CN117690506A - 工艺边界的预测方法以及饲料生产工艺的评价方法 - Google Patents
工艺边界的预测方法以及饲料生产工艺的评价方法 Download PDFInfo
- Publication number
- CN117690506A CN117690506A CN202410142690.8A CN202410142690A CN117690506A CN 117690506 A CN117690506 A CN 117690506A CN 202410142690 A CN202410142690 A CN 202410142690A CN 117690506 A CN117690506 A CN 117690506A
- Authority
- CN
- China
- Prior art keywords
- sampling time
- sampling
- characteristic
- component
- interval
- 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
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 69
- 238000011156 evaluation Methods 0.000 title claims abstract description 51
- 230000008569 process Effects 0.000 title claims abstract description 51
- 238000005070 sampling Methods 0.000 claims abstract description 206
- 230000007613 environmental effect Effects 0.000 claims abstract description 58
- 230000008859 change Effects 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 56
- 239000002994 raw material Substances 0.000 claims description 15
- 238000000855 fermentation Methods 0.000 claims description 14
- 230000004151 fermentation Effects 0.000 claims description 14
- 239000007788 liquid Substances 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000013179 statistical model Methods 0.000 claims description 8
- 239000007787 solid Substances 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000001311 chemical methods and process Methods 0.000 abstract description 8
- 238000006243 chemical reaction Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 235000013405 beer Nutrition 0.000 description 4
- 239000000470 constituent Substances 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000003780 insertion Methods 0.000 description 3
- 230000037431 insertion Effects 0.000 description 3
- 230000000813 microbial effect Effects 0.000 description 3
- 239000000376 reactant Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- KDYFGRWQOYBRFD-UHFFFAOYSA-N succinic acid Chemical compound OC(=O)CCC(O)=O KDYFGRWQOYBRFD-UHFFFAOYSA-N 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000193830 Bacillus <bacterium> Species 0.000 description 1
- 244000063299 Bacillus subtilis Species 0.000 description 1
- 235000014469 Bacillus subtilis Nutrition 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 241000606125 Bacteroides Species 0.000 description 1
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 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 description 1
- 241000186660 Lactobacillus Species 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 235000019764 Soybean Meal Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 229940039696 lactobacillus Drugs 0.000 description 1
- 238000013507 mapping 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
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000004767 rumen Anatomy 0.000 description 1
- 239000004455 soybean meal Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000001384 succinic acid Substances 0.000 description 1
- 235000015099 wheat brans Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Complex Calculations (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种工艺边界的预测方法以及饲料生产工艺的评价方法，属于化工工艺分析的技术领域。本发明的环境采集器根据采样时间序列采集多个环境特征的特征值，成分采集器根据采样时间序列采集多个成分特征的特征值，根据环境特征变化率在采样时间序列插入新的采样时刻，可以使得采样时间序列准确捕捉化工过程中的重要特征。再通过成分特征准确识别成分变化的非稳态点，进而划分不同的稳态区间。本发明采用间接分析的方法，不需要从窖池中提取产物，不影响正在进行中的工艺过程。本发明的饲料生产工艺的评价方法可以根据不同稳态区间的环境特征变化评价饲料生产工艺的质量，降低非稳态区间的特征波动对评价结果的影响。
Description
技术领域
本发明涉及化工工艺分析的技术领域，尤其涉及一种工艺边界的预测方法以及饲料生产工艺的评价方法。
背景技术
通过图像提取化学反应过程的产物特征，可以控制化学过程的进度，提高产物品质。例如公告号为CN115018843B的中国专利公开了一种用于酿酒发酵过程的监控系统，该系统获取当前发酵缸内的发酵醪图像和发酵醪图像对应的灰度图，根据发酵醪的灰度图像的灰度值判断发酵醪所处的阶段，根据灰度图像中各气孔区域，确定发酵程度。部分发酵过程需要隔绝环境，机器视觉设备的布置难度大。而且在农业领域的工作环境差，机器视觉设备的维护成本高。
工业化的化工生产样本数据大，可以通过统计分析方法间接度量复杂化学反应的阶段。如公开号为CN116466658A的中国专利申请公开的那种煤化工间歇过程的管理方法，该方法通过对煤化工间歇过程进行有效划分，确定第一反应物和第二反应物在生产阶段的控制门限值，以反应设备中传感器在多个采样时刻获取的参数作为变量，经过迭代优化更新相关参数，识别反应阶段内当前反应状态是否正常。由于化工过程的复杂性，传感器采样间隔影响数据的测量。采样间隔过长，数据不精确。采样间隔过短，样本无效数据多，数据分析困难。因此，有必要提出一种结合具体化工过程的工艺边界的预测方法，根据化工过程数据的变化情况设置不同的采样间隔，提高工艺边界的准确性。进一步的，现有技术还需要在确定工艺边界后评价不同稳态区间的工艺质量。
发明内容
针对上述问题，本发明提供了一种工艺边界的预测方法以及饲料生产工艺的评价方法，该方法根据样本数据将连续的饲料生产工艺分割为反映稳定的多个区间，为后续反应过程和反应物的分析提供便利。该方法采用间接分析的方法，不需要从窖池中提取产物，不影响正在进行中的工艺过程。进一步的，本发明还公开了饲料生产工艺的评价方法，预测目标生产工艺在不同稳态区间的区间评价参数，进而评价目标生产工艺的质量。
本申请的发明目的可通过以下技术手段实现：
一种工艺边界的预测方法，包括以下步骤：
步骤1：在厌氧池设置环境采集器，在循环管道设置成分采集器，预设环境采集器和成分采集器的采样时间序列，初始化迭代次数w=0；
步骤2：混合固体原料与发酵菌种并投入厌氧池，在厌氧池注入液体原料，循环管道将液体原料从厌氧池的底部输送至厌氧池的顶部，w=w+1；
步骤3：环境采集器根据采样时间序列采集多个环境特征的特征值，生成环境特征序列E，成分采集器根据采样时间序列采集多个成分特征的特征值，生成成分特征序列F；
步骤4：若迭代次数w小于迭代次数阈值wmax，进入步骤5，否则进入步骤7；
步骤5：计算环境特征序列中相邻采样时刻的环境特征变化率，根据至少一个环境特征变化率确定补充的采样时刻，将该采样时刻插入采样时间序列；
步骤6：若采样时间序列中采样时刻的总数量N小于采样容量Nmax，返回至步骤2，否则进入步骤7；
步骤7：根据多个成分特征序列生成成分特征均值序列，根据成分特征均值序列计算任意采样时刻的成分特征变化率；
步骤8：根据至少一个成分特征变化率确定非稳态采样时刻，根据连续的非稳态采样时刻构造非稳态区间；
步骤9：根据非稳态区间分割采样时间序列获得多个稳态区间，提取成分特征均值序列在每一稳态区间的成分特征子序列，根据成分特征子序列构造边界矩阵B。
在本发明中，在步骤5中，采样时刻n中环境特征i的特征值为xin，采样时刻n+1中环境特征i的特征值为xi,n+1，采样时刻n与采样时刻n+1的环境特征变化率pin=(xin-xi,n+1)2T0/Tn，T0为基准采样间隔，Tn为采样时刻n与采样时刻n+1的采样间隔，若Pin大于σin，在采样时刻n与采样时刻n+1之间补充采样时刻，σin为环境特征变化率pin的样本校验方差，n=1,2,...,N。
在本发明中，在步骤7中，采样时刻n中成分特征j的特征均值为yjn，采样时刻n-1中成分特征j的特征均值为yj,n-1，采样时刻n+1中成分特征j的特征均值为yj,n+1，采样时刻n的成分特征变化率，T0为基准采样间隔，Tn为采样时刻n与采样时刻n+1的采样间隔，Tn-1为采样时刻n-1与采样时刻n的采样间隔，n=1,2,...,N。
在本发明中，在步骤8中，若Qjn大于σjnN'/N，采样时刻n为非稳态采样时刻，σjn为成分特征变化率Qjn的样本校验方差，N'为采样时刻的基准数量。
在本发明中，在步骤9中，每一稳态区间由多个连续的采样时刻构成，提取成分特征均值序列在该采样时刻的特征均值，创建由同一稳态区间的多个特征均值组成的成分特征子序列，该成分特征子序列为对应稳态区间的边界矩阵B。
一种根据所述工艺边界的预测方法的饲料生产工艺的评价方法，包括以下步骤：
步骤100：根据K个生产批次的样本工艺的环境特征序列E和成分特征序列F构造环境特征矩阵X和成分特征矩阵Y；
步骤200：根据所述工艺边界的预测方法预测饲料生产工艺的多个边界矩阵B，根据边界矩阵B将成分特征矩阵Y分割为M个第一子矩阵；
步骤300：基于稳态区间m的第一子矩阵从环境特征矩阵X提取第二子矩阵，生成第二子矩阵的基准统计量Cm和统计控制区间［Cm1，Cm2］，m=1,2,...,M；
步骤400：输入目标生产工艺的成分特征序列F'和环境特征序列E'，将成分特征序列F'和环境特征序列E'分割为M个稳态区间；
步骤500：生成环境特征序列E'在稳态区间m的区间评价参数pm，再基于M个稳态区间的区间评价参数预测目标生产工艺的工艺评价参数P。
在本发明中，在步骤500中，，Nm为稳态区间m的采样时刻的数量。
在本发明中，基于核熵成分分析算法的统计模型生成稳态区间m的基准统计量Cm和统计控制区间的特征上限Cm2，统计控制区间的特征下限Cm1=0，环境特征序列E'在稳态区间m的统计量为C'm，区间评价参数pm=(Cm2-C'm)/C'm。
在本发明中，基于角结构算法的统计模型生成稳态区间m的基准统计量Cm，该统计控制区间的特征上限Cm2=(1+α)Cm，该统计控制区间的特征下限Cm1=(1-α)Cm，α为置信度，环境特征序列E'在稳态区间m的统计量为C'm，区间评价参数pm=(Cm2-C'm) (C'm-Cm1)/(C'mCm)。
实施本发明的工艺边界的预测方法以及饲料生产工艺的评价方法，其有益效果在于：本发明的工艺边界的预测方法根据环境特征变化率插入采样时刻，可以使得采样时间序列准确捕捉化工过程中的重要特征，再通过成分特征准确识别成分变化的非稳态点，进而划分不同的稳态区间。迭代后的采样时刻间隔发生变化，本发明将迭代后的采样间隔作为估算环境特征变化的参数，避免在同一稳态区间反复插入采样时刻。进一步的，本发明的饲料生产工艺的评价方法可以根据不同稳态区间的环境特征变化评价饲料生产工艺的质量，降低非稳态区间的特征波动对评价结果的影响。
附图说明
图1为本发明工艺边界的预测方法的流程图；
图2为本发明在采样时间序列中插入采样时刻的示意图；
图3为本发明构造边界矩阵的示意图；
图4为本发明基于两种采样时间序列测量的温度特征曲线图；
图5为本发明的厌氧池的结构图；
图6为本发明饲料生产工艺的评价方法的流程图；
图7为本发明的成分特征矩阵展开过程示意图；
图8为本发明提取第二子矩阵的示意图；
图9为本发明的第二子矩阵展开过程示意图；
图10为本发明的多种环境特征子序列的统计量的折线图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
在现有技术中，将饲料的微生物发酵过程视为多个状态组成的间歇过程，周期性提取饲料发酵产物，根据产物特征识别不同的反应状态，这种方法虽然可以得到比较准确的数据，但是不可避免的引入空气和外界细菌。本发明通过分析生产过程中的环境特征和成分特征，间接度量复杂饲料生产工艺所处的阶段。本发明完全避免了在生产过程中提取产物特征样本，可以保证生产工艺的无氧状态。并且无须增设图像采集设备，可以降低车间的维护成本。进一步的，针对间接度量的采样时刻不准确的问题，本发明根据相邻采样时刻的特征值优化采样时刻的布置。
实施例一
如图1至图4所示，本发明这种工艺边界的预测方法，包括以下步骤。
步骤1：在厌氧池设置环境采集器，在循环管道设置成分采集器，预设环境采集器和成分采集器的采样时间序列，初始化迭代次数w=0。环境采集器例如是pH值检测器、温度传感器、液面检测仪等等。成分采集器例如是光谱仪，近红外光照射在循环管道的透明区域，根据液体原料的光谱区间确定成分特征。采样时间序列例如是控制帧序列，环境采集器响应采样时间序列，在每一采样时刻采集环境特征值。采样时间序列的总时长等于微生物发酵周期，例如10天至30天。
步骤2：混合固体原料与发酵菌种并投入厌氧池，在厌氧池注入液体原料，循环管道将液体原料从厌氧池的底部输送至厌氧池的顶部，w=w+1。饲料生产过程的固体原料为秸秆、谷糠、豆粕、麦麸中的一种或几种。液体原料例如是培养基、酸溶液等。所述发酵菌种为产琥珀酸丝状杆菌、栖瘤胃拟杆菌、纳豆枯草芽孢杆菌、乳酸菌中的一种或几种。
步骤3：环境采集器根据采样时间序列采集多个环境特征的特征值，生成环境特征序列E，成分采集器根据采样时间序列采集多个成分特征的特征值，生成成分特征序列F。环境特征包括：pH值、温度、二氧化碳含量、液面高度中的一种或几种。成分特征包括菌落数、乙醇浓度、葡萄糖浓度、溶氧量中的一种或几种。
步骤4：若迭代次数w小于迭代次数阈值wmax，进入步骤5，否则进入步骤7。wmax根据车间的生产效率和预测精度确定，例如是50至100次。
步骤5：计算环境特征序列中相邻采样时刻的环境特征变化率，根据至少一个环境特征变化率确定补充的采样时刻，将该采样时刻插入采样时间序列。本实施例通过逐一比较的方式计算每一采样时刻n与后一采样时刻n+1的环境特征变化率Pin。若该环境特征变化率Pin大于样本校验方差σin，表明采样时刻n与后一采样时刻n+1的波动较大，需要在两个采样时刻之间补充采样时刻，以提高在该时间段数据采集精度。如图2，插入采样时刻后的采样时间序列的采样间隔各不相同。环境特征变化率的优选计算方法参照实施例二所述。本实施例根据环境特征变化率确定插入的采样时刻。环境特征反映灵敏，可以准确表征工艺状态的变化。本发明根据成分特征划分稳态区间，成分特征的直接表征化学反应的原料消耗。
步骤6：若采样时间序列中采样时刻的总数量N小于采样容量Nmax，返回至步骤2，否则进入步骤7。根据采样时间序列长度的不同，采样容量Nmax可以是103至105。因系统数据处理容量以及环境采集器和成分采集器工作频率的限制，预设采样容量Nmax可以避免在部分时间段不断重复插入采样时刻。通过本发明的这种方法可以将采样容量分配至反应波动较大的位置，获取精确的采样数据。
步骤7：根据多个成分特征序列生成成分特征均值序列，根据成分特征均值序列计算任意采样时刻的成分特征变化率。在本实施例中，计算w个成分特征序列中每一采样时刻的特征值的均值，沿采样时间序列的顺序构造成分特征均值序列。采样时刻n的成分特征变化率Qjn表达成分特征均值的波动。成分特征变化率的优选计算方法参照实施例二所述。
步骤8：根据至少一个成分特征变化率确定非稳态采样时刻，根据连续的非稳态采样时刻构造非稳态区间。采样时间序列中采样时刻的基准数量为N'，补充的采样时刻的数量为N''，则采样时刻的总数量N=N'+N''。若Qjn大于σjnN'/N，采样时刻n为非稳态采样时刻，σjn为成分特征变化率Qjn的样本校验方差。
步骤9：根据非稳态区间分割采样时间序列获得多个稳态区间，提取成分特征均值序列在每一稳态区间的成分特征子序列，根据成分特征子序列构造边界矩阵B。如图3，先将采样时刻区分为稳态采样时刻和非稳态采样时刻，再构造非稳态区间。相邻的非稳态区间之间为稳态区间，每一稳态区间由多个连续的采样时刻构成。提取成分特征均值序列在该采样时刻的特征均值，创建由同一稳态区间的多个特征均值组成的成分特征子序列，该成分特征子序列为对应稳态区间的边界矩阵B。
实施例二
本发明进一步公开了环境特征变化率与成分特征变化率的优选算法。
采样时刻n中环境特征i的特征值为xin，采样时刻n+1中环境特征i的特征值为xi,n+1，采样时刻n与采样时刻n+1的环境特征变化率pin=(xin-xi,n+1)2T0/Tn，T0为基准采样间隔，Tn为采样时刻n与采样时刻n+1的采样间隔，n=1,2,...,N。本实施例通过采样间隔计算环境特征变化率，避免补充的采样时刻降低了环境特征变化的数值，提高数据可比性。
环境特征变化率pin的样本校验方差为σin，，。若Pin大于σin，在采样时刻n与采样时刻n+1之间补充采样时刻。在本实施例中，补充的采样时刻位于采样时刻n与采样时刻n+1的中点。在另一实施例中，可以根据特征曲线中xin与xi,n+1的斜率确定采样时刻的位置。在图4中，相对于采样时间序列1的13个采样时刻，采样时间序列2在特征值波动较大的位置增加了采样时刻。采样时刻的增加可以更准确预测特征值波动较大的时间段的数据波动方向，以便准确预测饲料发酵的进度。
计算成分特征序列中每一成分特征在w个迭代次数的特征均值。采样时刻n中成分特征j的特征均值为yjn，采样时刻n-1中成分特征j的特征均值为yj,n-1，采样时刻n+1中成分特征j的特征均值为yj,n+1，采样时刻n的成分特征变化率，T0为基准采样间隔，Tn为采样时刻n与采样时刻n+1的采样间隔，Tn-1为采样时刻n-1与采样时刻n的采样间隔。
成分特征变化率Qjn的样本校验方差为σjn，，。若Qjn大于σjnN'/N，采样时刻n为非稳态采样时刻，采样时间序列的总时长= T0N'。本发明将补充的补充采样时刻的数量N''纳入比较参数，可以避免补充的采样时刻过多，导致样本校验方差过大，进而无法查找非稳态采样时刻。
实施例三
本实施例提供了根据所述工艺边界的预测方法的饲料生产工艺的评价方法。该饲料生产工艺用于发酵饲料的生产，主要设备为厌氧池11。环境采集器12位于厌氧池11内，环境采集器12采集厌氧池的I个环境特征，成分采集器采集厌氧池的J个成分特征。厌氧池11处于密封状态，本发明通过环境采集器12与成分采集器13的特征值确定工艺边界。为了实现厌氧池11的密封，厌氧池11的进出口均采用阻隔空气的结构。在图5中，厌氧池11具有搅拌机构14、液膜密封式注液口15、单向排液口16、固体输入绞龙17、固体排出绞龙18。环境采集器12均布在池厌氧池11的内壁。成分采集器13固定在循环管道19内。存储罐20经循环管道19从厌氧池11底部吸入液体原料成分，再从顶部排出，实现发酵液的循环。如图6，本实施例的饲料生产工艺的评价方法包括以下步骤。
步骤100：根据K个生产批次的样本工艺的环境特征序列E和成分特征序列F构造环境特征矩阵X和成分特征矩阵Y。在本实施例中，环境特征序列E和成分特征序列F由沿采样时间序列分布的特征值组成。环境特征矩阵X由沿生产批次序列分布的环境特征序列E组成，成分特征矩阵Y由沿生产批次序列分布的成分特征序列F组成。环境特征矩阵X和成分特征矩阵Y组成分析样本。本发明通过对这些数据的统计分析，确认正常稳态区间的参数范围，为后续工业生产监测提供指导。K为样本的数目，对于豆粕等饲料的微生物发酵过程，K可以预设为100。
步骤200：根据所述工艺边界的预测方法预测饲料生产工艺的多个边界矩阵B，根据边界矩阵B将成分特征矩阵Y分割为M个第一子矩阵。边界矩阵是指饲料生产过程的临界点，用于区分不同的稳定状态。沿采样时刻n的顺序遍历成分特征矩阵，查找满足边界矩阵B的起始列，从该列分割成分特征矩阵Y，从而获得多个第一子矩阵。其中稳态区间m的第一子矩阵为Ym(Nm×KJ)。Nm为稳态区间m的采样时刻的数量，每一采样时刻具有KJ个特征值（K个生产批次的J个特征值）。
步骤300：基于稳态区间m的第一子矩阵从环境特征矩阵X提取第二子矩阵，生成第二子矩阵的基准统计量Cm和统计控制区间［Cm1，Cm2］，m=1,2,...,M。根据第一子矩阵的起始采样时刻和终止采样时刻查找环境特征矩阵相应的采样时刻，以该采样时刻截取环境特征矩阵，获得第二子矩阵。其中稳态区间m的第二子矩阵为Xm(Nm×KI)。最后以该第二子矩阵为子样本，采用统计分析法计算该稳态区间的基准统计量和统计控制区间，具体可以参照实施例五和实施例六所述。
步骤400：输入目标生产工艺的成分特征序列F'和环境特征序列E'，将成分特征序列F'和环境特征序列E'分割为M个稳态区间。目标生产工艺的数据提取方法可以参照步骤200和步骤300，在此不做详述。分割后得到目标生产工艺在稳态区间m的第一子序列F'm(Nm×J)和第二子序列为E'm(Nm×J)。
步骤500：生成环境特征序列E'在稳态区间m的区间评价参数pm，再基于M个稳态区间的区间评价参数预测目标生产工艺的工艺评价参数P。区间评价参数pm与稳态区间m的基准统计量相关，具体可以参照实施例五和实施例六所述。
实施例四
本发明的环境特征矩阵和成分特征矩阵为三维矩阵，为了进一步提高数据的可比性，本实施例公开了环境特征矩阵和成分特征矩阵的矩阵数据处理方法。
数据的预处理。环境特征序列E由N个采样时刻的I个环境特征的特征值组成，可以表示为E(N×I)，i=1,2,...,I。K个生产批次的环境特征序列E(N×I)，可以构造出环境特征矩阵X(K×N×I)。同样的，K个生产批次的成分特征序列F(N×J)，可以构造成分特征矩阵Y(K×N×J)，j=1,2,..., J。如图7，成分特征矩阵Y(K×N×J)为三维矩阵数据，可以沿生产批次将三维矩阵展开为二维的Y(N×KJ)，Y(N×KJ)由K个Y (N×J)组成，k=1,2,...,K。
第一子矩阵的提取。边界矩阵B(M×J)的第m列数据组为［bm1, bm2,..., bmj,...,bmJ］T，j≤J。沿采样时刻n遍历Y(N×J)的每一列，找出满足［bm1, bm2,..., bmj,...,bmJ］T的起始列，以该列分割Y(N×J)，得到Y (Nm×J)。K个Y (Nm×J)组成第一子矩阵Ym(Nm×KJ)。
第二子矩阵的提取。根据稳态区间m的第一子矩阵Ym(Nm×KJ)确定稳态区间m的起始采样时刻和终止采样时刻，沿生产批次将环境特征矩阵展开为X(N×KI)。查找环境特征矩阵相应的两组采样时刻，根据这两组采样时刻从环境特征矩阵提取第二子矩阵。如图8，稳态区间m对应的第二子矩阵为Xm(Nm×KI)。
第二子矩阵的数据分解。参照图9，将第二子矩阵Xm(Nm×KI)先恢复至三维矩阵Xm(Nm×K×I)，再按照采样时刻的方向展开为Xm(I×NmK)。再将展开后的第二子矩阵分解为多个列矩阵。即Xm(I×NmK)=［X1，X2，...，Xi，... XI］，其中，列矩阵Xi=［xi11，xi12，...，xi1k，xi21，...，xink，...］T。其中，特征值xink为环境特征i在第k个生产批次中采样时刻n的特征值。相较于实施例一的特征值xin，本实施例的特征值xink增加了一个生产批次k参数。
统计法预测数据。计算第二子矩阵Xm(I×NmK)的基准统计量Cm和统计控制区间。具体的计算方法参照实施例五和实施例六，除实施例五和实施例六所述的统计分析方法，本发明还可以采用支持向量数据模型(SVDD)、长短时记忆模型(Long-Short Term Memory)等方法解决稳态区间的数据分析。
实施例五
本实施例进一步公开了采用基于核熵成分分析算法（KECA）的统计模型生成工艺评价参数的方法。
数据预处理。将第二子矩阵Xm(I×NmK)分解为多个列矩阵，即Xm(I×NmK)=［X1，X2，...，Xi，... XI］，每一列矩阵通过非线性函数φ映射到核特征空间中，Xi→φ(Xi)。则核特征空间矩阵Φ=［φ(X1)，φ(X2)，...，φ(Xi)，...］。预设对稳态区间m影响较大的R个主成分，通常R≥3。将核特征空间矩阵映射至主轴子空间得到R个主成分的主成分矩阵FR。即FR=UΦ，U为主轴子空间矩阵。
根据主成分矩阵预测基准统计量Cm。本实施例通过统计量预测稳态区间m的基准统计量。基准统计量。ΛR为第二子矩阵Xm(I×NmK)的前R个特征值组成的矩阵。/>为ΛR的逆矩阵。
根据预设置信度α计算Xm(I×NmK)的控制区间。环境特征矩阵近似符合高斯分布，相应的基准统计量符合F分布。根据基准统计量Cm确定具有g和G-g个自由度的置信度为α的F分布临界值Fα(G,G-g)，控制上限。基于KECA的统计模型的控制下限通常取0，则Xm(I×NmK)的控制区间为/>。
生成区间评价参数。目标生产工艺的环境特征序列E' (N×J)由M个第二子序列E'm(Nm×J)组成，基于KECA的统计模型确定第二子序列E'm(Nm×J)的统计量C'm。图10公开了几种具体的统计量C'm，C'm大于0且通常小于Cm2。C'm大于Cm2，则对应的稳态区间m为故障区间。区间评价参数pm=(Cm2-C'm)/C'm。若区间评价参数pm为负值，表明目标生产工艺在稳态区间m的反应过程出现故障。C'm越接近0，区间评价参数越大。目标生产工艺在稳态区间m的反应过程越接近理想状态。
生成工艺评价参数。目标生产工艺的工艺评价参数，Nm为稳态区间m的采样时刻的数量。稳态区间m的采样时刻越多，该稳态区间m越稳定，其区间评价参数对工艺评价参数的影响越大。工艺评价参数越大，目标生产工艺整体越接近理想状态。工艺评价参数越小，则目标生产工艺的质量越差。若工艺评价参数为负值，其统计量大于控制上限，目标生产工艺出现故障。
实施例六
本实施例进一步公开了基于角结构算法（Cauchy-Schwarz）的统计模型生成工艺评价参数的方法。
首先参照实施例五生成生产批次k中采样时刻n的主成分矩阵，，R为主成分的数量，r≤R。
再计算K个生产批次的主成分均值矩阵Fn，。Fn=［fn1，fn2，...，fnr，...，fnR］。根据余弦角结构算法，稳态区间m中采样时刻n的统计量。/>为fnr的转置。
Xm(I×NmK)的基准统计量。Xm(I×NmK)的控制区间为［Cm-αCm，Cm+αCm］。置信度α预设为5%，若当前环境特征矩阵计算的统计量大于105%Cm或小于95%Cm，则认为工艺过程异常。
生成区间评价参数。基于角结构的统计模型确定第二子序列E'm(Nm×J)的统计量C'm。区间评价参数pm=(Cm2-C'm) (C'm-Cm1)/(C'mCm)。在正常情况下，Cm1＜C'm＜Cm2，若区间评价参数pm为负值，表明目标生产工艺在稳态区间m的反应过程出现故障。C'm越接近Cm，区间评价参数越大，目标生产工艺在稳态区间m的反应过程越接近理想状态。
生成工艺评价参数。参照实施例五，目标生产工艺的工艺评价参数。M个稳态区间对应M个区间评价参数。区间评价参数的加权和为工艺评价参数。工艺评价参数越大，目标生产工艺整体越接近理想状态。工艺评价参数为负值，说明其统计量大于控制上限，则目标生产工艺出现故障。
以上所述仅为本发明的较佳实施例而已，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，等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种工艺边界的预测方法，其特征在于，包括以下步骤：
步骤1：在厌氧池设置环境采集器，在循环管道设置成分采集器，预设环境采集器和成分采集器的采样时间序列，初始化迭代次数w=0；
步骤2：混合固体原料与发酵菌种并投入厌氧池，在厌氧池注入液体原料，循环管道将液体原料从厌氧池的底部输送至厌氧池的顶部，w=w+1；
步骤3：环境采集器根据采样时间序列采集多个环境特征的特征值，生成环境特征序列E，成分采集器根据采样时间序列采集多个成分特征的特征值，生成成分特征序列F；
步骤4：若迭代次数w小于迭代次数阈值wmax，进入步骤5，否则进入步骤7；
步骤5：计算环境特征序列中相邻采样时刻的环境特征变化率，根据至少一个环境特征变化率确定补充的采样时刻，将该采样时刻插入采样时间序列；
步骤6：若采样时间序列中采样时刻的总数量N小于采样容量Nmax，返回至步骤2，否则进入步骤7；
步骤7：根据多个成分特征序列生成成分特征均值序列，根据成分特征均值序列计算任意采样时刻的成分特征变化率；
步骤8：根据至少一个成分特征变化率确定非稳态采样时刻，根据连续的非稳态采样时刻构造非稳态区间；
步骤9：根据非稳态区间分割采样时间序列获得多个稳态区间，提取成分特征均值序列在每一稳态区间的成分特征子序列，根据成分特征子序列构造边界矩阵B。
2.根据权利要求1所述的工艺边界的预测方法，其特征在于，在步骤5中，采样时刻n中环境特征i的特征值为xin，采样时刻n+1中环境特征i的特征值为xi,n+1，采样时刻n与采样时刻n+1的环境特征变化率pin=(xin-xi,n+1)2T0/Tn，T0为基准采样间隔，Tn为采样时刻n与采样时刻n+1的采样间隔，若Pin大于σin，在采样时刻n与采样时刻n+1之间补充采样时刻，σin为环境特征变化率pin的样本校验方差，n=1,2,...,N。
3.根据权利要求1所述的工艺边界的预测方法，其特征在于，在步骤7中，采样时刻n中成分特征j的特征均值为yjn，采样时刻n-1中成分特征j的特征均值为yj,n-1，采样时刻n+1中成分特征j的特征均值为yj,n+1，采样时刻n的成分特征变化率，T0为基准采样间隔，Tn为采样时刻n与采样时刻n+1的采样间隔，Tn-1为采样时刻n-1与采样时刻n的采样间隔，n=1,2,...,N。
4. 根据权利要求3所述的工艺边界的预测方法，其特征在于，在步骤8中，若Qjn大于σjnN'/N，采样时刻n为非稳态采样时刻，σjn为成分特征变化率Qjn的样本校验方差，N'为采样时刻的基准数量。
5.根据权利要求1所述的工艺边界的预测方法，其特征在于，在步骤9中，每一稳态区间由多个连续的采样时刻构成，提取成分特征均值序列在该采样时刻的特征均值，创建由同一稳态区间的多个特征均值组成的成分特征子序列，该成分特征子序列为对应稳态区间的边界矩阵B。
6.一种根据权利要求1所述工艺边界的预测方法的饲料生产工艺的评价方法，包括以下步骤：
步骤100：根据K个生产批次的样本工艺的环境特征序列E和成分特征序列F构造环境特征矩阵X和成分特征矩阵Y；
步骤200：根据所述工艺边界的预测方法预测饲料生产工艺的多个边界矩阵B，根据边界矩阵B将成分特征矩阵Y分割为M个第一子矩阵；
步骤300：基于稳态区间m的第一子矩阵从环境特征矩阵X提取第二子矩阵，生成第二子矩阵的基准统计量Cm和统计控制区间［Cm1，Cm2］，m=1,2,...,M；
步骤400：输入目标生产工艺的成分特征序列F'和环境特征序列E'，将成分特征序列F'和环境特征序列E'分割为M个稳态区间；
步骤500：生成环境特征序列E'在稳态区间m的区间评价参数pm，再基于M个稳态区间的区间评价参数预测目标生产工艺的工艺评价参数P。
7.根据权利要求6所述的饲料生产工艺的评价方法，其特征在于，在步骤500中，P=，Nm为稳态区间m的采样时刻的数量。
8.根据权利要求6所述的饲料生产工艺的评价方法，其特征在于，基于核熵成分分析算法的统计模型生成稳态区间m的基准统计量Cm和统计控制区间的特征上限Cm2，统计控制区间的特征下限Cm1=0，环境特征序列E'在稳态区间m的统计量为C'm，区间评价参数pm=(Cm2-C'm)/C'm。
9. 根据权利要求6所述的饲料生产工艺的评价方法，其特征在于，基于角结构算法的统计模型生成稳态区间m的基准统计量Cm，该统计控制区间的特征上限Cm2=(1+α)Cm，该统计控制区间的特征下限Cm1=(1-α)Cm，α为置信度，环境特征序列E'在稳态区间m的统计量为C'm，区间评价参数pm=(Cm2-C'm) (C'm-Cm1)/(C'mCm)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410142690.8A CN117690506B (zh) | 2024-02-01 | 2024-02-01 | 工艺边界的预测方法以及饲料生产工艺的评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410142690.8A CN117690506B (zh) | 2024-02-01 | 2024-02-01 | 工艺边界的预测方法以及饲料生产工艺的评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117690506A true CN117690506A (zh) | 2024-03-12 |
| CN117690506B CN117690506B (zh) | 2024-04-26 |
Family
ID=90135682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410142690.8A Active CN117690506B (zh) | 2024-02-01 | 2024-02-01 | 工艺边界的预测方法以及饲料生产工艺的评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117690506B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108664002A (zh) * | 2018-04-27 | 2018-10-16 | 中国石油大学(华东) | 一种面向质量的非线性动态过程监控方法 |
| CN109239141A (zh) * | 2018-08-21 | 2019-01-18 | 北京化工大学 | 一种基于醇类气体浓度在线检测的发酵过程反馈补料控制装置及方法 |
| CN111913415A (zh) * | 2020-06-13 | 2020-11-10 | 宁波大学 | 一种基于时序数据分析的连续搅拌反应釜运行状态监测方法 |
| WO2021097281A1 (en) * | 2019-11-15 | 2021-05-20 | Lonza Ltd | Process and system for producing an inoculum |
| CN114839105A (zh) * | 2022-05-10 | 2022-08-02 | 安徽中烟工业有限责任公司 | 一种松散回潮加工参数的适应性评价方法 |
| CN115245735A (zh) * | 2022-06-16 | 2022-10-28 | 浙江省生态环境科学设计研究院 | 基于预测控制模型的水泥窑烟气iSNCR控制方法 |
| CN115617089A (zh) * | 2022-10-31 | 2023-01-17 | 深圳市计通智能技术有限公司 | 基于传感器状态变化的温度控制方法、装置、设备及介质 |
| CN115718178A (zh) * | 2022-12-08 | 2023-02-28 | 江西天佳生物工程股份有限公司 | 一种添加剂非稳态生产环节的精细监测方法与系统 |
| CN116481821A (zh) * | 2023-04-17 | 2023-07-25 | 国能北电胜利能源有限公司 | 基于大数据分析管理的发动机故障预警方法及系统 |
-
2024
- 2024-02-01 CN CN202410142690.8A patent/CN117690506B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108664002A (zh) * | 2018-04-27 | 2018-10-16 | 中国石油大学(华东) | 一种面向质量的非线性动态过程监控方法 |
| CN109239141A (zh) * | 2018-08-21 | 2019-01-18 | 北京化工大学 | 一种基于醇类气体浓度在线检测的发酵过程反馈补料控制装置及方法 |
| WO2021097281A1 (en) * | 2019-11-15 | 2021-05-20 | Lonza Ltd | Process and system for producing an inoculum |
| CN111913415A (zh) * | 2020-06-13 | 2020-11-10 | 宁波大学 | 一种基于时序数据分析的连续搅拌反应釜运行状态监测方法 |
| CN114839105A (zh) * | 2022-05-10 | 2022-08-02 | 安徽中烟工业有限责任公司 | 一种松散回潮加工参数的适应性评价方法 |
| CN115245735A (zh) * | 2022-06-16 | 2022-10-28 | 浙江省生态环境科学设计研究院 | 基于预测控制模型的水泥窑烟气iSNCR控制方法 |
| CN115617089A (zh) * | 2022-10-31 | 2023-01-17 | 深圳市计通智能技术有限公司 | 基于传感器状态变化的温度控制方法、装置、设备及介质 |
| CN115718178A (zh) * | 2022-12-08 | 2023-02-28 | 江西天佳生物工程股份有限公司 | 一种添加剂非稳态生产环节的精细监测方法与系统 |
| CN116481821A (zh) * | 2023-04-17 | 2023-07-25 | 国能北电胜利能源有限公司 | 基于大数据分析管理的发动机故障预警方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李荆波;丁攀;兰明明;贺超;关山月;李鹏飞;焦有宙;: "玉米秸秆复合菌兼氧预处理产热特性分析", 热科学与技术, no. 02, 30 April 2019 (2019-04-30) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117690506B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
| CN111553468A (zh) | 一种准确预测污水处理厂出水水质的方法 | |
| JP4911055B2 (ja) | バッチプロセスデータの解析装置およびそれを用いた異常検出／品質推定装置 | |
| CN108090500B (zh) | 食用菌发酵生产过程关键参量的软测量方法 | |
| CN111949012A (zh) | 一种基于双权重多邻域保持嵌入算法的间歇过程故障检测方法 | |
| González‐Martínez et al. | Multisynchro: a novel approach for batch synchronization in scenarios of multiple asynchronisms | |
| CN106462656A (zh) | 制备合成多成分生物技术和化学过程样品的方法和系统 | |
| CN114692507B (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
| CN109670549B (zh) | 火电机组的数据筛选方法、装置以及计算机设备 | |
| CN110245460A (zh) | 一种基于多阶段oica的间歇过程故障监测方法 | |
| Besenhard et al. | A multivariate process monitoring strategy and control concept for a small-scale fermenter in a PAT environment | |
| González-Martínez et al. | Effect of synchronization on bilinear batch process modeling | |
| CN112965971A (zh) | 一种对特征丰度数据和样本表型数据进行关联分析的方法 | |
| He et al. | Improving KNN method based on reduced relational grade for microarray missing values imputation | |
| CN117690506B (zh) | 工艺边界的预测方法以及饲料生产工艺的评价方法 | |
| CN107766880B (zh) | 基于ba-lssvm的光合细菌发酵过程关键参量的软测量方法 | |
| CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
| 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 | |
| CN111695291A (zh) | 一种用于确定长空气间隙击穿电压的方法及系统 | |
| CN113804833B (zh) | 基于凸集投影和极限学习机的电子鼻漂移通用校准方法 | |
| CN116052786A (zh) | 海洋碱性蛋白酶发酵过程关键参量的软测量方法及控制器 | |
| CN115081521A (zh) | 一种基于crnn的铝电解参数识别预测模型及构建方法 | |
| Golobič et al. | Software sensor for biomass concentration monitoring during industrial fermentation | |
| CN114089717B (zh) | 一种基于多向加权弹性网络的间歇过程质量相关故障检测方法 | |
| Haoguang et al. | Study on soft sensing technology of penicillin fermentation based on PLS and SVR |
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 |