CN117032114A - 一种基于cdvae的批次过程故障监测方法 - Google Patents
一种基于cdvae的批次过程故障监测方法 Download PDFInfo
- Publication number
- CN117032114A CN117032114A CN202311016097.0A CN202311016097A CN117032114A CN 117032114 A CN117032114 A CN 117032114A CN 202311016097 A CN202311016097 A CN 202311016097A CN 117032114 A CN117032114 A CN 117032114A
- Authority
- CN
- China
- Prior art keywords
- batch
- data
- batch process
- fault monitoring
- dimension
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000010923 batch production Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000855 fermentation Methods 0.000 claims description 24
- 230000004151 fermentation Effects 0.000 claims description 24
- 229930182555 Penicillin Natural products 0.000 claims description 19
- 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 description 19
- 229940049954 penicillin Drugs 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 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 1
- 239000002028 Biomass Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229960000074 biopharmaceutical Drugs 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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]
- G05B19/41885—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] or 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]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于CDVAE的批次过程故障监测方法,属于故障监测技术领域。本发明的方法包括“离线建模”和“在线监测”两个部分;其中“离线建模”首先对已采集的批次过程数据进行标准化和二维滑窗处理,根据历史经验划分数据各个阶段;其次建立CDVAE模型,并构建故障监测统计量,利用核密度估计方法计算控制限;“在线监测”包括对在线采集数据进行标准化处理,计算统计量并判断运行状态;本发明能有效处理批次过程的多阶段,非线性,以及二维动态特性,能够明显提高故障检测率,降低误报率,具有较高的实际应用价值。
Description
技术领域
本发明涉及一种基于CDVAE的批次过程故障监测方法,属于故障监测技术领域。
背景技术
批次生产过程在现代生产过程中占有较大的比重,并且在半导体,生物制药,注塑过程重起到举足轻重的作用。由于其生产的低成本性与高附加值的特点,因此生产过程中的安全性问题以及产品最终质量受到关注。由于批次过程具有非线性,多阶段特性,二维动态特性等因素的影响,传统基于机理模型和基于经验的模型存在局限性,因此建立有效的故障监测模型是十分必要。
目前,基于物联网技术与计算机技术的不断提升,数据采集的低成本化为基于数据的多元统计方法创造了良好条件。典型的方法有主成分分析(Principal ComponentAnalysis,MPCA),偏最小二乘法(Partial Least Squares,PLS),尽管该类方法能够实现过程监控,但是该类方法是解决线性问题,无法很好的提取批次过程中的非线性信息。尽管有其他基于该类的改进方法,当数据维度变大时,该类方法处理预算变得复杂。
通常,批次过程具有多阶段特性。例如在发酵批次过程,菌株生长具有静止期,指数增长期,平稳期等。这些多阶段特性同样体现在数据中。若在建立模型时不考虑多阶段特性,则模型的监测效果降低。因此在建立模型时,考虑到多阶段问题可显著提高模型的监测精度。
过程监测的目的是提取批次过程中的特征信息,实现正常数据与故障数据的分类。条件变分自编码器(Conditional Variational Auto-encoder,CVAE)是一种基于深度学习的生成模型。可以根据条件信息实现不同内容的生成。其主要包含两个部分,编码器与解码器。编码负责将原始数据压缩到低维浅空间,随后解码器结合条件信息与浅在特征生成原始数据。然而目前利用CVAE进行批次过程故障监测,不能较好地解决提取数据的动态特性,和时段特性,且针对多时段特性需要建立多个模型,导致了不仅误检测率较高,且监测的过程中计算量非常大,监测效率很低。
发明内容
为了提升批次过程故障监测准确率和监测效率,本发明提供了一种基于CDVAE的批次过程故障监测方法,所述技术方案如下:
本发明的第一个目的在于提供一种批次过程故障监测方法,包括:
步骤1:采集三维正常生产过程的历史数据,三个维度分别为批次维度I、变量维度J和时间维度K;
步骤2:根据批次过程工艺信息,确定数据的各阶段划分,并对采集的数据进行标准化处理;
步骤3:将标准化处理后的数据按照所述批次维度展开,并进行二维滑窗处理,获取输入数据;
步骤4:设计CDVAE模型的结构并进行训练;
所述CDVAE模型分为编码器和解码器,所述编码器第一层维度由输入数据和批次的阶段信息决定,编码器网络其他维度逐渐变小,以实现原始数据信息压缩,编码器最后一层网络最小,该层提取的特征更加抽象;
所述解码器与所述编码器具有反向对称结构,层数不断增加,最后一层网络维度与所述输入数据的维度相同;
步骤5:训练结束后,建立浅空间统计量lossres、残差空间统计量losskld,并根据历史数据利用核密度估计计算这两个统计量的控制限;
步骤6:获取实时采样数据
步骤7:采用与历史数据相同的标准化方式,对所述实时采样数据进行标准化处理;
步骤8:通过训练好的模型计算所述浅空间统计量和残差空间统计量;
步骤9:判断所述浅空间统计量和残差空间统计量是否超出控制限,若超出控制限,触发报警;若统计量没有超出控制限,则继续判断是否该批次出现故障。
可选的,所述步骤2采用Z-score标准化方式,包括:求均值求方差随后对历史数据按如下公式进行标准化:
其中,i=1,2,...I,j=1,2,...J,k=1,2,...K,xi,j,k代表第i个批次中第k个采样时刻的第j个变量。
可选的,所述步骤3包括:
假设当前时刻为第i批次、第k时刻,则历史采样数据为xi,k∈R1×J;
由于批次过程中存在二维动态特性,当前的时刻数据不仅与当前批次内的先前采样数据有相关性,还与先前批次数据/>具有相关性,因此二维滑窗设置为/>其中w为批次内相关性长度,l为批次间相关性长度。
可选的,所述CDVAE模型的激活函数选用Leaky Relu函数,损失函数为:
其中,zk表示潜变量,cα表时段标签,为重构编码网络,DKL表示KL距离,表示编码网络,p(zk,cα)表示标准正太分布,lossrecon表示模型生成数据与原始数据的重构误差,losskld表示浅空间统计量,/>表示编码网络期望。
可选的,所述浅空间统计量losskld,残差空间统计量lossres分别为:
其中,N是采样次数,表示重构输出,N(0,1)表示标准正态分布,/>表示二范数。
可选的,所述批次过程的阶段信息采用“One-to-Hot”编码方式转换。
可选的,所述CDVAE模型的编码器神经网络层数设定为330-60-20,解码器神经网络层数设定为20-60-330。
本发明的第二个目的在于提供一种青霉素批次发酵过程故障监测方法,采用上述任一项所述的批次过程故障监测方法,实现青霉素批次发酵过程中的故障监测。
可选的,将青霉素发酵过程划分为3个阶段,则转换后的阶段信息为c1=[1,0,0]T,c2=[0,1,0]T,c3=[0,0,1]T。
可选的,青霉素发酵过程时间维度相关性长度l设置为10,批次维度相关性长度w设置为3。
本发明有益效果是:
本发明将三维批次过程数据按照批次维度展开,选用二维滑动窗提取批次过程中二维动态特性,根据历史经验将批次过程划分多个阶段,建立的CDVAE实现了一个模型提取批次过程中的多阶段特性,避免了一个批次过程建立多个模型的繁琐过程,与现有的批次过程故障监测方法相比较,本发明可以大大地减少计算量,提高批次过程故障监测效率。
本发明的CDVAE网络模型具有良好的非线性特征提取能力,且对比实验证明,本发明的监测方法大大降低了批次过程故障监测的误检率,提高模型故障监测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的用于批次过程故障监测方法及系统流程图。
图2为本发明提供的批次过程数据展开方式与二维滑窗示意图。
图3为本发明提供的CDVAE的结构示意图。
图4为LSTM-Encoder方法对3号故障的监测效果图。
图5为CDVAE方法对3号故障的监测效果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一:
本实施例提供一种二维条件动态变分自编码器(Conditional DynamicVariational Auto-encoder,CDVAE)的批次过程故障监测方法。首先将三维的批次过程数据按照批次维度展开并进行标准化,其次确定模型的二维滑窗以实现批次维度与时间维度的动态特性获取。训练CDVAE模型,设计残差与浅空间的统计量并计算动态控制限。随后根据在线采集的数据进行标准化后放入模型中计算统计量。若统计量超出控制限,则出现故障。
本发明采用了如下的技术方案及实验步骤:
A.离线建模阶段:
1)采集正常生产过程历史数据。正常历史数据是三维数据形式,三个维度分别为批次维度I,变量维度J,时间维度K,即X(I×J×K)。其中xi,j,k代表第i个批次中第k个采样时刻,第j个变量,i=1,2,...I,j=1,2,...J,k=1,2,...K;
2)根据批次过程工艺信息,确定数据的各阶段划分,并对数据进行标准化处理。
具体的标准化方法为,按照变量维度标准化,且选用Z-score标准化方式,即求均值求方差/>随后对历史数据按如下公式进行标准化:
其中,i=1,2,...I,j=1,2,...J,k=1,2,...K;
3)将上述数据进行展开,且进行二维滑窗处理,以获取输入序列。设当前时刻为第i批次,第k时刻,则历史采样数据为xi,k∈R1×J。由于批次过程中存在二维动态特性,当前的时刻数据不仅与当前批次内的先前采样数据有相关性,还与先前批次数据具有相关性。因此二维滑窗设置为其中w为批次内相关性长度,l为批次间相关性长度。批次过程的阶段信息采用“One-to-Hot”编码方式转换;
4)设计CDVAE模型网络结构。网络分为编码器和解码器,编码器第一层维度由输入数据和批次的阶段信息决定,网络其他维度逐渐变小,以实现原始数据信息压缩。编码器最后一层网络最小,该层提取的特征更加抽象。解码网络具有反向对称结构,层数不断增加,最后一层网络维度与输入数据维度相同。
本实施例CDVAE模型的激活函数选用“Leaky Relu”,模型的损失函数为:
其中,zk表示潜变量,cα表时段标签,为重构编码网络,DKL表示KL距离,表示编码网络,p(zk,cα)表示标准正太分布,lossres表示重构误差,losskld表示浅空间损失,/>表示编码网络期望。
其中损失函数可以分为两个部分,第一部分是模型生成数据与原始数据的重构误差,第二部分为浅空间分布与标准正态分布的KL散度。通过降低这个损失函数的值,使网络模型学习到数据的分布;
5)训练结束后,建立两个统计量,分别为浅空间统计量losskld、残差空间统计量lossres,其中计算方式如下:
其中,N是采样次数,表示重构输出,N(0,1)表示标准正态分布,/>表示二范数。
6)根据历史数据利用核密度估计计算这两个统计量的控制限;
7)设计诊断方式。将输入到模型的故障数据作为优化的参数,利用模型的反向传播方法,将残差空间的监测指标通过神经网络的层层传播,求出在输入数据的梯度。进而实现故障诊断。
B.在线监测阶段:
8)获取实时采样数据
9)对实时采样数据进行标准化,采用与历史数据相同的标准化方式;
10)通过模型计算浅空间与残差空间的两个统计量;
11)判断两个统计量是否超出控制限,若超出控制限,触发报警。若统计量没有超出控制限,则继续判断是否该批次出现故障。
实施例二:
本实施例以青霉素批次发酵过程为例,其生产过程具有明显的非线性,多阶段特性,二位动态特性。PenSim V2.0是伊利诺伊州根据真实青霉素发酵过程研发的青霉素发酵过程的仿真软件。大量相关研究已经表明该仿真平台的有效性和实用性。
本实施例以PenSim V2.0仿真生成的青霉素批次发酵过程数据为实验对象。采样时刻设置为0.5h,每个批次发酵600个小时,一共采集54批。其中选取监测的变量11个,如表1所示。正常发酵的批次有46批,40批用于训练模型,6批用于验证模型。故障批次有8批,其中包含单变量故障与多变量故障,见表2。
表1关键过程变量
表2故障设置情况
本发明在青霉素发酵仿真平台的应用过程如下:
A.离线建模阶段:
1)采集的批次过程数据为一个三维数组X(54×11×1200),三个维度分别为批次维度i=1,...54,变量维度j=1,...,11,时间维度k=1,...1200。其中40批正常生产过程数据用于训练模型,6批用于模型验证,8批故障数据;
2)对40批正常生产过程的训练数据X(40×11×1200)进行标准化处理。先按照公式求出每个变量的均值,再按照公式/>(j=1,...11)求得每个变量的方差。然后对训练数据进行标准化/>其中,(i=1,...,40,j=1,...,11,k=1,...,1200);其次根据发酵过程中的生物量浓度,将数据划分为A个阶段,其中a=1,...,A,再利用“One-to-Hot”编码对阶段信息进行转换。结合青霉素发酵过程,将青霉素发酵过程划分为3个阶段,则转换后的阶段信息为c1=[1,0,0]T,c2=[0,1,0]T,c3=[0,0,1]T;
3)其次将数据按照批次维度展开,并设定二维滑动窗的大小。其中二维滑动窗的维度大小根据最优梯度搜索获取,青霉素发酵过程时间维度相关性长度l设置为10,批次维度相关性长度w设置为3。对展开数据进行滑窗处理以获得输入序列其中,i=1,..,40,k=1,...,1200;
4)设定模型超参数,训练次数设定为100次,时间维度相关性长度设定为10,批次维度相关性长度设定为3。CDVAE网络编码器神经网络层数设定为330-60-20。解码器神经网络层数设定为20-60-330。每层神经网络链接的具体形式为H=σ(W*x+b),其中,W为每一层神经网络链接权重参数,b为偏置项,σ为“Leaky-Rule”激活函数。
其中损失函数设定为如下形式:
其中,cα为批次过程数据标签信息,zk为编码器的输出;
5)根据历史数据计算正常生产过程的统计量,并利用核密度估计计算控制限,置信限设置为0.95;
B.在线监测阶段:
6)采集的青霉素发酵数据在第k个采样的11个变量,根据步骤2)中历史正常生产过程的均值和方差进行标准化。具体计算方式如下:
其中,为第j个变量在第k个时刻的采样值;
7)计算浅空间与残差空间的两个监测指标。计算公式如下:
8)将两个故障监测统计量与历史的正常批次发酵过程数据计算所得的控制限比较,若任一统计量超出控制限,则意味着当前批次生产过程中出现故障。若当前统计量没有超出控制限,则继续下一时刻采样数据。从第6)步骤继续进行青霉素的发酵过程;
上述步骤为本发明在青霉素发酵仿真平台PenSimV2.0批次过程故障监测领域的具体应用。为了验证本方法的有效性,选取了8个故障进行在线监测实验。其中图4、图5为故障监测图,图4、图5中实线为统计量监测值,虚线为统计量的控制限。若统计量超出控制限则意味着批次过程出现故障,否则批次过程按照正常生产过程进行。为衡量模型的有效性,分别计算了8种故障的故障准确率FDR和误报率FAR:
图4、图5给出了针对3号故障的监测图,故障为搅拌功率增加5%的阶跃故障。从600时刻采样点引入该故障,直至该批次发酵结束。对于3号故障,LSTM-Encoder与本发明提出方法在残差空间上故障监测能力相同,FDR均为100%,但本发明在在浅空间上的FDR为100%,但是LSTM-Encoder的仅为83.1%,本发明在浅空间上故障监测能力明显优于LSTM-Encoder。本发明在3号故障的平均FAR仅有0.07%,LSTM-Encoder为0.25%。这是由于本发明方法采用到动态控制限以及考虑到批次过程多阶段特性,因此模型的FDR明显提升,FDR明显降低。以上证明本发明具有良好的批次过程故障监测能力。
8种故障的故障监测结果见表3:
表3 8种不同故障监测结果
从表3中可以看出,本发明提出的CDVAE对于多种类型故障具有较高的故障监测精度和较低的故障误检率。
本发明实施例中的部分步骤,可以利用软件实现,相应的软件程序可以存储在可读取的存储介质中,如光盘或硬盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种批次过程故障监测方法,其特征在于,所述方法包括:
步骤1:采集三维正常生产过程的历史数据,三个维度分别为批次维度I、变量维度J和时间维度K;
步骤2:根据批次过程工艺信息,确定数据的各阶段划分,并对采集的数据进行标准化处理;
步骤3:将标准化处理后的数据按照所述批次维度展开,并进行二维滑窗处理,获取输入数据;
步骤4:设计CDVAE模型的结构并进行训练;
所述CDVAE模型分为编码器和解码器,所述编码器第一层维度由输入数据和批次的阶段信息决定,编码器网络其他维度逐渐变小,以实现原始数据信息压缩,编码器最后一层网络最小,该层提取的特征更加抽象;
所述解码器与所述编码器具有反向对称结构,层数不断增加,最后一层网络维度与所述输入数据的维度相同;
步骤5:训练结束后,建立浅空间统计量lossres、残差空间统计量losskld,并根据历史数据利用核密度估计计算这两个统计量的控制限;
步骤6:获取实时采样数据
步骤7:采用与历史数据相同的标准化方式,对所述实时采样数据进行标准化处理;
步骤8:通过训练好的模型计算所述浅空间统计量和残差空间统计量;
步骤9:判断所述浅空间统计量和残差空间统计量是否超出控制限,若超出控制限,触发报警;若统计量没有超出控制限,则继续判断是否该批次出现故障。
2.根据权利要求1所述的批次过程故障监测方法,其特征在于,所述步骤2采用Z-score标准化方式,包括:求均值求方差/>随后对历史数据按如下公式进行标准化:
其中,i=1,2,...I,j=1,2,...J,k=1,2,...K,xi,j,k代表第i个批次中第k个采样时刻的第j个变量。
3.根据权利要求2所述的批次过程故障监测方法,其特征在于,所述步骤3包括:
假设当前时刻为第i批次、第k时刻,则历史采样数据为xi,k∈R1×J;
由于批次过程中存在二维动态特性,当前的时刻数据不仅与当前批次内的先前采样数据有相关性,还与先前批次数据/>具有相关性,因此二维滑窗设置为/>其中w为批次内相关性长度,l为批次间相关性长度。
4.根据权利要求3所述的批次过程故障监测方法,其特征在于,所述CDVAE模型的激活函数选用Leaky Relu函数,损失函数为:
其中,zk表示潜变量,cα表时段标签,为重构编码网络,DKL表示KL距离,表示编码网络,p(zk,cα)表示标准正太分布,lossrecon表示模型生成数据与原始数据的重构误差,losskld表示浅空间统计量,/>表示编码网络期望。
5.根据权利要求4所述的批次过程故障监测方法,其特征在于,所述浅空间统计量losskld,残差空间统计量lossres分别为:
其中,N是采样次数,表示重构输出,N(0,1)表示标准正态分布,/>表示二范数。
6.根据权利要求1所述的批次过程故障监测方法,其特征在于,所述批次过程的阶段信息采用“One-to-Hot”编码方式转换。
7.根据权利要求1所述的批次过程故障监测方法,其特征在于,所述CDVAE模型的编码器神经网络层数设定为330-60-20,解码器神经网络层数设定为20-60-330。
8.一种青霉素批次发酵过程故障监测方法,其特征在于,所述方法采用权利要求1-7任一项所述的批次过程故障监测方法,实现青霉素批次发酵过程中的故障监测。
9.根据权利要求8所述的批次过程故障监测方法,其特征在于,将青霉素发酵过程划分为3个阶段,则转换后的阶段信息为c1=[1,0,0]T,c2=[0,1,0]T,c3=[0,0,1]T。
10.根据权利要求8所述的批次过程故障监测方法,其特征在于,青霉素发酵过程时间维度相关性长度l设置为10,批次维度相关性长度w设置为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311016097.0A CN117032114A (zh) | 2023-08-14 | 2023-08-14 | 一种基于cdvae的批次过程故障监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311016097.0A CN117032114A (zh) | 2023-08-14 | 2023-08-14 | 一种基于cdvae的批次过程故障监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117032114A true CN117032114A (zh) | 2023-11-10 |
Family
ID=88601873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311016097.0A Pending CN117032114A (zh) | 2023-08-14 | 2023-08-14 | 一种基于cdvae的批次过程故障监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117032114A (zh) |
-
2023
- 2023-08-14 CN CN202311016097.0A patent/CN117032114A/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 | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN111428201B (zh) | 基于经验模态分解和前馈神经网络对时序数据的预测方法 | |
CN110083860B (zh) | 一种基于相关变量选择的工业故障诊断方法 | |
CN112527604A (zh) | 一种基于深度学习的运维检测方法、系统、电子设备及介质 | |
CN116226646A (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
CN112214006A (zh) | 考虑两维动态特性的间歇过程故障检测方法及系统 | |
CN116502164A (zh) | 基于对抗训练和频域改良自注意力机制的多维时序数据异常检测方法、设备及介质 | |
CN112904810A (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN112926627A (zh) | 一种基于电容型设备缺陷数据的设备缺陷时间预测方法 | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
CN110084301B (zh) | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 | |
CN113627685B (zh) | 一种考虑风电上网负荷限制的风力发电机功率预测方法 | |
CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
CN110766215A (zh) | 基于特征自适应选择和wdnn的风电爬坡事件预测方法 | |
CN117131022B (zh) | 一种电力信息系统的异构数据迁移方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN113159088A (zh) | 一种基于多特征融合和宽度学习的故障监测与诊断方法 | |
CN117032114A (zh) | 一种基于cdvae的批次过程故障监测方法 | |
CN115460061B (zh) | 基于智能运维场景的健康度评价方法及装置 | |
CN116797204A (zh) | 一种基于小波分解与重构和TCN-GRU-Self-Attention的磨煤机一次风量故障预警方法 | |
CN113341926B (zh) | 一种基于稀疏加权邻域保持嵌入的多阶段间歇过程故障检测方法 | |
CN111241629A (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
CN116304587A (zh) | 一种基于cae和agru的滚动轴承退化趋势预测方法 |
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 |