CN110032799A - 一种微生物制药过程的角相似度阶段划分及监测方法 - Google Patents
一种微生物制药过程的角相似度阶段划分及监测方法 Download PDFInfo
- Publication number
- CN110032799A CN110032799A CN201910299394.8A CN201910299394A CN110032799A CN 110032799 A CN110032799 A CN 110032799A CN 201910299394 A CN201910299394 A CN 201910299394A CN 110032799 A CN110032799 A CN 110032799A
- Authority
- CN
- China
- Prior art keywords
- time
- time slice
- sub
- period
- monitoring
- 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 79
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 230000008569 process Effects 0.000 title claims abstract description 45
- 230000002906 microbiologic effect Effects 0.000 title abstract 2
- 238000004519 manufacturing process Methods 0.000 claims abstract description 20
- 238000000855 fermentation Methods 0.000 claims abstract description 11
- 230000004151 fermentation Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000813 microbial effect Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 2
- 238000010923 batch production Methods 0.000 abstract description 7
- 229930182555 Penicillin Natural products 0.000 abstract description 6
- 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 6
- 229940049954 penicillin Drugs 0.000 abstract description 6
- 230000007257 malfunction Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 13
- 238000004088 simulation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- QDGIAPPCJRFVEK-UHFFFAOYSA-N (1-methylpiperidin-4-yl) 2,2-bis(4-chlorophenoxy)acetate Chemical compound C1CN(C)CCC1OC(=O)C(OC=1C=CC(Cl)=CC=1)OC1=CC=C(Cl)C=C1 QDGIAPPCJRFVEK-UHFFFAOYSA-N 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种微生物制药过程的角相似度阶段划分及监测方法。为了更好的处理青霉素发酵过程中的多阶段特性，建立了一种有效的基于多阶段划分方法的故障监控模型。本发明包括“离线建模”和“在线监测”两个阶段。“离线建模”包括：首先对发酵过程的三维数据沿时间轴展开；之后将数据划分入C0个子时段；之后利用子时段数据建立分别的KECA模型，最后计算数据的T2，SPE统计量，并确定各时段内统计量的控制限。“在线监测”包括：对新采集的数据按照模型进行处理，将其划分入各个子时段，计算其统计量并与控制限进行比较生产过程是否故障。本发明充分考虑间歇过程的多阶段特点，故障监测的准确率令人满意。
Description
技术领域
本发明涉及基于工业过程的故障诊断技术领域，特别是涉及一种针对间歇过程的时段划分及故障诊断技术。本发明的基于数据驱动的方法即是在典型间歇过程——青霉素发酵过程故障监测方面的具体应用。
背景技术
目前，工业生产过程中有着大量的间歇过程。但其机理复杂、操作复杂度高、产品质量易受不确定性因素的影响。多阶段特性是间歇过程的固有特征，在每个阶段内都拥有其特定、独有的运行模式和潜在过程特性，具有不同的关键过程变量及特定的控制目标。为了减少间歇过程(比如发酵过程)的漏报率和误报率，对间歇过程进行阶段划分并故障监测是完全必要的。
目前，针对间歇过程的多阶段特性的监控国内外学者做了大量的工作。但是目前的多阶段间歇过程监测有以下两方面的不足：1)聚类数据的输入是MPCA分解后的负载矩阵，而MPCA是线性化方法不能处理间歇过程的非线性，其分解后的负载矩阵必然失去非线性的特征，而非线性又是间歇过程的固有特性，造成非线性数据的丢失。2)采用的K均值或FCM聚类算法需提前指定划分阶段的个数，一旦阶段个数选取的不合适，会使划分结果与数据集的真正结构不符合，也就是不符合过程的实际运行机制，其对过程的监测将造成大量的误报警和漏报警。
发明内容
为了克服上述现有技术的不足，本发明提出了一种微生物制药过程的角相似度阶段划分及监测方法，该方法将三维历史数据按照时间片展开，将其映射到高维核熵空间计算其相似度的值，最终将生产过程划分为稳定阶段和过渡阶段，并在每个阶段内构建监测模型对间歇过程进行过程监测，当监测到有异常工况发生时，利用时刻贡献图方法对其进行故障诊断。
本发明采用了如下的技术方案：
A.离线建模：
(1)采集到正常工况下的微生物制药发酵过程数据X，X为三维数组，三个维度分别为生产批次数i＝1,…,I、过程变量j＝1,…J、采样时刻k＝1,…,K；沿着时间轴方向分解得到K个时间片矩阵，其中，第k时刻的时间片矩阵其行代表生产批次数i＝1,…,I、列代表过程变量j＝1,…,J；
(2)对每个时间片矩阵中的所有元素进行标准化处理，其中，第k时间片中第i行第j列的元素的标准化公式如下：
其中，和分别代表当前第k时间片第j列的均值和标准差，表示标准化后的值；
(3)计算生产过程中任意两个时间片矩阵的夹角，其中，对于生产过程中第a、b两个时刻的时间片矩阵间夹角θa,b可通过如下公式计算：
其中，wj为加权系数，θj计算公式如下：
其中， 为标准化后的第k时刻时间片矩阵xk的第j列向量，φ为核映射函数；
然后，计算两时间片矩阵间的角相似度指标，其中，第a、b两个时刻的时间片矩阵角相似度指标，计算公式如下：
(4)对于全部时间片矩阵，计算初始K个密度指标,其中，第k个密度指标的计算公式如下，k＝1,…,K：
其中，表示第k个时间片与第h个时间片的相似度，sdist＝||xk-xh||2，||·||表示2范数计算，xk、xh分别表示标准化之后的第k、h时刻的时间片矩阵，权重系数0≤λ≤1，密度半径γa>0；
(5)初始化聚类中心个数c＝1；
(6)选择具有最高密度指标的时间片xk为第c个聚类中心，选中的时间片记为 为其密度指标，之后对全部时间片的密度指标进行更新：
其中，表示第h个时间片与第c个聚类中心时间片的相似度,公式同步骤4中sk,h，正数γb>γa；
(7)修正了全部时间片的密度指标后，判断中的最大值是否满足以下判据：
其中，v∈(0，0.01]，如满足，则结束阶段划分，最终得到个C0＝c个聚类中心，进入(9)；不满足则进入(8)；
(8)令c＝c+1，循环至(6)。
(9)对全部K个时间片进行聚类：以每个时间片为对象，首先计算每个时间片与全部C0个聚类中心的相似度sk,c(c＝1,…,C0)，公式同步骤4中sk,h；然后，在全部C0个聚类中心找到一个聚类中心c，使得这个聚类中心与当前时间片的相似度为最大，即将当前时间片划入子时段c；对全部K个时间进行划分，得到C0个子时段；
(10)将隶属同一子时段的时间片沿时间先后顺序组合为三维矩阵Xc，c＝1,…,C0，三维分别为生产批次数i＝1,…,I、过程变量j＝1,…J、采样时刻k＝1,…,kc，kc为属于第c子时段的时间片个数；
(11)利用数据矩阵Xc，c＝1,…,C0建立全部C0个子时段的KECA模型；
(12)利用KECA模型，计算各时段内所有数据的T2和SPE统计量，并用核密度估计分别确定各子时段内T2和SPE统计量的控制限，用于在线监测；
B.在线监测：
(13)获取当前时刻时间片矩阵并根据离线建模阶段对应时刻的均值和标准差进行数据标准化预处理：
为中第i行第j列的元素，表示第i批第j个变量于在线阶段第k时刻的采样值；
(14)根据离线建模阶段得到的C0个聚类中心，判断当前时刻k的所属子时段c；
(15)用第c子时段的KECA模型计算在线数据的T2和SPE统计量，判断T2和SPE统计量是否大于步骤(12)中得到的控制限，若二者均未超限，则认为当前时刻过程正常运行，返回(13)；否则认为过程发生异常，产生报警。
有益效果
与现有技术相比，本发明利用基于角相似度进行子时段划分，揭示过程变量相关关系的变化，客观反映各阶段及过渡过程特征的多样性和独特性。
由于各个阶段之间体现出明显的差异性，反映在过程变量上的表现就是各个阶段之间，过程变量的均值和方差具有明显的差异，这种差异性就要求所建立的监控模型必须可以准确描述各个阶段的特征，本发明所用的分阶段建模的思想正好满足这种条件，可以有效地减少系统的误警率和漏报率，尤其当故障发生在过渡阶段内，能有较高故障识别率。
附图说明
图1为本发明的方法流程图；
图2(a)为采用MKPCA方法T2统计量监测测试批次1的结果；
图2(b)为采用MKPCA方法SPE统计量监测测试批次1的结果；
图3(a)为采用sub-MKPCA方法T2统计量监测测试批次1的结果；
图3(b)为采用sub-MKPCA方法SPE统计量监测测试批次1的结果；
图4(a)为采用本发明sub-MKECA方法T2统计量监测测试批次1的结果；
图4(b)为采用本发明sub-MKECA方法SPE统计量监测测试批次1的结果；
图5(a)为采用MKPCA方法T2统计量监测测试批次2的结果；
图5(b)为采用MKPCA方法SPE统计量监测测试批次2的结果；
图6(a)为采用sub-MKPCA方法T2统计量监测测试批次2的结果；
图6(b)为采用sub-MKPCA方法SPE统计量监测测试批次2的结果；
图7(a)为采用本发明sub-MKECA方法T2统计量监测测试批次2的结果；
图7(b)为采用本发明sub-MKECA方法SPE统计量监测测试批次2的结果；
具体实施方式
青霉素发酵仿真平台PenSim2.0作为本方法的仿真测试平台，这里实验的主要目的是证明下列观点：(1)基于阶段建立的监测模型具备有效的故障监测能力；(2)基于阶段建立的监测模型有利于间歇过程故障的诊断。
对本发明提出的监测策略进行全面的测试，青霉素发酵每个批次的反应时间为400h，采样间隔为1小时，即K＝400。本文选取10个过程变量进行监测，即J＝10，具体描述见表1。批次数I＝30。
表1采样变量
将本发明方法应用到青霉素发酵过程仿真对象包括离线建模和在线监测两个步骤，具体步骤如下：
A.离线建模：
(1)采集到正常工况下的微生物制药发酵过程数据X,X为三维数组，三个维度分别为生产批次数i＝1,…,I、过程变量j＝1,…J、采样时刻k＝1,…,K。本方法主要对每一时刻的时间片矩阵xk进行分析，对于第k时刻的时间片矩阵xk,其行代表生产批次数i＝1,…,I、列代表过程变量j＝1,…,J。沿着时间轴方向分解得到K个时间片矩阵xk(k＝1,2,…,K)。
(2)对每个时间片矩阵中的所有元素进行标准化处理。其中，第k时间片中第i行第j列的元素的标准化公式如下：
其中，和分别代表当前第k时间片第j列的均值和标准差。表示被标准化后的时间片xk第i行第j列的值。
(3)计算生产过程中任意两个时间片矩阵的夹角，对于生产过程中第a、b两个时刻的时间片矩阵xa、xb间夹角θa,b可通过如下公式计算：
其中，wj为加权系数，通常可取为1。θj计算公式如下：
其中 为第k时刻时间片矩阵xk的第j列向量，φ为核映射函数，本文选择高斯核函数。
则两时间片矩阵间的角相似度指标，计算公式如下：
sangle＝(cos(θa,b))2
(4)对于全部时间片矩阵，计算初始K个密度指标公式如下：
其中，sk,h＝λsangle+(1-λ)sdist表示第k个时间片与第h个时间片的相似度。sdist＝||xk-xh||2，||·||表示2范数计算。权重系数0≤λ≤1，密度半径γa>0，依据实际数据设置。
(5)初始化聚类中心个数c＝1。
(6)选择具有最高密度指标的时间片xk为第c个聚类中心。选中的时间片记为 为其密度指标，之后对全部时间片的密度指标进行更新：
其中，表示第k个时间片与第c个聚类中心时间片的相似度,公式同步骤4中sk,h。正数γb>γa,且能够使得密度指标显著小于需要依据实际数据调整。
(7)修正了全部时间片的密度指标后，判断中的最大值是否满足以下判据：
其中，v是一个足够小的正数。如满足则结束阶段划分，最终得到个C0＝c个聚类中心，进入(9)；不满足则进入(8)。
(8)令c＝c+1，循环至(6)。
(9)确定聚类中心后，计算全部K个时间片与全部C0个聚类中心的相似度sk,c(c＝1,…,C0)，公式同步骤3中sk,h。找到第k个时间片与聚类中心相似度最大值将此时间划入子时段c。对全部K个时间进行划分，得到C0个子时段。
(10)将隶属同一子时段的时间片沿时间先后顺序组合为三维矩阵Xc，三维分别为生产批次数i＝1,…,I、过程变量j＝1,…J、采样时刻k＝1,…,kc。kc为属于第c子时段的时间片个数。
(11)利用数据矩阵Xc直接建立第c(c＝1,…,C0)个子时段的KECA模型，重复C0次，得到全部子时段的子模型。
(12)计算各时段内所有数据的T2和SPE统计量，并用核密度估计分别确定各子时段内T2和SPE统计量的控制限，用于在线监测。
B.在线监测：
(13)获取当前时刻时间片矩阵并根据对应时刻的均值和标准差进行数据标准化预处理：
为中第i行第j列的元素，表示第i批第j个变量于在线阶段第k时刻的采样值。
(14)依据离线建模中(10)中相似度sk,c的分类结果，判断当前k时刻属于哪个子时段c，调用(11)中第c子时段监测模型。
(15)用第c子时段监测模型计算在线数据的T2和SPE统计量。判断T2和SPE统计量是否大于(12)中控制限的值。若二者均未超限，则认为当前时刻过程正常运行，返回(13)；否则认为过程发生异常，产生报警。
为了验证本文监测算法的有效性，与MKPCA和分阶段的MKPCA算法进行了比较，本方法及对比方法的核函数全部选用高斯核函数，核参数统一选为200。Pensim平台可对底物流加速率、搅拌功率、通风速率设置故障，具体设置情况见表2。3种方法监测效果对比见表3。
表2实验中用到的故障设置
Table 1 Summary of fault types introduced in process
图2-图7为采用MKPCA、sub-MKPCA和本发明sub-MKECA分别对加入故障后的检测结果，由图中可以看出，在出现故障的时间段内，本发明sub-MKECA能够很好的检测出故障。
表3采用MKPCA、sub-MKPCA和sub-MKECA监测结果比较
Table 2 Summary of monitoring results for MKPCA,sub-MKPCA and sub-MKECA
表3中误警率、漏警率计算方式如下：
误警率和漏警率越低越好。通过表3可知，基于sub-MKECA的多阶段监测模型无论是在准确度还是在鲁棒性方面，监测性能均优于传统MKPCA和sub-MKPCA方法。证明了本文方法的有效性。
本文提出的同时应用于间歇过程子阶段划分和过程监测的新策略，将生产操作过程划分为稳定阶段和过渡阶段并分别建立监测模型对生产过程进行监测；并在青霉素发酵仿真平台进行应用。其结果表明，采用sub-MKECA阶段划分结果能很好地反映间歇过程的机理，并且对于多模态过程的故障监测表明其可以及时、准确发现故障，具有较高的实用价值。
Claims (1)
1.一种微生物制药过程的角相似度阶段划分及监测方法，其特征包括“离线建模”和“在线监测”两个阶段，具体步骤如下：
A.离线建模：
1)采集到正常工况下的微生物制药发酵过程数据X，X为三维数组，三个维度分别为生产批次数i＝1,…,I、过程变量j＝1,…J、采样时刻k＝1,…,K；沿着时间轴方向分解得到K个时间片矩阵，其中，第k时刻的时间片矩阵其行代表生产批次数i＝1,…,I、列代表过程变量j＝1,…,J；
2)对每个时间片矩阵中的所有元素进行标准化处理，其中，第k时间片中第i行第j列的元素的标准化公式如下：
其中，和分别代表当前第k时间片第j列的均值和标准差，表示标准化后的值；
3)计算生产过程中任意两个时间片矩阵的夹角，其中，对于生产过程中第a、b两个时刻的时间片矩阵间夹角θa,b可通过如下公式计算：
其中，wj为加权系数，θj计算公式如下：
其中， 为标准化后的第k时刻时间片矩阵xk的第j列向量，φ为核映射函数；
然后，计算两时间片矩阵间的角相似度指标，其中，第a、b两个时刻的时间片矩阵角相似度指标，计算公式如下：
4)对于全部时间片矩阵，计算初始K个密度指标,其中，第k个密度指标的计算公式如下，k＝1,…,K：
其中，表示第k个时间片与第h个时间片的相似度，sdist＝||xk-xh||2，||·||表示2范数计算，xk、xh分别表示标准化之后的第k、h时刻的时间片矩阵，权重系数0≤λ≤1，密度半径γa>0；
5)初始化聚类中心个数c＝1；
6)选择具有最高密度指标的时间片xk为第c个聚类中心，选中的时间片记为为其密度指标，之后对全部时间片的密度指标进行更新：
其中，表示第h个时间片与第c个聚类中心时间片的相似度,公式同步骤4中sk,h，正数γb>γa；
7)修正了全部时间片的密度指标后，判断中的最大值是否满足以下判据：
其中，v∈(0，0.01]，如满足，则结束阶段划分，最终得到个C0＝c个聚类中心，进入(9)；不满足则进入(8)；
8)令c＝c+1，循环至(6)。
9)对全部K个时间片进行聚类：以每个时间片为对象，首先计算每个时间片与全部C0个聚类中心的相似度sk,c(c＝1,…,C0)，公式同步骤4中sk,h；然后，在全部C0个聚类中心找到一个聚类中心c，使得这个聚类中心与当前时间片的相似度为最大，即将当前时间片划入子时段c；对全部K个时间进行划分，得到C0个子时段；
10)将隶属同一子时段的时间片沿时间先后顺序组合为三维矩阵Xc，c＝1,…,C0，三维分别为生产批次数i＝1,…,I、过程变量j＝1,…J、采样时刻k＝1,…,kc，kc为属于第c子时段的时间片个数；
11)利用数据矩阵Xc，c＝1,…,C0建立全部C0个子时段的KECA模型；
12)利用KECA模型，计算各时段内所有数据的T2和SPE统计量，并用核密度估计分别确定各子时段内T2和SPE统计量的控制限，用于在线监测；
B.在线监测：
13)获取当前时刻时间片矩阵并根据离线建模阶段对应时刻的均值和标准差进行数据标准化预处理：
为中第i行第j列的元素，表示第i批第j个变量于在线阶段第k时刻的采样值；
14)根据离线建模阶段得到的C0个聚类中心，判断当前时刻k的所属子时段c；
15)用第c子时段的KECA模型计算在线数据的T2和SPE统计量，判断T2和SPE统计量是否大于步骤(12)中得到的控制限，若二者均未超限，则认为当前时刻过程正常运行，返回(13)；否则认为过程发生异常，产生报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910299394.8A CN110032799A (zh) | 2019-04-15 | 2019-04-15 | 一种微生物制药过程的角相似度阶段划分及监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910299394.8A CN110032799A (zh) | 2019-04-15 | 2019-04-15 | 一种微生物制药过程的角相似度阶段划分及监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110032799A true CN110032799A (zh) | 2019-07-19 |
Family
ID=67238368
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910299394.8A Pending CN110032799A (zh) | 2019-04-15 | 2019-04-15 | 一种微生物制药过程的角相似度阶段划分及监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110032799A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110297475A (zh) * | 2019-07-23 | 2019-10-01 | 北京工业大学 | 一种基于四阶矩奇异值分解的间歇过程故障监测方法 |
| CN111027645A (zh) * | 2019-12-27 | 2020-04-17 | 北京工业大学 | 一种基于子阶段内高阶统计量构建的微生物发酵过程故障监测方法 |
| CN112925202A (zh) * | 2021-01-19 | 2021-06-08 | 北京工业大学 | 基于动态特征提取的发酵过程阶段划分方法 |
| CN114280935A (zh) * | 2021-12-16 | 2022-04-05 | 北京工业大学 | 一种基于信息熵的半监督fcm和sae的多阶段发酵过程故障监测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105629958A (zh) * | 2016-02-06 | 2016-06-01 | 北京工业大学 | 一种基于子时段mpca-svm的间歇过程故障诊断方法 |
| CN107895224A (zh) * | 2017-10-30 | 2018-04-10 | 北京工业大学 | 一种基于扩展核熵负载矩阵的mkeca发酵过程故障监测方法 |
-
2019
- 2019-04-15 CN CN201910299394.8A patent/CN110032799A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105629958A (zh) * | 2016-02-06 | 2016-06-01 | 北京工业大学 | 一种基于子时段mpca-svm的间歇过程故障诊断方法 |
| CN107895224A (zh) * | 2017-10-30 | 2018-04-10 | 北京工业大学 | 一种基于扩展核熵负载矩阵的mkeca发酵过程故障监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| CHANG PENG 等: "Phase Partition and Fault Diagnosis of Batch Process Based on KECA Angular Similarity" * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110297475A (zh) * | 2019-07-23 | 2019-10-01 | 北京工业大学 | 一种基于四阶矩奇异值分解的间歇过程故障监测方法 |
| CN110297475B (zh) * | 2019-07-23 | 2021-07-02 | 北京工业大学 | 一种基于四阶矩奇异值分解的间歇过程故障监测方法 |
| CN111027645A (zh) * | 2019-12-27 | 2020-04-17 | 北京工业大学 | 一种基于子阶段内高阶统计量构建的微生物发酵过程故障监测方法 |
| CN111027645B (zh) * | 2019-12-27 | 2023-05-26 | 北京工业大学 | 一种基于子阶段内高阶统计量构建的微生物发酵过程故障监测方法 |
| CN112925202A (zh) * | 2021-01-19 | 2021-06-08 | 北京工业大学 | 基于动态特征提取的发酵过程阶段划分方法 |
| CN112925202B (zh) * | 2021-01-19 | 2022-10-11 | 北京工业大学 | 基于动态特征提取的发酵过程阶段划分方法 |
| CN114280935A (zh) * | 2021-12-16 | 2022-04-05 | 北京工业大学 | 一种基于信息熵的半监督fcm和sae的多阶段发酵过程故障监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN108803520B (zh) | 一种基于变量非线性自相关性剔除的动态过程监测方法 | |
| CN101158693B (zh) | 基于多核独立元分析的批量生产过程故障检测方法 | |
| CN103970092B (zh) | 一种基于自适应fcm的多阶段发酵过程故障监测方法 | |
| CN103853152B (zh) | 一种基于ar-pca的间歇过程故障监测方法 | |
| CN107895224B (zh) | 一种基于扩展核熵负载矩阵的mkeca发酵过程故障监测方法 | |
| CN109828552B (zh) | 一种基于宽度学习系统的间歇过程故障监测与诊断方法 | |
| CN109675935B (zh) | 一种变控制限的ipca轧制过程在线故障诊断方法 | |
| US10739758B2 (en) | Model-free online recursive optimization method for batch process based on variable period decomposition | |
| CN110929765A (zh) | 一种基于批次图像化的卷积自编码故障监测方法 | |
| CN110245460B (zh) | 一种基于多阶段oica的间歇过程故障监测方法 | |
| CN101964021B (zh) | 基于递归核主元分析的青霉素发酵过程故障监测方法 | |
| CN109740687A (zh) | 一种基于dlae的发酵过程故障监测方法 | |
| CN108445867B (zh) | 一种基于分散式icr模型的非高斯过程监测方法 | |
| 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 | |
| CN110083860A (zh) | 一种基于相关变量选择的工业故障诊断方法 | |
| CN111638707A (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
| CN112214006A (zh) | 考虑两维动态特性的间歇过程故障检测方法及系统 | |
| CN110942258B (zh) | 一种性能驱动的工业过程异常监测方法 | |
| CN110119579B (zh) | 一种基于oica的复杂工业过程故障监测方法 | |
| CN111160811A (zh) | 一种基于多阶段fom-sae的批次过程故障监测方法 | |
| CN116702580A (zh) | 一种基于注意力卷积自编码器的发酵过程故障监测方法 | |
| CN111027645B (zh) | 一种基于子阶段内高阶统计量构建的微生物发酵过程故障监测方法 | |
| CN111188761A (zh) | 一种基于Fourier-CVA模型面向机泵设备的监测方法 | |
| CN108803337A (zh) | 一种新型的化工过程数据监测方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190719 |
|
| WD01 | Invention patent application deemed withdrawn after publication |