CN117972461A - 一种发酵生产过程关键参量的软测量方法 - Google Patents
一种发酵生产过程关键参量的软测量方法 Download PDFInfo
- Publication number
- CN117972461A CN117972461A CN202410389922.XA CN202410389922A CN117972461A CN 117972461 A CN117972461 A CN 117972461A CN 202410389922 A CN202410389922 A CN 202410389922A CN 117972461 A CN117972461 A CN 117972461A
- Authority
- CN
- China
- Prior art keywords
- sequence
- key parameter
- clusters
- sampling
- 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.)
- Granted
Links
- 238000000855 fermentation Methods 0.000 title claims abstract description 54
- 230000004151 fermentation Effects 0.000 title claims abstract description 54
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 29
- 238000000691 measurement method Methods 0.000 title claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 151
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000758 substrate Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 12
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000001476 alcoholic effect Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 239000002585 base Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009533 lab test Methods 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
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种发酵生产过程关键参量的软测量方法,包括:获取关键参量序列;根据关键参量序列,筛选强特征数据;获取若干簇以及相邻簇;根据簇内的采样值,得到相关比例;根据相关比例,得到第一相似性;根据相邻簇的采样值,得到第二相似性;根据第一相似性和第二相似性,得到整体相似性;获得数据段;根据数据段内相关比例,筛选协变采样值;根据协变采样值,得到更新关键参量序列;根据更新关键参量序列得到软测量数据。本发明通过结合多种关键参量的变化得到协变采样值,提高了发酵生产过程关键参量的软测量的结果的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种发酵生产过程关键参量的软测量方法。
背景技术
在发酵生产过程中对于关键参量的准确测量是确保产品质量和生产效率的关键,所述关键参量包括温度、pH值、溶氧量、产物浓度、搅拌速度、发酵时间等,然而传统测量需要对样本提取和实验室测试,需要较长时间而无法应对发酵过程的实时调整;软测量技术针对发酵过程中的参量进行预测和估计,通过建立复杂的数学模型和算法,利用历史数据进行参量预测和校准,从而用于发酵生产过程的实时监测和控制。
在发酵生产过程中对关键参量进行监测时,通过构建LSSVM模型实现对关键参量的软测量,然而模型仅对发酵过程中部分阶段具有较好的适应性,受到监测实际量在不同阶段的波动程度不同,使得模型存在全局泛化能力不强、过程特征匹配不佳、精度不高的缺点,难以全面描述复杂的发酵生产过程的全局特性等问题,并且波动较大的数据在进行模型量化时会消耗巨大时间,个别突出时间节点的数据会导致模型产生误差,进而降低发酵生产过程关键参量的软测量结果的准确性。
发明内容
本发明提供一种发酵生产过程关键参量的软测量方法,以解决现有的问题。
本发明的一种发酵生产过程关键参量的软测量方法采用如下技术方案:
本发明一个实施例提供了一种发酵生产过程关键参量的软测量方法,该方法包括以下步骤:
获取若干关键参量序列,所述关键参量序列内的每一个序列值为一个采样值;获取每一个关键参量序列的极大值;根据任意一个关键参量序列的所有采样值,得到每个采样值的斜率以及斜率增量;根据每个采样值的斜率增量,得到关键参量序列中每个极大值的突出程度;根据任意一个关键参量序列的所有极大值的突出程度,在所有极大值中筛选出若干个强特征数据;
在任意一个关键参量序列中,获取关键参量序列的若干簇以及相邻簇;根据关键参量序列的每一个簇内的采样值与其他关键参量序列的采样值,得到每一个簇内的采样值的相关比例;根据每一对相邻簇内的采样值的相关比例,得到相邻簇的第一相似性;
根据任意一个关键参量序列中每一对相邻簇的采样值,得到相邻簇的第二相似性;
根据任意一个关键参量序列中每一对相邻簇的第一相似性和第二相似性,得到相邻簇的整体相似性;
在任意一个关键参量序列中,基于相邻簇的整体相似性,对关键参量序列进行分段,得到若干个数据段;根据每个数据段内所有采样值的相关比例,在每个数据段内的采样值中筛选出若干个协变采样值;基于协变采样值的斜率对强特征数据进行数据拟合,得到更新关键参量序列;
根据更新关键参量序列得到软测量数据。
进一步地,所述根据任意一个关键参量序列的所有采样值,得到每个采样值的斜率以及斜率增量,包括的具体步骤如下:
在任意一个关键参量序列中,对每个采样值获取斜率;将每一个采样值的斜率与前一个采样值的斜率差值记作每一个采样值的斜率增量。
进一步地,所述根据每个采样值的斜率增量,得到关键参量序列中每个极大值的突出程度,包括的具体计算方式如下:
式中,为第/>个关键参量序列在第/>个采样时刻的极大值/>的突出程度,/>、、/>以及/>分别为第/>个关键参量序列在第/>个、第/>个、第/>个以及第个采样时刻的采样值的斜率增量,/>为以自然常数为底的指数函数,/>为绝对值函数。
进一步地,所述根据关键参量序列的每一个簇内的采样值与其他关键参量序列的采样值,得到每一个簇内的采样值的相关比例,包括的具体步骤如下:
以第个关键参量序列的第/>个簇内任意一个采样值为中心,建立预设长度n的窗口,记为目标窗口;根据目标窗口内所包含的采样时刻的范围,将其他关键参量序列的同一采样时刻的范围的采样值的数据段记为参考窗口;计算目标窗口内的采样值与参考窗口内的采样值的斜率的皮尔逊相关系数;统计皮尔逊相关系数的绝对值大于预设的相关阈值Q的皮尔逊相关系数的个数,将得到的个数与关键参量序列的个数的比值记作第/>个关键参量序列的第/>个簇内该采样值的相关比例。
进一步地,所述根据每一对相邻簇内的采样值的相关比例,得到相邻簇的第一相似性,包括的具体计算方式如下:
式中,为第/>个关键参量序列的第/>个簇和第/>个簇的第一相似性,/>为第j个簇和第j+1个簇的长度的最小值,/>和/>分别为第/>个关键参量序列的第/>个簇和第个簇中第/>个采样值的相关比例,/>为避免分母为0的超参数,/>为以自然常数为底的指数函数,/>为绝对值函数。
进一步地,所述根据任意一个关键参量序列中每一对相邻簇的采样值,得到相邻簇的第二相似性,包括的具体步骤如下:
在第个关键参量序列的每一个簇中,将采样值的斜率按照时序排列组成的序列作为增量序列;
第个关键参量序列的第/>个簇和第/>个簇的第二相似性的计算方式为:
式中,为第/>个关键参量序列的第/>个簇和第/>个簇的第二相似性,为第/>个关键参量序列的第/>个簇和第/>个簇的增量序列的/>距离,为以自然常数为底的指数函数。
进一步地,所述根据任意一个关键参量序列中每一对相邻簇的第一相似性和第二相似性,得到相邻簇的整体相似性,包括的具体步骤如下:
对于第个关键参量序列的第/>个簇和第/>个簇,将第一相似性与预设的第一权重/>相乘,再将第二相似性与预设的第二权重/>相乘,将两个乘积的和值记为第/>个关键参量序列的第/>个簇和第/>个簇的整体相似性。
进一步地,所述在任意一个关键参量序列中,基于相邻簇的整体相似性,对关键参量序列进行分段,得到若干个数据段,包括的具体步骤如下:
(1)初始化聚类:对于任意一个关键参量序列,将关键参量序列内的每个采样值作为一个单独的簇;
(2)计算每一对相邻簇之间的整体相似性;
(3)合并最近的聚类:根据相邻簇之间的整体相似性,将整体相似性最大的一对相邻簇合并为一个簇,得到若干个更新簇;
(4)重复步骤(2)和步骤(3),直到所有相邻簇之间的整体相似性小于预设的停止阈值M时,将最后一次迭代的更新簇作为结果簇,并在关键参量序列中,将每个结果簇作为一个数据段。
进一步地,所述根据每个数据段内所有采样值的相关比例,在每个数据段内的采样值中筛选出若干个协变采样值,包括的具体步骤如下:
在每一个数据段中,将所有采样值的相关比例进行降序排列,得到比例降序序列;将比例降序序列的每一个序列值减去前一个序列值,得到每一个序列值的变化程度,将比例降序序列中变化程度最大的序列值记为分割点,将比例降序序列中分割点及以前的序列值在数据段中对应的所有采样值记作协变采样值。
进一步地,所述基于协变采样值的斜率对强特征数据进行数据拟合,得到更新关键参量序列,包括的具体步骤如下:
对于第个关键参量序列的第/>个强特征数据/>,获取/>在其他关键参量序列上同一采样时刻的所有协变采样值的斜率的均值,将强特征数据/>的前一个采样值与所述均值的和值,作为第/>个强特征数据的拟合数据;
对每个关键参量序列中的每个强特征数据进行拟合,将每个强特征数据的拟合结果在关键参量序列中更新,得到更新关键参量序列。
本发明的技术方案的有益效果是:本发明根据每一对相邻簇内的采样值的相关比例,得到相邻簇的第一相似性,为层次聚类的合并提供了初步依据,提高了关键参量的软测量的结果的准确性;根据任意一个关键参量序列中每一对相邻簇的采样值,得到相邻簇的第二相似性,使得层次聚类的结果更加准确,进一步提高了关键参量的软测量的结果的可信度;根据任意一个关键参量序列中每一对相邻簇的第一相似性和第二相似性,得到相邻簇的整体相似性,得到准确的层次聚类的结果。至此本发明通过准确可信的层次聚类的结果,筛选协变采样值,对强特征数据进行数据拟合,得到更加准确可信的关键参量的软测量结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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为本发明一种发酵生产过程关键参量的软测量方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种发酵生产过程关键参量的软测量方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种发酵生产过程关键参量的软测量方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种发酵生产过程关键参量的软测量方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取若干关键参量序列,所述关键参量序列内的每一个序列值为一个采样值;获取每一个关键参量序列的极大值;根据任意一个关键参量序列的所有采样值,得到每个采样值的斜率以及斜率增量;根据每个采样值的斜率增量,得到关键参量序列中每个极大值的突出程度;根据任意一个关键参量序列的所有极大值的突出程度,在所有极大值中筛选出若干个强特征数据。
本实施例的目的是对采集的每个关键参量序列进行多维度分析的平滑处理,将波动的采样值平滑从而用于LSSVM模型的发酵生产过程软测量。
具体的,在发酵罐内部安装温度、酸碱、溶氧量及浓度传感器,分别对发酵罐内发酵物的温度、pH值、溶氧量及产物浓度共4种关键参量数据进行监测,并对搅拌速度及发酵时间两种关键参量数据进行记录,其中采样的开始时间为开始发酵的时间,每隔1分钟采样一次,得到若干种关键参量数据的时序序列,记为关键参量序列,所述关键参量序列中的中的每一个序列值表示关键参量在每一个采样时刻的采样值,并分别对每个关键参量序列的采样值进行数值化处理,数值化处理即为对同一关键参量序列中所有采样值进行线性归一化处理。
需要说明的是,监测发酵生产过程中每个关键参量的正常数据随着时间的变化应当是平稳变化的,当发酵出现异常时,或发酵过程中传感器存在问题导致部分数据与其邻域时间内的其他关键参量数据存在较大差异时,这些采样时间的突出关键参量数据就属于强特征数据,因此本实施例通过关键参量数据在每个采样时刻与其时间邻域内其他数据的差异获得每个关键参量数据的突出程度,进而获得每个关键参量中的强特征数据。
具体的,以任意一个关键参量序列为例,在关键参量序列中,对每个采样值获取斜率,需要说明的是,关键参量序列中的第一个采样值的斜率与第二个采样值的斜率相等;在关键参量序列中,将每一个采样值的斜率与前一个采样值的斜率差值记作每一个采样值的斜率增量,需要说明的是,关键参量序列中第一个采样值的斜率增量与第二个采样值的斜率增量相等;利用一阶导数法分别获取每个关键参量序列的极大值,第个关键参量序列在第/>个采样时刻的极大值/>的突出程度的计算方式为:
式中,为第/>个关键参量序列在第/>个采样时刻的极大值/>的突出程度,/>、、/>以及/>分别为第/>个关键参量序列在第/>个、第/>个、第/>个以及第个采样时刻的采样值的斜率增量,/>为以自然常数为底的指数函数,/>为绝对值函数;按照上述方法获取第/>个关键参量序列的每个极大值的突出程度。
式中,表示第/>个关键参量序列在第/>个采样时刻的相邻两个时刻的采样值变化的差异,取值越大说明第/>个关键参量序列在第/>个采样时刻相较于邻域是突出的,且取值越大突出程度越大;/>表示第/>个关键参量序列在第/>个采样时刻的更远邻域内采样值变化趋势的近似程度,当其值越趋近于1时,第/>个关键参量序列越平稳,若第/>个关键参量序列在第/>个采样时刻越突出,则第/>个关键参量序列在第/>个采样时刻的极大值/>的突出程度取值越大。
需要说明的是,关键参量序列的极大值与其附近的采样值的差异越大,越可能是异常值,所述极大值需要被拟合以便LSSVM模型进行软测量。
进一步地,根据预设的突出阈值T,当任意一个关键参量序列在任意一个极大值的突出程度大于预设的突出阈值T时,则将该极大值记为强特征数据;预设的突出阈值T=0.7,本实施例以此为例进行叙述,其它实施方式中可设置为其它值。
步骤S002:在任意一个关键参量序列中,获取关键参量序列的若干簇以及相邻簇;根据关键参量序列的每一个簇内的采样值与其他关键参量序列的采样值,得到每一个簇内的采样值的相关比例;根据每一对相邻簇内的采样值的相关比例,得到相邻簇的第一相似性。
需要说明的是,由于发酵生产在不同阶段的产物不同,使得多个关键参量之间的变化关系在不同阶段存在较大的差异,例如在酒精发酵过程中初期发酵液中主要是糖分,而随着发酵时间的增加发酵液内糖分减少、酵母菌数量增加、溶氧量减少,在发酵的高峰期糖分降低速度最快、酒精度达到增幅峰值,但随着进入发酵末期由于发酵液中酒精含量过高会杀死酵母菌,此时糖分降低的速度减缓、酒精度增幅降低,酵母菌数量下降;因此发酵过程通常包括调整阶段、指数生长阶段、稳定阶段和衰变阶段,在不同阶段产生协变的关键参量不同,因此需要对待平滑的关键参量通过阶段分析,获得关键参量在每个阶段所对应的协变采样值。
需要进一步说明的是,本实施例通过层次聚类的方法,将关键参量序列中连续且相似的采样值聚为同一类,从而实现对关键参量序列的分段。在层次聚类过程中,进行相似性度量的判定时,现有技术主要通过单一关键参量序列的采样值的分布或序列本身的属性特征之间的相似性进行衡量,而不考虑发酵过程中多种关键参量之间的关联,使得层次聚类的分段结果中,同一个簇对应的其他关键参量数据可能不属于同一个发酵阶段,进而导致在进行插值拟合时,当前关键参量序列的某一个分段的与其他关键参量序列的同时刻分段内可能包含多个发酵阶段,进而导致了所选取进行拟合插值参考的其他关键参量序列,由于整体相关联但部分不关联,可能使得属于不关联部分的强特征数据被错误的关联数据拟合,导致拟合的结果存在较大误差。故本实施例结合多个关键参量序列,对关键参量序列进行分段。
具体的,对层次聚类过程中的簇与簇之间的距离进行定义:在层次聚类过程中,获取关键参量序列的若干个簇;以第个关键参量序列的第/>个簇内任意一个采样值为中心,建立预设长度n的窗口,记为目标窗口,预设长度n=21,本实施例以此为例进行叙述,其它实施方式中可设置为其它值;需要说明的是,若窗口内包含有除第/>个簇外的其他簇的采样点时,则在窗口内仅保留第/>个簇的采样点,舍弃其他簇的采样点;根据目标窗口内所包含的采样时刻的范围,将其他关键参量序列的同一采样时刻的范围的采样值的数据段记为参考窗口;计算目标窗口内的采样值与参考窗口内的采样值的斜率的皮尔逊相关系数,皮尔逊相关系数为公知技术,具体方法在此不做介绍;统计皮尔逊相关系数的绝对值大于预设的相关阈值Q的皮尔逊相关系数的个数,将得到的个数与关键参量序列的个数的比值记作第/>个关键参量序列的第/>个簇内该采样值的相关比例;预设的相关阈值Q=0.7,本实施例以此为例进行叙述,其它实施方式中可设置为其它值。
第个关键参量序列的第/>个簇和第/>个簇的第一相似性的计算方式为:
式中,为第/>个关键参量序列的第/>个簇和第/>个簇的第一相似性,/>为第j个簇和第j+1个簇的长度的最小值,/>和/>分别为第/>个关键参量序列的第/>个簇和第个簇中第/>个采样值的相关比例,/>为避免分母为0的超参数,本实施例采用/>进行叙述,/>为以自然常数为底的指数函数,/>为绝对值函数。
需要说明的是,若第个关键参量序列的第/>个簇和第/>个簇的相似性较高,则在第/>个簇和第/>个簇中第/>个关键参量序列在发生变化时,第/>个采样值的发生近似的变化,且存在变化的关键参量越近似,那么其相似性越高,则第一相似性的取值越大。
根据上述方法,得到每一个关键参量序列中每一对相邻簇的第一相似性。
步骤S003:根据任意一个关键参量序列中每一对相邻簇的采样值,得到相邻簇的第二相似性。
具体的,在第个关键参量序列的每一个簇中,将采样值的斜率按照时序排列组成的序列作为增量序列;第/>个关键参量序列的第/>个簇和第/>个簇的第二相似性的计算方式为:
式中,为第/>个关键参量序列的第/>个簇和第/>个簇的第二相似性,为第/>个关键参量序列的第/>个簇和第/>个簇的增量序列的/>距离,为以自然常数为底的指数函数。
式中,表示相邻簇的变化趋势的相似性,取值越小说明第/>个关键参量的第/>个簇和第/>个簇的变化趋势越近似。/>为公知技术,具体方法在此不做介绍。/>的中文全称为动态时间归整,英文全称为 Dynamic Time Warping。
步骤S004:根据任意一个关键参量序列中每一对相邻簇的第一相似性和第二相似性,得到相邻簇的整体相似性。
进一步的,对于第个关键参量序列的第/>个簇和第/>个簇,将第一相似性与预设的第一权重/>相乘,再将第二相似性与预设的第二权重/>相乘,将两个乘积的和值记为第/>个关键参量序列的第/>个簇和第/>个簇的整体相似性;预设的第一权重/>=0.4,预设的第二权重/>=0.6,本实施例以此为例进行叙述,其它实施方式中可设置为其它值。
步骤S005:在任意一个关键参量序列中,基于相邻簇的整体相似性,对关键参量序列进行分段,得到若干个数据段;根据每个数据段内所有采样值的相关比例,在每个数据段内的采样值中筛选出若干个协变采样值;基于协变采样值的斜率对强特征数据进行数据拟合,得到更新关键参量序列。
需要说明的是,根据相邻两个簇之间的整体相似性对两个簇进行合并时,第个关键参量序列的第/>个簇和第/>个簇的整体相似性越大,说明第/>个关键参量序列的第/>个簇和第/>个簇不仅数据的变化趋势近似,且其影响、被影响的关键参量序列也近似,此时将第/>个关键参量序列的第/>个簇和第/>个簇进行合并,第/>个关键参量序列的第/>个簇和第/>个簇的整体相似性越小,说明第/>个关键参量序列的第/>个簇和第/>个簇的数据的变化趋势差异巨大,或其影响、被影响的关键参量也存在差异,因此其属于独立的。
具体的,按照下述步骤对关键参量序列进行分段:
(1)初始化聚类:对于任意一个关键参量序列,将关键参量序列内的每个采样值作为一个单独的簇;
(2)计算每一对相邻簇之间的整体相似性;需要说明的是,若簇中采样值的数量小于预设长度n,则不计算整体相似性,并以层次聚类中原有合并方式进行合并,若大于或等于预设长度n,则计算整体相似性;
(3)合并最近的聚类:根据相邻簇之间的整体相似性,将整体相似性最大的一对相邻簇合并为一个簇,得到若干个更新簇;
(4)重复步骤(2)和步骤(3),直到所有相邻簇之间的整体相似性小于预设的停止阈值M时,将最后一次迭代的更新簇作为结果簇,并在关键参量序列中,将每个结果簇作为一个数据段,至此,将关键参量序列分为若干个数据段;其中预设停止阈值M=0.7,本实施例以此为例进行叙述,其它实施方式中可设置为其它值。
进一步的,在每一个数据段中,将所有采样值的相关比例进行降序排列,得到比例降序序列;将比例降序序列的每一个序列值减去前一个序列值,得到每一个序列值的变化程度,需要说明的是,比例降序序列的第一个序列值的变化程度等于第二个序列值的变化程度,将比例降序序列中变化程度最大的序列值记为分割点,将比例降序序列中分割点及以前的序列值在数据段中对应的所有采样值记作协变采样值。
对于第个关键参量序列的第/>个强特征数据/>,获取/>在其他关键参量序列上同一采样时刻的所有协变采样值的斜率的均值,即不是协变采样值的不参与计算,将强特征数据/>的前一个采样值与所述均值的和值,作为第/>个强特征数据的拟合数据。
根据上述方法对每个关键参量序列中的每个强特征数据进行拟合,将每个强特征数据的拟合结果在关键参量序列中更新,得到更新关键参量序列。
步骤S006:根据更新关键参量序列得到软测量数据。
将更新关键参量序列输入到LSSVM模型中获得下一采样时刻的数据,则LSSVM模型获得的下一采样时刻的数据即为软测量数据,根据软测量数据进行发酵生产的调整,并比对软测量数据与监测实际量的结果,判断发酵是否存在异常,其中发酵生产异常判断为现有范围,本实施例不再赘述。LSSVM模型为公知技术,具体方法在此不做介绍。LSSVM模型的中文全称为最小二乘支持向量机,英文全称为Least Squares Support Vector Machine。
至此,本发明完成。
需要说明的是,本实施例采用模型来呈现反比例关系及归一化处理,/>为模型的输入,实施者可根据实际情况设置反比例函数及归一化函数。
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)
1.一种发酵生产过程关键参量的软测量方法,其特征在于,该方法包括以下步骤:
获取若干关键参量序列,所述关键参量序列内的每一个序列值为一个采样值;获取每一个关键参量序列的极大值;根据任意一个关键参量序列的所有采样值,得到每个采样值的斜率以及斜率增量;根据每个采样值的斜率增量,得到关键参量序列中每个极大值的突出程度;根据任意一个关键参量序列的所有极大值的突出程度,在所有极大值中筛选出若干个强特征数据;
在任意一个关键参量序列中,获取关键参量序列的若干簇以及相邻簇;根据关键参量序列的每一个簇内的采样值与其他关键参量序列的采样值,得到每一个簇内的采样值的相关比例;根据每一对相邻簇内的采样值的相关比例,得到相邻簇的第一相似性;
根据任意一个关键参量序列中每一对相邻簇的采样值,得到相邻簇的第二相似性;
根据任意一个关键参量序列中每一对相邻簇的第一相似性和第二相似性,得到相邻簇的整体相似性;
在任意一个关键参量序列中,基于相邻簇的整体相似性,对关键参量序列进行分段,得到若干个数据段;根据每个数据段内所有采样值的相关比例,在每个数据段内的采样值中筛选出若干个协变采样值;基于协变采样值的斜率对强特征数据进行数据拟合,得到更新关键参量序列;
根据更新关键参量序列得到软测量数据。
2.根据权利要求1所述一种发酵生产过程关键参量的软测量方法,其特征在于,所述根据任意一个关键参量序列的所有采样值,得到每个采样值的斜率以及斜率增量,包括的具体步骤如下:
在任意一个关键参量序列中,对每个采样值获取斜率;将每一个采样值的斜率与前一个采样值的斜率差值记作每一个采样值的斜率增量。
3.根据权利要求1所述一种发酵生产过程关键参量的软测量方法,其特征在于,所述根据每个采样值的斜率增量,得到关键参量序列中每个极大值的突出程度,包括的具体计算方式如下:
式中,为第/>个关键参量序列在第/>个采样时刻的极大值/>的突出程度,/>、/>、以及/>分别为第/>个关键参量序列在第/>个、第/>个、第/>个以及第/>个采样时刻的采样值的斜率增量,/>为以自然常数为底的指数函数,/>为绝对值函数。
4.根据权利要求1所述一种发酵生产过程关键参量的软测量方法,其特征在于,所述根据关键参量序列的每一个簇内的采样值与其他关键参量序列的采样值,得到每一个簇内的采样值的相关比例,包括的具体步骤如下:
以第个关键参量序列的第/>个簇内任意一个采样值为中心,建立预设长度n的窗口,记为目标窗口;根据目标窗口内所包含的采样时刻的范围,将其他关键参量序列的同一采样时刻的范围的采样值的数据段记为参考窗口;计算目标窗口内的采样值与参考窗口内的采样值的斜率的皮尔逊相关系数;统计皮尔逊相关系数的绝对值大于预设的相关阈值Q的皮尔逊相关系数的个数,将得到的个数与关键参量序列的个数的比值记作第/>个关键参量序列的第/>个簇内该采样值的相关比例。
5.根据权利要求1所述一种发酵生产过程关键参量的软测量方法,其特征在于,所述根据每一对相邻簇内的采样值的相关比例,得到相邻簇的第一相似性,包括的具体计算方式如下:
式中,为第/>个关键参量序列的第/>个簇和第/>个簇的第一相似性,/>为第j个簇和第j+1个簇的长度的最小值,/>和/>分别为第/>个关键参量序列的第/>个簇和第/>个簇中第/>个采样值的相关比例,/>为避免分母为0的超参数,/>为以自然常数为底的指数函数,/>为绝对值函数。
6.根据权利要求1所述一种发酵生产过程关键参量的软测量方法,其特征在于,所述根据任意一个关键参量序列中每一对相邻簇的采样值,得到相邻簇的第二相似性,包括的具体步骤如下:
在第个关键参量序列的每一个簇中,将采样值的斜率按照时序排列组成的序列作为增量序列;
第个关键参量序列的第/>个簇和第/>个簇的第二相似性的计算方式为:
式中,为第/>个关键参量序列的第/>个簇和第/>个簇的第二相似性,为第/>个关键参量序列的第/>个簇和第/>个簇的增量序列的/>距离,为以自然常数为底的指数函数。
7.根据权利要求1所述一种发酵生产过程关键参量的软测量方法,其特征在于,所述根据任意一个关键参量序列中每一对相邻簇的第一相似性和第二相似性,得到相邻簇的整体相似性,包括的具体步骤如下:
对于第个关键参量序列的第/>个簇和第/>个簇,将第一相似性与预设的第一权重/>相乘,再将第二相似性与预设的第二权重/>相乘,将两个乘积的和值记为第/>个关键参量序列的第/>个簇和第/>个簇的整体相似性。
8.根据权利要求1所述一种发酵生产过程关键参量的软测量方法,其特征在于,所述在任意一个关键参量序列中,基于相邻簇的整体相似性,对关键参量序列进行分段,得到若干个数据段,包括的具体步骤如下:
(1)初始化聚类:对于任意一个关键参量序列,将关键参量序列内的每个采样值作为一个单独的簇;
(2)计算每一对相邻簇之间的整体相似性;
(3)合并最近的聚类:根据相邻簇之间的整体相似性,将整体相似性最大的一对相邻簇合并为一个簇,得到若干个更新簇;
(4)重复步骤(2)和步骤(3),直到所有相邻簇之间的整体相似性小于预设的停止阈值M时,将最后一次迭代的更新簇作为结果簇,并在关键参量序列中,将每个结果簇作为一个数据段。
9.根据权利要求1所述一种发酵生产过程关键参量的软测量方法,其特征在于,所述根据每个数据段内所有采样值的相关比例,在每个数据段内的采样值中筛选出若干个协变采样值,包括的具体步骤如下:
在每一个数据段中,将所有采样值的相关比例进行降序排列,得到比例降序序列;将比例降序序列的每一个序列值减去前一个序列值,得到每一个序列值的变化程度,将比例降序序列中变化程度最大的序列值记为分割点,将比例降序序列中分割点及以前的序列值在数据段中对应的所有采样值记作协变采样值。
10.根据权利要求1所述一种发酵生产过程关键参量的软测量方法,其特征在于,所述基于协变采样值的斜率对强特征数据进行数据拟合,得到更新关键参量序列,包括的具体步骤如下:
对于第个关键参量序列的第/>个强特征数据/>,获取/>在其他关键参量序列上同一采样时刻的所有协变采样值的斜率的均值,将强特征数据/>的前一个采样值与所述均值的和值,作为第/>个强特征数据的拟合数据;
对每个关键参量序列中的每个强特征数据进行拟合,将每个强特征数据的拟合结果在关键参量序列中更新,得到更新关键参量序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389922.XA CN117972461B (zh) | 2024-04-02 | 2024-04-02 | 一种发酵生产过程关键参量的软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389922.XA CN117972461B (zh) | 2024-04-02 | 2024-04-02 | 一种发酵生产过程关键参量的软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117972461A true CN117972461A (zh) | 2024-05-03 |
CN117972461B CN117972461B (zh) | 2024-06-14 |
Family
ID=90849967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410389922.XA Active CN117972461B (zh) | 2024-04-02 | 2024-04-02 | 一种发酵生产过程关键参量的软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117972461B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012177792A2 (en) * | 2011-06-24 | 2012-12-27 | Sequenom, Inc. | Methods and processes for non-invasive assessment of a genetic variation |
US20130336138A1 (en) * | 2012-06-18 | 2013-12-19 | Qualcomm Incorporated | Location detection within identifiable pre-defined geographic areas |
CN109525508A (zh) * | 2018-12-15 | 2019-03-26 | 深圳先进技术研究院 | 基于流量相似性比对的加密流识别方法、装置及存储介质 |
CN112118494A (zh) * | 2019-06-20 | 2020-12-22 | 腾讯科技(深圳)有限公司 | 一种视频数据处理方法、装置及存储介质 |
CN113515554A (zh) * | 2020-04-09 | 2021-10-19 | 华晨宝马汽车有限公司 | 用于不规则采样的时间序列的异常检测方法和系统 |
CN114280935A (zh) * | 2021-12-16 | 2022-04-05 | 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 |
CN117390591A (zh) * | 2023-12-11 | 2024-01-12 | 华洋通信科技股份有限公司 | 基于电参量分析的输煤皮带采样机运行监测方法及系统 |
CN117689321A (zh) * | 2022-09-01 | 2024-03-12 | 北京沃东天骏信息技术有限公司 | 业务数据处理方法及装置 |
-
2024
- 2024-04-02 CN CN202410389922.XA patent/CN117972461B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012177792A2 (en) * | 2011-06-24 | 2012-12-27 | Sequenom, Inc. | Methods and processes for non-invasive assessment of a genetic variation |
US20130336138A1 (en) * | 2012-06-18 | 2013-12-19 | Qualcomm Incorporated | Location detection within identifiable pre-defined geographic areas |
CN109525508A (zh) * | 2018-12-15 | 2019-03-26 | 深圳先进技术研究院 | 基于流量相似性比对的加密流识别方法、装置及存储介质 |
CN112118494A (zh) * | 2019-06-20 | 2020-12-22 | 腾讯科技(深圳)有限公司 | 一种视频数据处理方法、装置及存储介质 |
CN113515554A (zh) * | 2020-04-09 | 2021-10-19 | 华晨宝马汽车有限公司 | 用于不规则采样的时间序列的异常检测方法和系统 |
CN114280935A (zh) * | 2021-12-16 | 2022-04-05 | 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 |
CN117689321A (zh) * | 2022-09-01 | 2024-03-12 | 北京沃东天骏信息技术有限公司 | 业务数据处理方法及装置 |
CN117390591A (zh) * | 2023-12-11 | 2024-01-12 | 华洋通信科技股份有限公司 | 基于电参量分析的输煤皮带采样机运行监测方法及系统 |
Non-Patent Citations (3)
Title |
---|
QIJUN HU: "A method for microstructure similarity clustering and feature reconstruction for weathered weak muddy intercalations", 《 HTTPS://DOI.ORG/10.1007/S10064-018-1353-Z》, 30 April 2018 (2018-04-30), pages 3531 - 3539 * |
张晓龙, 吴敏, 向齐良, 向婕: "基于预报的烧结终点模糊控制", 计算机测量与控制, no. 10, 25 October 2005 (2005-10-25) * |
汤其婕;朱小萍;: "基于关键点的不确定时间序列线性降维方法", 计算机技术与发展, no. 08, 28 April 2018 (2018-04-28) * |
Also Published As
Publication number | Publication date |
---|---|
CN117972461B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889085A (zh) | 基于复杂网络多元在线回归的废水智能监控方法及系统 | |
CN116541732B (zh) | 基于超声波数据与最优化算法的气象监测系统 | |
CN111832176B (zh) | 降雨条件下全极化微波辐射计海面风场反演方法及系统 | |
CN117314016A (zh) | 基于bim技术的水利工程在线监控方法 | |
CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
CN117313016A (zh) | 一种新能源电力交易现货电价价差数据处理方法 | |
CN117972461B (zh) | 一种发酵生产过程关键参量的软测量方法 | |
CN117313020B (zh) | 一种承载式张力传感器数据处理方法 | |
CN116578870A (zh) | 一种基于波动互相关分析的配网电压异常数据填补方法 | |
CN117251749B (zh) | 一种基于增量分析的物联网数据处理方法 | |
CN114330915A (zh) | 一种短期风电功率组合模型预测方法 | |
CN117743280A (zh) | 一种公路桥梁施工数据智能管理方法 | |
CN112651178A (zh) | 一种基于无规则缺失数据融合模型的丁烷含量预测方法 | |
CN116595403B (zh) | 一种排风管道气体状态实时监测管理系统 | |
CN107808209B (zh) | 基于加权kNN距离的风电场异常数据辨识方法 | |
CN109325065A (zh) | 基于动态隐变量模型的多采样率软测量方法 | |
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 | |
CN116991841A (zh) | 一种用于混合风数据模型的数据智能清洗方法 | |
CN110162853B (zh) | 一种基于力学模型的力学实验数据前处理方法 | |
CN113312587A (zh) | 基于arima预测和回归预测的传感器采集数据缺失值处理方法 | |
CN117708625B (zh) | 一种乏数据背景下大坝监测历史数据填补方法 | |
CN118130743B (zh) | 基于云计算的水质监测数据处理方法及系统 | |
CN117312617B (zh) | 基于污水数据监测的实时污水处理方法及系统 | |
CN116629706B (zh) | 一种基于bim的绿色节能建筑施工质量评估方法 | |
CN117651282A (zh) | 基于lstm网络的鸡舍环境信息虚拟采集系统 |
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 |