CN113158552A - 基于时间序列的生物反应器运行状况分级预测方法及系统 - Google Patents
基于时间序列的生物反应器运行状况分级预测方法及系统 Download PDFInfo
- Publication number
- CN113158552A CN113158552A CN202110318579.6A CN202110318579A CN113158552A CN 113158552 A CN113158552 A CN 113158552A CN 202110318579 A CN202110318579 A CN 202110318579A CN 113158552 A CN113158552 A CN 113158552A
- Authority
- CN
- China
- Prior art keywords
- time
- bioreactor
- classification
- variable
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
本发明公开了一种基于时间序列的生物反应器运行状况分级预测方法及系统,其首先建立统一时间间隔颗粒度下的关联变量历史样本数据集,依据基于生物反应器运行状况关联变量建立的生物反应器运行状况精细化等级分类,对建立的关联变量历史样本特征数据集进行数据标注;然后确定目标变量,基于已标注的关联变量历史样本特征数据集建立目标变量的时间序列特征样本数据集,确定各个分类下目标变量的特征时间序列样本;最后实时采集目标变量在当前时间间隔颗粒度下的时间序列样本,采用最近邻分类法确定目标变量当前时间序列样本的分类等级,获得生物反应器运行状况的实时预报,为提高反应器实时响应能力,提供实时数据支持。
Description
技术领域
本发明涉及生物反应器技术领域,尤其是涉及一种基于时间序列的生物反应器运行状况分级预测方法及系统。
背景技术
生物反应器往往是按照既定的设计条件来制造的,相关的自动控制系统或装置等也是按照既定的控制策略来执行的。对于实际过程中随时可能出现的外部条件的波动、干扰与变化,生物反应器及其自动控制系统或装置是不能产生实时响应的。生产过程中产生的各类运行数据总是躺在文件柜、档案室里,并没有真正发挥作用。生物反应器的长期运行管理更多地依赖于人工管理,并且需要具有丰富运行管理经验的人员。同时,不同生产企业之间或企业内部存在的生物反应器硬件设施配置差异、运行管理人员经验与素质的差异,都难以保证运行管理的及时性、有效性和稳定性。
在实际生产过程中,生物反应器运行状况的优劣或者稳定与否,直接关系到生物反应器的产出是否稳定,关系到生物反应器产出的质量是否满足预期要求,关系到生物反应器状态的波动是否会造成其性能下降以及能耗增加等。
因此,如何提高反应器的实时响应能力,保障反应器运行的稳定性是一个亟待解决的问题。
发明内容
本发明的目的在于克服上述技术不足,提出一种基于时间序列的生物反应器运行状况分级预测方法及系统,以提高生物反应器运行精细化水平,进而对生物反应器的运行状况进行提前预测,提供实时数据分析预报,为提高反应器实时响应能力提供重要技术支持。
为达到上述技术目的,本发明提供一种基于时间序列的生物反应器运行状况分级预测方法,其包括如下步骤:
获取生物反应器历史运行数据库中涉及到的表征生物反应器运行状况的关联变量数据,建立统一时间间隔颗粒度下的关联变量历史样本数据集;
提取关联变量历史样本数据集的统计学特征和时间序列特征,建立关联变量历史样本特征数据集;
依据基于生物反应器运行状况关联变量建立的生物反应器运行状况精细化等级分类,对关联变量历史样本特征数据集进行数据标注;
确定表征生物反应器运行状况的、且具备细颗粒度时间序列的关键变量作为目标变量,基于已标注的关联变量历史样本特征数据集建立目标变量的时间序列特征样本数据集,确定各个分类下目标变量的特征时间序列样本;
实时采集目标变量在当前时间间隔颗粒度下的时间序列样本,采用最近邻分类法确定目标变量当前时间序列样本的分类等级,获得生物反应器运行状况的实时预报。
本发明还提供一种基于时间序列的生物反应器运行状况分级预测系统,其包括如下功能模块:
历史数据预处理模块,用于获取生物反应器历史运行数据库中涉及到的表征生物反应器运行状况的关联变量数据,建立统一时间间隔颗粒度下的关联变量历史样本数据集;
历史数据特征提取模块,用于提取关联变量历史样本数据集的统计学特征和时间序列特征,建立关联变量历史样本特征数据集;
历史数据标注模块,用于依据基于生物反应器运行状况关联变量建立的生物反应器运行状况精细化等级分类,对关联变量历史样本特征数据集进行数据标注;
目标变量特征选择模块,用于确定表征生物反应器运行状况的、且具备细颗粒度时间序列的关键变量作为目标变量,基于已标注的关联变量历史样本特征数据集建立目标变量的时间序列特征样本数据集,确定各个分类下目标变量的特征时间序列样本;
实时分类预测模块,用于实时采集目标变量在当前时间间隔颗粒度下的时间序列样本,采用最近邻分类法确定目标变量当前时间序列样本的分类等级,获得生物反应器运行状况的实时预报。
与现有技术相比,本发明所述基于时间序列的生物反应器运行状况分级预测方法及系统,其具有以下有益效果:
(1)充分利用生物反应器运行状况各关联变量的运行数据,对不同来源、不同采集频率、不同时间间隔颗粒度的采集数据包容性好。
(2)基于关联变量建立的生物反应器运行状况精细化等级分类,是生物反应器运行状况综合性评估的精细化分类。以此为依据,对生物反应器运行状况分类预测,比对单一指标或单一变量的预测更具有代表性、综合性和可靠性。
(3)利用细颗粒度时间间隔的关联变量时间序列来分类预测,可以避免不同来源数据之间因时间间隔颗粒度差异产生的限制,可以在其他数据不同步或实时数据缺失的情况下,完成分类预测任务。
(4)不仅可以对单变量时间序列样本分类预测,也可以对多变量时间序列样本组进行分类预测,能够更好地贴近业务场景的实际需求。
(5)将应用场景下的业务领域知识、数据挖掘、机器学习算法三者更紧密地结合起来,有利于提高预测过程的现实意义,预测结果的可解释性好。
附图说明
图1为本发明所述一种基于时间序列的生物反应器运行状况分级预测方法的流程框图;
图2为本发明所述一种基于时间序列的生物反应器运行状况分级预测系统的功能模块框图;
图3为本发明所述一种基于时间序列的生物反应器运行状况分级预测方法的另一流程框图;
图4为图3中步骤S5a的分流程框图;
图5为本发明所述一种基于时间序列的生物反应器运行状况分级预测系统的另一功能模块框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
本发明提供一种基于时间序列的生物反应器运行状况分级预测方法,如图1所示,其包括如下步骤:
S1、获取生物反应器历史运行数据库中涉及到的表征生物反应器运行状况的关联变量数据,建立统一时间间隔颗粒度下的关联变量历史样本数据集。
生物反应器历史运行数据库中涉及到的表征生物反应器运行状况的关联变量包括生物反应器输入变量(如流量、组分浓度等)、输出变量(如流量、组分浓度等)、过程变量(如溶解氧、氧化还原电位、pH、水温等)、关联设备运行参数(如进水设备、空气压缩机等)、序批周期设置参数、气象条件温度湿度等;过程变量的数据来源是在线监测仪表实时数据,其他变量的数据来源包括但不限于在线监测仪表实时数据、人工检测数据、人工记录数据。
根据生物反应器运行的周期性特征、以及上述各变量数据采集频率的时间间隔颗粒度差异,设定统一的时间序列时间间隔颗粒度,将不同时间间隔颗粒度的数据,按照统一时间间隔颗粒度进行数据转换,建立统一时间间隔颗粒度下的关联变量历史样本数据集。
S2、提取关联变量历史样本数据集的统计学特征和时间序列特征,建立关联变量历史样本特征数据集。
所述关联变量数据的统计学特征,包括但不限于关联变量数据的中心特征、离散度特征、分布特征、相关性特征等。
所述关联变量数据的时间序列特征,包括但不限于关联变量时间序列的时间特征、时间序列聚合特征、时间序列季节性特征、时间序列趋势特征等。
S3、依据基于生物反应器运行状况关联变量建立的生物反应器运行状况等级分类,对关联变量历史样本特征数据集进行数据标注。
基于生物反应器运行状况关联变量建立的生物反应器运行状况等级分类,是生物反应器运行状况综合性评估的精细化分类,也是监督学习中数据标注的依据,因此,需要依据生物反应器运行状况等级分类,对关联变量历史样本特征数据集进行数据标注。
S4、确定表征生物反应器运行状况的、且具备细颗粒度时间序列的关键变量作为目标变量,基于已标注的关联变量历史样本特征数据集建立目标变量的时间序列特征样本数据集,确定各个分类下目标变量的特征时间序列样本。
具体的,例如确定表征生物反应器运行状况的、且具备细颗粒度时间序列的关键变量溶解氧作为目标变量;每一组已标注的特征数据样本,都有对应的目标变量的时间序列样本;在每一个等级分类下,目标变量筛选出相同数量的、符合指定时间间隔颗粒度的典型时间序列样本,作为该分类的特征时间序列样本。
S5、在当前时间间隔颗粒度范围内,实时采集目标变量在当前时间间隔颗粒度下的时间序列样本,采用最近邻分类法确定目标变量当前时间序列样本的分类等级,获得生物反应器运行状况的实时预报。
具体的,首先实时计算目标变量当前时间序列样本与该变量的各个分类特征时间序列样本的距离度量值,然后采用最近邻分类法确定目标变量当前时间序列样本的分类等级。
实施例2
相应的,本发明还提供一种基于时间序列的生物反应器运行状况分级预测系统,如图2所示,其包括如下功能模块:
历史数据预处理模块10,用于获取生物反应器历史运行数据库中涉及到的表征生物反应器运行状况的关联变量数据,建立统一时间间隔颗粒度下的关联变量历史样本数据集;
历史数据特征提取模块20,用于提取关联变量历史样本数据集的统计学特征和时间序列特征,建立关联变量历史样本特征数据集;
历史数据标注模块30,用于依据基于生物反应器运行状况关联变量建立的生物反应器运行状况精细化等级分类,对关联变量历史样本特征数据集进行数据标注;
目标变量特征选择模块40,用于确定表征生物反应器运行状况的、且具备细颗粒度时间序列的关键变量作为目标变量,基于已标注的关联变量历史样本特征数据集建立目标变量的时间序列特征样本数据集,确定各个分类下目标变量的特征时间序列样本;
实时分类预测模块50,用于在当前时间间隔颗粒度范围内,实时采集目标变量在当前时间间隔颗粒度下的时间序列样本,采用最近邻分类法确定目标变量当前时间序列样本的分类等级,获得生物反应器运行状况的实时预报。
其中,所述历史数据预处理模块10包括颗粒度转换单元11:
所述颗粒度转换单元11用于将不同时间间隔颗粒度的关联变量数据,按照统一时间间隔颗粒度进行数据转换,建立统一时间间隔颗粒度下的关联变量历史样本数据集。
所述实时分类预测模块50还包括距离度量单元51:
所述距离度量单元51用于实时计算目标变量当前时间序列样本与该变量的各个分类特征时间序列样本的距离度量值,采用最近邻分类法确定目标变量当前时间序列样本的分类等级。
实施例3
本发明还提供另外一种基于时间序列的生物反应器运行状况分级预测方法,如图3所示,其包括如下步骤:
S1、获取生物反应器历史运行数据库中涉及到的表征生物反应器运行状况的关联变量数据,建立统一时间间隔颗粒度下的关联变量历史样本数据集。
生物反应器历史运行数据库中涉及到的表征生物反应器运行状况的关联变量包括生物反应器输入变量(如流量、组分浓度等)、输出变量(如流量、组分浓度等)、过程变量(如溶解氧、氧化还原电位、pH、水温等)、关联设备运行参数(如进水设备、空气压缩机等)、序批周期设置参数、气象条件温度湿度等;过程变量的数据来源是在线监测仪表实时数据,其他变量的数据来源包括但不限于在线监测仪表实时数据、人工检测数据、人工记录数据。
根据生物反应器运行的周期性特征、以及上述各变量数据采集频率的时间间隔颗粒度差异,设定统一的时间序列时间间隔颗粒度,将不同时间间隔颗粒度的数据,按照统一时间间隔颗粒度进行数据转换,建立统一时间间隔颗粒度下的关联变量历史样本数据集。
S2、提取关联变量历史样本数据集的统计学特征和时间序列特征,建立关联变量历史样本特征数据集。
所述关联变量数据的统计学特征,包括但不限于关联变量数据的中心特征、离散度特征、分布特征、相关性特征等。
所述关联变量数据的时间序列特征,包括但不限于关联变量时间序列的时间特征、时间序列聚合特征、时间序列季节性特征、时间序列趋势特征等。
S3、依据基于生物反应器运行状况关联变量建立的生物反应器运行状况等级分类,对关联变量历史样本特征数据集进行数据标注。
基于生物反应器运行状况关联变量建立的生物反应器运行状况等级分类,是生物反应器运行状况综合性评估的精细化分类,也是监督学习中数据标注的依据,因此,需要依据生物反应器运行状况等级分类,对关联变量历史样本特征数据集进行数据标注。
S4a、确定多个表征生物反应器运行状况的、且具备细颗粒度时间序列的关键变量作为目标变量,基于已标注的关联变量历史样本特征数据集建立多目标变量的时间序列特征样本组数据集,确定各个分类下多目标变量的特征时间序列样本组。
具体的,例如可以确定表征生物反应器运行状况、且具备细颗粒度的的关键变量溶解氧、氧化还原电位为多目标变量,每一组已标注的特征数据样本都有对应的目标变量的时间序列样本;每一个多目标变量时间序列样本组由多个目标变量的时间序列样本构成;在每一个等级分类下,筛选出相同数量的、符合指定时间间隔颗粒度的典型多目标变量时间序列样本组,作为该分类的多目标变量特征时间序列样本组。
S5a、在当前时间间隔颗粒度范围内,实时采集多目标变量在当前时间间隔颗粒度下的时间序列样本组,采用最近邻分类法确定多目标变量当前时间序列样本组的分类等级,获得生物反应器运行状况的实时预报。
如图4所示,所述步骤S5a包括如下分步骤:
S5a1、当前时间间隔颗粒度下,实时采集多目标变量时间序列样本组;
S5a2、在每一个等级分类下,将当前时间序列样本组中每个目标变量样本与特征时间序列样本组中该变量特征样本的距离度量值加权平均,得到当前时间序列样本组与该分类特征时间序列样本组的加权距离度量值;
S5a3、在当前时间间隔颗粒度范围内,实时计算当前时间序列样本组与各个分类的特征时间序列样本组的加权距离度量值,采用最近邻分类法确定生物反应器在当前时间间隔颗粒度下的实时多目标变量时间序列样本组的分类等级,获得生物反应器运行状况的实时预报。
实施例4
相应的,本发明还提供一种基于时间序列的生物反应器运行状况分级预测系统,如图5所示,其包括如下功能模块:
历史数据预处理模块10,用于获取生物反应器历史运行数据库中涉及到的表征生物反应器运行状况的关联变量数据,建立统一时间间隔颗粒度下的关联变量历史样本数据集;
历史数据特征提取模块20,用于提取关联变量历史样本数据集的统计学特征和时间序列特征,建立关联变量历史样本特征数据集;
历史数据标注模块30,用于依据基于生物反应器运行状况关联变量建立的生物反应器运行状况精细化等级分类,对关联变量历史样本特征数据集进行数据标注;
多目标变量特征选择模块60,用于确定多个表征生物反应器运行状况的、且具备细颗粒度时间序列的关键变量作为目标变量,基于已标注的关联变量历史样本特征数据集建立多目标变量的时间序列特征样本组数据集,确定各个分类下多目标变量的特征时间序列样本组;
多目标实时分类预测模块70,用于在当前时间间隔颗粒度范围内,实时采集多目标变量在当前时间间隔颗粒度下的时间序列样本组,采用最近邻分类法确定多目标变量当前时间序列样本组的分类等级,获得生物反应器运行状况的实时预报。
其中,所述历史数据预处理模块10包括颗粒度转换单元11:
所述颗粒度转换单元用于将不同时间间隔颗粒度的关联变量数据,按照统一时间间隔颗粒度进行数据转换,建立统一时间间隔颗粒度下的关联变量历史样本数据集。
如图5所示,所述多目标实时分类预测模块70包括如下功能单元:
多目标采集单元71,用于当前时间间隔颗粒度下,实时采集多目标变量时间序列样本组;
加权距离度量单元72,用于在每一个等级分类下,将当前时间序列样本组中每个目标变量样本与特征时间序列样本组中该变量特征样本的距离度量值加权平均,得到当前时间序列样本组与该分类特征时间序列样本组的加权距离度量值;
等级分类预测单元73,用于在当前时间间隔颗粒度范围内,实时计算当前时间序列样本组与各个分类的特征时间序列样本组的加权距离度量值,采用最近邻分类法确定生物反应器在当前时间间隔颗粒度下的实时多目标变量时间序列样本组的分类等级,获得生物反应器运行状况的实时预报。
本发明所述基于时间序列的生物反应器运行状况分级预测方法及系统,其依据基于生物反应器运行状况关联变量建立的生物反应器运行状况精细化等级分类,以表征生物反应器运行状况且具备细颗粒度时间序列的关键变量作为目标变量,建立各个等级分类下目标变量的特征时间序列样本数据集,实时采集目标变量当前时间序列样本,采用最近邻分类算法,实时预测反应器运行状况分类等级。本发明为提高反应器的实时响应能力,提供重要的实时数据分析技术支持,预测结果可解释性好。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于时间序列的生物反应器运行状况分级预测方法,其特征在于,包括如下步骤:
获取生物反应器历史运行数据库中涉及到的表征生物反应器运行状况的关联变量数据,建立统一时间间隔颗粒度下的关联变量历史样本数据集;
提取关联变量历史样本数据集的统计学特征和时间序列特征,建立关联变量历史样本特征数据集;
依据基于生物反应器运行状况关联变量建立的生物反应器运行状况精细化等级分类,对关联变量历史样本特征数据集进行数据标注;
确定表征生物反应器运行状况的、且具备细颗粒度时间序列的关键变量作为目标变量,基于已标注的关联变量历史样本特征数据集建立目标变量的时间序列特征样本数据集,确定各个分类下目标变量的特征时间序列样本;
实时采集目标变量在当前时间间隔颗粒度下的时间序列样本,采用最近邻分类法确定目标变量当前时间序列样本的分类等级,获得生物反应器运行状况的实时预报。
2.根据权利要求1所述基于时间序列的生物反应器运行状况分级预测方法,其特征在于,所述实时采集目标变量在当前时间间隔颗粒度下的时间序列样本,采用最近邻分类法确定目标变量当前时间序列样本的分类等级,获得生物反应器运行状况的实时预报;包括:
实时计算目标变量当前时间序列样本与该变量的各个分类特征时间序列样本的距离度量值,采用最近邻分类法确定目标变量当前时间序列样本的分类等级。
3.根据权利要求1所述基于时间序列的生物反应器运行状况分级预测方法,其特征在于,所述基于时间序列的生物反应器运行状况分级预测方法还包括:
确定多个表征生物反应器运行状况的、且具备细颗粒度时间序列的关键变量作为目标变量,基于已标注的关联变量历史样本特征数据集建立多目标变量的时间序列特征样本组数据集,确定各个分类下多目标变量的特征时间序列样本组;
实时采集多目标变量在当前时间间隔颗粒度下的时间序列样本组,采用最近邻分类法确定多目标变量当前时间序列样本组的分类等级,获得生物反应器运行状况的实时预报。
4.根据权利要求3所述基于时间序列的生物反应器运行状况分级预测方法,其特征在于,所述实时采集多目标变量在当前时间间隔颗粒度下的时间序列样本组,采用最近邻分类法确定多目标变量当前时间序列样本组的分类等级,获得生物反应器运行状况的实时预报;包括:
当前时间间隔颗粒度下,实时采集多目标变量时间序列样本组;
在每一个等级分类下,将当前时间序列样本组中每个目标变量样本与特征时间序列样本组中该变量特征样本的距离度量值加权平均,得到当前时间序列样本组与该分类特征时间序列样本组的加权距离度量值;
实时计算当前时间序列样本组与各个分类的特征时间序列样本组的加权距离度量值,采用最近邻分类法确定生物反应器在当前时间间隔颗粒度下的实时多目标变量时间序列样本组的分类等级,获得生物反应器运行状况的实时预报。
5.根据权利要求1或3所述一种基于时间序列的生物反应器运行状况分级预测方法,其特征在于,将不同时间间隔颗粒度的关联变量数据,按照统一时间间隔颗粒度进行数据转换,建立统一时间间隔颗粒度下的关联变量历史样本数据集。
6.一种基于时间序列的生物反应器运行状况分级预测系统,其特征在于,包括如下功能模块:
历史数据预处理模块,用于获取生物反应器历史运行数据库中涉及到的表征生物反应器运行状况的关联变量数据,建立统一时间间隔颗粒度下的关联变量历史样本数据集;
历史数据特征提取模块,用于提取关联变量历史样本数据集的统计学特征和时间序列特征,建立关联变量历史样本特征数据集;
历史数据标注模块,用于依据基于生物反应器运行状况关联变量建立的生物反应器运行状况精细化等级分类,对关联变量历史样本特征数据集进行数据标注;
目标变量特征选择模块,用于确定表征生物反应器运行状况的、且具备细颗粒度时间序列的关键变量作为目标变量,基于已标注的关联变量历史样本特征数据集建立目标变量的时间序列特征样本数据集,确定各个分类下目标变量的特征时间序列样本;
实时分类预测模块,用于实时采集目标变量在当前时间间隔颗粒度下的时间序列样本,采用最近邻分类法确定目标变量当前时间序列样本的分类等级,获得生物反应器运行状况的实时预报。
7.根据权利要求6所述基于时间序列的生物反应器运行状况分级预测方法,其特征在于,所述实时分类预测模块包括距离度量单元:
所述距离度量单元用于实时计算目标变量当前时间序列样本与该变量的各个分类特征时间序列样本的距离度量值,采用最近邻分类法确定目标变量当前时间序列样本的分类等级。
8.根据权利要求6所述基于时间序列的生物反应器运行状况分级预测方法,其特征在于,所述基于时间序列的生物反应器运行状况分级预测系统还包括:
多目标变量特征选择模块,用于确定多个表征生物反应器运行状况的、且具备细颗粒度时间序列的关键变量作为目标变量,基于已标注的关联变量历史样本特征数据集建立多目标变量的时间序列特征样本组数据集,确定各个分类下多目标变量的特征时间序列样本组;
多目标实时分类预测模块,用于实时采集多目标变量在当前时间间隔颗粒度下的时间序列样本组,采用最近邻分类法确定多目标变量当前时间序列样本组的分类等级,获得生物反应器运行状况的实时预报。
9.根据权利要求8所述基于时间序列的生物反应器运行状况分级预测方法,其特征在于,所述多目标实时分类预测模块包括如下功能单元:
多目标采集单元,用于当前时间间隔颗粒度下,实时采集多目标变量时间序列样本组;
加权距离度量单元,用于在每一个等级分类下,将当前时间序列样本组中每个目标变量样本与特征时间序列样本组中该变量特征样本的距离度量值加权平均,得到当前时间序列样本组与该分类特征时间序列样本组的加权距离度量值;
等级分类预测单元,用于实时计算当前时间序列样本组与各个分类的特征时间序列样本组的加权距离度量值,采用最近邻分类法确定生物反应器在当前时间间隔颗粒度下的实时多目标变量时间序列样本组的分类等级,获得生物反应器运行状况的实时预报。
10.根据权利要求6或8所述基于时间序列的生物反应器运行状况分级预测方法,其特征在于,所述历史数据预处理模块包括颗粒度转换单元:
所述颗粒度转换单元用于将不同时间间隔颗粒度的关联变量数据,按照统一时间间隔颗粒度进行数据转换,建立统一时间间隔颗粒度下的关联变量历史样本数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110318579.6A CN113158552B (zh) | 2021-03-25 | 2021-03-25 | 基于时间序列的生物反应器运行状况分级预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110318579.6A CN113158552B (zh) | 2021-03-25 | 2021-03-25 | 基于时间序列的生物反应器运行状况分级预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113158552A true CN113158552A (zh) | 2021-07-23 |
CN113158552B CN113158552B (zh) | 2022-05-31 |
Family
ID=76884642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110318579.6A Active CN113158552B (zh) | 2021-03-25 | 2021-03-25 | 基于时间序列的生物反应器运行状况分级预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158552B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657749A (zh) * | 2015-03-05 | 2015-05-27 | 苏州大学 | 一种时间序列的分类方法及装置 |
CN105152317A (zh) * | 2015-08-28 | 2015-12-16 | 北京金控数据技术股份有限公司 | 对膜生物反应器的膜性能进行预警的方法 |
CN205506113U (zh) * | 2016-04-01 | 2016-08-24 | 湖南大学 | 一种基于组织工程液压生物反应器的智能化监测系统 |
CN105988427A (zh) * | 2015-01-30 | 2016-10-05 | 王坚革 | 优化污水处理生产过程中工艺参数的专家系统 |
CN107633254A (zh) * | 2017-07-25 | 2018-01-26 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法及计算机可读存储介质 |
US10676706B1 (en) * | 2017-02-27 | 2020-06-09 | One Hill Solutions, Llc | Method of organizing and viewing process data from disparate equipment |
CN111652427A (zh) * | 2020-05-29 | 2020-09-11 | 航科院中宇(北京)新技术发展有限公司 | 一种基于数据挖掘分析的航班到达时刻预测方法及系统 |
CN112101402A (zh) * | 2020-07-22 | 2020-12-18 | 北京工业大学 | 一种基于知识模糊学习的膜污染预警方法 |
-
2021
- 2021-03-25 CN CN202110318579.6A patent/CN113158552B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105988427A (zh) * | 2015-01-30 | 2016-10-05 | 王坚革 | 优化污水处理生产过程中工艺参数的专家系统 |
CN104657749A (zh) * | 2015-03-05 | 2015-05-27 | 苏州大学 | 一种时间序列的分类方法及装置 |
CN105152317A (zh) * | 2015-08-28 | 2015-12-16 | 北京金控数据技术股份有限公司 | 对膜生物反应器的膜性能进行预警的方法 |
CN205506113U (zh) * | 2016-04-01 | 2016-08-24 | 湖南大学 | 一种基于组织工程液压生物反应器的智能化监测系统 |
US10676706B1 (en) * | 2017-02-27 | 2020-06-09 | One Hill Solutions, Llc | Method of organizing and viewing process data from disparate equipment |
CN107633254A (zh) * | 2017-07-25 | 2018-01-26 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法及计算机可读存储介质 |
CN111652427A (zh) * | 2020-05-29 | 2020-09-11 | 航科院中宇(北京)新技术发展有限公司 | 一种基于数据挖掘分析的航班到达时刻预测方法及系统 |
CN112101402A (zh) * | 2020-07-22 | 2020-12-18 | 北京工业大学 | 一种基于知识模糊学习的膜污染预警方法 |
Non-Patent Citations (2)
Title |
---|
ZHENGZHENG XING等: "Extracting Interpretable Features for Early Classifcation on Time Series", 《PROCEEDINGS OF THE 2011 SIAM INTERNATIONAL CONFERENCE》 * |
易亚娟: "改进线性邻近点传播在时间序列分类中的运用", 《计算机工程与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113158552B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223196B (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
CN112527788B (zh) | 变压器监测数据异常值检测与清洗的方法及装置 | |
CN109685289B (zh) | 高炉炉况顺行预测方法、装置及系统 | |
CN111506618B (zh) | 一种结合lightgbm-stacking算法的异常用电行为分析方法 | |
CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及系统 | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
He et al. | Intelligent Fault Analysis With AIOps Technology | |
CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
CN117648543A (zh) | 一种自演化的变电站设备学习方法 | |
CN111738348B (zh) | 一种电力数据异常检测方法和装置 | |
CN113158552B (zh) | 基于时间序列的生物反应器运行状况分级预测方法及系统 | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
CN117060353A (zh) | 基于前馈神经网络高压直流输电系统故障诊断方法及系统 | |
CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN116862132A (zh) | 基于大数据的资源调度方法 | |
CN110889495A (zh) | 一种基于能动参数的制丝设备状态维护分析方法 | |
Shang et al. | Short-term Distribution Network Peak Load Forecasting Based on Generalized Linear Model | |
CN112069633B (zh) | 一种采用大数据聚类的基于粒子群原理的配电网数据预处理方法 | |
CN113177362A (zh) | 基于炉温软测量模型的炉膛温度预测方法及装置 | |
Huang et al. | An intelligent operation and maintenance system for power consumption based on deep learning | |
CN113159131B (zh) | 生物反应器运行状况分级预报预测方法及系统 | |
CN113298148A (zh) | 一种面向生态环境评价的不平衡数据重采样方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |