CN117708691B - 间歇过程监控方法及存储介质、计算机设备 - Google Patents
间歇过程监控方法及存储介质、计算机设备 Download PDFInfo
- Publication number
- CN117708691B CN117708691B CN202410169663.XA CN202410169663A CN117708691B CN 117708691 B CN117708691 B CN 117708691B CN 202410169663 A CN202410169663 A CN 202410169663A CN 117708691 B CN117708691 B CN 117708691B
- Authority
- CN
- China
- Prior art keywords
- sample
- sample data
- sliding window
- target
- index value
- 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 154
- 230000008569 process Effects 0.000 title claims abstract description 92
- 238000012544 monitoring process Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 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 93
- 229930182555 Penicillin Natural products 0.000 claims abstract description 92
- 229940049954 penicillin Drugs 0.000 claims abstract description 92
- 238000004519 manufacturing process Methods 0.000 claims abstract description 57
- 241000894006 Bacteria Species 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims description 91
- 230000009466 transformation Effects 0.000 claims description 36
- 238000010923 batch production Methods 0.000 claims description 35
- 230000007704 transition Effects 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000000855 fermentation Methods 0.000 description 12
- 230000004151 fermentation Effects 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011112 process operation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000005273 aeration Methods 0.000 description 1
- 229960000074 biopharmaceutical Drugs 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012847 fine chemical Substances 0.000 description 1
- 238000013178 mathematical model Methods 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229930000044 secondary metabolite Natural products 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- 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
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本申请公开了一种间歇过程监控方法及存储介质、计算机设备,该间歇过程监控方法包括:获取历史培养批次的多组样本青霉素产生菌在间歇过程中的样本数据;针对任一组样本数据,根据滑动窗口划分样本数据,根据相邻滑动窗口中的样本数据,计算相邻滑动窗口间的互异度指标值及距离相似度指标值;基于互异度指标值及距离相似度指标值,计算相邻滑动窗口间的样本状态统计值,根据各组样本数据各自计算出的样本状态统计值确定控制上限和控制下限;采集目标培养批次的目标组青霉素产生菌在间歇过程中的目标数据,根据目标数据计算目标组青霉素产生菌的目标状态统计值,根据目标状态统计值、控制上限和控制下限,确定目标组青霉素产生菌的生产状态。
Description
技术领域
本申请涉及过程监控技术领域,尤其是涉及到一种间歇过程监控方法及存储介质、计算机设备。
背景技术
随着社会经济的持续发展、生活水平的不断提高,人们对产品提出了更高的质量要求和个性化需求,为此,具有小批量生产、多品种快速切换、高附加值等特点的间歇生产过程受到了越来越多的重视。
间歇生产过程灵活的加工方式很好的契合了智能制造的初衷,以用户需求出发来为客户提供定制化的产品和服务,凭借其特有的优势,间歇生产过程已经被广泛应用于现代制造业,包括装备制造、精细化工、生物制药、半导体制造等。
与传统的连续过程不同,间歇过程具有动态性、非线性和操作阶段多等特点,间歇过程中经常存在多个操作阶段,各个阶段的控制策略、过程变量轨迹、相关特征和操作模式都存在显著差异。根据间歇过程的持续时长,可以将间歇过程划分为不同的阶段,然而,阶段与阶段的转化不是瞬间发生的,而是缓慢进行的,同时,产品在间歇过程中产生的样本数据也具有非线性、动态性和非平稳性等特征,这对监控产品在间歇过程中的生产状态造成了困难。
发明内容
有鉴于此,本申请提供了一种间歇过程监控方法及存储介质、计算机设备,获取历史培养批次的多组样本青霉素产生菌在间歇过程中的样本数据;针对任一组样本数据,根据滑动窗口划分样本数据,根据相邻滑动窗口中的样本数据,计算相邻滑动窗口间的互异度指标值及距离相似度指标值;基于互异度指标值及距离相似度指标值,计算相邻滑动窗口间的样本状态统计值,根据各组样本数据各自计算出的样本状态统计值确定控制上限和控制下限;采集目标培养批次的目标组青霉素产生菌在间歇过程中的目标数据,根据目标数据计算目标组青霉素产生菌的目标状态统计值,根据目标状态统计值、控制上限和控制下限,确定目标组青霉素产生菌的生产状态。通过计算互异度指标值及距离相似度指标值,并相互融合得到样本状态统计值,利用融合后的样本状态统计值来监控间歇过程,充分的考虑了数据的相关性,提高了间歇过程中青霉素产生菌的生产状态的确认精度。
根据本申请的一个方面,提供了一种间歇过程监控方法,所述间歇过程监控方法包括:
获取历史培养批次的多组样本青霉素产生菌在间歇过程中的样本数据,其中,各组样本数据分别按预设时间间隔采集并按采集时间顺序排列;
针对任一组样本数据,根据滑动窗口划分所述样本数据,根据相邻滑动窗口中的样本数据,计算相邻滑动窗口间的互异度指标值及距离相似度指标值;
基于所述互异度指标值及所述距离相似度指标值,计算相邻滑动窗口间的样本状态统计值,根据各组样本数据各自计算出的样本状态统计值确定控制上限和控制下限;
采集目标培养批次的目标组青霉素产生菌在间歇过程中的目标数据,根据所述目标数据计算所述目标组青霉素产生菌的目标状态统计值,根据所述目标状态统计值、所述控制上限和所述控制下限,确定所述目标组青霉素产生菌的生产状态。
可选地,所述根据各组样本数据各自计算出的样本状态统计值确定控制上限和控制下限,包括:
根据各组样本数据各自计算出的样本状态统计值、预设置信度及核密度估计方法进行控制限计算,确定控制上限;
调整所述预设置信度的数值,根据各组样本数据各自计算出的样本状态统计值、调整后的置信度以及所述核密度估计方法进行控制限计算得到待选控制限;
分别统计各待选控制限与控制上限区间内包含的样本状态统计值情况,针对任一待选控制限对应的样本状态统计值情况,以一组样本数据的样本状态统计值满足预设数量为确定规则,当符合确定规则的样本数据组占全部样本数据组比例达到预设阈值时,将所述待选控制限确定为控制下限,其中,所述控制上限大于所述待选控制限。
可选地,所述根据所述目标状态统计值、所述控制上限和所述控制下限,确定所述目标组青霉素产生菌的生产状态,包括:
针对目标状态统计值计算过程中的滑动窗口,根据目标状态统计值确定相邻滑动窗口中先划分出的滑动窗口的生产状态,其中,生产状态包括正常状态、故障状态及过渡状态,起始滑动窗口为正常状态,当目标状态统计值小于或等于控制下限时为正常状态,当目标状态统计值等于控制上限,或大于控制下限且小于控制上限时为过渡状态,当目标状态统计值大于控制上限时为故障状态。
以起始滑动窗口的相邻滑动窗口为始,沿滑动窗口的划分顺序,依次根据当前滑动窗口的生产状态,判断当前与上一个滑动窗口中非重复的目标数据的生产状态,得到目标组青霉素产生菌的生产状态,其中,相邻滑动窗口中包含有重复的目标数据。
可选地,各采集时间对应的样本数据分别包含有多种特征变量,所述根据滑动窗口划分所述样本数据,根据相邻滑动窗口中的样本数据,计算相邻滑动窗口间的互异度指标值及距离相似度指标值,包括:
在样本数据包含的多种特征变量中,选取任一种特征变量,根据各样本数据中所选特征变量的样本值,计算所选特征变量的样本均值及所选特征变量的样本标准差;
选取样本数据组中的任一样本数据,根据所选样本数据中所选特征变量的样本值、所选特征变量的样本均值、所选特征变量的样本标准差及样本数据标准化公式,计算所选样本数据中所选特征变量的样本标准值;
根据滑动窗口划分所述样本数据,并根据相邻滑动窗口中样本数据的特征变量的样本标准值,计算相邻滑动窗口间的互异度指标值,以及根据相邻滑动窗口中样本数据的特征变量的样本标准值,计算相邻滑动窗口间的距离相似度指标值,其中,所述样本数据标准化公式为:
,/>,
,
表示第i个样本数据的第j种特征变量的样本标准值,/>表示第i个样本数据的第j种特征变量的样本值,/>表示第j种特征变量的样本均值,/>表示第j种特征变量的样本标准差,m表示样本数据总数,n表示特征变量的种类总数。
可选地,所述根据相邻滑动窗口中样本数据的特征变量的样本标准值,计算相邻滑动窗口间的互异度指标值,包括:
确定相邻滑动窗口中的第一滑动窗口与第二滑动窗口,基于所述第一滑动窗口对应的样本数据中特征变量的样本标准值,以及所述第二滑动窗口对应的样本数据中特征变量的样本标准值,构造联合矩阵,计算所述联合矩阵的联合协方差矩阵,其中,所述联合协方差矩阵由第一滑动窗口的第一协方差矩阵和第二滑动窗口的第二协方差矩阵构成;
对所述联合协方差矩阵进行特征分解,得到特征向量矩阵,基于所述特征向量矩阵构造变换矩阵,并基于所述变换矩阵及所述第一滑动窗口对应的样本数据中特征变量的样本标准值,得到第一滑动窗口变换矩阵,计算所述第一滑动窗口变换矩阵的第一变换协方差矩阵;
根据互异度指标值计算公式及所述第一变换协方差矩阵,计算第一滑动窗口与第二滑动窗口间的互异度指标值,其中,所述互异度指标值计算公式为:
,/>,/>,/>,
,/>,
表示第q个滑动窗口与第q+1个滑动窗口间的互异度指标值,/>表示第一变换协方差矩阵/>的第b个特征值,k表示第一变换协方差矩阵/>的特征值总数,w表示滑动窗口的窗宽,/>表示变换矩阵,T表示转置,/>表示联合协方差矩阵/>的特征值构成的对角矩阵,表示特征向量矩阵,/>表示第一协方差矩阵,/>表示第二协方差矩阵,/>表示第一滑动窗口,/>表示第二滑动窗口。
可选地,所述根据相邻滑动窗口中样本数据的特征变量的样本标准值,计算相邻滑动窗口间的距离相似度指标值,包括:
根据相邻滑动窗口中样本数据的特征变量的样本标准值,以及距离相似度指标计算公式,计算相邻滑动窗口间的距离相似度指标值,其中,所述距离相似度指标计算公式为:
,/>,,/>,
表示第q个滑动窗口与第q+1个滑动窗口间的距离相似度指标值,表示矩阵/>的最大特征值,/>表示第q个滑动窗口,/>表示第q+1个滑动窗口。
可选地,所述基于所述互异度指标值及所述距离相似度指标值,计算相邻滑动窗口间的样本状态统计值,包括:
针对同一对相邻滑动窗口计算出的互异度指标值及距离相似度指标值,根据所述互异度指标值、所述距离相似度指标值及状态统计值计算公式,计算相邻滑动窗口间的样本状态统计值,其中,所述状态统计值计算公式为:
,/>,
表示第q个滑动窗口与第q+1个滑动窗口间的样本状态统计值,/>表示第q个滑动窗口与第q+1个滑动窗口间的互异度指标值,/>表示第q个滑动窗口与第q+1个滑动窗口间的距离相似度指标值,/>表示预设权重,/>表示第q个与第q+1个滑动窗口间的标准化后的距离相似度指标值,/>表示最大距离相似度指标值,/>表示最小距离相似度指标值。
可选地,所述间歇过程监控方法还包括:
当历史培养批次为多个时,针对各历史培养批次中的各组样本数据,分别计算各组样本数据各自划分出的起始滑动窗口,与目标数据划分出的起始滑动窗口间的互异度指标值,确定最小互异度指标值对应的历史培养批次的目标控制上限和目标控制下限;
根据所述目标状态统计值、所述目标控制上限和所述目标控制下限,确定所述目标组青霉素产生菌的生产状态。
依据本申请又一个方面,提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述间歇过程监控方法。
依据本申请再一个方面,提供了一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述间歇过程监控方法。
借由上述技术方案,本申请提供的一种间歇过程监控方法及存储介质、计算机设备,获取历史培养批次的多组样本青霉素产生菌在间歇过程中的样本数据;针对任一组样本数据,根据滑动窗口划分样本数据,根据相邻滑动窗口中的样本数据,计算相邻滑动窗口间的互异度指标值及距离相似度指标值;基于互异度指标值及距离相似度指标值,计算相邻滑动窗口间的样本状态统计值,根据各组样本数据各自计算出的样本状态统计值确定控制上限和控制下限;采集目标培养批次的目标组青霉素产生菌在间歇过程中的目标数据,根据目标数据计算目标组青霉素产生菌的目标状态统计值,根据目标状态统计值、控制上限和控制下限,确定目标组青霉素产生菌的生产状态。通过计算互异度指标值及距离相似度指标值,并相互融合得到样本状态统计值,利用融合后的样本状态统计值来监控间歇过程,充分的考虑了数据的相关性,提高了间歇过程中青霉素产生菌的生产状态的确认精度。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例提供的一种间歇过程监控方法的流程示意图;
图2示出了本申请实施例提供的另一种间歇过程监控方法的流程示意图;
图3示出了本申请实施例提供的又一种间歇过程监控方法的流程示意图;
图4示出了本申请实施例提供的一种多历史培养批次的间歇过程监控方法的流程示意图;
图5示出了本申请实施例提供的一种故障特征变量散点图;
图6示出了本申请实施例提供的一种离线和在线间歇过程监控方法的流程示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在本实施例中提供了一种间歇过程监控方法,如图1所示,该间歇过程监控方法包括:
步骤101,获取历史培养批次的多组样本青霉素产生菌在间歇过程中的样本数据,其中,各组样本数据分别按预设时间间隔采集并按采集时间顺序排列。
在本申请上述实施例中,应用于青霉素发酵过程,青霉素是青霉素产生菌的次级代谢产物,青霉素发酵过程是典型的间歇过程,具有高度的非线性、时变性和多阶段特性,很难给出一个精确的数学模型,而且在青霉素发酵过程中,任何操作条件的微小变化,都有可能影响青霉素的质量。因此,对青霉素发酵过程实施在线监控和故障诊断有重要的现实意义。由青霉素发酵工业的过程机理可知,发酵过程可以分为预培养阶段、青霉素生产阶段早期、青霉素生产阶段后期、发酵过程后期四个阶段。这四个阶段的转化不是瞬间完成的,而是通过变量的逐渐变化进入到下一个阶段的,即该过程应包含有三个过渡阶段。当青霉素产生菌处于间歇过程的阶段和阶段中间时,为过渡阶段,处于过渡阶段时期被采集到的样本数据均为过渡状态,也即过渡阶段为间歇过程中相邻生产阶段的间隙。
具体的,获取历史培养批次的多组样本青霉素产生菌在间歇过程中的样本数据,其中,各组样本数据分别按预设时间间隔采集并按采集时间顺序排列,以便后续可以利用样本数据在时间上的相关性来对间歇过程进行监控。
步骤102,针对任一组样本数据,根据滑动窗口划分所述样本数据,根据相邻滑动窗口中的样本数据,计算相邻滑动窗口间的互异度指标值及距离相似度指标值。
接着,引入滑动窗口的概念来划分样本数据。具体的,例如针对采集到的任一组样本数据,按不同的采集时间来排列各样本数据,排列后样本数据组中包含的样本数据,例如:样本数据1、样本数据2、样本数据3、样本数据4、样本数据5、样本数据6、样本数据7及样本数据8,可以将滑动窗口的窗宽设置为4,移动步长为2(窗宽及移动步长依据不同的间歇过程特点随时更改设置),此时,划分出的滑动窗口各自包含的样本数据情况如下:滑动窗口1(样本数据1、样本数据2、样本数据3、样本数据4),滑动窗口2(样本数据3、样本数据4、样本数据5、样本数据6),滑动窗口3(样本数据5、样本数据6、样本数据7、样本数据8),其中,滑动窗口1与滑动窗口2互为相邻滑动窗口,滑动窗口2与滑动窗口3互为相邻滑动窗口,接着,根据划分出的相邻滑动窗口中的样本数据,计算相邻滑动窗口间的互异度指标值及距离相似度指标值,例如若共划分出3个滑动窗口,则会计算出2个互异度指标值及2个距离相似度指标值,也即按照滑动窗口的划分顺序,依次根据滑动窗口1和滑动窗口2来计算滑动窗口1与滑动窗口2间的互异度指标值及距离相似度指标值,以及根据滑动窗口2和滑动窗口3来计算滑动窗口2与滑动窗口3间的互异度指标值及距离相似度指标值,以此类推。
步骤103,基于所述互异度指标值及所述距离相似度指标值,计算相邻滑动窗口间的样本状态统计值,根据各组样本数据各自计算出的样本状态统计值确定控制上限和控制下限。
再接着,基于互异度指标值及距离相似度指标值,计算相邻滑动窗口间的样本状态统计值,通过加入距离相似度指标值融合到最终的样本状态统计值的计算过程,有助于提高间歇过程监控时的故障检测能力。
步骤104,采集目标培养批次的目标组青霉素产生菌在间歇过程中的目标数据,根据所述目标数据计算所述目标组青霉素产生菌的目标状态统计值,根据所述目标状态统计值、所述控制上限和所述控制下限,确定所述目标组青霉素产生菌的生产状态。
最终,利用历史培养批次计算出的控制上限和控制下限,对新(目标)培养批次的目标组青霉素产生菌进行监控。具体的,采集目标培养批次的目标组青霉素产生菌在间歇过程中的目标数据,根据目标数据计算目标组青霉素产生菌的目标状态统计值,根据目标状态统计值、控制上限和控制下限,确定目标组青霉素产生菌的生产状态。
目前,多采用聚类或基于距离的思想来划分间歇过程的各阶段,但是间歇过程中潜在的变量相关关系并非随时间时刻变化,而是随着过程操作进程或过程机理特性变化,也即不同的阶段具有不同的相关关系,因此,从相关关系出发划分间歇过程中的各阶段具有更高的精度。
通过应用本实施例的技术方案,首先,利用历史培养批次数据确定控制上限和控制下限,即通过滑动窗口获取样本青霉素产生菌在间歇过程中,不同时刻的样本数据,计算相邻滑动窗口间的互异度指标值,并基于距离相似度指标值与互异度指标值结合,得到样本状态统计值,利用样本状态统计值确定控制上限和控制下限,再采集目标培养批次的目标组青霉素产生菌在间歇过程中的目标数据,结合确定出的控制上限和控制下限,监控目标组青霉素产生菌的生产状态。由于在划分阶段,考虑到了变量的相关关系,更符合过程机理特性,同时,基于滑动窗口的距离相似度指标与互异度指标的融合,也有助于提高对间歇过程监控时的故障检测能力。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体实施过程,提供了另一种间歇过程监控方法,如图2所示,该间歇过程监控方法包括:
步骤201,获取历史培养批次的多组样本青霉素产生菌在间歇过程中的样本数据,其中,各组样本数据分别按预设时间间隔采集并按采集时间顺序排列。
步骤202,针对任一组样本数据,根据滑动窗口划分所述样本数据,根据相邻滑动窗口中的样本数据,计算相邻滑动窗口间的互异度指标值及距离相似度指标值。
步骤203,基于所述互异度指标值及所述距离相似度指标值,计算相邻滑动窗口间的样本状态统计值。
在本申请上述实施例中,获取历史培养批次的多组样本青霉素产生菌在间歇过程中的样本数据,针对任一组样本数据,根据滑动窗口划分样本数据,根据相邻滑动窗口中的样本数据,计算相邻滑动窗口间的互异度指标值及距离相似度指标值,基于互异度指标值及距离相似度指标值,计算相邻滑动窗口间的样本状态统计值。
步骤204,根据各组样本数据各自计算出的样本状态统计值、预设置信度及核密度估计方法进行控制限计算,确定控制上限。
步骤205,调整所述预设置信度的数值,根据各组样本数据各自计算出的样本状态统计值、调整后的置信度以及所述核密度估计方法进行控制限计算得到待选控制限。
步骤206,分别统计各待选控制限与控制上限区间内包含的样本状态统计值情况,针对任一待选控制限对应的样本状态统计值情况,以一组样本数据的样本状态统计值满足预设数量为确定规则,当符合确定规则的样本数据组占全部样本数据组比例达到预设阈值时,将所述待选控制限确定为控制下限,其中,所述控制上限大于所述待选控制限。
接着,利用各组样本数据各自计算出的样本状态统计值,使用核密度估计方法计算控制限,控制限包括控制上限和控制下限,控制上限大于控制下限。通过调整置信度水平,可以针对计算出的样本状态统计值得到不同的控制限,本申请上述实施例采用双重控制限结构,即确定2个控制限,名为控制上限CLU与控制下限CLL。对于控制上限,一般采用99%置信度确定,控制下限的确定需要结合阶段数量的先验知识来确定,即青霉素产生菌在发酵过程(间歇过程)中共有4个阶段,阶段与阶段间为过渡阶段,也即共有3个过渡阶段,为此,为了确定出的控制下限能确保识别出正确数量的过渡阶段,也即针对单组样本数据计算出的样本状态统计值落在控制上限和控制下限中间的数量与过渡阶段的数量需要保持一致,具体的,以一组样本数据的样本状态统计值满足预设数量(3个)为确定规则,当符合确定规则的样本数据组占全部样本数据组比例达到预设阈值时,例如占比达到90%或以上时,将待选控制限确定为控制下限。
当双重控制限(控制上限和控制下限)确定好后,便能够确定目标组青霉素产生菌的生产状态。当生产状态为过渡状态时,说明目标组青霉素产生菌处于还未完全转化的过渡阶段,处于过渡阶段的目标组青霉素产生菌未来可能为正常状态,也可能为故障状态。
步骤207,采集目标培养批次的目标组青霉素产生菌在间歇过程中的目标数据,根据所述目标数据计算所述目标组青霉素产生菌的目标状态统计值。
步骤208,针对目标状态统计值计算过程中的滑动窗口,根据目标状态统计值确定相邻滑动窗口中先划分出的滑动窗口的生产状态,其中,生产状态包括正常状态、故障状态及过渡状态,起始滑动窗口为正常状态,当目标状态统计值小于或等于控制下限时为正常状态,当目标状态统计值等于控制上限,或大于控制下限且小于控制上限时为过渡状态,当目标状态统计值大于控制上限时为故障状态。
步骤209,以起始滑动窗口的相邻滑动窗口为始,沿滑动窗口的划分顺序,依次根据当前滑动窗口的生产状态,判断当前与上一个滑动窗口中非重复的目标数据的生产状态,得到目标组青霉素产生菌的生产状态,其中,相邻滑动窗口中包含有重复的目标数据。
接着,采集目标培养批次的目标组青霉素产生菌在间歇过程中的目标数据,根据目标数据计算目标组青霉素产生菌的目标状态统计值。针对目标状态统计值计算过程中的滑动窗口,根据目标状态统计值确定相邻滑动窗口中先划分出的滑动窗口的生产状态,以起始滑动窗口的相邻滑动窗口为始,沿滑动窗口的划分顺序,依次根据当前滑动窗口的生产状态,判断当前与上一个滑动窗口中非重复的目标数据的生产状态,得到目标组青霉素产生菌的生产状态,例如,在一组样本数据中,利用滑动窗口划分后的情况如下:滑动窗口1(样本数据1、样本数据2、样本数据3、样本数据4),滑动窗口2(样本数据3、样本数据4、样本数据5、样本数据6),滑动窗口3(样本数据5、样本数据6、样本数据7、样本数据8),默认起始滑动窗口为正常状态,即样本数据1、样本数据2、样本数据3、样本数据4均为正常,此时,计算出滑动窗口2为故障状态,由此可以推断样本数据5、样本数据6均为故障状态。
目前,在考虑过渡阶段的间歇过程监控模型中,在离线建模阶段(即利用历史培养批次确定控制限时)会将过渡阶段识别并分离,再建立合适的监控模型,此时,如果目标培养批次的目标数据被输入到监控模型中超出控制限,那么将被判定为故障,而如果目标数据是属于过渡阶段的,同样会被监控模型判定为故障,这会导致结果的判定出现偏差,因此,当目标数据超出控制限时,判断其是属于过渡阶段还是真实的故障是有挑战且必要的。
通过应用本实施例的技术方案,在划分阶段,考虑到了变量的相关关系,更符合过程机理特性。基于滑动窗口的距离相似度指标并与互异度指标成功融合,有助于提高间歇过程监控时的故障检测能力,同时,确定的双重控制限还能够在线识别新样本为正常、过渡还是故障,提高了识别精度。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体实施过程,提供了又一种间歇过程监控方法,如图3所示,该间歇过程监控方法包括:
步骤301,获取历史培养批次的多组样本青霉素产生菌在间歇过程中的样本数据,其中,各组样本数据分别按预设时间间隔采集并按采集时间顺序排列,各采集时间对应的样本数据分别包含有多种特征变量。
在本申请上述实施例中,按预设时间间隔采集历史培养批次的多组样本青霉素产生菌,在正常工况下的间歇过程中的样本数据,各组样本数据分别按照采集时间顺序排列,以便后续可以从样本数据的时间相关性上计算指标。对于采集于同一历史培养批次的多组样本数据,在每一组样本数据中,针对各时刻采集到的样本数据又分别包含有多种特征变量,样本数据组可以记为,式中T表示转置,R表示实数数集,m表示样本数据总数,n表示特征变量种类总数,/>分别表示样本数据组中的第一个样本数据、第二个样本数据到第m个样本数据,样本数据组中不同时刻的采集到的样本数据,都有相同种类数量的特征变量。
步骤302,针对任一组样本数据,在样本数据包含的多种特征变量中,选取任一种特征变量,根据各样本数据中所选特征变量的样本值,计算所选特征变量的样本均值及所选特征变量的样本标准差。
步骤303,选取样本数据组中的任一样本数据,根据所选样本数据中所选特征变量的样本值、所选特征变量的样本均值、所选特征变量的样本标准差及样本数据标准化公式,计算所选样本数据中所选特征变量的样本标准值,其中,所述样本数据标准化公式为:
,/>,
,
表示第i个样本数据的第j种特征变量的样本标准值,/>表示第i个样本数据的第j种特征变量的样本值,/>表示第j种特征变量的样本均值,/>表示第j种特征变量的样本标准差,m表示样本数据总数,n表示特征变量的种类总数。
接着,对样本数据进行数据预处理。具体的,针对任一组样本数据,由于分别采集了不同时刻的样本数据,每个时刻的样本数据又分别对应有多种特征变量,故计算所有特征变量各自的样本均值,以及计算所有特征变量各自的样本标准差/>,然后利用样本数据标准化公式对样本数据组中各时刻的样本数据进行数据标准化,标准化后的样本数据中,各特征变量的样本值均转换为“样本标准值”。
步骤304,根据滑动窗口划分所述样本数据,确定相邻滑动窗口中的第一滑动窗口与第二滑动窗口,基于所述第一滑动窗口对应的样本数据中特征变量的样本标准值,以及所述第二滑动窗口对应的样本数据中特征变量的样本标准值,构造联合矩阵,计算所述联合矩阵的联合协方差矩阵,其中,所述联合协方差矩阵由第一滑动窗口的第一协方差矩阵和第二滑动窗口的第二协方差矩阵构成。
步骤305,对所述联合协方差矩阵进行特征分解,得到特征向量矩阵,基于所述特征向量矩阵构造变换矩阵,并基于所述变换矩阵及所述第一滑动窗口对应的样本数据中特征变量的样本标准值,得到第一滑动窗口变换矩阵,计算所述第一滑动窗口变换矩阵的第一变换协方差矩阵。
步骤306,根据互异度指标值计算公式及所述第一变换协方差矩阵,计算第一滑动窗口与第二滑动窗口间的互异度指标值,其中,所述互异度指标值计算公式为:
,/>,/>,/>,
,/>,
表示第q个滑动窗口与第q+1个滑动窗口间的互异度指标值,/>表示第一变换协方差矩阵/>的第b个特征值,k表示第一变换协方差矩阵/>的特征值总数,w表示滑动窗口的窗宽,/>表示变换矩阵,T表示转置,/>表示联合协方差矩阵/>的特征值构成的对角矩阵,表示特征向量矩阵,/>表示第一协方差矩阵,/>表示第二协方差矩阵,/>表示第一滑动窗口,/>表示第二滑动窗口。
接着,利用标准化后的样本数据,计算相邻滑动窗口间的互异度指标值。互异度指标值能够从相关性的角度描述相邻滑动窗口的关系,当特征变量相关关系发生改变时,例如变大时,即代表可能出现了阶段转化或者系统故障。
具体的,在样本数据组中,根据滑动窗口依次划分样本数据,针对划分出的相邻滑动窗口中的样本数据,首先确定相邻滑动窗口中的第一滑动窗口和第二滑动窗口/>,再分别计算出第一滑动窗口/>的第一协方差矩阵/>,以及第二滑动窗口/>的第二协方差矩阵/>。
根据第一滑动窗口和第二滑动窗口/>构造联合矩阵/>,计算联合矩阵/>的联合协方差矩阵/>,接着对联合协方差矩阵/>使用公式/>进行特征分解,得到特征向量矩阵/>,由/>,得到变换矩阵/>,其中,/>表示联合协方差矩阵/>的特征值构成的对角矩阵。
接着,利用变换矩阵分别对第一滑动窗口/>和第二滑动窗口/>进行变换,变换后的第一滑动窗口变换矩阵/>与第二滑动窗口变换矩阵/>如下:
,/>,
分别计算第一滑动窗口变换矩阵的第一变换协方差矩阵/>,和第二滑动窗口变换矩阵/>的第二变换协方差矩阵/>,具体如下:
,/>,
最后,利用第一变换协方差矩阵的特征值/>,计算第一滑动窗口与第二滑动窗口间的互异度指标值/>。特别地,也可以根据第二变换协方差矩阵/>的特征值/>,来计算第一滑动窗口与第二滑动窗口间的互异度指标值/>,相应地,互异度指标值计算公式则替换为:
。
步骤307,根据相邻滑动窗口中样本数据的特征变量的样本标准值,以及距离相似度指标计算公式,计算相邻滑动窗口间的距离相似度指标值,其中,所述距离相似度指标计算公式为:
,/>,/>,,
表示第q个滑动窗口与第q+1个滑动窗口间的距离相似度指标值,表示矩阵/>的最大特征值,/>表示第q个滑动窗口,/>表示第q+1个滑动窗口。
再接着,通过分别计算相邻滑动窗口和/>各自的二范数/>和,得到距离相似度指标值/>,/>能够反应相邻滑动窗口的长度差异。当相邻滑动窗口属于间歇过程的同一阶段时,/>值小,当相邻滑动窗口包含过渡时段或者异常点时,/>值则会增大。
步骤308,基于所述互异度指标值及所述距离相似度指标值,计算相邻滑动窗口间的样本状态统计值,根据各组样本数据各自计算出的样本状态统计值确定控制上限和控制下限。
步骤309,采集目标培养批次的目标组青霉素产生菌在间歇过程中的目标数据,根据所述目标数据计算所述目标组青霉素产生菌的目标状态统计值,根据所述目标状态统计值、所述控制上限和所述控制下限,确定所述目标组青霉素产生菌的生产状态。
再接着,根据相邻滑动窗口中样本数据的特征变量的样本标准值,计算相邻滑动窗口间的距离相似度指标值,将相邻滑动窗口间计算出的互异度指标和距离相似度指标融合,得到样本状态统计值,根据各组样本数据各自计算出的样本状态统计值确定控制上限和控制下限,采集目标培养批次的目标组青霉素产生菌在间歇过程中的目标数据,计算目标状态统计值,最终,根据目标状态统计值、控制上限和控制下限,确定目标组青霉素产生菌的生产状态。
由于间歇过程的复杂性和产品上市时间的有限性,使得批处理过程监控建立原理模型变得越来越难。相比之下,基于数据驱动的方法,如多元统计建模方法,随着计算机辅助设备在现代工业过程中的广泛应用而变得越来越普遍。目前,常见的数据驱动的方法,例如:(1)通过增加基于密度和距离分析的统计指标,将SSPP方法扩展为一种名为迭代两步顺序相位划分算法(ITSPP)的软划分算法。(2)采用扭曲K-means (WKM)算法实现相位划分,然后发展序列约束模糊c-means (SCFCM)聚类算法获得软划分结果。(3)基于K均值和密度峰值聚类算法的阶段划分方法。(4)应用高斯混合模型划分阶段,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等等。
上述方法中大部分没有考虑到阶段与阶段的过渡过程,而针对过渡过程,目前又多使用如下方法,例如:(1)基于高斯混合模型(Gaussian mixture model, GMM)的多模型策略,在利用k-Means算法聚类后,对每一个稳定模态建立一个单高斯模型,对每一个过渡模态建立一个GMM模型完成监控。然而,模型多太复杂,不利于实际应用。(2)利用局部峰值聚类识别稳定模态和过渡模态,并对每一个稳定模态建立了堆叠降噪自编码器模型进行监控,但是它没有提及过渡模态的模型。(3)针对具有过渡模态的多模态过程,基于KNN的集成多模态PCA,即利用KNN对多模态过程进行识别,再对识别后的每一个模态建立PCA监控模型,然而,KNN识别多模态过程的准确度需要提高,且过渡模态具有非线性,非平稳性等特征,使得PCA在监控过渡模态时受到影响。由此可见,上述方式都是针对连续过程的过渡进行研究分析的,而对于间歇过程中阶段的过渡研究较少,同时,在间歇过程中,大部分研究也是采用聚类或基于距离的思想划分阶段,由于间歇过程中潜在的变量相关关系并非随时间时刻变化,而是随着过程操作进程或过程机理特性变化,即不同的阶段具有不同的相关关系,因此,从相关关系出发划分阶段更加合理。
通过应用本实施例的技术方案,在划分阶段,考虑到了变量的相关关系,更符合过程机理特性,同时,基于滑动窗口的距离相似度指标并与互异度指标成功融合,也有助于提高间歇过程监控时的故障检测能力。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体实施过程,提供了一种多历史培养批次的间歇过程监控方法,如图4所示,该多历史培养批次的间歇过程监控方法包括:
步骤401,获取历史培养批次的多组样本青霉素产生菌在间歇过程中的样本数据,其中,各组样本数据分别按预设时间间隔采集并按采集时间顺序排列。
步骤402,针对任一组样本数据,根据滑动窗口划分所述样本数据,根据相邻滑动窗口中的样本数据,计算相邻滑动窗口间的互异度指标值及距离相似度指标值。
在本申请上述实施例中,获取历史培养批次的多组样本青霉素产生菌在间歇过程中的样本数据,针对任一组样本数据,根据滑动窗口划分样本数据,根据相邻滑动窗口中的样本数据,计算相邻滑动窗口间的互异度指标值及距离相似度指标值。
步骤403,针对同一对相邻滑动窗口计算出的互异度指标值及距离相似度指标值,根据所述互异度指标值、所述距离相似度指标值及状态统计值计算公式,计算相邻滑动窗口间的样本状态统计值,其中,所述状态统计值计算公式为:
,/>,
表示第q个滑动窗口与第q+1个滑动窗口间的样本状态统计值,/>表示第q个滑动窗口与第q+1个滑动窗口间的互异度指标值,/>表示第q个滑动窗口与第q+1个滑动窗口间的距离相似度指标值,/>表示预设权重,/>表示第q个与第q+1个滑动窗口间的标准化后的距离相似度指标值,/>表示最大距离相似度指标值,/>表示最小距离相似度指标值。
接着,针对同一对相邻滑动窗口计算出的互异度指标值及距离相似度指标值,根据互异度指标值、距离相似度指标值及状态统计值计算公式,计算相邻滑动窗口间的样本状态统计值,预设权重在(0,1)区间根据实际工业过程数据取值。
步骤404,根据各组样本数据各自计算出的样本状态统计值确定控制上限和控制下限。
步骤405,采集目标培养批次的目标组青霉素产生菌在间歇过程中的目标数据,根据所述目标数据计算所述目标组青霉素产生菌的目标状态统计值,根据所述目标状态统计值、所述控制上限和所述控制下限,确定所述目标组青霉素产生菌的生产状态。
接着,根据各组样本数据各自计算出的样本状态统计值确定控制上限和控制下限。采集目标培养批次的目标组青霉素产生菌在间歇过程中的目标数据,根据目标数据计算目标组青霉素产生菌的目标状态统计值,根据目标状态统计值、控制上限和控制下限,确定目标组青霉素产生菌的生产状态。
步骤406,当历史培养批次为多个时,针对各历史培养批次中的各组样本数据,分别计算各组样本数据各自划分出的起始滑动窗口,与目标数据划分出的起始滑动窗口间的互异度指标值,确定最小互异度指标值对应的历史培养批次的目标控制上限和目标控制下限。
步骤407,根据所述目标状态统计值、所述目标控制上限和所述目标控制下限,确定所述目标组青霉素产生菌的生产状态。
特别地,当历史培养批次为多个时,针对各历史培养批次中的各组样本数据,分别计算各组样本数据各自划分出的起始滑动窗口,与目标数据划分出的起始滑动窗口间的互异度指标值,确定最小互异度指标值对应的历史培养批次的目标控制上限和目标控制下限。根据目标状态统计值、目标控制上限和目标控制下限,确定目标组青霉素产生菌的生产状态。通过比较与目标数据最相似的样本数据组,确定目标控制上限和目标控制下限,能够进一步提高确定精度。
在一种具体的实施例中,可以采用伊利诺科技学院开发的青霉素发酵过程仿真平台Pensim 2.0来模拟青霉素发酵过程产生的样本数据,其内核是基于Bajpai机理改进的Birol模型,该系统共包含18种特征变量,本实施例中选用其中的11种特征变量来进行监控建模,如表一所示,
表一
本实施例共利用Pensim 2.0生成正常工况下间歇过程的40批次(每一批次各有一组样本青霉素产生菌),批次反应周期为400小时,采样时间间隔为0.1小时,即每个批次包含1组4000个样本。青霉素生产过程能对前三个变量(通气率、搅拌功率和底物流加速率)在某一时刻或时间段内引入干扰。为了测试检测本实施例间歇过程监控方法的有效性,在实验中对青霉素发酵过程设置了不同类型、不同大小生成的6个故障批次作为待检测批次,如表二所示,故障在200小时引入,持续到400小时结束。
表二
以正常工况下批次1为例。首先对批次1进行数据标准化处理。然后,引入滑动窗口,窗宽为300,移动步长为50。至此,批次中的样本数据被转化为75个滑动窗口。分别计算相邻滑动窗口间的互异度指标和距离相似度指标。在距离相似度指标下,第8个与第9个滑动窗口间计算出的指标值最大,代表第8个滑动窗口包含过渡阶段。在互异度指标下,第3与第4个滑动窗口间计算出指标值最大,代表第3个滑动窗口包含过渡阶段。不同的指标判断出的过渡阶段不同。经过指标融合后,判断第351-400,601-650,1401-1450个样本数据包含过渡阶段,符合青霉素发酵过程的四个生理阶段。
以故障批次3为例,故障批次3是在特征变量搅拌功率上引入了阶跃信号,如图5所示。由图5可知,从2001样本开始,测试样本数据发生了明显偏离。利用本实施例的间歇过程监控方法对测试样本数据计算后,计算出前2000个样本数据中,有3个滑动窗口处于控制上限和控制下限之间,代表有3个过渡阶段。自2001样本数据后,有一个滑动窗口被判定为过渡,然而该滑动窗口其实为故障。这是由于故障刚被引入,故障对于系统影响较小,因此该滑动窗口只超过了控制下限而被判别为过渡阶段。
通过应用本申请上述实施例,如图6所示的离线和在线间歇过程监控方法,在离线建模阶段,获取历史培养批次的多组样本青霉素产生菌间歇过程中的样本数据,利用滑动窗口划分样本数据,并计算互异度指标,再加入距离相似度指标进行双重相似判别,确定双重控制限,即控制上限与控制下限。然后进行在线监控,在线获取目标培养批次的目标组青霉素产生菌在间歇过程中的目标数据,利用滑动窗口划分目标数据,计算互异度指标,进行双重相似判别,若计算出的目标状态统计值并非大于控制下限,为正常状态,当大于控制下限时,继续判断是否大于控制上限,若是,则为故障状态,若否则为过渡状态。
基于上述如图1至图3所示间歇过程监控方法及图4所示的多历史培养批次的间歇过程监控方法,相应的,本申请实施例还提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述如图1至图3所示间歇过程监控方法及图4所示的多历史培养批次的间歇过程监控方法。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1至图3所示间歇过程监控方法及图4所示的多历史培养批次的间歇过程监控方法,为了实现上述目的,本申请实施例还提供了一种计算机设备,具体可以为个人计算机、服务器、网络设备等,该计算机设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图1至图3所示间歇过程监控方法及图4所示的多历史培养批次的间歇过程监控方法。
可选地,该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与该实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现,获取历史培养批次的多组样本青霉素产生菌在间歇过程中的样本数据;针对任一组样本数据,根据滑动窗口划分样本数据,根据相邻滑动窗口中的样本数据,计算相邻滑动窗口间的互异度指标值及距离相似度指标值;基于互异度指标值及距离相似度指标值,计算相邻滑动窗口间的样本状态统计值,根据各组样本数据各自计算出的样本状态统计值确定控制上限和控制下限;采集目标培养批次的目标组青霉素产生菌在间歇过程中的目标数据,根据目标数据计算目标组青霉素产生菌的目标状态统计值,根据目标状态统计值、控制上限和控制下限,确定目标组青霉素产生菌的生产状态。通过计算互异度指标值及距离相似度指标值,并相互融合得到样本状态统计值,利用融合后的样本状态统计值来监控间歇过程,充分的考虑了数据的相关性,提高了间歇过程中青霉素产生菌的生产状态的确认精度。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (9)
1.一种间歇过程监控方法,其特征在于,所述间歇过程监控方法包括:
获取历史培养批次的多组样本青霉素产生菌在间歇过程中的样本数据,其中,各组样本数据分别按预设时间间隔采集并按采集时间顺序排列;
针对任一组样本数据,根据滑动窗口划分所述样本数据,根据相邻滑动窗口中的样本数据,计算相邻滑动窗口间的互异度指标值及距离相似度指标值,其中,各采集时间对应的样本数据分别包含有多种特征变量,所述根据滑动窗口划分所述样本数据,根据相邻滑动窗口中的样本数据,计算相邻滑动窗口间的互异度指标值及距离相似度指标值,包括:
在样本数据包含的多种特征变量中,选取任一种特征变量,根据各样本数据中所选特征变量的样本值,计算所选特征变量的样本均值及所选特征变量的样本标准差;
选取样本数据组中的任一样本数据,根据所选样本数据中所选特征变量的样本值、所选特征变量的样本均值、所选特征变量的样本标准差及样本数据标准化公式,计算所选样本数据中所选特征变量的样本标准值,其中,所述样本数据标准化公式为:
,/>,
,
表示第i个样本数据的第j种特征变量的样本标准值,/>表示第i个样本数据的第j种特征变量的样本值,/>表示第j种特征变量的样本均值,/>表示第j种特征变量的样本标准差,m表示样本数据总数,n表示特征变量的种类总数;
根据滑动窗口划分所述样本数据,并根据相邻滑动窗口中样本数据的特征变量的样本标准值,计算相邻滑动窗口间的互异度指标值,以及根据相邻滑动窗口中样本数据的特征变量的样本标准值,计算相邻滑动窗口间的距离相似度指标值;
基于所述互异度指标值及所述距离相似度指标值,计算相邻滑动窗口间的样本状态统计值,根据各组样本数据各自计算出的样本状态统计值确定控制上限和控制下限;
采集目标培养批次的目标组青霉素产生菌在间歇过程中的目标数据,根据所述目标数据计算所述目标组青霉素产生菌的目标状态统计值,根据所述目标状态统计值、所述控制上限和所述控制下限,确定所述目标组青霉素产生菌的生产状态。
2.根据权利要求1所述间歇过程监控方法,其特征在于,所述根据各组样本数据各自计算出的样本状态统计值确定控制上限和控制下限,包括:
根据各组样本数据各自计算出的样本状态统计值、预设置信度及核密度估计方法进行控制限计算,确定控制上限;
调整所述预设置信度的数值,根据各组样本数据各自计算出的样本状态统计值、调整后的置信度以及所述核密度估计方法进行控制限计算得到待选控制限;
分别统计各待选控制限与控制上限区间内包含的样本状态统计值情况,针对任一待选控制限对应的样本状态统计值情况,以一组样本数据的样本状态统计值满足预设数量为确定规则,当符合确定规则的样本数据组占全部样本数据组比例达到预设阈值时,将所述待选控制限确定为控制下限,其中,所述控制上限大于所述待选控制限。
3.根据权利要求1所述间歇过程监控方法,其特征在于,所述根据所述目标状态统计值、所述控制上限和所述控制下限,确定所述目标组青霉素产生菌的生产状态,包括:
针对目标状态统计值计算过程中的滑动窗口,根据目标状态统计值确定相邻滑动窗口中先划分出的滑动窗口的生产状态,其中,生产状态包括正常状态、故障状态及过渡状态,起始滑动窗口为正常状态,当目标状态统计值小于或等于控制下限时为正常状态,当目标状态统计值等于控制上限,或大于控制下限且小于控制上限时为过渡状态,当目标状态统计值大于控制上限时为故障状态;
以起始滑动窗口的相邻滑动窗口为始,沿滑动窗口的划分顺序,依次根据当前滑动窗口的生产状态,判断当前与上一个滑动窗口中非重复的目标数据的生产状态,得到目标组青霉素产生菌的生产状态,其中,相邻滑动窗口中包含有重复的目标数据。
4.根据权利要求1所述间歇过程监控方法,其特征在于,所述根据相邻滑动窗口中样本数据的特征变量的样本标准值,计算相邻滑动窗口间的互异度指标值,包括:
确定相邻滑动窗口中的第一滑动窗口与第二滑动窗口,基于所述第一滑动窗口对应的样本数据中特征变量的样本标准值,以及所述第二滑动窗口对应的样本数据中特征变量的样本标准值,构造联合矩阵,计算所述联合矩阵的联合协方差矩阵,其中,所述联合协方差矩阵由第一滑动窗口的第一协方差矩阵和第二滑动窗口的第二协方差矩阵构成;
对所述联合协方差矩阵进行特征分解,得到特征向量矩阵,基于所述特征向量矩阵构造变换矩阵,并基于所述变换矩阵及所述第一滑动窗口对应的样本数据中特征变量的样本标准值,得到第一滑动窗口变换矩阵,计算所述第一滑动窗口变换矩阵的第一变换协方差矩阵;
根据互异度指标值计算公式及所述第一变换协方差矩阵,计算第一滑动窗口与第二滑动窗口间的互异度指标值,其中,所述互异度指标值计算公式为:
,/>,/>,/>,
,/>,
表示第q个滑动窗口与第q+1个滑动窗口间的互异度指标值,/>表示第一变换协方差矩阵/>的第b个特征值,k表示第一变换协方差矩阵/>的特征值总数,w表示滑动窗口的窗宽,/>表示变换矩阵,T表示转置,/>表示联合协方差矩阵/>的特征值构成的对角矩阵,/>表示特征向量矩阵,/>表示第一协方差矩阵,/>表示第二协方差矩阵,/>表示第一滑动窗口,/>表示第二滑动窗口。
5.根据权利要求1所述间歇过程监控方法,其特征在于,所述根据相邻滑动窗口中样本数据的特征变量的样本标准值,计算相邻滑动窗口间的距离相似度指标值,包括:
根据相邻滑动窗口中样本数据的特征变量的样本标准值,以及距离相似度指标计算公式,计算相邻滑动窗口间的距离相似度指标值,其中,所述距离相似度指标计算公式为:
,/>,,/>,
表示第q个滑动窗口与第q+1个滑动窗口间的距离相似度指标值,/>表示矩阵/>的最大特征值,/>表示第q个滑动窗口,/>表示第q+1个滑动窗口。
6.根据权利要求1至5中任一项所述间歇过程监控方法,其特征在于,所述基于所述互异度指标值及所述距离相似度指标值,计算相邻滑动窗口间的样本状态统计值,包括:
针对同一对相邻滑动窗口计算出的互异度指标值及距离相似度指标值,根据所述互异度指标值、所述距离相似度指标值及状态统计值计算公式,计算相邻滑动窗口间的样本状态统计值,其中,所述状态统计值计算公式为:
,/>,
表示第q个滑动窗口与第q+1个滑动窗口间的样本状态统计值,/>表示第q个滑动窗口与第q+1个滑动窗口间的互异度指标值,/>表示第q个滑动窗口与第q+1个滑动窗口间的距离相似度指标值,/>表示预设权重,/>表示第q个与第q+1个滑动窗口间的标准化后的距离相似度指标值,/>表示最大距离相似度指标值,/>表示最小距离相似度指标值。
7.根据权利要求6所述间歇过程监控方法,其特征在于,所述间歇过程监控方法还包括:
当历史培养批次为多个时,针对各历史培养批次中的各组样本数据,分别计算各组样本数据各自划分出的起始滑动窗口,与目标数据划分出的起始滑动窗口间的互异度指标值,确定最小互异度指标值对应的历史培养批次的目标控制上限和目标控制下限;
根据所述目标状态统计值、所述目标控制上限和所述目标控制下限,确定所述目标组青霉素产生菌的生产状态。
8.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述间歇过程监控方法。
9.一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述间歇过程监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410169663.XA CN117708691B (zh) | 2024-02-06 | 2024-02-06 | 间歇过程监控方法及存储介质、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410169663.XA CN117708691B (zh) | 2024-02-06 | 2024-02-06 | 间歇过程监控方法及存储介质、计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117708691A CN117708691A (zh) | 2024-03-15 |
CN117708691B true CN117708691B (zh) | 2024-05-10 |
Family
ID=90148421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410169663.XA Active CN117708691B (zh) | 2024-02-06 | 2024-02-06 | 间歇过程监控方法及存储介质、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708691B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101316246A (zh) * | 2008-07-18 | 2008-12-03 | 北京大学 | 一种基于分类器动态更新的垃圾邮件检测方法及系统 |
CN102621018A (zh) * | 2012-03-20 | 2012-08-01 | 天津大学 | 一种橡胶硬度的在线自动测量方法 |
CN104483962A (zh) * | 2014-11-20 | 2015-04-01 | 沈阳化工大学 | 基于多向正交局部保持投影的间歇过程在线故障检测方法 |
CN116070818A (zh) * | 2022-04-30 | 2023-05-05 | 宁波大学科学技术学院 | 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 |
CN116861224A (zh) * | 2023-09-04 | 2023-10-10 | 鲁东大学 | 基于间歇过程软测量建模方法的间歇过程软测量建模系统 |
CN117196695A (zh) * | 2023-11-03 | 2023-12-08 | 中国民航信息网络股份有限公司 | 一种目标产品的销量数据的预测方法及装置 |
-
2024
- 2024-02-06 CN CN202410169663.XA patent/CN117708691B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101316246A (zh) * | 2008-07-18 | 2008-12-03 | 北京大学 | 一种基于分类器动态更新的垃圾邮件检测方法及系统 |
CN102621018A (zh) * | 2012-03-20 | 2012-08-01 | 天津大学 | 一种橡胶硬度的在线自动测量方法 |
CN104483962A (zh) * | 2014-11-20 | 2015-04-01 | 沈阳化工大学 | 基于多向正交局部保持投影的间歇过程在线故障检测方法 |
CN116070818A (zh) * | 2022-04-30 | 2023-05-05 | 宁波大学科学技术学院 | 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 |
CN116861224A (zh) * | 2023-09-04 | 2023-10-10 | 鲁东大学 | 基于间歇过程软测量建模方法的间歇过程软测量建模系统 |
CN117196695A (zh) * | 2023-11-03 | 2023-12-08 | 中国民航信息网络股份有限公司 | 一种目标产品的销量数据的预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
"A KLMS Dual Control Chart Based on Dynamic Nearest Neighbor Kernel Space";Liang Liu.etc;《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》;20230531;全文 * |
基于数据相似度的间歇过程在线监控;邸丽清;熊智华;阳宪惠;;清华大学学报(自然科学版);20080715(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117708691A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cai et al. | A new fault detection method for non-Gaussian process based on robust independent component analysis | |
CN111860573A (zh) | 模型训练方法、图像类别检测方法、装置和电子设备 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN109308063B (zh) | 基于得分矩阵的发酵过程阶段划分方法 | |
Yu | Multiway discrete hidden Markov model‐based approach for dynamic batch process monitoring and fault classification | |
Wang et al. | Multiscale neighborhood normalization-based multiple dynamic PCA monitoring method for batch processes with frequent operations | |
CN110942472B (zh) | 一种基于特征融合与自适应分块的核相关滤波跟踪方法 | |
Zhou et al. | A vegetable disease recognition model for complex background based on region proposal and progressive learning | |
Wu et al. | A transformer-based approach for novel fault detection and fault classification/diagnosis in manufacturing: A rotary system application | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
Spooner et al. | Monitoring batch processes with dynamic time warping and k-nearest neighbours | |
Zhang et al. | Amplitude‐frequency images‐based ConvNet: Applications of fault detection and diagnosis in chemical processes | |
CN106547899B (zh) | 一种基于多尺度时变聚类中心变化的间歇过程时段划分的方法 | |
Bommert | Integration of feature selection stability in model fitting | |
CN117708691B (zh) | 间歇过程监控方法及存储介质、计算机设备 | |
Chunhao et al. | Enhanced high‐order information extraction for multiphase batch process fault monitoring | |
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 | |
Cai et al. | A kernel time structure independent component analysis method for nonlinear process monitoring | |
CN110288005B (zh) | 基于svm的毫米波探测器干扰效果评估方法 | |
CN110347579B (zh) | 基于神经元输出行为模式的深度学习测试用例的选择方法 | |
Wang et al. | Conscience online learning: an efficient approach for robust kernel-based clustering | |
Zhou et al. | Prediction and uncertainty propagation for completion time of batch processes based on data-driven modeling | |
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 | |
CN111160464B (zh) | 基于多隐层加权动态模型的工业高阶动态过程软测量方法 | |
CN106778848A (zh) | 一种基于多类Probit模型的锌精馏塔故障诊断方法 |
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 |