CN114967624A - 一种基于邻域差异特征分析提取的批次生产过程监测方法 - Google Patents
一种基于邻域差异特征分析提取的批次生产过程监测方法 Download PDFInfo
- Publication number
- CN114967624A CN114967624A CN202210650166.2A CN202210650166A CN114967624A CN 114967624 A CN114967624 A CN 114967624A CN 202210650166 A CN202210650166 A CN 202210650166A CN 114967624 A CN114967624 A CN 114967624A
- Authority
- CN
- China
- Prior art keywords
- batch
- penicillin
- vector
- production
- data
- 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 48
- 230000008569 process Effects 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000010923 batch production Methods 0.000 title claims abstract description 18
- 238000000605 extraction Methods 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 title claims abstract description 11
- 229930182555 Penicillin Natural products 0.000 claims abstract description 67
- 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 claims abstract description 67
- 229940049954 penicillin Drugs 0.000 claims abstract description 67
- 238000004519 manufacturing process Methods 0.000 claims abstract description 65
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims description 79
- 238000005070 sampling Methods 0.000 claims description 37
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 10
- 239000008103 glucose Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000005273 aeration Methods 0.000 claims description 3
- 238000013019 agitation Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000002826 coolant Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000006386 neutralization reaction Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 4
- 241000894006 Bacteria Species 0.000 description 3
- 238000000855 fermentation Methods 0.000 description 3
- 230000004151 fermentation Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001052560 Thallis Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009423 ventilation Methods 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]
- G05B19/4185—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 the network communication
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31088—Network communication between supervisor and cell, machine group
-
- 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)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种基于邻域差异特征分析提取的批次生产过程监测方法，针对青霉素生产批次数据的批次不等长和时变问题提供行之有效的解决方案。具体来讲，本发明方法首先通过时间邻域窗口从多个正常生产的批次矩阵中获取相近时间邻域内的参考数据，并即时分析新生产批次数据相对于邻域矩阵的差异，从而直接通过监控该差异特征变化范围来实现对青霉素批次生产异常的监测。主要优势在于：其一，可以应对青霉素生产批次的数据不等长问题；其二，可以提取出直接用于过程监测的即时差异特征；其三，可以应对批次数据的时变特性。本发明方法实施的技术关键是：获取相近时间邻域内的参考数据组成邻域矩阵，从而提取出直接用于过程监测的差异特征。
Description
技术领域
本发明涉及一种间歇过程运行状态监测方法，特别涉及一种基于邻域差异特征分析提取的批次生产过程监测方法。
背景技术
随着生物技术的快速发展，间歇过程已成为现代工业的一种重要生产方式，而青霉素发酵过程属于典型的间歇过程，具有多阶段性、时变性、多批次性等特点。青霉素发酵是按照生产批次间歇完成的一个过程，它的操作主要分为两个阶段。第一个阶段是在培养罐中培养大量能产生青霉素的菌体。当菌体的繁殖达到一定程度后，进入第二阶段由菌体生产出青霉素。在第二阶段中，需要向反应器中不断补加葡萄糖物料，促使菌体的活性。对于青霉素的整个生产过程，罐体温度、罐内pH值、搅拌功率、通气量等诸多因素都对加工过程和产品质量有着重要的影响。
为了提高青霉素产品的品质，需要对青霉素整个生产过程进行监测，及时的发现异常或故障的青霉素生产批次。然而，对于青霉素生产这样一个复杂过程来说，很难建立精确的机理模型。因此，过去几年来，都是通过采样数据驱动的方式来实施青霉素批次生产过程监测。这主要得益于分布式控制系统(Distributed Control System，缩写：DCS)广泛应用于青霉素生产中，采样数据的实时测量，和数据传输变得越来越容易。由于青霉素生产的具体是包含两个阶段，两个阶段不同的操作导致采样数据存在明显的区别。而且，每个批次的青霉素生产时间长度存在的差别导致每个批次的采样数据个数不等，即数据不等长问题。因此，对青霉素生产进行数据驱动的过程监测是存在较大的技术实施难点。
此外，考虑到青霉素生产批次数据的多阶段时变特点，采用固定不点的特征提取机制或模型会逐渐降低相应方法的异常检测灵敏度。值得强调是，从过程监测的角度出发，对多批次数据实施特征分析和提取是实现过程监测的必要手段，但是发现故障或异常的过程监测才是真正的目的所在。为了应对青霉素生产批次的不等长问题，同时考虑批次数据的时变特性，以开展过程监测为核心要点的特征分析和提取理应具有自使用特性，即能针对在线新采样数据即时展开，而不是固定不变的。
发明内容
本发明所要解决的主要技术问题是：针对青霉素生产批次数据的不等长和时变问题，如何通过时间邻域窗口获取参考数据，并即时的分析提取出直接用于过程监测的差异特征。具体来讲，本发明方法首先通过时间邻域窗口从多个正常批次下的参考批次矩阵中获取相近时间邻域内的参考数据，并即时分析新生产批次数据向量相对于参考数据向量的差异，从而直接通过监测该差异特征的变化范围来实现对青霉素生产批次是否出现异常或故障的实时监测。
本发明方法解决上述问题所采用的技术方案为：一种基于邻域差异特征分析提取的批次生产过程监测方法，包括以下所示步骤：
步骤(1)：从青霉素生产批次的历史数据库中，获取J个青霉素正常生产批次的样本数据集，按照采样时间先后分别组成相应的批次矩阵X1，X2，…，Xj；其中，第j个青霉素正常生产批次对应的批次矩阵
具体由Nj个10×1维的数据向量组成，j∈{1，2，…，J}，
表示10×Nj维的实数矩阵，R表示实数集，Xj中的第1列向量为第j个青霉素正常生产批次的第1个采样时刻的数据向量，Xj中的第Nj列向量为第j个青霉素正常生产批次的第Nj个采样时刻的数据向量。
需要说明的是，各个采样时刻的数据向量中10个数据的排列顺序依次是：通风率，搅拌功率，葡萄糖流加温度，葡萄糖流加速率，冷却液流加速率，酸碱流加速率，反应器温度，PH值，葡萄糖浓度，和青霉素浓度。
步骤(2)：设置时间邻域窗口的基准长度等于L，开始青霉素最新批次的生产，并获取各个采样时刻的样本数据；其中，L是一个正整数。
步骤(3)：将最新采样时刻的10个样本数据组建成一个10×1维的数据向量xi，分别从批次矩阵X1，X2，…，Xj中获取参考数据向量，从而合并组建成参考数据矩阵Xt，具体如步骤(3.1)至步骤(3.4)所示。
步骤(3.1)：将当前采样时刻记做青霉素最新生产批次的第ζ个采样时刻后，再初始化j＝2。
步骤(3.2)：判断ζ是否大于L；若否，则将X1中第1列至第ζ+L列的列向量组建成参考数据矩阵Xt；若是，则将X1中第ζ-L列至第min{ζ+L，N1}列的列向量组建成参考数据矩阵Xt；其中，min{ζ+L，N1}表示选取ζ+L和N1中的最小值。
步骤(3.3)：判断ζ是否大于L；若否，则将Xj中第1列至第ζ+L列的列向量依次记录为参考数据向量v1，v2，…，vζ+L后，再根据公式Xt＝[Xt，v1，v2，…，vζ+L]更新参考数据矩阵Xt；若是，则将Xj中第ζ-L列至第
列的列向量依次记录为参考数据向量
后，再根据公式
更新参考数据矩阵Xt；其中，
表示选取ζ+L与Nj中的最小值。
步骤(3.4)判断j是否小于J；若是，则设置j＝j+1后，返回步骤(3.3)；若否，则得到最终的参考数据矩阵Xt。
步骤(4)：计算参考数据矩阵Xt中所有列向量的平均值向量μt和标准差向量δt后，根据公式
对数据向量xt实施标准化处理，从而得到在线数据向量
再按照相同的方式对参考数据矩阵Xt中的各个列向量实施标准化处理，从而得到邻域矩阵
其中，
表示将符号左右两个向量中相同位置的元素相除。
步骤(5)：利用在线数据向量
和邻域矩阵
实施差异特征即时提取，从而得到即时转换向量wt，具体的实施过程如步骤(5.1)至步骤(5.2)所示。
步骤(5.1)：计算
中各个列向量与
之间的距离，再将
中与
之间距离最小的C个列向量标记为u1，u2，…，uC；其中，C等于一个小于M的整数，计算
中任意一列向量z与
之间的距离是根据按照公式
计算得到的。
步骤(5.2)：根据公式
计算即时系数向量βt∈RC×1后，再求解特征值问题
中最大特征值λ对应的特征向量p，并根据公式
计算出即时转换向量wt；其中，U＝[u1，u2，…，uC]。
需要说明的是，以上述步骤(5.1)至步骤(5.2)的实施过程实则是通过即时转换向量wt对在线数据向量
实施转换，从而使转换后的近邻重构误差最大化的同时使时间邻域窗口矩阵
中相近时间邻域内的各个参考数据向量经相同的转换后，相应特征的波动变化最小化，即：
通过构造拉格朗日函数
可实现上式④的求解：先计算φ相对于wt的偏微分：
当上式②等于零时取极值，由此得到
所定义的广义特征值问题。此外，由于选取的青霉素生产过程10个样本数据都是相互之间不存在显著相关性的，
是一个可逆的对称矩阵。换句话讲，在广义特征值问题的等式左右两边同时左乘
即得到特征值问题
为了避免同一个符号使用不同的技术术语问题，在上述特征值问题中使用特征向量p来实现中间过渡，即步骤(5.2)中
此外，由于
的计算结果是J×1维的列向量，
的秩等于1，因此步骤(5.2)中的特征值问题只有一个非零特征值，即为最大的特征值。
步骤(6)：根据公式
计算得到即时差异特征yt后，根据公式
计算得到参考特征向量ξ，再将ξ中最大的元素和最小的元素分别记录为ξmax和ξmin。
步骤(7)：判断是否满足条件ξmin≤yt≤ξmax；若是，则青霉素生产批次正常运行，并执行步骤(8)；若否，则执行步骤(9)决策青霉素生产批次是否正常运行。
步骤(8)：判断该批次的青霉素生产是否结束；若否，则返回步骤(3)利用下一个采样时刻的样本数据继续实施批次生产过程监测；若是，则该批次的青霉素生产运行正常，将该生产批次所有采样时刻的数据向量按照采样时间先后组成批次矩阵XJ+1后，设置J＝J+1，再清理完青霉素生产设备并返回步骤(2)。
步骤(9)：返回步骤(3)利用下一个采样时刻的样本数据继续实施批次生产过程监测，若连续A个采样时刻对应的即时差异特征都不满足步骤(7)中的判断条件，则青霉素生产批次运行异常，立即停止该批次的青霉素生产。
通过以上所述实施步骤，本发明方法的优势介绍如下。
本发明方法的主要优势在于：其一，可以应对青霉素生产批次数据的批次不等长问题，解决方式是通过时间邻域窗口从正常批次矩阵中获取相近时间邻域内的参考数据向量；其二，可以自适应的分析提取出接用于异常检测的即时差异特征，具体实现方式是本发明方法所涉及的即时差异特征分析；其三，可以应对青霉素生产批次数据的时变特性，通过将新的正常运行的青霉素生产批次数据添加进批次矩阵来实现。
附图说明
图1为本发明方法的实施流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明公开了一种基于邻域差异特征分析提取的批次生产过程监测方法，下面结合如图1所示的实施流程示意图来说明本发明方法的具体实施方式。
步骤(1)：从青霉素生产批次的历史数据库中，获取J个青霉素正常生产批次的样本数据集，按照采样时间先后分别组成相应的批次矩阵X1，X2，…，XJ。
在实际运行中的霉素生产工艺，都配套有相应的分布式控制系统(简称：DCS)，DCS可实时获取和存储每个采样时刻采集到的10个样本数据。为了前后一致性，可将这10个样本数据按照如下所示顺序排列，从而组建一个10×1维的数据向量：通风率，搅拌功率，葡萄糖流加温度，葡萄糖流加速率，冷却液流加速率，酸碱流加速率，反应器温度，PH值，葡萄糖浓度，和青霉素浓度。
步骤(2)：设置时间邻域窗口的基准长度等于L，开始青霉素最新批次的生产，并获取各个采样时刻的样本数据。
步骤(3)：将最新采样时刻的10个样本数据组建成一个10×1维的数据向量xt，分别从批次矩阵X1，X2，…，XJ中获取参考数据向量，从而合并组建成参考数据矩阵Xt，具体如步骤(3.1)至步骤(3.4)所示；
步骤(4)：计算参考数据矩阵Xt中所有列向量的平均值向量μt和标准差向量δt后，根据公式
对数据向量xt实施标准化处理，从而得到在线数据向量
再按照相同的方式对参考数据矩阵Xt中的各个列向量实施标准化处理，从而得到邻域矩阵
步骤(5)：对在线数据向量
和邻域矩阵
实施差异特征即时提取，从而得到即时转换向量wt，具体的实施过程如步骤(5.1)至步骤(5.2)所示。
步骤(6)：根据公式
计算得到即时差异特征yt后，根据公式
计算得到参考特征向量ξ，再将ξ中最大的元素和最小的元素分别记录为ξmax和ξmin。
步骤(7)：判断是否满足条件ξmin≤yt≤ξmax；若是，则青霉素生产批次正常运行，并执行步骤(8)；若否，则执行步骤(9)决策青霉素生产批次是否出现异常。
步骤(8)：判断该批次的青霉素生产是否结束；若否，则返回步骤(3)利用下一个采样时刻的样本数据继续实施批次生产过程监测；若是，则该批次的青霉素生产运行正常，将该生产批次所有采样时刻的数据向量按照采样时间先后组成批次矩阵XJ+1后，设置J＝J+1，再清理完青霉素生产设备并返回步骤(2)。
步骤(9)：返回步骤(3)利用下一个采样时刻的样本数据继续实施批次生产过程监测，若连续A个采样时刻对应的即时差异特征都不满足步骤(7)中的判断条件，则青霉素生产批次运行异常，立即停止该批次的青霉素生产。
Claims (2)
1.一种基于邻域差异特征分析提取的批次生产过程监测方法，其特征在于，具体包括以下所示步骤：
步骤(1)：从青霉素生产批次的历史数据库中，获取J个青霉素正常生产批次的样本数据集，按照采样时间先后分别组成相应的批次矩阵X1，X2，…，XJ；其中，第j个青霉素正常生产批次对应的批次矩阵
具体由Nj个10×1维的数据向量组成，j∈{1，2，…，J}，
表示10×Nj维的实数矩阵，R表示实数集，Xj中的第1列向量为第j个青霉素正常生产批次的第1个采样时刻的数据向量，Xj中的第Nj列向量为第j个青霉素正常生产批次的第Nj个采样时刻的数据向量；
步骤(2)：设置时间邻域窗口的基准长度等于L，开始青霉素最新生产批次的生产，并获取各个采样时刻的样本数据；其中，L是一个正整数；
步骤(3)：将最新采样时刻的10个样本数据组建成一个10×1维的数据向量xt，分别从批次矩阵X1，X2，…，XJ中获取参考数据向量，从而合并组建成参考数据矩阵Xt，具体如步骤(3.1)至步骤(3.4)所示；
步骤(3.1)：将当前采样时刻记为青霉素最新生产批次的第ζ个采样时刻后，再初始化j＝2；
步骤(3.2)：判断ζ是否大于L；若否，则将X1中第1列至第ζ+L列的列向量组建成参考数据矩阵Xt；若是，则将X1中第ζ-L列至第min{ζ+L，N1}列的列向量组建成参考数据矩阵Xt；其中，min{ζ+L，N1}表示选取ζ+L与N1中的最小值；
步骤(3.3)：判断ζ是否大于L；若否，则将Xj中第1列至第ζ+L列的列向量依次记录为参考数据向量v1，v2，…，vζ+L后，再根据公式Xt＝[Xt，v1，v2，…，vζ+L]更新参考数据矩阵Xt；若是，则将Xj中第ζ-L列至第
列的列向量依次记录为参考数据向量
后，再根据公式
更新参考数据矩阵Xt；其中，
表示选取ζ+L与Nj中的最小值；
步骤(3.4)：判断j是否小于J；若是，则设置j＝j+1后，返回步骤(3.3)；若否，则得到最终的参考数据矩阵Xt；
步骤(4)：计算参考数据矩阵Xt中所有列向量的平均值向量μt和标准差向量δt后，根据公式
对数据向量xt实施标准化处理，从而得到在线数据向量
再按照相同的方式对参考数据矩阵Xt中的各个列向量实施标准化处理，从而得到邻域矩阵
其中，符号
表示将左右两个向量中相同位置的元素相除；
步骤(5)：利用在线数据向量
和邻域矩阵
实施差异特征即时提取，从而得到即时转换向量wt，具体的实施过程如步骤(5.1)至步骤(5.2)所示；
步骤(5.1)：计算
中各个列向量与
之间的距离，再将
中与
之间距离最小的C个列向量标记为u1，u2，…，uC；
步骤(5.2)：根据公式
计算即时系数向量βt∈RC×1后，再求解特征值问题
中最大特征值λ对应的特征向量p，并根据公式
计算出即时转换向量wt；其中，U＝[u1，u2，…，uC]；
步骤(6)：根据公式
计算得到即时差异特征yt后，根据公式
计算得到参考特征向量ξ，再将ξ中最大的元素和最小的元素分别记录为ξmax和ξmin；
步骤(7)：判断是否满足条件ξmin≤yt≤ξmax；若是，则青霉素生产批次正常运行，并执行步骤(8)；若否，则执行步骤(9)决策青霉素生产批次是否正常运行；
步骤(8)：判断该批次的青霉素生产是否结束；若否，则返回步骤(3)利用下一个采样时刻的样本数据继续实施批次生产过程监测；若是，则该批次的青霉素生产运行正常，将该生产批次所有采样时刻的数据向量按照采样时间先后组成批次矩阵XJ+1后，设置J＝J+1，再清理完青霉素生产设备并返回步骤(2)；
步骤(9)：返回步骤(3)利用下一个采样时刻的样本数据继续实施批次生产过程监测，若连续A个采样时刻对应的即时差异特征都不满足步骤(7)中的判断条件，则青霉素生产批次运行异常，立即停止该批次的青霉素生产。
2.根据权利要求1所述的一种基于邻域差异特征分析提取的批次生产过程监测方法，其特征在于，各个采样时刻的数据向量中，10个数据的排列顺序依次是：通风率，搅拌功率，葡萄糖流加温度，葡萄糖流加速率，冷却液流加速率，酸碱流加速率，反应器温度，PH值，葡萄糖浓度，和青霉素浓度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210650166.2A CN114967624A (zh) | 2022-04-30 | 2022-04-30 | 一种基于邻域差异特征分析提取的批次生产过程监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210650166.2A CN114967624A (zh) | 2022-04-30 | 2022-04-30 | 一种基于邻域差异特征分析提取的批次生产过程监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114967624A true CN114967624A (zh) | 2022-08-30 |
Family
ID=82961233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210650166.2A Pending CN114967624A (zh) | 2022-04-30 | 2022-04-30 | 一种基于邻域差异特征分析提取的批次生产过程监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114967624A (zh) |
-
2022
- 2022-04-30 CN CN202210650166.2A patent/CN114967624A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
| 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 | |
| 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 | |
| CN111241744B (zh) | 一种基于双向lstm的低压铸造机时间序列数据异常检测方法 | |
| WO2017088208A1 (zh) | 一种由数据差异驱动的间歇过程自学习动态优化方法 | |
| CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
| CN108445867B (zh) | 一种基于分散式icr模型的非高斯过程监测方法 | |
| CN110046377B (zh) | 一种基于异构相似度的选择性集成即时学习软测量建模方法 | |
| Peng et al. | Fault diagnosis of microbial pharmaceutical fermentation process with non-Gaussian and nonlinear coexistence | |
| CN113177577A (zh) | 一种基于改进卷积神经网络的轴承故障诊断方法 | |
| CN108845072B (zh) | 一种基于卷积神经网络的4-cba含量的动态软测量方法 | |
| CN106599391B (zh) | 基于三角形角度值动态加权的关联向量机软测量建模方法 | |
| Chunhao et al. | Enhanced high‐order information extraction for multiphase batch process fault monitoring | |
| CN116070818A (zh) | 一种基于滑动窗口时序判别特征分析的青霉素生产异常检测方法 | |
| CN114967624A (zh) | 一种基于邻域差异特征分析提取的批次生产过程监测方法 | |
| CN117034139A (zh) | 一种基于模型融合的化工过程故障诊断方法 | |
| CN111914886A (zh) | 一种基于在线简略核学习的非线性化工过程监测方法 | |
| CN111160811A (zh) | 一种基于多阶段fom-sae的批次过程故障监测方法 | |
| Cheng et al. | S3M: Two-Stage-Based Semi-Self-Supervised Method for Intelligent Bearing Fault Diagnosis | |
| 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 | |
| CN116776252A (zh) | 一种改进Mallow's Cp变量选择的工业过程软测量方法和系统 | |
| CN115578325A (zh) | 一种基于通道注意配准网络的图像异常检测方法 | |
| CN110866643B (zh) | 基于最大二次互信息准则回归的发酵过程质量变量预测方法 | |
| CN116224887A (zh) | 一种多工况间歇过程故障监测方法 |
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 |