{1,10}}\\ X_{C_{2,1}}& X_{C_{2,2}}& ...& X_{C_{2,10}}\\ X_{C_{3,1}}& X_{C_{3,2}}& ...& X_{C_{3,10}}\end{array}\right]---\left(5\right)$

其中，表示第C_i阶段的聚类中心对应时刻第j个变量的原始采集数据。

Ⅱ跟随发酵过程的持续进行，获得当前时刻的在线采样数据X_new,t(1×10)：

X_new,t(1×10)＝(x_t,1x_t,2…x_t,10)(6)

Ⅲ按照式(1)计算在线采样数据点X_new,t(1×10)与各聚类中心时刻数据X_exemplar(3×10)之间的相似度，得到由在线t时刻采集数据与聚类中心对应时刻历史数据组成的混合相似度矩阵S_t(4×4)：

$S_t(4\×4)=\left[\begin{array}{cccc}{S}_{t,t}& S_{t,C_1}& S_{t,C_2}& S_{t,C_3}\\ S_{C_1,t}& S_{C_1,C_1}& S_{C_1,C_2}& S_{C_1,C_3}\\ S_{C_2,t}& S_{C_2,C_1}& S_{C_2,C_2}& S_{C_2,C_3}\\ S_{C_3,t}& S_{C_3,C_1}& S_{C_3,C_2}& S_{C_3,C_3}\end{array}\right]---\left(7\right)$

Ⅳ按照发明内容中的步骤Ⅳ设定程序的初始化参数。其中，设定λ＝0.9,StallIter＝100，MaxIter＝1000；

Ⅴ按式(2)计算各聚类中心对在线t时刻采集数据X_new,t(1×10)的吸收度r(t,C_i)，得到如下吸收度矩阵R_i：

$R_i=\left[\begin{array}{cccc}r(t,t)& r(t,C_1)& r(t,C_2)& r(t,C_3)\\ r(t,C_1)& r(C_1,C_1)& r(C_1,C_2)& r(C_1,C_3)\\ r(t,C_2)& r(C_2,C_1)& r(C_2,C_2)& r(C_2,C_3)\\ r(t,C_3)& r(C_1,C_3)& r(C_2,C_3)& r(C_3,C_3)\end{array}\right]---\left(8\right)$

Ⅵ按式(3)计算在线t时刻采集数据X_new,t(1×10)对各聚类中心之间的归属度a(t,C_i)，得到如下所示归属度矩阵A_i：

$A_i=\left[\begin{array}{cccc}a\left(t,t\right)& a\left(t,C_1\right)& a\left(t,C_2\right)& a\left(t,C_3\right)\\ a\left(t,C_1\right)& a\left(C_1,C_1\right)& a\left(C_1,C_2\right)& a\left(C_1,C_3\right)\\ a\left(t,C_2\right)& a\left(C_2,C_1\right)& a\left(C_2,C_2\right)& a\left(C_2,C_3\right)\\ a\left(t,C_3\right)& a\left(C_1,C_3\right)& a\left(C_2,C_3\right)& a\left(C_3,C_3\right)\end{array}\right]---\left(9\right)$

Ⅶ选取吸收度矩阵R和归属度矩阵A的第一行或第一列，按照式(4)所示的迭代公式进行迭代计算，获取新的吸收度矩阵R_i+1和归属度矩阵A_i+1；

Ⅷ按照发明内容中的步骤Ⅷ判断是否满足终止条件，若满足则停止计算，若不满足则返回步骤Ⅶ；

Ⅸ迭代终止时，按照条件max{r,a}判断在线t时刻采集数据X_new,t(1×10)的最终阶段归属；

Ⅹ直至反应结束，输出所有在线采样点的阶段归属判断结果，为后续进行的过程在线监控时模型的选择提供指导。

为了更加清晰直观的展现本发明的具体实施方式，下面将结合发明在MATLAB中的仿真结果加以呈现。

在完成阶段的离线划分之后，将整个发酵过程划分为三个阶段，得到三个子阶段的聚类中心。随着发酵过程的持续，我们逐一的获取实时采样点，同时用上述方法进行阶段所属的判断。图3至图8所示为对在线批次的400个采样点完成判断后的每一阶段的起始点与终止点的结果图示。从图中可以看出，整个发酵过程的400个采样点按照离线划分的三个子阶段进行划分时，1-33时刻被划分到第一阶段中，34-64时刻被划分到第二阶段中，65-400时刻被划分到第三阶段中，结果如表2所示。

表2阶段归属判断结果

Tab.2Thejudgingresultofstageattribution

以上结果是对整个在线测试批次的判断结果。实际操作过程中，跟随发酵过程的不断持续，在得到采样点的阶段所属结果之后，该采样点就可以按照对应的时刻选择离线时在对应阶段建立的模型完成监控。

Claims (1)

1.基于信息传递的间歇过程实时采样点阶段归属判断方法，其特征在于，包括以下步骤：

Ⅰ完成离线建模与阶段划分后，将整个过程批次划分为k个阶段，此时获得各聚类中心C_j,j＝1,2,…,k对应时刻的历史采样数据组成 $exemplar{(x_{t_{C_1}},x_{t_{C_2}},...,x_{t_{C_k}})}^T;$

Ⅱ在线监控时，随着生产过程的持续，实时采集当前时刻新的过程数据i＝1,2,…,n；

Ⅲ计算i＝1,2,…,n与各聚类中心对应历史时刻数据j＝1,2,…,k之间的相似度实时采样点i＝1,2,…,n与各聚类中心对应时刻j＝1,2,…,k之间的相似度计算公式如下所示：

$s(x_{new,t_i},x_{t_{C_j}})=-\left|\right|x_{new,t_i},x_{t_{C_j}}\left|\right|---\left(1\right)$

其中，||·||为欧式距离；

Ⅳ设定初始化参数；选取参考度为相似度的最大值 $max\left\{s\left(x_{new,t_i},x_{t_{C_j}}\right),i=1,2,...,n,j=1,2,...,k\right\},$ 令当前迭代次数iter＝1，阻尼系数λ∈(0,1)，设定当迭代次数达到StallIter而结果保持不变或者达到最大迭代次数MaxIter时，终止程序；

Ⅴ计算各聚类中心对应时刻数据j＝1,2,…,k对过程在线实时采样点i＝1,2,…,n的吸收度计算公式如下：

其中，i,m＝1,2,…,n；j＝1,2,…,k且j≠m；

Ⅵ计算过程实时采样点对各聚类中心对应时刻数据j＝1,2,…,k的归属度值：

$A(x_{new,t_i},x_{t_{C_j}})=min\{0,R(x_{t_{C_j}},x_{t_{C_j}})+\underset{j}{\Σ}\{max(0,R(x_{new,t_m},x_{t_{C_j}}))\left\}\right\}---\left(3\right)$

其中，i,m＝1,2,…,n；j＝1,2,…,k且j≠i,m≠k；

Ⅶ迭代计算：每次迭代，吸收度R_i与归属度A_i为与上一时刻相应值的加权更新，此时迭代次数iter＝iter+1；更新公式如下所示：

R_i′＝(1-λ)×R_i+λR_i-1(4)

A_i′＝(1-λ)×A_i+λA_i-1

Ⅷ判断是否满足步骤Ⅳ中设定的终止条件，若满足则停止计算，不满足则返回步骤Ⅶ；

Ⅸ迭代终止时，满足条件{R(t,k)+A(t,k)}的值达到最大的聚类中心C_i所在的阶段即为当前采样时刻所属的阶段，即当前采样时刻应该归于以C_i为聚类中心的过程阶段当中；

Ⅹ直至过程结束，输出各实时采样点稳定的阶段归属判断结果。