[发明专利]一种基于DLAE的发酵过程故障监测方法

说明书

本发明公开了一种对青霉素发酵过程进行实时故障监测的新方法，包括“离线建模”和“在线监测”两个阶段。“离线建模”包括：首先对发酵过程的三维数据进行处理；之后分别计算各个发酵批次数据的拉普拉斯矩阵，用以表示批次内数据局部结构信息；最后利用降噪拉普拉斯自动编码器(DLAE)进行建模构造监控统计量，并利用核密度估计方法确定控制限。“在线监测”包括：对新采集的数据按照模型进行处理，计算其统计量并与控制限进行比较判断发酵过程是否运行正常。本发明能有效利用批次内数据局部结构，同时降低了拉普拉斯自动编码器训练成本及硬件需求。同时采用降噪训练方式增强了模型鲁棒性，故障监测的准确率较高。

技术领域

本发明涉及基于数据驱动的故障诊断技术领域，特别是涉及一种针对间歇过程的故障诊断技术。本发明的基于数据驱动的方法即是在典型间歇过程——青霉素发酵过程故障监测方面的具体应用。

背景技术

近几十年来，间歇过程因其可以满足生产高附加值产品的需求而受到广泛关注。但其机理复杂、操作复杂度高、产品质量易受不确定性因素的影响。青霉素发酵过程作为典型的间歇过程，具有较强的非线性、动态性、混合高斯分布等特点，为了保证发酵过程操作系统的安全性和稳定性，建立一种有效的过程监控方案来及时地检测异常现象是十分有必要的。

目前，多元统计技术已经广泛应用到间歇过程(包括发酵过程)的过程监控。其中应用较多的方法有多向主成分分析(Multi-way Principal Component Analysis，MPCA)和多向偏最小二乘分析(Multi-way Partial Least Squares，MPLS)，然而这些方法是线性统计方法，对于复杂的实际间歇过程，变量之间往往呈现出很强的非线性相关关系特性。核方法如多向核主成分分析MKPCA和多向核偏最小二乘分析MKPLS可解决非线性问题，但当过程变量众多且采样值数量大，核矩阵K的运算将变得十分复杂，同时核主元的个数对整体的监控性能影响较大。自动编码器(Autoencoder，AE)可以看做PCA的非线性扩展，能够提取工业数据的非线性特征。但AE是基于数据全局结构的特征提取方法，并未考虑数据的局部结构信息，且隐层特征鲁棒性较差，容易受到噪声干扰。这些都极大限制了AE的故障监控性能。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于降噪拉普拉斯自动编码器(Denoising Laplacian Autoencoder，DLAE)的发酵过程故障监测方法。首先将三维的发酵过程数据展开标准化，分别计算每个发酵批次的拉普拉斯矩阵，用于构建拉普拉斯正则项，表示批次内数据局部结构信息。然后引入加噪和去噪的步骤，通过小批量梯度下降算法训练DLAE模型，每次迭代使用一个发酵批次样本以及对应的拉普拉斯矩阵。本发明方法在有效提取数据局部结构信息的同时避免了数据量较大造成的拉普拉斯自动编码器的训练困难。此外，通过降噪的方式训练模型，提高了模型的鲁棒性，有效减少过程监测中误报、漏报的发生，提高故障监测的准确性。

本发明采用了如下的技术方案及实现步骤：

A.离线建模阶段：

1)采集发酵过程正常工况下的历史数据，由离线测试得到的同一发酵过程相同工艺下的I批次数据构成样本集X＝(X₁,X₂,...,X_I)^T，其中X_i表示第i批次数据，每个批次包含K个采样时刻，每个采样时刻采集J个过程变量，即X_i＝(X_i,1,X_i,2,...,X_i,K)，其中X_i,k表示第i批次第k采样时刻采集的数据，X_i,k＝(x_i,k,1,x_i,k,2,...,x_i,k,J)，其中x_i,k,j表示第i批次中第k采样时刻的第j个过程变量的测量值；

2)对历史数据X进行标准化处理，处理方式如下：