[发明专利]一种基于扩展核熵负载矩阵的MKECA发酵过程故障监测方法

说明书

一种基于扩展核熵负载矩阵的MKECA发酵过程故障监测方法，属于故障监测技术领域。包括“离线建模”和“在线监测”。“离线建模”步骤：首先将采集到的三维数据进行降维和标准化处理，利用核熵成分分析数据的主元信息；之后将时间扩展到核熵负载矩阵当中，生成核熵扩展负载矩阵，并计算核熵扩展负载矩阵间的相似度；最后，利用模糊‑C均值对其进行阶段划分，建立KECA监测模型，计算统计量和相应的控制限。“在线监测”步骤：将采集到的数据进行标准化处理，计算统计量和控制限；与离线控制限比较，若未超限，说明生产过程正常，否则，说明生产过程发生故障。本发明解决跳变点错分阶段的问题，使划分的阶段更加精确，降低误报和漏报率。

技术领域

本发明属于故障监测技术领域，涉及基于数据驱动的间歇过程在线故障监测技术，特别是涉及一种针对多阶段间歇过程进行阶段划分的方法。

背景技术

近年来，间歇生产方式正逐渐超越连续生产方式成为市场的主流，尤其在医学和生物制药领域。多阶段特性是间歇生产过程的一个固有特性，不同阶段内有不同的关键过程变量和控制目标，若直接用现有的多元统计过程监测(Multivariate StatisticalProcess Monitoring, MSPM)方法很难获得满意的效果。很典型的一个现象是，当前模型持续运行一段时间后，会出现大量误报警，而实际上生产过程正处于某一正常模式下。因此，建立一个有效的监控机制是非常必要的。

对多阶段间歇过程进行实时监测，传统方法是将每个批次的生产数据视为一个整体进行监测，或者通过对生产数据进行分析，根据分析所得的数据特征将整个生产过程划分为几个阶段。以上方法大都是降维处理得到负载矩阵，再利用特征矩阵的变异方向或变异幅值来建模，忽略了实际生产过程中未知噪声的存在，导致所建模型精度、灵敏度不高，从而产生大量漏报警和误报警。因此，充分考虑到实际生产中大量未知噪声、奇异值的存在，传统的只依靠负载矩阵建立监测模型的方法存在一定的局限性，导致在线实时监测时产生大量的误报警和漏报警，甚至故障报警时间有一定的滞后。所以，在进行离线建模之前，解决跳变点、奇异值的阶段错划分问题是非常必要的。

发明内容

为弥补以上现有技术的不足，本发明提供了一种基于扩展核熵负载矩阵的多阶段MKECA发酵过程监测方法。由于变量间相关关系变化首先体现在采样时刻上，所以本文将时间片矩阵添加到核熵负载矩阵当中。利用核熵负载矩阵和时刻的综合变化来近似描述生产过程变化，有效降低了生产过程中跳变点和奇异值对建模的影响，提高了模型精度，降低了误报率和漏报率。

本发明是对多阶段间歇过程进行阶段划分并分别建立模型来进行故障监测，提高模型的精度和监测性能；采用了如下的技术方案及实现步骤：

A.离线建模阶段：

1)历史数据的采集：发酵过程每次反应时间不同，且产品要重复性、多批次生产，故一个发酵周期可称为一个批次；因此，采集到正常工况下的发酵过程历史数据比连续过程多一维“批次”元素，即发酵过程的数据是一个三维数据矩阵，其表达形式为X_I×J×K，I是批次数，J是变量个数，K是采样时刻数；

2)三维数据预处理：数据的预处理是建模过程中一个非常重要的环节，不同的数据处理方法可以体现不同的方差和协方差信息。本发明采用的数据处理方法为：首先将三维数据矩阵X_I×J×K沿批次展开为二维矩阵X_I×KJ，再在批次方向上按下式做标准化处理：

其中0≤i≤I，0≤j≤J，0≤k≤K(下同)；I为批次数，J为变量数，K为采样时刻数，k表示第k个采样时刻；x_ikj为X_I×KJ的第i行第 (k-1)×J+j列，即第i个批次中第k个采样时刻的第j个变量；为相应标准化处理后的数据；和s_kj为X_I×KJ第(k-1)×J+j列的均值和方差，即第k时刻的第j个变量的均值和方差。