CN113311796B - 基于联合典型变量矩阵的发酵过程阶段划分方法 - Google Patents
基于联合典型变量矩阵的发酵过程阶段划分方法 Download PDFInfo
- Publication number
- CN113311796B CN113311796B CN202110622662.2A CN202110622662A CN113311796B CN 113311796 B CN113311796 B CN 113311796B CN 202110622662 A CN202110622662 A CN 202110622662A CN 113311796 B CN113311796 B CN 113311796B
- Authority
- CN
- China
- Prior art keywords
- matrix
- stage
- time
- variable
- division
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 118
- 239000011159 matrix material Substances 0.000 title claims abstract description 93
- 238000000855 fermentation Methods 0.000 title claims abstract description 25
- 230000004151 fermentation Effects 0.000 title claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 53
- 238000004519 manufacturing process Methods 0.000 claims abstract description 19
- 230000007704 transition Effects 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000003064 k means clustering Methods 0.000 claims abstract description 9
- 238000010219 correlation analysis Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 36
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 30
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 description 12
- 238000004088 simulation Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 229930182555 Penicillin Natural products 0.000 description 4
- 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 4
- 229940049954 penicillin Drugs 0.000 description 4
- 238000010923 batch production Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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] or computer integrated manufacturing [CIM]
- G05B19/41875—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] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B2219/32368—Quality control
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Processing Of Solid Wastes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于联合典型变量矩阵的发酵过程阶段划分方法，用于解决现有方法忽略质量变量信息导致划分结果不理想的问题。首先，将历史三维数据沿批次方向展开，对每个时间片矩阵进行典型相关分析，得到融合过程变量和质量变量信息的联合典型变量矩阵，对其进行K均值聚类，实现基于静态特征的第1步划分；然后采用慢特征分析算法提取表征过程动态性的慢特征，对其进行聚类实现第2步划分。最后综合分析两步划分结果,将生产过程划分为不同的稳定阶段和过渡阶段。对于阶段划分完成后，可以进一步对划分后的各个阶段分别建立CCA故障监测模型，进行拓展应用。
Description
技术领域
本发明涉及基于数据驱动的过程监控技术领域，特别是涉及一种针对发酵过程多阶段特性提出的一种基于联合典型变量矩阵的发酵过程阶段划分方法。本发明利用联合典型变量矩阵实现第1步划分；之后采用慢特征分析算法提取表征过程动态性的慢特征实现第2步划分，综合分析两步划分结果最终将生产过程划分为不同的稳定阶段和过渡阶段。
背景技术
随着现代社会对多品种、多规格和高质量产品的迫切需求，间歇生产方式以多品种、小批量、高附加值的优势成为保证产品高质量的重要手段。在间歇过程中，操作条件的异常容易引起过程故障，如果影响到产品质量，则认为是发生质量相关的故障，可能造成重大经济损失。例如，发酵过程作为间歇过程的一种典型过程，产品质量波动大，过程故障不易及时发现。一旦发现，发酵过程已经不可逆转，造成原材料的浪费。所以，建立一个合理、有效的监控体系，对生产过程进行实时地、精确地故障监测，最大限度地抑制质量下降和重大经济损失，就显得至关重要。
多阶段特性是发酵过程中的一个典型特性，如使用整个批次数据建立单一模型，势必出现大量的故障误报和漏报。因此，许多国内外专家针对阶段划分问题进行了大量研究。Lu等提出基于K-means聚类的阶段划分方法，对时间片归类并建立监控模型。Camacho等提出了一种线性局部模型逼近方法，实现阶段划分的目的。Yu等提出基于高斯混合模型(Gaussian mixture model,GMM)的阶段划分方法，以上方法均将过渡阶段硬性归属到每个稳定子阶段中，不能很好地反映过渡阶段的特性，相邻两个阶段切换期间的过渡，是一种渐变的动态趋势。针对阶段划分中的硬分类问题，Zhao等提出一种软时段监测方法，该方法引入模糊隶属度将其作为两个相邻稳定阶段的权重系数，用两个相邻的稳定阶段来近似描述过渡阶段。Yew等提出基于重叠PCA的分段监测方法，通过模糊C均值得到的隶属度信息划分稳定阶段与过渡阶段。上述方法考虑了各个稳定阶段之间进行切换时的瞬态特性，并在子阶段内建立过程的监控模型，提高了监控性能。但以上方法均假设过程数据静态独立，忽略了实际过程变量前后的测量点相互关联的特性，因此对过程动态特征变化的捕捉不够灵敏。针对划分阶段中的动态性问题，Li等提出基于信息增量矩阵的阶段划分方法，利用信息增量结合滑动窗技术捕获系统的动态特性。王亚朝等提出基于长短期记忆神经网络和注意力机制的编码器-解码器结构的阶段划分方法，该方法引入注意力机制可以捕捉到数据之间的时序相关性。但是以上仅仅对时序相关性进行解析，缺乏对过程数据变化的充分解析和判断，无法区分过程正常随机波动与正常阶段切换，往往得到粗糙甚至错误的划分结果。以上大多数阶段划分方法仅依据过程变量信息将整个生产过程划分为多个子阶段，忽略了质量变量信息，对于阶段内变量信息描述不完全，进一步导致划分结果不理想，在质量相关故障监测的过程中可能给出错误的结论。在同一生产阶段内的不同时刻，过程变量与质量变量间的相关关系具有较高的相似性，不同时段间则是有差异的。因此，质量变量是客观反映间歇过程多阶段特性的关键因素，在划分阶段时是无法忽略的。
发明内容
由于每个阶段对质量变量的影响程度不同，阶段划分时如果只考虑过程变量，忽略质量变量对生产过程阶段划分的影响，并不能准确地将整个生产过程划分为多个子阶段。因此提出一种基于联合典型变量矩阵的发酵过程阶段划分方法，用于解决现有技术对发酵过程阶段划分不准确的问题。本发明的主要有以下创新点：1)本发明构建的联合典型变量矩阵能合理融合原始过程变量和质量变量的特征信息，同时确保二者关联最大化，解决了了由于忽略质量变量造成的划分结果不理想的问题。2)在利用传统典型相关分析(Canonical Correlation Analysis,CCA)提取静态特征的基础上，本发明采用慢特征分析(Slow Feature Analysis,SFA)提取表征过程动态性的慢特征，通过动静协同的思想，分析原始数据的静态特征和动态特征实现两步划分，克服了因为不考虑数据动态性而导致的划分灵敏度下降的缺陷。3)为了精确地区分过程随机波动与正常阶段切换，本发明引入相邻阶段识别系数(Differential Phase Recognition Factor,DPRF)指标观测动态波动情况，有效综合利用静动态划分结果，精准定位阶段切换点，从而将整个操作阶段划分为稳定阶段和过渡阶段，使得划分结果符合实际生产过程。
基于联合典型变量矩阵的发酵过程阶段划分方法，其特征在于包括以下步骤：
Ⅰ进行数据预处理；
数据包括历史过程数据和历史质量变量数据，其中质量变量在发酵过程中指产物浓度，所述历史过程数据是由生产某一产品发酵过程的Jx个过程变量，I个批次，和每个批次的K个采样时刻组成的三维矩阵X(I×Jx×K)。所述历史质量数据是由生产某一产品发酵过程的Jy个质量变量，I个批次，和每个批次的K个采样时刻组成的三维矩阵Y(I×Jy×K)。
对三维矩阵X(I×Jx×K)进行预处理，处理方法为：对X(I×Jx×K)沿批次展开得到K个二维矩阵Xk(I×Jx)，其中Xk(I×Jx)代表第k个时刻的过程时间片矩阵，k＝1,2,…,K；对第i个批次、第k个时刻、第j个过程变量的时间片矩阵元素xi,k,j按下式进行标准化计算：
其中，i表示第i个批次数目，i＝1,2,…,I，j表示第j个过程变量数目，j＝1,2,…,Jx，k表示第k个采样时刻，k＝1,2,…,K；xi,k,j为第i个批次、第k个时刻的第j个过程变量。对三维矩阵Y(I×Jy×K)进行同样的预处理计算。
上述预处理后使第k个时刻的过程时间片矩阵Xk(I×Jx)和第k个时刻的质量时间片矩阵Yk(I×Jy)每一列元素的均值为0、方差为1。
Ⅱ第一步划分；
1)预处理后，对第k个时刻的过程时间片矩阵Xk(I×Jx)和第k个时刻的质量时间片矩阵Yk(I×Jy)进行典型相关分析计算，得到第k个时刻的典型变量矩阵Uk和Vk；将Uk和Vk左右排成一个矩阵，得到第k个时刻的联合典型变量矩阵Wk；
2)定义第k个时刻的联合典型变量矩阵Wk和第k+1个时刻的Wk+1之间的相似度为：
S(k,k+1)＝-||Wk-Wk+1||*A-B
其中，A和B是由交叉验证法确定的权重系数，从而得到各个联合典型变量矩阵Wk间的相似度值。
3)将各个联合典型变量矩阵Wk间的相似度值S(k,k+1)(k＝1,2,…,K-1)输入到K-means聚类算法进行聚类，完成对所有采样时刻的初次阶段划分；
Ⅲ第二步划分；
1)预处理后，将第k个时刻的过程时间片矩阵Xk(I×Jx)输入到SFA算法，其中SFA算法中需要确定的最佳的慢特征个数D是通过交叉验证法确定的，输出的是第k个时刻的慢特征矩阵Pk(I×D)；
2)计算第k个时刻的慢特征矩阵Pk和第k+1个时刻的Pk+1之间的混合后的协方差矩阵R：
对协方差矩阵R进行特征值分解，得到正交矩阵L0和对角阵Λ。对第k个时刻的慢特征矩阵Pk进行转换，得到转换矩阵Nk，转换公式为：
计算第k个时刻的慢特征矩阵Pk和第k+1个时刻的Pk+1之间的相似度为：
其中，λn表示转换矩阵Nk的第n个特征值，从而得到各个慢特征矩阵Pk间的相似度值。
3)将各个慢特征矩阵Pk间的相似度值S’(k,k+1)(k＝1,2,…,K-1)输入到K-means聚类算法进行聚类，完成对所有采样时刻的二次阶段划分；
4)计算第k个时刻的慢特征矩阵Pk的阶段识别因子PRFk，计算公式为：
其中，i＝1,2,…,I，i’＝1,2,…,I，Pk(i)为Pk(I×D)的第i行，即第k个采样时刻、第i个批次的慢特征向量，从而得到所有时刻的阶段识别因子PRFk。
5)计算第k个时刻的相邻阶段识别因子DPRFk，计算公式如下：
DPRFk＝PRFk-PRFk-1
其中，PRFk是第k个采样时刻的阶段识别因子，PRFk是第k-1个采样时刻的阶段识别因子，从而得到所有时刻的相邻阶段识别因子DPRFk，DPRFk用于表示第k时刻的动态波动水平。
比较每一个时刻的动态波动水平高低。具体比较方法为：计算每个采样时刻对应的DPRF值，为了合理判定波动水平高低，通过多次实验，将所有采样时刻的DPRF值的绝对值的平均值作为判定阈值，当采样点DPRF的绝对值大于判定阈值时，判定为高；否则为低。具体来说，DPRF动态波动水平高的时刻对应于两种情况：a)一个阶段转换至下一个阶段的切换时刻；b)某个稳定阶段的动态波动时刻，此类时刻默认隶属于两次划分结果的重叠区域，因受外界因素影响而产生的，因此与阶段切换无关，不予考虑。
Ⅳ为了进一步刻画一个阶段转换至下一个阶段的过渡行为，将过渡阶段的开始时刻(即稳定阶段的结束时刻)和过渡阶段的结束时刻(即稳定阶段的开始时刻)均作为阶段切换点。对隶属于两次划分结果非重叠区域的采样时刻进行二分类，用于确定阶段切换点，分类标准是：将DPRF动态波动水平高的时刻确定为阶段切换点。依据切换点对应的采样时刻k，将生产过程分为稳定阶段和过渡阶段。
有益效果
本发明实现了间歇过程的多阶段划分，而且在划分阶段的时候为了同时考虑过程变量和质量变量对生产过程阶段划分的影响，构建的联合典型变量矩阵同时融合了过程变量和质量变量的信息，采用K均值聚类算法对联合典型变量矩阵进行聚类，实现基于静态特征的第1步划分；然后采用慢特征分析算法提取表征过程动态性的慢特征，并用K均值算法对其进行第2步划分，综合分析两步划分结果，将生产过程划分为不同的稳定子阶段和过渡子阶段，可以有效提高阶段划分的精度，进而提高了质量相关故障检测率，对工业过程的质量相关故障监测有很重要的意义。
附图说明
图1所示为数据处理过程图示；
图2所示为本发明方法的流程图；
图3所示为阶段划分结果图示；
图4a)所示为CCA方法对阶跃故障批次数据的Tx 2统计量监测结果图
图4b)所示为CCA方法对阶跃故障批次数据的Ty 2统计量监测结果图；
图5a)所示为不考虑质量变量进行两步阶段划分后基于CCA方法对阶跃故障批次数据的Tx 2统计量监测结果图
图5b)所示为不考虑质量变量进行两步阶段划分后基于CCA方法对阶跃故障批次数据的Ty 2统计量监测结果图；
图6a)所示为本发明方法进行两步阶段划分后基于CCA方法对阶跃故障批次数据的Tx 2统计量监测结果图
图6b)所示为本发明方法进行两步阶段划分后基于CCA方法对阶跃故障批次数据的Ty 2统计量监测结果图；
图7a)所示为CCA方法对斜坡故障批次数据的Tx 2统计量监测结果图
图7b)所示为CCA方法对斜坡故障批次数据的Ty 2统计量监测结果图；
图8a)所示为不考虑质量变量进行两步阶段划分后基于CCA方法对斜坡故障批次数据的Tx 2统计量监测结果图
图8b)所示为不考虑质量变量进行两步阶段划分后基于CCA方法对斜坡故障批次数据的Ty 2统计量监测结果图；
图9a)所示为本发明方法进行两步阶段划分后基于CCA方法对斜坡故障批次数据的Tx 2统计量监测结果图
图9b)所示为本发明方法进行两步阶段划分后基于CCA方法对斜坡故障批次数据的Ty 2统计量监测结果图。
具体实施方式
Pensim仿真平台是国际上较有影响力的青霉素仿真平台，相关研究已表明其实用性与有效性。本文基于该平台对青霉素的发酵过程进行了实验仿真，设定每批次发酵时间为400h，采样时间间隔为1h，选择10个过程变量和2个质量变量进行监测，如表1所示。为了更接近实际生产状况，所有的变量均加入了白噪声。仿真共产生42批数据，其中40批为正常数据用于训练建模，其余2批次故障数据用于测试，以验证本方法的有效性。两种故障的类型、幅值、起止时间、与质量是否相关，如表2所示。
表1青霉素发酵过程变量
Table 1 Process variables of Penicillin fermentation
表2故障设置情况
Table 2 Fault settings
基于以上描述，按照发明内容，具体过程实现如下：
Ⅰ进行数据预处理。本文选取了40批次的过程数据表示为X400×40×10，将X400×40×10沿批次方向展开，得到400个过程时间片矩阵Xk(40×10)，如图1所示。对40批次的质量数据Y400×40×2作同样的预处理得到400个质量时间片矩阵Yk(40×2)。
Ⅱ进行第一步划分。
1)对每个时刻的过程时间片矩阵Xk(40×10)和质量时间片矩阵Yk(40×2)进行典型相关分析计算，得到每个时刻的典型变量矩阵Uk和Vk；将Uk和Vk左右排成一个矩阵，得到每个时刻的联合典型变量矩阵Wk。
2)计算每个时刻的联合典型变量矩阵Wk和后1个时刻的联合典型变量矩阵Wk+1之间的相似度。计算相似度时需要确定权重系数A和B的取值，确定原则为：保证同一阶段内样本间紧致，不同阶段样本间离散，时刻相差较远的采样点不被划分到同一阶段。通过交叉验证法确定A的值为2，B的值为1即可。计算公式为：
S(k,k+1)＝-||Wk-Wk+1||*2-1
将所有时刻的相似度值输入到K-means聚类算法进行聚类，完成对所有采样时刻的初次阶段划分。划分结果如图3中粗实线所示，观察划分结果可明显看出整个生产过程被明显地被初步划分为4个阶段：1～86，87～200，201～286，287～400。
III进行第二步划分。
1)将预处理后每个时刻的过程时间片矩阵Xk(40×10)输入到SFA算法，其中SFA算法中需要确定的最佳的慢特征个数D是通过交叉验证法确定为5，得到400个慢特征矩阵Pk(40×5)；
2)计算每个时刻的慢特征矩阵Pk和后1个时刻的慢特征矩阵Pk+1之间的混合后的协方差矩阵R：
对协方差矩阵R进行特征值分解，得到正交矩阵L0和对角阵Λ。对第k个时刻的慢特征矩阵Pk进行转换，得到转换矩阵Nk，转换公式为：
计算第k个时刻的慢特征矩阵Pk和第k+1个时刻的Pk+1之间的相似度为：
其中，n＝1,2,…,5，λn表示转换矩阵Nk的第n个特征值，从而得到400个时刻的相似度值。
将所有时刻的相似度值输入到K-means聚类算法进行聚类，完成对所有采样时刻的二次阶段划分。划分结果如图3中粗虚线所示，观察结果可知，过程被再次划分为4个阶段：1～23，24～174，175～238，239～400。
计算每个时刻的慢特征矩阵Pk的阶段识别因子PRFk为：
其中，i＝1,2,…,40，i’＝1,2,…,40，Pk(i)为Pk(40×5)的第i行，即第k个采样时刻、第i个批次的慢特征向量，从而得到所有时刻的阶段识别因子PRFk。
计算每个时刻的相邻阶段识别因子DPRFk为：
DPRFk＝PRFk-PRFk-1
其中，PRFk是第k个采样时刻的阶段识别因子，PRFk是第k-1个采样时刻的阶段识别因子，从而得到所有时刻的相邻阶段识别因子DPRFk。
为清晰地呈现DPRF指标于两步阶段划分的当前结果图3中，此处将所有DPRF值向Y轴正方向平移了2个单位，所有时刻的DPRF值如图3中以圆圈标记数据点的实线所示。对于获得的一系列DPRF指标，在稳态阶段应该趋于零或者具有很小的绝对值，而在过渡阶段具有很大的波动，绝对值越大表示波动水平越高，最大值对应的采样时刻是最可能的切换点。为了合理判定波动水平高低，通过多次实验将采样点DPRF指标绝对值的平均值作为判定阈值，在该仿真实验中将判定阈值确定为1，判定阈值线如图3中箭头所指细虚线所示。
为了进一步刻画一个阶段转换至下一个阶段的过渡行为，将过渡阶段的开始时刻(即稳定阶段的结束时刻)和过渡阶段的结束时刻(即稳定阶段的开始时刻)均作为阶段切换点。对隶属于两次划分结果非重叠区域的采样时刻进行二分类，用于确定阶段切换点，分类标准是：将DPRF绝对值比1大的时刻确定为阶段切换点。如图3中使用虚线椭圆标出了6个阶段间的切换点，分别是第32、58、180、191、262、275时刻。
Ⅳ依据切换点对应的采样时刻k，阶段划分的最终结果为：1～31，59～179，192～261，276～400时刻为稳定阶段，32～58，180～191，262～275时刻为过渡阶段。
根据以上的划分结果，分别对每个阶段建立CCA模型用于故障监测实验验证。为了验证本文所提方法的有效性，将监控效果与传统的不分阶段的CCA方法、不考虑质量变量进行两步阶段划分后基于CCA的方法进行了对比验证，将故障误报率和故障检测率作为衡量本文方法有效性的指标。
表3故障批次1的误报率和检测率对比结果
Table 3 Leaking alarm rate and False detection rate of false batch 1
图4a)和图4b)、图5a)和图5b)、图6a)和图6b)分别展示了传统的不分阶段的CCA方法、不考虑质量变量进行两步阶段划分后基于CCA的方法与本发明所提基于联合典型变量矩阵的方法进行两步阶段划分后基于CCA的方法对于质量无关的故障批次1的Tx 2统计量、Ty 2统计量在线监测结果。从图4a)可以看出在发酵过程的开始时刻Tx 2统计量出现了误报警，且Tx 2统计量的故障检测率比于图5a)和图6a)低。从图5a)可以看出在发酵过程的开始时刻Tx 2统计量出现了误报警，且图5b)中Ty 2统计量存在误报。从图6a)和图6b)可以看出，本发明的阶段划分方法在故障监测的精度方面有所提高，能够及时的检测出质量无关的故障并且漏报较少，整个生产过程不存在误报现象。表3为三种方法在故障批次1下误报与检测率的对比结果。
表4故障批次2误报率和检测率对比结果
Table 4 Leaking alarm rate and False detection rate of false batch 2
图7a)和图7b)、图8a)和图8b)、图9a)和图9b)分别展示了传统的不分阶段的CCA方法、不考虑质量变量进行两步阶段划分后基于CCA的方法与本发明所提基于联合典型变量矩阵的方法进行两步阶段划分后基于CCA的方法对于质量相关的故障批次2的Tx 2统计量、Ty 2统计量在线监测结果。其中图7a)和图7b)在故障发生的初始阶段Tx 2统计量、Ty 2统计量分别存在较多的漏报，灵敏度不高，说明检测出故障的时间比故障实际发生时间有所滞后，原因在于在阶段划分时未考虑质量变量信息，因此在质量相关的故障监测时存在较多漏报警。相比较图9b)来看，图8b)的Ty 2统计量对200时刻加入的15％斜坡故障在286h才监测到，存在很大的延迟；从图9b)中可以看到本文所提方法在保证误报率明显降低的基础上，Ty 2统计量的故障检测时刻也由286h提前到了222h，减小了因传统对整个批次建模而引起的偏差，从而保证了对质量相关故障的及时检出。表4为三种方法在故障批次2下误报与检测率的对比结果。
从表4中三种方法检测结果的对比情况来看，针对发酵过程发生的质量相关故障，本发明所提阶段划分方法具有较高的故障检测率和较低的误报率。
Claims (2)
1.基于联合典型变量矩阵的发酵过程阶段划分方法，其特征在于包括以下步骤：
Ⅰ进行数据预处理；
数据包括历史过程数据和历史质量变量数据，其中质量变量在发酵过程中指产物浓度，所述历史过程数据是由生产某一产品发酵过程的Jx个过程变量，I个批次，和每个批次的K个采样时刻组成的三维矩阵X(I×Jx×K)；所述历史质量变量 数据是由生产某一产品发酵过程的Jy个质量变量，I个批次，和每个批次的K个采样时刻组成的三维矩阵Y(I×Jy×K)；
对三维矩阵X(I×Jx×K)进行预处理，处理方法为：对X(I×Jx×K)沿批次展开得到K个二维矩阵Xk(I×Jx)，其中Xk(I×Jx)代表第k个时刻的过程时间片矩阵，k＝1,2,…,K；对第i个批次、第k个时刻、第j个过程变量的时间片矩阵元素xi,k,j按下式进行标准化计算：
其中，i表示第i个批次数目，i＝1,2,…,I，j表示第j个过程变量数目，j＝1,2,…,Jx，k表示第k个采样时刻，k＝1,2,…,K；xi,k,j为第i个批次、第k个时刻的第j个过程变量；对三维矩阵Y(I×Jy×K)进行同样的预处理计算；
上述预处理后使第k个时刻的过程时间片矩阵Xk(I×Jx)和第k个时刻的质量时间片矩阵Yk(I×Jy)每一列元素的均值为0、方差为1；
Ⅱ第一步划分；
1)预处理后，对第k个时刻的过程时间片矩阵Xk(I×Jx)和第k个时刻的质量时间片矩阵Yk(I×Jy)进行典型相关分析计算，得到第k个时刻的典型变量矩阵Uk和Vk；将Uk和Vk左右排成一个矩阵，得到第k个时刻的联合典型变量矩阵Wk；
2)计算第k个时刻的联合典型变量矩阵Wk和第k+1个时刻的联合典型变量矩阵Wk+1之间的相似度，计算公式为：
S(k,k+1)＝-||Wk-Wk+1||*A-B
其中，A和B是由交叉验证法确定的权重系数，从而得到各个联合典型变量矩阵Wk间的相似度值；
3)将2)中计算得到的所有时刻的各个联合典型变量矩阵Wk间的相似度值输入到K-means聚类算法进行聚类，完成对所有采样时刻的初次阶段划分；
Ⅲ第二步划分；
1)预处理后，将第k个时刻的过程时间片矩阵Xk(I×Jx)输入到SFA算法，其中SFA算法中需要确定的最佳的慢特征个数D是通过交叉验证法确定的，输出的是第k个时刻的慢特征矩阵Pk(I×D)；
2)计算第k个时刻的慢特征矩阵Pk和第k+1个时刻的慢特征矩阵Pk+1之间的混合后的协方差矩阵R：
对协方差矩阵R进行特征值分解，得到正交矩阵L0和对角阵Λ；对第k个时刻的慢特征矩阵Pk进行转换，得到转换矩阵Nk，转换公式为：
计算第k个时刻的慢特征矩阵Pk和第k+1个时刻的Pk+1之间的相似度为：
其中，λn表示转换矩阵Nk的第n个特征值，从而得到各个慢特征矩阵Pk间的相似度值；
3)将各个慢特征矩阵Pk间的相似度值S’(k,k+1)(k＝1,2,…,K-1)输入到K-means聚类算法进行聚类，完成对所有采样时刻的二次阶段划分；
4)计算第k个时刻的慢特征矩阵Pk的阶段识别因子PRFk，计算公式为：
其中，i＝1,2,…,I，i’＝1,2,…,I，Pk(i)为Pk(I×D)的第i行，即第k个采样时刻、第i个批次的慢特征向量，从而得到所有时刻的阶段识别因子PRFk；
5)计算第k个时刻的相邻阶段识别因子DPRFk，计算公式如下：
DPRFk＝PRFk-PRFk-1
其中，PRFk是第k个采样时刻的阶段识别因子，PRFk-1 是第k-1个采样时刻的阶段识别因子，从而得到所有时刻的相邻阶段识别因子DPRFk，DPRFk用于表示第k时刻的动态波动水平；
Ⅳ确定阶段切换点，阶段切换点用于进一步刻画一个阶段转换至下一个阶段的过渡行为，将过渡阶段的开始时刻，即稳定阶段的结束时刻和过渡阶段的结束时刻，即稳定阶段的开始时刻均作为阶段切换点；对隶属于两次划分结果非重叠区域的采样时刻进行二分类，用于确定阶段切换点，分类标准是：将DPRF动态波动水平高的时刻确定为阶段切换点；依据切换点对应的采样时刻k，将生产过程分为稳定阶段和过渡阶段。
2.根据权利要求1所述的基于联合典型变量矩阵的发酵过程阶段划分方法，其特征在于：
动态波动水平高低，具体判断方法为：计算每个采样时刻对应的DPRF值，为了合理判定波动水平高低，通过多次实验，将所有采样时刻的DPRF值的绝对值的平均值作为判定阈值，当采样时刻DPRF的绝对值大于判定阈值时，判定为高；否则为低。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110622662.2A CN113311796B (zh) | 2021-06-04 | 2021-06-04 | 基于联合典型变量矩阵的发酵过程阶段划分方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110622662.2A CN113311796B (zh) | 2021-06-04 | 2021-06-04 | 基于联合典型变量矩阵的发酵过程阶段划分方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113311796A CN113311796A (zh) | 2021-08-27 |
| CN113311796B true CN113311796B (zh) | 2022-04-22 |
Family
ID=77377362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110622662.2A Active CN113311796B (zh) | 2021-06-04 | 2021-06-04 | 基于联合典型变量矩阵的发酵过程阶段划分方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113311796B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114280935B (zh) * | 2021-12-16 | 2024-12-10 | 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 |
| CN115421423A (zh) * | 2022-09-13 | 2022-12-02 | 大连海事大学 | 一种基于张量慢特征分析的批次过程监测方法 |
| CN117598391B (zh) * | 2024-01-18 | 2024-04-16 | 华农恒青科技股份有限公司 | 发酵工艺条件的确定方法以及饲料发酵过程监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103970092A (zh) * | 2014-04-13 | 2014-08-06 | 北京工业大学 | 一种基于自适应fcm的多阶段发酵过程故障监测方法 |
| CN105607631A (zh) * | 2016-03-24 | 2016-05-25 | 辽宁工业大学 | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 |
| CN107272655A (zh) * | 2017-07-21 | 2017-10-20 | 江南大学 | 基于多阶段ica‑svdd的间歇过程故障监测方法 |
| CN110929765A (zh) * | 2019-11-06 | 2020-03-27 | 北京工业大学 | 一种基于批次图像化的卷积自编码故障监测方法 |
| CN112183569A (zh) * | 2020-04-13 | 2021-01-05 | 姜庆超 | 基于fda与som的间歇工业过程反应阶段聚类以及故障分类可视化 |
-
2021
- 2021-06-04 CN CN202110622662.2A patent/CN113311796B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103970092A (zh) * | 2014-04-13 | 2014-08-06 | 北京工业大学 | 一种基于自适应fcm的多阶段发酵过程故障监测方法 |
| CN105607631A (zh) * | 2016-03-24 | 2016-05-25 | 辽宁工业大学 | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 |
| CN107272655A (zh) * | 2017-07-21 | 2017-10-20 | 江南大学 | 基于多阶段ica‑svdd的间歇过程故障监测方法 |
| CN110929765A (zh) * | 2019-11-06 | 2020-03-27 | 北京工业大学 | 一种基于批次图像化的卷积自编码故障监测方法 |
| CN112183569A (zh) * | 2020-04-13 | 2021-01-05 | 姜庆超 | 基于fda与som的间歇工业过程反应阶段聚类以及故障分类可视化 |
Non-Patent Citations (3)
| Title |
|---|
| 《Extracting Latent Dynamics from Multi-dimensional Data by Probabilistic Slow》;Omori T.;《Neural Information Processing. Springer Berlin Heidelberg》;20131107;第108-116页 * |
| 《基于慢特征分析的间歇过程故障检测与诊断方法研究》;张汉元;《中国博士学位论文全文数据库-信息科技辑》;20200715;第1-146页 * |
| 《基于扩展得分矩阵的多阶段间歇过程质量预测》;王普等;《高校化学工程学报》;20190615;第33卷(第3期);第664-671页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113311796A (zh) | 2021-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113311796B (zh) | 基于联合典型变量矩阵的发酵过程阶段划分方法 | |
| US20230316051A1 (en) | Pre-alarming method for rotary stall of compressors based on temporal dilated convolutional neural network | |
| CN107727395B (zh) | 一种基于全变分与补偿距离评估的轴承故障诊断方法 | |
| CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
| CN111444471B (zh) | 一种基于多元高斯分布的电缆生产质量异常检测方法和系统 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN111985546A (zh) | 基于单分类极限学习机算法的飞机发动机多工况检测方法 | |
| WO2023103268A1 (zh) | 泵阀故障检测方法 | |
| Yan et al. | Fault diagnosis of rotating machinery equipped with multiple sensors using space-time fragments | |
| CN107436597A (zh) | 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法 | |
| CN104699077B (zh) | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 | |
| CN105955214B (zh) | 基于样本时序和近邻相似性信息的间歇过程故障检测方法 | |
| CN111401573B (zh) | 一种工况状态建模与修正模型方法 | |
| CN106326915B (zh) | 一种基于改进核Fisher的化工过程故障诊断方法 | |
| CN113255783B (zh) | 基于无监督学习的传感器故障检测方法和装置 | |
| CN111208793A (zh) | 基于慢特征分析的非平稳工业过程的状态监测方法 | |
| CN116382217A (zh) | 一种生产线智能运维监管系统 | |
| CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
| CN112904810A (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
| CN113065602A (zh) | 一种压裂泵凡尔故障的诊断方法和装置 | |
| CN117195077A (zh) | 一种电力变压器声纹信号故障无监督检测方法 | |
| CN117556202A (zh) | 基于概率相关慢特征分析的工业过程微小故障检测方法 | |
| CN105403705A (zh) | 一种包含血糖分类功能故障检测模块的连续血糖监测设备 | |
| CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 | |
| CN118862005A (zh) | 基于多变量统计分析的电机功率隔离开关故障诊断方法 |
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 |