CN110703714B - 一种批处理过程的模型建立方法 - Google Patents

一种批处理过程的模型建立方法 Download PDF

Info

Publication number
CN110703714B
CN110703714B CN201911075020.4A CN201911075020A CN110703714B CN 110703714 B CN110703714 B CN 110703714B CN 201911075020 A CN201911075020 A CN 201911075020A CN 110703714 B CN110703714 B CN 110703714B
Authority
CN
China
Prior art keywords
batch process
batch
development
principal component
model
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
Application number
CN201911075020.4A
Other languages
English (en)
Other versions
CN110703714A (zh
Inventor
何勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Data Technology Hangzhou Co ltd
Original Assignee
Data Technology Hangzhou Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Data Technology Hangzhou Co ltd filed Critical Data Technology Hangzhou Co ltd
Priority to CN201911075020.4A priority Critical patent/CN110703714B/zh
Publication of CN110703714A publication Critical patent/CN110703714A/zh
Application granted granted Critical
Publication of CN110703714B publication Critical patent/CN110703714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • 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]

Abstract

一种批处理过程的模型建立方法，本发明涉及批处理生产过程的建模方法。该方法能适应不均匀的批次长度、未知的真实起始时间点、相变和不均匀的反应时间。它收集若干批次高质量的正常操作条件数据，采用多变量分析方法获得各批次的主成分，根据各主成分的得分选取合适个数的主成分并画出轨迹图；在轨迹图中通过搜索算法，确定不同批次的共同相对起点和终点；在所有高质量样本计算的基础上，确定整个批处理过程的平均轨迹；最后以平均轨迹为中心，加上一定的标准偏差，从而形成批过程的发展轨道。本方法消除了常规方法人为主观寻找样本集轨迹的弊端。同时也能处理各种批次长度以及不均匀过程发展的批过程建模。

Description

一种批处理过程的模型建立方法
技术领域
本发明涉及批处理生产过程的建模方法。
背景技术
批处理生产过程广泛存在于各个行业的生产过程中，如制药、食品加工和化工生产行业。通常的批处理生产过程，在发生化学、物理或生物转化反应之前，将各类原料在相应的容器中混合，然后经过一定的过程和步骤产生最终产物。在许多情况下，批处理过程的控制是由配方确定的。在生产过程中根据检测到的参数变化来调整批处理过程的反应条件从而实现最佳的产品质量，即通过控制机制将生产推向所希望的状态。通过已知批次的高质量过程(HQP，High Quality Process)的数据集的分析，即可以开发描述HQP的模型，从而可以把新批次的信息投射到模型上，监控批过程的发展情况。
现有的批量建模方法通常假定批次的长度相等，并且所有批次的时间点数相同。但是如果HQP数据集不均匀，这会导致模型构建出现问题。虽然现在也有很多方法被提出来解决处理不均匀批次长度，如用成熟度指数替换时间、动态时间概念、时间线性扩展/压缩等。但这些方法一旦在初始状态出现和模型起点不一致的情况下，无法解决实际过程和模型匹配的问题。现有方法的另一个问题是当批处理过程存在相变(固态-液态的状态改变)的时候，可能发生不同的停留时间或相内的反应速率。这通常见于生物批处理过程。批次之间的不均匀进展意味着与HQP可视化轨迹的比对就没有意义。
批过程模型的还有一个没有解决的问题是缺失值的处理。在批处理期间的任何时间，只有当前和先前的测量可用。缺少批次未来时间点的测量值，任何缺失值都不能与建立的NOC模型进行直接比较。
发明内容
本发明提出一种批处理过程的模型建立方法，该方法能适应不均匀的批次长度、未知的真实起始时间点、相变和不均匀的反应时间。通过真正的多变量分析方法，基于特征确定批过程模型，从而可以解决现有批处理过程模型的缺点，为批过程的监控提供稳定的模型。
本发明包括顺序完成的以下过程：
步骤S110，对已有的批过程监控数据，通过反应效果的评判，筛选出若干组高质量的批过程数据；
步骤S120，对所有样本，采用多变量分析方法获取PCA主成分；
步骤S130，根据得分情况，选取合适数量的主成分个数；
步骤S140，把所有样本根据确定的主成分数，所有得分绘制在同一张得分图上；
步骤S150，通过搜索算法，确定不同批次各个发展过程的相对定位点；
步骤S160，通过多批次的平均值以及一定量的标准方差组成上下限，建立批过程的发展通道；
步骤S170，通过以上步骤即可建立一个改进的批过程模型。
有益效果：本方法不限定批过程以相同起点开始，整个过程都是稳步均匀发展的假定，从而可以更方便的建立准确分析模型。通过搜索算法的引入，也消除了常规方法人为主观寻找样本集轨迹的弊端。同时也能处理各种批次长度以及不均匀过程发展的批过程建模。
进一步的，所述批处理过程的模型是关于生物发酵的批过程模型。
进一步的，步骤S120和S130中的多变量分析方法为主成分分析方法。
进一步的，步骤S140中采用了多维网格搜索算法。
进一步的，步骤S160中选择1倍2倍或3倍标准差。
附图说明
图1是实施例一的流程图。
具体实施方式
实施例一：
下面参照图1详细说明。
如图1所示，基本流程为：
步骤S110，对已有的批过程监控数据，通过反应效果的评判，筛选出若干组高质量的批过程数据；
步骤S120，对所有样本，采用多变量分析方法获取PCA(主成分分析)主成分；
步骤S130，根据得分情况，选取合适数量的主成分个数；
步骤S140，把所有样本根据确定的主成分数，所有得分绘制在同一张得分图上；
步骤S150，通过搜索算法，确定不同批次各个发展过程的相对定位点；
步骤S160，通过多批次的平均值以及一定量的标准方差组成上下限，建立批过程的发展通道；
步骤S170，通过以上步骤即可建立一个改进的批过程模型。
本发明收集若干批次高质量的正常操作条件(NOC，Normal OperationCondition)数据，采用多变量分析方法获得各批次的主成分，根据各主成分的得分选取合适个数的主成分并画出轨迹图；在轨迹图中通过搜索算法，确定不同批次的共同相对起点和终点；在所有高质量样本计算的基础上，确定整个批处理过程的平均轨迹；最后以平均轨迹为中心，加上一定的标准偏差，从而形成批过程的发展轨道。
实施例二：本实施例是对实施例一的进一步说明。
在步骤S120和S130中，通过多变量分析方法把原始的多个监测变量采用PCA主成分分析的方法转化成若干个主成分，再根据各个主成分的得分情况，确定最终主成分数目。通常情况，会选取1个或者2个或者3个的主成分，当然也不限制选取更多的主成分数目。通过这一步方法的转换，把常规方法基于‘时间’概念建立的批过程模型，转化成基于主成分得分的模型，从而可以解决常规方法不同批次不均匀、时间不统一等缺点。
在步骤S140中，把所有样本的主成分数对应的得分绘制到同一张得分图上。不同批次虽然在原始‘时间’为横坐标的图上可能表现得有很大差异，但从转换后的得分图上，会表现出极强的相似度。虽然极强的相似度表明各个批过程是同样的反应过程，但如何把各个批次的结果进行平均，仍然是个难题。借助步骤S150，通过搜索算法，把整个轨迹通过小方框划分成若干多个小区间，在每个小区间内再根据特征比较确定发展的类似阶段点。采用非线性的插值方法，构建不同批次之间数量一致的数据点。
在步骤S160中，通过把不同批次的相同点进行平均，从而可以获得若干好批次过程的平均发展得分轨迹，在平均值的基础上，加减一定量的标准方差，从而组成批过程发展的通道。从而获得一个改进的批过程模型。

Claims (7)

1.一种批处理过程的模型建立方法，其特征在于，它包括顺序完成的以下过程：
步骤S110，对已有的批过程监控数据，通过反应效果的评判，筛选出若干组高质量的批过程数据；
步骤S120，对所有样本，采用多变量分析方法获取PCA主成分；
步骤S130，根据得分情况，选取合适数量的主成分个数；
步骤S140，把所有样本根据确定的主成分数，所有得分绘制在同一张得分图上；
步骤S150，通过搜索算法，确定不同批次各个发展过程的相对定位点；
步骤S160，通过多批次的平均值以及一定量的标准方差组成上下限，建立批过程的发展通道；
步骤S170，通过以上步骤即可建立一个改进的批过程模型；
在步骤S140中，把所有样本的主成分数对应的得分绘制到同一张得分图上；借助步骤S150，通过搜索算法，把整个轨迹通过小方框划分成若干多个小区间，在每个小区间内再根据特征比较确定发展的类似阶段点；采用非线性的插值方法，构建不同批次之间数量一致的数据点。
2.根据权利要求1所述一种批处理过程的模型建立方法，其特征在于，在步骤S120和S130中，通过多变量分析方法把原始的多个监测变量采用PCA主成分分析的方法转化成若干个主成分，再根据各个主成分的得分情况，确定最终主成分数目。
3.根据权利要求1所述一种批处理过程的模型建立方法，其特征在于，在步骤S160中，通过把不同批次的相同点进行平均，从而获得若干好批次过程的平均发展得分轨迹，在平均值的基础上，加减一定量的标准方差，从而组成批过程发展的通道，获得一个改进的批过程模型。
4.根据权利要求3所述一种批处理过程的模型建立方法，其特征在于所述批处理过程的模型是关于生物发酵的批过程模型。
5.根据权利要求4所述一种批处理过程的模型建立方法，其特征在于步骤S120和S130中的多变量分析方法为主成分分析方法。
6.根据权利要求1所述一种批处理过程的模型建立方法，其特征在于步骤S140中采用了多维网格搜索算法。
7.根据权利要求5所述一种批处理过程的模型建立方法，其特征在于在步骤S160中选择1倍2倍或3倍标准差。
CN201911075020.4A 2019-11-06 2019-11-06 一种批处理过程的模型建立方法 Active CN110703714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911075020.4A CN110703714B (zh) 2019-11-06 2019-11-06 一种批处理过程的模型建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911075020.4A CN110703714B (zh) 2019-11-06 2019-11-06 一种批处理过程的模型建立方法

Publications (2)

Publication Number Publication Date
CN110703714A CN110703714A (zh) 2020-01-17
CN110703714B true CN110703714B (zh) 2020-09-15

Family

ID=69205408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911075020.4A Active CN110703714B (zh) 2019-11-06 2019-11-06 一种批处理过程的模型建立方法

Country Status (1)

Country Link
CN (1) CN110703714B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102313578A (zh) * 2011-08-04 2012-01-11 广州市香港科大霍英东研究院 一种机械密封在线监测系统
CN103454225A (zh) * 2013-07-05 2013-12-18 中南大学 基于mpca的铜浮选泡沫图像局部区域面积测量方法
CN103777627A (zh) * 2014-01-24 2014-05-07 浙江大学 一种基于少量批次的批次过程在线监测方法
CN103808688A (zh) * 2014-01-22 2014-05-21 重庆医科大学 近红外光谱法快速无损检测成品药物的质量一致性
CN106843172A (zh) * 2016-12-29 2017-06-13 中国矿业大学 基于jy‑kpls的复杂工业过程在线质量预测方法
CN106990768A (zh) * 2017-05-21 2017-07-28 北京工业大学 基于Limited‑DTW的MKPCA间歇过程故障监测方法
CN108318440A (zh) * 2017-12-22 2018-07-24 江西中医药大学 一种利用近红外指纹图谱技术快速判断片剂薄膜包衣终点的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100228692A1 (en) * 2009-03-03 2010-09-09 Honeywell International Inc. System and method for multi-modal biometrics
CN102546286A (zh) * 2011-09-26 2012-07-04 中国人民解放军理工大学 一种在线检测网络共享拥塞路径的方法
CN102879823B (zh) * 2012-09-28 2015-07-22 电子科技大学 一种基于快速独立分量分析的地震属性融合方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102313578A (zh) * 2011-08-04 2012-01-11 广州市香港科大霍英东研究院 一种机械密封在线监测系统
CN103454225A (zh) * 2013-07-05 2013-12-18 中南大学 基于mpca的铜浮选泡沫图像局部区域面积测量方法
CN103808688A (zh) * 2014-01-22 2014-05-21 重庆医科大学 近红外光谱法快速无损检测成品药物的质量一致性
CN103777627A (zh) * 2014-01-24 2014-05-07 浙江大学 一种基于少量批次的批次过程在线监测方法
CN106843172A (zh) * 2016-12-29 2017-06-13 中国矿业大学 基于jy‑kpls的复杂工业过程在线质量预测方法
CN106990768A (zh) * 2017-05-21 2017-07-28 北京工业大学 基于Limited‑DTW的MKPCA间歇过程故障监测方法
CN108318440A (zh) * 2017-12-22 2018-07-24 江西中医药大学 一种利用近红外指纹图谱技术快速判断片剂薄膜包衣终点的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进的MPCA与DTW方法及其在批过程故障诊断中的应用;肖应旺 等;《计算机与应用化学》;20050528;第22卷(第5期);第345-348页 *

Also Published As

Publication number Publication date
CN110703714A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
KR19980033306A (ko) 프로세스 가공공정의 이상추출방법 및 장치
JP2000517473A (ja) 単一ステップフィードバックによる統計的シミュレーションを用いて製造プロセスを監視かつ分析するためのシステム
JP2021522601A (ja) バッチプロセスのモデル化、監視及び制御におけるバッチデータの自動アライメントのためのコンピュータシステム及び方法
US9429939B2 (en) Multivariate monitoring of a batch manufacturing process
JP6620100B2 (ja) 合成多成分の生物工学および化学プロセス試料を調製するための方法およびシステム
KR20160094426A (ko) 제조 공정들을 학습하고/하거나 최적화하기 위한 시스템 및 방법
US20110282480A1 (en) Process Quality Predicting System and Method Thereof
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
JP2017504115A5 (zh)
CN110245460B (zh) 一种基于多阶段oica的间歇过程故障监测方法
CN113655768B (zh) 装配良率控制方法、设备及计算机可读存储介质
CN111638707A (zh) 基于som聚类和mpca的间歇过程故障监测方法
CN110703714B (zh) 一种批处理过程的模型建立方法
US7200523B1 (en) Method and system for filtering statistical process data to enhance process performance
CN112433472B (zh) 半导体生产控制方法及控制系统
CN108628271B (zh) 人工智能生产线控制方法
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
JP2005142467A (ja) 半導体デバイスの製造方法および半導体製造システム
CN115983468A (zh) 一种基于大数据的信息预测分析方法及系统
CN114639445B (zh) 一种基于贝叶斯评价和序列搜库的多肽组学鉴定方法
CN115436342A (zh) 降低多批次样本间libs检测不确定性的方法及装置
CN116049279A (zh) 一种多产品、多排程质量追溯方法
CN114372613A (zh) 液体含量分析方法、装置、介质、上位机及干燥线系统
CN112488410A (zh) 基于设备综合效率的生产设备性能优化方法及装置

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
GR01 Patent grant
GR01 Patent grant