CN105652845B - 一种基于即时学习局部模型的发酵过程故障监测方法 - Google Patents

Abstract

一种基于即时学习局部模型的发酵过程故障监测方法涉及数据驱动的故障诊断领域。全局建模不能克服实际生产中存在的生产过程多阶段性、季节影响和物料品质影响等问题，面对时变过程会产生大量误报。本发明为了克服实际故障监测中模型失配的问题，提出基于即时学习策略的局部建模方法，用局部偏最小二乘模型监测故障。将信息熵引入即时学习策略中自动选取较相似的样本点进行建模。由于局部模型能够表征当前系统状态，所以无需进行阶段辨识，减少了计算量，并且克服了发酵过程的时变特性给监测带来的问题。行之有效地降低了误报率，提高了故障监测准确率，保证了生产的安全经济。

Description

一种基于即时学习局部模型的发酵过程故障监测方法

技术领域

本发明涉及数据驱动的故障诊断技术领域，尤其是涉及一种针对多阶段发酵过程的故障监测技术。本发明的基于数据驱动的方法是在青霉素发酵过程故障监测方面的具体应用。

背景技术

现代发酵工业过程规模不断扩大、复杂性日益增高，人们对过程生产的安全性和可靠性越来越重视。流程工业过程数据存在高维、高度藕合、共线性、数据缺损以及噪声污染等问题，而以主成分分析(PCA)，主成分回归(PCR)和偏最小二乘(PLS)等为核心技术的多元统计过程监控(MSPM)方法可以较好地解决上述难题。其中，由于偏最小二乘可对系统中的数据信息进行分解和筛选，提取对因变量解释性最强的综合变量，克服变量多重相关性在系统建模中的不良作用，得到了广泛应用。

然而，发酵过程往往无稳态的工作点，常常从一个稳定状态转为另一个稳定状态，具有动态性和时变特性。传统偏最小二乘全局建模方法会在强动态例如过渡阶段会产生误报警。本发明将即时学习策略引入偏最小二乘建模中，提出种基于局部模型的发酵过程故障监控策略。即时学习策略主要思想是从历史数据集中挑选出与当前待测试的样本最相关的样本子集，再利用该样本子集进行建模，最后用建立的局部模型分析当前待测试样本。从而准确地反映过程运行的当前状态变化，能有效地克服发酵过程存在的时变和多阶段问题。

发明内容

本发明提出的即时学习局部模型监控方法首先将发酵过程数据按批次方向展开，然后根据当前时刻的待测试样本设定遗忘因子对历史数据加权并从中挑选出一定数量的相关样本，最后用偏最小二乘方法对挑选出来的样本进行建模并分析当前样本是否为正常样本，流程如图1所示。该建模和监控策略能很好地保留过程的局部邻域信息，从而准确地反映过程运行的当前状态变化，能有效地克服发酵过程存在的时变和多阶段问题。

本发明所采用的技术方案，具体步骤如下所述：

步骤1，采集历史正常同一发酵过程数据，数据由生产某产品发酵过程的变量，批次，和每个批次的采样点个数这三个维度组成。历史数据由于比连续过程多了一个维度(批次)，所以数据为三维的数据矩阵。

步骤2，对步骤1采集的三维数据矩阵进行变量展开，展开成二维的矩阵。具体展开步骤为将后一批次的第一个数据接在前一批次最后一个数据后面，相当于按照时间顺序存储所有数据。

步骤3，被监测生产过程开始后，采集当前数据，被检测采样点。当前样本点为一个J维向量，其中J为生产过程被监测的变量总数。

步骤4，计算当前样本点与每个历史样本点马氏距离。

步骤5，对马氏距离从小到大排序，即相似的数据排名靠前，不相似的数据排名靠后。然后按照顺序计算数据集的信息熵。熵表达一个系统混乱的程度，其中系统越混乱，其熵值就越高；反之，若系统越是有序，那么所对应的熵值也就越低。可想而知刚开始计算时数据点少，噪声的信息量大，随着计算信息熵的数据集所包含的样本点增加，信息能够概括整体阶段，信息熵将减小，继续引入将样本点囊括到计算信息熵的数据集当中时其他阶段的样本点会被引入，这时系统信息再次丰富起来，信息熵将再次增大。利用这种自动选择样本方法，不需要先验知识，排除了操作人员经验选取带来的不确定性。具体操作为：先计算以第一个数据为数据集的信息熵，然后计算以第一个和第二个数据为数据集的信息熵，以此类推，依次增加，直到信息熵达到最小值为止，也就是由第一个数据到某个数据的数据集信息熵比第一个数据到某个数据的后一个数据的数据集信息熵要小，即相似点信息丰富性小。这表明数据点基本为一个阶段内的相似数据。那么选取由第一个数据到某个数据的数据集为相似样本数据。

步骤6，对选取的样本点进行归一化处理。首先计算相似样本点矩阵的每个过程变量的均值和标准方差。然后利用每个变量的均值和标准方差对每个变量进行Z-score标准化。同样对当前在线样本点进行Z-score标准化。

按照批次先后顺序利用遗忘因子进行加权。由于时间较远样本可能不能表征较近时刻数据特征，所以基于较小权值。遗忘因子的表达式为：λ_i＝e^-αi，其中i表示数据所在的批次与当前批次数只差的绝对值,e为自然指数，α为衰减因子，表示衰减速度，取0.6为通用值。这样从时间上对相似样本进行加权得到加权后的数据矩阵。

步骤7，用加权后的相似样本点进行PLS建模，得到PLS模型。

步骤8，利用步骤7得到的PLS模型计算统计量控制限，如果在线样本的统计量超过历史数据的控制限，那么就发生报警。当前在线监控与故障诊断中，采用经典的统计量HotellingT²及SPE是否超限的方法来确定是否发生故障。

HotellingT²是主元得分向量的标准平方和，反映了每个采样在变化趋势和幅值上偏离模型的程度，服从F分布。如果要知道T²的控制限，需要设定显著水平，我们同业界传统方法一致，设定显著水平为95％，随后就可以计算出这个统计量的控制限。

SPE统计量也被称为Q统计量，它代表了数据中没有被主元模型所解释的变化，表示每次采样在变化趋势上与统计模型的之间的误差。同样如果要知道SPE的控制限，需要设定显著水平，我们同业界传统方法一致，设定显著水平为95％，随后就可以计算出这个统计量的控制限。

通过历史数据PLS模型和在线样本点，我们可以求出在线样本的HotellingT²和SPE统计量。

从下个步骤开始为“在线监测”部分；

步骤9，统计量分析。统计过程监控领域，T²是用来检测发生在Sp的故障，而SPE统计量被用来检测空间Sr的故障，因此基于PLS的故障检测能够判别故障是否与质量有关。当故障发生时，一个或者多个测量变量将会被影响，从而影响这些变量之间的关系。PLS模型将测量变量分解为Sp和Sr两个空间，故障检测就是对这两个空间进行监测。一般认为在PLS结构下，如果发生影响质量变量Y的异常情况，故障发生在子空间Sp；另一方面，若故障不影响质量变量，那么发生在子空间Sr。

步骤10，将上述计算得到的统计量与建模阶段的步骤8确定的控制限进行比较，如果超限则认为发生故障，进行报警；否则即为正常。

步骤11，如果当前样本点发生故障则报警。如果不发生故障则将样本点添加到历史数据库，作为历史数据进行下面的建模与监测。这样能够保证历史数据库的实时更新。

本发明将即时学习方法与偏最小二乘结合起来建立了发酵过程局部模型，并用于故障监测。以往解决多阶段建模的聚类算法一定随机性例如处置选取和聚类个数等。本方法利用局部相似数据，结合遗忘因子对历史数据进行加权，综合考虑了数据相似性。并且利用爬山算法对重要参数进行了自动设置，避免了过多依赖于经验等先验知识。对多阶段发酵过程进行故障监测过程中，降低了误报率，提高故障监测的准确性。

附图说明

图1为基于即时学习局部模型的发酵过程故障监测方法流程图；

图2三维历史数据进行数据变量展开的方法示意图；

图3为偏最小二乘方法对正常批次数据监测的T²统计量监测图，控制限为95％；

图4为偏最小二乘方法对正常批次数据监测的SPE统计量监测图，控制限为95％；

图5为即时学习局部模型方法对正常批次数据监测的T²统计量监测图，控制限为95％；

图6为即时学习局部模型方法对正常批次数据监测的SPE统计量监测图，控制限为95％；

图7为偏最小二乘方法对故障批次数据监测的T²统计量监测图，控制限为95％；

图8为偏最小二乘方法对故障批次数据监测的SPE统计量监测图，控制限为95％；

图9为即时学习局部模型方法对故障批次数据监测的T²统计量监测图，控制限为95％；

图10为即时学习局部模型方法对故障批次数据监测的SPE统计量监测图，控制限为95％；

具体实施方式

本方法采用的Pensim仿真平台是由伊利诺科技学院(IIT)以Cinar教授为学科带头人的过程建模、监测及控制研究小组开发的。在此平台上可以实现青霉素发酵过程的一系列仿真，已经成为国际上较有影响的青霉素仿真平台。

它为发酵生产的监视、故障诊断以及质量预测提供了一个标准平台，目前基于Pensim2.0已经有了不少研究成果。Pensim2.0可以对青霉素生产过程的微生物浓度、CO2浓度、pH值、青霉素浓度、氧浓度以及产生的热量等进行仿真。需要设定的初始化参数包括：反应时间、采样时间、生物量、发酵环境、温度控制参数、pH控制参数。仿真平台包括发酵罐、搅拌器、通风设备等必备部分，还包括底物、酸、碱、冷却水、热水等部分，并设有相应的控制器。

每个批次的反应时间为400小时，每小时采样一次，一共有12个变量，其中10个过程变量和2个质量变量。仿真实验中的变量如表1所示。仿真了50批正常数据用于训练模型，1批额外正常数据和1批故障数据用于测试。故障批次故障如表2所示。为了更符合实际情况，所有测量变量均加入了测量噪声。

表1 过程变量

表2 故障设置情况

将本发明方法应用到上述发酵过程仿真对象，具体陈述如下：

步骤1，通过Pensim仿真平台生成50批历史数据，为了使生成的数据更加接近真实数据，对生成的数据叠加均值为0，方差为0.01的白噪声矩阵。数据由青霉素的生产发酵过程12个变量(10个过程变量和2个质量变量组成)，50个批次，和每个批次400采样点个数这三个维度组成。历史数据由于比连续过程多了一个表示批次的维度，所以数据为三维的数据矩阵；

步骤2，对步骤1采集的三维数据矩阵进行变量展开，展开成二维的矩阵。具体展开步骤为将第二批次的第一个数据(第1时刻时刻)连接到第一批次最后一个数据(第400时刻)后面，第三批次第一个数据再连接到第二批次最后一个数据后面，以此类推。相当于按照时间顺序存储所有数据。展开后的数据组成一个20000行12列的矩阵。

步骤3，然后再通过Pensim仿真平台模拟在线生产数据，产生一个正常批次数据和一个故障批次数据。模拟一个由12个被监测变量组成的生产过程，一共监测400个时刻。也就是这两批数据均为400行12列的矩阵。利用Matlab软件编写程序，每次监测读取一个数据，模拟现场采集最新当前样本点的过程。

步骤4，依据采样点的时间顺序，对采样点从1到20000进行编号。然后通过Matlab软件求取当前样本点与每个历史样本点的马氏距离，生成的数据为20000行的列向量，每个数据对应自己的时间点。

步骤5，对这20000个马氏距离从小到大排序，即相似的数据排名靠前，不相似的数据排名靠后。排序时注意，应该以马氏距离这一列为排序依据，但是排序结果也要扩展到其他列，这样才能保留采样点的编号和数据等信息，为计算信息熵提供输入数据。然后按照顺序计算数据集的信息熵。具体操作以第一个数据为例：先计算以第一个数据为数据集的信息熵，然后计算以第一个和第二个数据为数据集的信息熵，以此类推，依次增加，直到信息熵达到最小值为止，也就是由第一个数据到某个数据的数据集信息熵比第一个数据到某个数据的后一个数据的数据集信息熵要小，即相似点信息丰富性小。这表明数据点基本为一个阶段内的相似数据。那么选取由第一个数据到某个数据的数据集为相似样本数据。

步骤6，对选取的相似样本点进行归一化处理。首先计算相似样本点矩阵的每个过程变量的均值和标准方差。然后利用每个变量的均值和标准方差对每个变量进行Z-score标准化。同样对当前在线样本点进行Z-score标准化。

按照批次先后顺序利用遗忘因子进行加权。由于时间较远样本可能不能表征较近时刻数据特征，所以基于较小权值。遗忘因子的表达式为：λ_i＝e^-αi，其中i表示数据所在的批次与当前批次数只差的绝对值,e为自然指数，α为衰减因子，表示衰减速度，取值为0.6，这个值为经过合作实验平台工程师推荐所得的通用值。每个批次都乘以相应的影响因子，这样从时间上对相似样本进行加权得到加权后数据矩阵作为PLS模型的输入。以被监测批次为正常批次(51批次)的第100个采样点为例。历史数据为50个批次。选取出的采样点中，位于最后一个批次的采样点有27个，所以衰减因子中i为1(51-50)，所以衰减因子为e^-0.6。来自第49批次的采样点有32个，衰减因子为e^-0.6*(51-49)，以此类推对数据进行加权处理。

步骤7，用加权后的相似样本点进行PLS建模，得到PLS模型；

步骤8，得到的PLS模型后，需要计算在线样本的实时统计量和历史模型的控制限。如果在线样本的统计量超过历史数据的控制限，那么就发生报警。当前在线监控中，采用经典的统计量HotellingT²及SPE是否超限的方法来确定是否发生故障。

HotellingT²是主元得分向量的标准平方和，反映了每个采样在变化趋势和幅值上偏离模型的程度，服从F分布。如果要知道T²的控制限，需要设定显著水平，我们同业界传统方法一致，设定显著水平为95％。

SPE统计量也被称为Q统计量，它代表了数据中没有被主元模型所解释的变化，表示每次采样在变化趋势上与统计模型的之间的误差。同样如果要知道SPE的控制限，需要设定显著水平，我们同业界传统方法一致，设定显著水平为95％。

通过历史数据PLS模型和在线样本点，我们可以求出在线样本的HotellingT²和SPE统计量。以正常生产过程第100个在线样本为例，其对应的历史模型HotellingT²和SPE统计量的控制限为：16.7917059453699和8.44942792378482，在线样本点的统计量为：5.22990468051167和2.61643429513291，未超过历史模型的控制限，所以未发生故障。

从下个步骤开始为“在线监测”部分；

步骤9，统计量分析。PLS模型将测量变量分解为Sp和Sr两个空间，故障检测就是对这两个空间进行监测。统计过程监控领域，T²是用来检测发生在Sp的故障，而SPE统计量被用来检测空间Sr的故障，因此基于PLS的故障检测能够判别故障是否与质量有关。当故障发生时，一个或者多个测量变量将会被影响，从而影响这些变量之间的关系。一般认为在PLS结构下，如果发生影响质量变量Y的异常情况，故障发生在子空间Sp；另一方面，若故障不影响质量变量，那么发生在子空间Sr。如说明书附图中的故障监测图所示，一般情况是故障先体现在过程变量超限上，然后随时间的推移，故障程度和范围逐渐扩大，随后影响到产品质量，也就是反映到了质量变量。

步骤10，随着生产的进行，将上述计算得到的统计量与建模阶段的步骤8确定的控制限进行比较，如果超限则认为发生故障，进行报警；否则即为正常。

步骤11，如果当前样本点发生故障则报警。如果不发生故障则将样本点添加到历史数据库，作为历史数据进行下面的建模与监测。这样能够保证历史数据库的实时更新；

上述步骤即为本发明方法在青霉素发酵仿真平台故障监测领域的具体应用。为了验证本方法的有效性，对2批测试数据分别进行了故障监测实验，并且与偏最小二乘传统方法进行比较。实验结果见图3至图10，每幅图标出了95％控制限，同时还包括在线样本的统计量。如果统计量大于控制限的值，说明在此时刻发酵过程发生了故障；否则说明发酵过程运行正常。

图3至图6分别为偏最小二乘方法和本发明方法对正常批次数据的监测效果图。图中未加标注的实线为偏最小二乘模型控制限，加了空心圆点的实线为实时的T²和SPE监测值；图5中由于即时学习局部模型方法每个局部模型的主元贡献率有区别所以T²控制限会有一定变化。如图3所示T²监测图在第17时刻发生了1次误报警；图4中的SPE监测图在第44、61、71、217、295、299时刻发生了6次误报警。观察图5和图6发现本发明方法的监测图没有发生任何误报警，监测效果较好。图7至图10分别为偏最小二乘方法和即时学习局部模型方法对斜坡故障批次数据的监测效果图。图中未加标注的实线为偏最小二乘模型控制限，加了空心圆点的实线为实时的T²和SPE监测值。由于此故障为缓慢变化的斜坡故障，两种监测方法均不能及时检测出在第100时刻发生的故障，有一定的延时性。偏最小二乘方法的监测图(图7)中的T²统计量在第180时刻左右才检测到故障，延时性较长并且还有一次误报警；图8中的SPE监测图大约在第105时刻开始检测到故障。而根据图9和图10，本发明方法的T²和SPE统计量分别在第107和第103时刻报警，并且没有发生误报警。

为了更形象地对比现有方法与本发明方法应用于发酵过程故障监测的有效性，对上述三批测试数据的监测效果列表对比如下：

表3 故障检测情况

注：1)未发生故障时不产生警报的样本数目加上故障发生后报警的样本数目总和与总的样本数目比值；2)未发生故障时产生报警的样本与总的样本数目比值；3)发生故障后未报警的样本与总的样本数目的比值。

从上表3不难发现，无论是在误报率、漏报率方面还是在准确率方面，本发明方法的统计量均比传统偏最小二乘建模方法的统计量有所提升，提高了青霉素发酵过程故障监测效果。并且不需要太多人工的先验知识，自动完成监测过程，避免了操作人员主观因素。

Claims (1)

1.一种基于即时学习局部模型的发酵过程故障监测方法，其特征在于，该方法包含如下步骤：

步骤1，采集同一发酵过程正常的历史数据，数据由生产某产品发酵过程的变量，批次，和每个批次的采样点个数这三个维度组成；数据比连续过程多了一个维度即批次，为三维的矩阵；

步骤2，对步骤1采集的三维数据矩阵进行变量展开，展开成二维的矩阵；具体展开步骤为将后一批次的第一个数据接在前一批次最后一个数据后面，相当于按照时间顺序存储所有数据；

步骤3，被监测生产过程开始后，采集当前在线样本点，即被监测采样点；当前在线样本点为一个J维向量，其中J为生产过程被监测的变量总数；

步骤4，计算当前在线样本点与每个历史样本点马氏距离；

步骤5，对马氏距离从小到大排序，即相似的数据排名靠前，不相似的数据排名靠后；然后按照顺序计算数据集的信息熵；具体操作为：先计算以第一个数据为数据集的信息熵，然后计算以第一个和第二个数据为数据集的信息熵，以此类推，依次增加，直到信息熵达到最小值为止，也就是由第一个数据到某个数据的数据集信息熵比第一个数据到某个数据的后一个数据的数据集信息熵要小；

步骤6，对选取的样本点进行归一化处理：首先计算相似样本点矩阵的每个过程变量的均值和标准方差；然后利用每个过程变量的均值和标准方差对每个过程变量进行Z-score标准化；同样对当前在线样本点进行Z-score标准化；

按照批次先后顺序利用遗忘因子进行加权；遗忘因子的表达式为：λ_i＝e^-αi，其中i表示数据所在的批次与当前批次数值差的绝对值,e为自然指数，α为衰减因子，表示衰减速度，取0.6为通用值；这样从时间上对相似样本点进行加权得到加权后的数据矩阵；

步骤7，用加权后的相似样本点进行PLS建模，得到PLS模型；

步骤8，利用步骤7得到的PLS模型计算统计量控制限，采用经典的统计量HotellingT²及SPE是否超限的方法来确定是否发生故障；

HotellingT²是主元得分向量的标准平方和；设定显著水平为95％，这样就计算出这个统计量的控制限；

SPE统计量也被称为Q统计量，它代表了数据中没有被主元模型所解释的变化，表示每次采样在变化趋势上与统计模型的之间的误差；设定显著水平为95％，计算出这个统计量的控制限；

通过历史数据PLS模型和当前在线样本点，求出在线样本的HotellingT²和SPE统计量；如果在线样本的统计量超过历史数据的控制限，那么就发生报警；

从下个步骤开始为“在线监测”部分；

步骤9，统计量分析；统计过程监控领域，HotellingT²是用来检测发生在Sp的故障，而SPE统计量被用来检测空间Sr的故障，当故障发生时，一个或者多个测量变量将会被影响，从而影响这些测量变量之间的关系；PLS模型将测量变量分解为Sp和Sr两个空间，故障检测就是对这两个空间进行监测；在PLS模型结构下，如果发生影响质量变量Y的异常情况，故障发生在空间Sp；另一方面，若故障不影响质量变量，那么发生在空间Sr；

步骤10，将上述计算得到的统计量与建模阶段的步骤8确定的控制限进行比较，如果超限则认为发生故障，进行报警；否则即为正常；

步骤11，如果当前在线样本点发生故障则报警；如果不发生故障则将当前在线样本点添加到历史数据库。