CN108803337A - 一种新型的化工过程数据监测方法 - Google Patents
一种新型的化工过程数据监测方法 Download PDFInfo
- Publication number
- CN108803337A CN108803337A CN201810685462.XA CN201810685462A CN108803337A CN 108803337 A CN108803337 A CN 108803337A CN 201810685462 A CN201810685462 A CN 201810685462A CN 108803337 A CN108803337 A CN 108803337A
- Authority
- CN
- China
- Prior art keywords
- representing
- data
- principal component
- matrix
- input
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000001311 chemical methods and process Methods 0.000 title claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 230000002427 irreversible effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 abstract description 2
- 229930182555 Penicillin Natural products 0.000 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 description 8
- 229940049954 penicillin Drugs 0.000 description 8
- 238000000855 fermentation Methods 0.000 description 7
- 230000004151 fermentation Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000813 microbial effect Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种新型的化工过程数据监测方法。本发明首先采用了一种新的数据预处理方法，与传统的数据处理技术不同，这种处理方法可以通过减少模型潜在变量的数目来提高模型的解释能力。然后将经过处理的数据进行建模，为了提取过程变量的非线性特性，又引入了核算法。然后针对目前过程监测技术比较复杂的情况，提出了一种新的监测指标。本发明可以有效地提取过程数据非线性特性，且提高了过程监测的能力。
Description
技术领域
本发明属于自动化技术领域，涉及一种新型的化工过程数据监测方法。
背景技术
随着现代化工过程趋向自动化，智能化，保障化工过程的稳定性变得越来越重要。基于此，过程监测技术得到了越来越广泛的关注。得益于传感器在化工过程中的广泛应用，可以很容易地得到大量的过程数据。这些数据无法直接拿来使用，必须经过处理后才能用来建模，然而目前并没有很好的数据预处理方法。另外，现在基于数据的过程监测机制研究大多是面向线性的、静态的化工过程，虽然这些研究取得了一定的成果，但是它们难以满足实际化工过程的需求。
发明内容
本发明针对目前对过程数据的预处理比较粗糙，对过程的非线性研究较少，以及对化工过程的监测比较复杂的情况，提出了一种新型的化工过程数据监测方法。
本发明首先采用了一种新的数据预处理方法，与传统的数据处理技术不同，这种处理方法可以通过减少模型潜在变量的数目来提高模型的解释能力。然后将经过处理的数据进行建模，为了提取过程变量的非线性特性，又引入了核算法。然后针对目前过程监测技术比较复杂的情况，提出了一种新的监测指标。本发明可以有效地提取过程数据非线性特性，且提高了过程监测的能力。
本发明是通过数据采集，数据处理，模型建立，过程监测等技术，确立了一种新型的化工过程数据监测方法。
步骤1.采用新的预处理方法处理原始数据，建立新的过程模型，具体方法是：
1.1收集化工过程中产生的数据，并对过程数据进行预处理。
1.1.1收集化工过程中产生的过程数据。
其中，X表示化工过程中收集的输入变量数据，x1,x2,...xi...xN分别表示第1,2,...i...,N个样本，每个样本包含m个输入变量，如原材料配比，反应器温度，反应器压力等，Y表示化工过程中采集的输出变量数据，y1,y2...yi,...yN分别表示第1,2,...i...N个输出样本，每个样本包含l个输出变量，如产物浓度。N表示采集的样本总个数，m表示输入变量的个数，l表示输出变量的个数，是实数符号，′表示转置符号。
1.1.2对原始测量数据X和Y进行标准化处理。
其中，xnj表示第n个样本的第j个输入变量，表示第j个输入变量的均值，sj表示第j个输入变量的标准差。表示标准化后的第n个样本的第j个输入变量。
1.1.3首先初始化主成分，记为told，令told等于X的任意一列，再使用主要成分提取的方法，计算主成分tC
其中，told表示主成分tC的初始化值，pold表示输入变量X对于told的负载向量。
1.1.4计算新的得分矩阵t。
tnew＝(I-Y(Y'Y)-1Y')tc
w＝X'tnew
t＝Xw
其中，tnew表示与输出变量Y正交的主成分，w表示权重向量，t表示由输入数据和权重向量计算得到的新的得分向量，(·)-1表示矩阵求逆。
1.1.5计算输入变量X在主成分t方向上的负载向量p。
1.1.6从原始变量X中除去与响应变量Y正交的部分，得到需要的数据集。
Xo＝X-tp'
其中：Xo表示预处理后的有效输入变量矩阵。
1.2引入核算法，计算有效输入数据Xo和输出数据Y的相关关系矩阵。
如果矩阵Xo'Xo为可逆矩阵，那么
M＝(Xo'Xo)-1Xo'Y
如果矩阵Xo'Xo为不可逆矩阵，那么
其中，M表示输入数据与输出数据的相关关系矩阵，表示伪逆符号。
1.3对步骤1.2中得到的矩阵M进行奇异值分解
其中，表示主成分空间的负载向量，表示残差空间的负载向量，
1.4构造正交投影算子。
∏M＝PMPM'
其中，∏M表示输入变量中主成分空间的投影算子，表示与主成分空间正交的残差空间的投影算子。
1.5根据步骤1.4中的正交投影算子对输入变量进行正交分解，将其投影到两个正交的子空间上。
其中，表示主成分子空间，表示残差子空间。
1.6在完全分解后，可以得到回归模型。
其中，表示输出变量的预测值。Ey表示与输入无关的残差矩阵。
步骤2：提出新的监测指标对步骤1中得到的子空间进行过程监测。
2.1设计监测主成分子空间的T2统计量。
其中，x表示输入空间的一个样本。表示主成分子空间的T2统计量，表示的控制限，Fα(a,N-a)表示自由度为a和N-a，置信限为α的F分布。
2.2设计监测残差子空间的T2统计量。
其中，表示残差子空间的T2统计量。表示的控制限。Fα(m-a,N-m+a)表示自由度为m-a和N-m+a，置信限为α的F分布。
本发明的有益效果：采用新的数据处理技术去除原始数据中不需要的数据，然后将处理后的数据用于过程监测，提高了过程监测的准确率，加强了化工过程的安全性能。
具体实施方式
以青霉素发酵过程为例：青霉素发酵过程是典型的非线性动态过程。整个过程包括反应滞后期，微生物生长期，青霉素合成期和微生物死亡期四个阶段。青霉素发酵过程可以在最佳条件下通过控制发酵反应器的温度和反应过程的pH值来操作。
步骤1.采用新的预处理方法处理原始数据，建立新的过程模型，具体方法是：
1.1收集青霉素发酵过程中产生的数据，并对过程数据进行预处理。
1.1.1收集青霉素发酵过程中产生的过程数据。
其中，X表示青霉素发酵过程中收集的输入变量数据，x1,x2,...xi...xN分别表示第1,2,...i...,N个样本，每个样本包含m个输入变量，如通风量，搅拌器功率，PH值，基材温度等，Y表示化工过程中采集的输出变量数据，y1,y2...yi,...yN分别表示第1,2,...i...N个输出样本，每个样本包含l个输出变量，如底物浓度，青霉素浓度，二氧化碳浓度等。N表示采集的样本总个数，m表示输入变量的个数，l表示输出变量的个数，是实数符号，‘表示转置符号。
1.1.2对原始测量数据X和Y进行标准化处理。
其中，xnj表示第n个样本的第j个输入变量，表示第j个输入变量的均值，sj表示第j个输入变量的标准差。表示标准化后的第n个样本的第j个输入变量。
1.1.3初始化主成分，记为told，令told等于X的任意一列，然后再使用主要成分提取的方法，计算主成分tC
其中，told表示主成分tC的初始化值，pold表示输入变量X对于told的负载向量。
1.1.4计算新的得分矩阵t。
tnew＝(I-Y(Y'Y)-1Y')tc
w＝X'tnew
t＝Xw
其中，tnew表示与输出变量Y正交的主成分，w表示权重向量，t表示由输入数据和权重向量计算得到的新的得分向量，(·)-1表示矩阵求逆。
1.1.5计算输入变量X在主成分t方向上的负载向量p。
1.1.6从原始变量X中除去与响应变量Y正交的部分，得到需要的数据集。
Xo＝X-tp'
其中：Xo表示预处理后的有效输入变量矩阵。
1.2引入核算法，计算有效输入数据Xo和输出数据Y的相关关系矩阵。
如果矩阵Xo'Xo为可逆矩阵，那么
M＝(Xo'Xo)-1Xo'Y
如果矩阵Xo'Xo为不可逆矩阵，那么
其中，M表示输入数据与输出数据的相关关系矩阵，表示伪逆符号。
1.3对步骤1.2中得到的矩阵M进行奇异值分解
其中，表示主成分空间的负载向量，表示残差空间的负载向量，
1.4构造正交投影算子。
∏M＝PMPM'
其中，∏M表示输入变量中主成分空间的投影算子，表示与主成分空间正交的残差空间的投影算子。
1.5根据步骤1.4中的正交投影算子对输入变量进行正交分解，将其投影到两个正交的子空间上。
其中，表示主成分子空间，表示残差子空间。
1.6在完全分解后，可以得到回归模型。
其中，表示输出变量的预测值。Ey表示与输入无关的残差矩阵。
步骤2：提出新的监测指标对步骤1中得到的子空间进行过程监测。
2.1设计监测主成分子空间的T2统计量。
其中，x表示输入空间的一个样本。表示主成分子空间的T2统计量，表示的控制限，Fα(a,N-a)表示自由度为a和N-a，置信限为α的F分布。
2.2设计监测残差子空间的T2统计量。
其中，表示残差子空间的T2统计量。表示的控制限。Fα(m-a,N-m+a)表示自由度为m-a和N-m+a，置信限为α的F分布。
Claims (1)
1.一种新型的化工过程数据监测方法，其特征在于该方法具体是：
步骤1.处理原始数据，建立新的过程模型，具体是：
1.1收集化工过程中产生的数据，并对过程数据进行预处理；
1.1.1收集化工过程中产生的过程数据；
其中，X表示化工过程中收集的输入变量数据，x1,x2,...xi...xN分别表示第1,2,...i...,N个样本，每个样本包含m个输入变量，Y表示化工过程中采集的输出变量数据，y1,y2...yi,...yN分别表示第1,2,...i...N个输出样本，每个样本包含l个输出变量；N表示采集的样本总个数，m表示输入变量的个数，l表示输出变量的个数，是实数符号，′表示转置符号；
1.1.2对原始测量数据X和Y进行标准化处理；
其中，xnj表示第n个样本的第j个输入变量，表示第j个输入变量的均值，sj表示第j个输入变量的标准差；表示标准化后的第n个样本的第j个输入变量；
1.1.3初始化主成分，记为told，令told等于X的任意一列，然后再使用主要成分提取的方法，计算主成分tC
其中，told表示主成分tC的初始化值，pold表示输入变量X对于told的负载向量；
1.1.4计算新的得分矩阵t；
tnew＝(I-Y(Y'Y)-1Y')tc
w＝X'tnew
t＝Xw
其中，tnew表示与输出变量Y正交的主成分，w表示权重向量，t表示由输入数据和权重向量计算得到的新的得分向量，(·)-1表示矩阵求逆；
1.1.5计算输入变量X在主成分t方向上的负载向量p；
1.1.6从原始变量X中除去与响应变量Y正交的部分，得到需要的数据集；
Xo＝X-tp'
其中：Xo表示预处理后的有效输入变量矩阵；
1.2引入核算法，计算有效输入数据Xo和输出数据Y的相关关系矩阵；
如果矩阵Xo'Xo为可逆矩阵，那么
M＝(Xo'Xo)-1Xo'Y
如果矩阵Xo'Xo为不可逆矩阵，那么
其中，M表示输入数据与输出数据的相关关系矩阵，表示伪逆符号；
1.3对步骤1.2中得到的矩阵M进行奇异值分解
其中，表示主成分空间的负载向量，表示残差空间的负载向量，
1.4构造正交投影算子；
∏M＝PMPM'
其中，∏M表示输入变量中主成分空间的投影算子，表示与主成分空间正交的残差空间的投影算子；
1.5根据步骤1.4中的正交投影算子对输入变量进行正交分解，将其投影到两个正交的子空间上；
其中，表示主成分子空间，表示残差子空间；
1.6在完全分解后，得到回归模型；
其中，表示输出变量的预测值；Ey表示与输入无关的残差矩阵；
步骤2：对步骤1中得到的子空间进行过程监测；
2.1设计监测主成分子空间的T2统计量；
其中，x表示输入空间的一个样本；表示主成分子空间的T2统计量，表示的控制限，Fα(a,N-a)表示自由度为a和N-a，置信限为α的F分布；
2.2设计监测残差子空间的T2统计量；
其中，表示残差子空间的T2统计量；表示的控制限，Fα(m-a,N-m+a)表示自由度为m-a和N-m+a，置信限为α的F分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810685462.XA CN108803337A (zh) | 2018-06-28 | 2018-06-28 | 一种新型的化工过程数据监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810685462.XA CN108803337A (zh) | 2018-06-28 | 2018-06-28 | 一种新型的化工过程数据监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108803337A true CN108803337A (zh) | 2018-11-13 |
Family
ID=64071358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810685462.XA Pending CN108803337A (zh) | 2018-06-28 | 2018-06-28 | 一种新型的化工过程数据监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108803337A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242224A (zh) * | 2018-11-29 | 2019-01-18 | 杭州电子科技大学 | 一种新型化工过程质量预测方法 |
| CN109669413A (zh) * | 2018-12-13 | 2019-04-23 | 宁波大学 | 一种基于动态潜独立变量的动态非高斯过程监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7904817B2 (en) * | 2006-12-01 | 2011-03-08 | Accenture Global Services Gmbh | Method for controlling and/or monitoring data processing device and computer program |
| CN103838142A (zh) * | 2013-12-09 | 2014-06-04 | 浙江大学 | 基于混合寻优的丙烯聚合生产过程最优软测量系统和方法 |
| CN106354125A (zh) * | 2016-11-09 | 2017-01-25 | 上海电机学院 | 一种利用分块pca检测化工过程故障的方法 |
| CN107272667A (zh) * | 2017-08-07 | 2017-10-20 | 华中科技大学 | 一种基于平行的偏最小二乘法的工业过程故障检测方法 |
| CN107632592A (zh) * | 2017-09-01 | 2018-01-26 | 南通大学 | 基于高效递推核主元分析的非线性时变过程故障监测方法 |
-
2018
- 2018-06-28 CN CN201810685462.XA patent/CN108803337A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7904817B2 (en) * | 2006-12-01 | 2011-03-08 | Accenture Global Services Gmbh | Method for controlling and/or monitoring data processing device and computer program |
| CN103838142A (zh) * | 2013-12-09 | 2014-06-04 | 浙江大学 | 基于混合寻优的丙烯聚合生产过程最优软测量系统和方法 |
| CN106354125A (zh) * | 2016-11-09 | 2017-01-25 | 上海电机学院 | 一种利用分块pca检测化工过程故障的方法 |
| CN107272667A (zh) * | 2017-08-07 | 2017-10-20 | 华中科技大学 | 一种基于平行的偏最小二乘法的工业过程故障检测方法 |
| CN107632592A (zh) * | 2017-09-01 | 2018-01-26 | 南通大学 | 基于高效递推核主元分析的非线性时变过程故障监测方法 |
Non-Patent Citations (5)
| Title |
|---|
| RIDONG ZHANG ET AL.: "Dynamic Modeling and Nonlinear Predictive Control Based on Partitioned Model and Nonlinear Optimization", 《IND. ENG. CHEM. RES.》 * |
| 徐扬: "关联分析和基因组预测相关方法的探讨与应用", 《中国博士学位论文全文数据库 农业科技辑》 * |
| 王娟娟: "数据驱动的控制系统性能监控策略研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 王春林等: "基于支持向量机和遗传算法的电站锅炉水冷壁高温腐蚀建模与燃烧优化", 《2009中国智能自动化会议论文集》 * |
| 王金芬: "基于改进OPLS间歇过程监测、质量预测及异常变量追溯", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242224A (zh) * | 2018-11-29 | 2019-01-18 | 杭州电子科技大学 | 一种新型化工过程质量预测方法 |
| CN109669413A (zh) * | 2018-12-13 | 2019-04-23 | 宁波大学 | 一种基于动态潜独立变量的动态非高斯过程监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107632592B (zh) | 基于高效递推核主元分析的非线性时变过程故障监测方法 | |
| CN110009020B (zh) | 一种基于多核主元分析模型的非线性过程监测方法 | |
| Lee et al. | On-line batch process monitoring using a consecutively updated multiway principal component analysis model | |
| CN108667069B (zh) | 一种基于偏最小二乘法回归的短期风电功率预测方法 | |
| CN111982302A (zh) | 一种带噪声滤波和环境温度补偿的测温方法 | |
| CN105425779A (zh) | 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 | |
| CN108375965B (zh) | 一种基于多变量块交叉相关性剔除的非高斯过程监测方法 | |
| CN108803337A (zh) | 一种新型的化工过程数据监测方法 | |
| Zhang et al. | Fault diagnosis of multimode processes based on similarities | |
| CN108445867B (zh) | 一种基于分散式icr模型的非高斯过程监测方法 | |
| CN107065842A (zh) | 一种基于粒子群优化核独立元分析模型的故障检测方法 | |
| 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 | |
| CN112214006A (zh) | 考虑两维动态特性的间歇过程故障检测方法及系统 | |
| CN111062848A (zh) | 一种消防工程异常状态监测的智能监控方法 | |
| CN116861224B (zh) | 基于间歇过程软测量建模方法的间歇过程软测量建模系统 | |
| CN108427398B (zh) | 一种基于分散式ar-pls模型的动态过程监测方法 | |
| Borges et al. | Model selection in genetic programming | |
| CN110879873B (zh) | 一种基于哈密顿蒙特卡洛采样的vine copula相关性描述的软测量方法及系统 | |
| CN117574082A (zh) | 一种针对浅海海域的数据驱动海-气耦合中长期预报方法 | |
| CN111188761A (zh) | 一种基于Fourier-CVA模型面向机泵设备的监测方法 | |
| Gonzalo et al. | Spurious relationships in high-dimensional systems with strong or mild persistence | |
| CN113779773B (zh) | 一种基于慢特征分析的过完备宽度学习系统的发酵过程监测方法 | |
| Li et al. | Fault detection based on global-local PCA-SVDD for multimode processes | |
| Chunchen et al. | Design of genetic algorithm optimized PID controller for gas mixture system | |
| Lu et al. | A dynamic soft-sensing method based on impulses response template and parameter estimation with modified DE optimization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181113 |