CN105159247B - 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
基于信息传递的间歇过程实时采样点阶段归属判断方法 Download PDFInfo
- Publication number
- CN105159247B CN105159247B CN201510472078.8A CN201510472078A CN105159247B CN 105159247 B CN105159247 B CN 105159247B CN 201510472078 A CN201510472078 A CN 201510472078A CN 105159247 B CN105159247 B CN 105159247B
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- time
- stage
- real
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005070 sampling Methods 0.000 title claims abstract description 44
- 230000005540 biological transmission Effects 0.000 title claims abstract description 5
- 238000010923 batch production Methods 0.000 title abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000002835 absorbance Methods 0.000 claims description 6
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 2
- 238000000855 fermentation Methods 0.000 abstract description 12
- 230000004151 fermentation Effects 0.000 abstract description 11
- 229930182555 Penicillin Natural products 0.000 abstract description 8
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 abstract description 8
- 229940049954 penicillin Drugs 0.000 abstract description 8
- 230000011218 segmentation Effects 0.000 abstract 2
- 239000011159 matrix material Substances 0.000 description 7
- 238000004088 simulation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
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
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Cj,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
Ⅲ计算与各聚类中心对应历史时刻数据之间的相似度实时采样点与各聚类中心对应时刻之间的相似度计算公式如下所示:
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:
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的归属度值:
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Ri与归属度Ai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:
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.1Process Variables
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Xexemplar(3×10):
其中,表示第Ci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Xnew,t(1×10):
Xnew,t(1×10)=(xt,1 xt,2 … xt,10) (6)
Ⅲ按照式(1)计算在线采样数据点Xnew,t(1×10)与各聚类中心时刻数据Xexemplar(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St(4×4):
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Xnew,t(1×10)的吸收度r(t,Ci),得到如下吸收度矩阵Ri:
Ⅵ按式(3)计算在线t时刻采集数据Xnew,t(1×10)对各聚类中心之间的归属度a(t,Ci),得到如下所示归属度矩阵Ai:
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Ri+1和归属度矩阵Ai+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Xnew,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.2 The judging result of stage attribution
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Cj,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:
<mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<msub>
<mi>t</mi>
<msub>
<mi>C</mi>
<mi>j</mi>
</msub>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<msub>
<mi>t</mi>
<msub>
<mi>C</mi>
<mi>j</mi>
</msub>
</msub>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
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:
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<msub>
<mi>t</mi>
<msub>
<mi>C</mi>
<mi>j</mi>
</msub>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<msub>
<mi>t</mi>
<msub>
<mi>C</mi>
<mi>j</mi>
</msub>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<mi>A</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<msub>
<mi>t</mi>
<msub>
<mi>C</mi>
<mi>m</mi>
</msub>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<msub>
<mi>t</mi>
<msub>
<mi>C</mi>
<mi>m</mi>
</msub>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
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:
<mrow>
<mi>A</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<msub>
<mi>t</mi>
<msub>
<mi>C</mi>
<mi>j</mi>
</msub>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>min</mi>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<msub>
<mi>t</mi>
<msub>
<mi>C</mi>
<mi>j</mi>
</msub>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<msub>
<mi>t</mi>
<msub>
<mi>C</mi>
<mi>j</mi>
</msub>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<mo>{</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mi>R</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>m</mi>
</msub>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<msub>
<mi>t</mi>
<msub>
<mi>C</mi>
<mi>j</mi>
</msub>
</msub>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
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Ri与归属度Ai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:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>R</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;R</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>A</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;A</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510472078.8A CN105159247B (zh) | 2015-08-05 | 2015-08-05 | 基于信息传递的间歇过程实时采样点阶段归属判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510472078.8A CN105159247B (zh) | 2015-08-05 | 2015-08-05 | 基于信息传递的间歇过程实时采样点阶段归属判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105159247A CN105159247A (zh) | 2015-12-16 |
CN105159247B true CN105159247B (zh) | 2018-02-09 |
Family
ID=54800133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510472078.8A Active CN105159247B (zh) | 2015-08-05 | 2015-08-05 | 基于信息传递的间歇过程实时采样点阶段归属判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105159247B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107272655B (zh) * | 2017-07-21 | 2019-08-06 | 江南大学 | 基于多阶段ica-svdd的间歇过程故障监测方法 |
CN109753027A (zh) * | 2017-11-08 | 2019-05-14 | 阿里巴巴集团控股有限公司 | 一种工业制造中参数的监控方法和装置 |
CN109740687B (zh) * | 2019-01-09 | 2020-12-04 | 北京工业大学 | 一种基于dlae的发酵过程故障监测方法 |
CN109976308A (zh) * | 2019-03-29 | 2019-07-05 | 南昌航空大学 | 一种基于拉普拉斯分值与ap聚类的故障特征的提取方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE9304246L (sv) * | 1993-12-22 | 1995-06-23 | Asea Brown Boveri | Förfarande vid övervakning av multivariata processer |
JP5547128B2 (ja) * | 2011-05-17 | 2014-07-09 | 日本電信電話株式会社 | クラスタリング装置及び方法及びプログラム |
CN103279123B (zh) * | 2013-05-21 | 2015-12-23 | 沈阳化工大学 | 对间歇控制系统进行分段故障监视的方法 |
CN103970092B (zh) * | 2014-04-13 | 2017-02-08 | 北京工业大学 | 一种基于自适应fcm的多阶段发酵过程故障监测方法 |
CN104699075B (zh) * | 2015-02-12 | 2017-04-12 | 浙江大学 | 一种基于不等长时段自动有序划分的过程监测方法 |
-
2015
- 2015-08-05 CN CN201510472078.8A patent/CN105159247B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105159247A (zh) | 2015-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105159247B (zh) | 基于信息传递的间歇过程实时采样点阶段归属判断方法 | |
CN109308063B (zh) | 基于得分矩阵的发酵过程阶段划分方法 | |
CN110245460B (zh) | 一种基于多阶段oica的间歇过程故障监测方法 | |
CN103970092B (zh) | 一种基于自适应fcm的多阶段发酵过程故障监测方法 | |
CN111638707B (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
CN105574587B (zh) | 一种塑料注塑过程的在线工况过程监控方法 | |
CN104914723B (zh) | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 | |
WO2017088208A1 (zh) | 一种由数据差异驱动的间歇过程自学习动态优化方法 | |
CN107403196B (zh) | 基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法 | |
CN110263488B (zh) | 一种基于集成即时学习的工业混炼胶门尼粘度软测量方法 | |
CN108445867B (zh) | 一种基于分散式icr模型的非高斯过程监测方法 | |
CN109740687A (zh) | 一种基于dlae的发酵过程故障监测方法 | |
CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
CN111027148B (zh) | 损失落后角模型自动标定及工业轴流压缩机性能计算方法 | |
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 | |
CN105652845A (zh) | 一种基于即时学习局部模型的发酵过程故障监测方法 | |
CN106482507B (zh) | 一种水泥分解炉燃烧自动控制方法 | |
CN111324110A (zh) | 一种基于多块收缩自动编码器的发酵过程故障监测方法 | |
CN106547899B (zh) | 一种基于多尺度时变聚类中心变化的间歇过程时段划分的方法 | |
CN116414095A (zh) | 数据驱动的中医药制造过程工艺参数优化方法 | |
CN104330972A (zh) | 一种基于模型自适应的综合预测迭代学习控制方法 | |
CN107977672A (zh) | 基于海量数据并行运算的sf6设备二级故障诊断方法 | |
CN105787296B (zh) | 一种宏基因组和宏转录组样本相异度的比较方法 | |
Liu et al. | Batch process monitoring with two-dimensional LSTM-variational auto-encoder | |
CN112183569A (zh) | 基于fda与som的间歇工业过程反应阶段聚类以及故障分类可视化 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |