[发明专利]一种基于DLAE的发酵过程故障监测方法

摘要

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。

主权项

1.一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，其特征包括“离线建模”和“在线监测”两个阶段，具体步骤如下：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：首先计算历史数据X的所有时刻上所有过程变量的均值和标准方差，其中第k采样时刻的第j个过程变量的均值的计算公式为，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，k＝1,...,K，j＝1,...,J；第k采样时刻的第j个过程变量的标准方差s_k,j的计算公式为，然后对历史数据X进行标准化，其中第i批次中第k采样时刻的第j个过程变量的标准化计算公式如下：其中，i＝1,...,I，j＝1,...,J，k＝1,...,K；3)将步骤2)标准化后的数据重新构造成三维矩阵X'，该矩阵共有I个批次，即X'＝(X'₁,X'₂,...,X'_I)^T，其中第i个批次数据X'_i＝(X'_i,1,...,X'_i,K)，X'_i,k＝(X'_i,k,1,...,X'_i,k,J)，其中X_i'_,k,j表示经过步骤2)标准化处理后的第i个批次中第k个采样时刻第j个过程变量的值，其中i＝1,...,I，k＝1,...,K，j＝1,...,J；4)分别计算每个发酵批次的拉普拉斯矩阵，对于步骤3)标准化后的第i批次数据X'_i＝(X'_i,1,X'_i,2,...,X'_i,K)，其拉普拉斯矩阵Lⁱ求取方式如下：利用k近邻法确定X'_i中各样本X'_i,k的邻域N(X'_i,k)，即与X'_i,k距离最近的k个样本点。X'_i中第k时刻样本X'_i,k和第l时刻样本X'_i,l的邻接权系数求取方式为：由此构造第i批次数据的邻接权矩阵Sⁱ：第i批次数据的对角矩阵Dⁱ中对角线元素求取方式如下：第i批次的拉普拉斯矩阵Lⁱ的计算方式如下：Lⁱ＝Dⁱ‑Sⁱ5)建立降噪拉普拉斯自动编码器模型，具体包括以下步骤：(5.1)确定降噪拉普拉斯自动编码器网络结构，包括输入层、隐含层和输出层，输入为加入掩蔽噪声的步骤3)标准化后的发酵过程数据，输出为步骤3)标准化后的发酵过程数据。由输入层到隐含层为编码过程，具体形式为：其中，为加入掩蔽噪声的第i批次中第k采样时刻标准化后的数据，H_i,k为的隐含层编码，σ为隐含层激活函数，W和b分别为输入层到隐含层的连接权值和偏置向量；由隐含层到输出层为解码过程，具体形式为：R_i,k＝W′H_i,k+b′其中，R_i,k为输入后输出层所产生的实际输出向量，W′和b′分别为隐含层到输出层的连接权值和偏置向量；(5.2)对网络参数θ＝{W,W′,b,b′}进行随机初始化，采用小批量梯度下降算法迭代训练降噪拉普拉斯自动编码器，每次迭代使用一个发酵批次样本X'_i来对参数θ进行更新；定义降噪拉普拉斯自动编码器损失函数为：其中，K为第i个批次中的样本个数，X'_i,k为第i个批次中第k时刻的样本，R_i,k为X'_i,k加入掩蔽噪声输入网络得到的输出层实际输出，λ为平衡参数，取值在0‑1之间，trace(·)为求矩阵的迹，Lⁱ为步骤4)中得到的第i批次数据的拉普拉斯矩阵，H_i＝(H_i,1,H_i,2,...,H_i,K)为第i批次数据X'_i的隐含层编码；6)计算建模数据相应的SPE统计量，SPE＝(SPE₁,...,SPE_I)，SPE_i＝(SPE_i,1,...,SPE_i,K)，i＝1,...,I，k＝1,...,K，第i个批次中第k个采样时刻的SPE统计量定义如下：SPE_i,k＝(X'_i,k‑R_i,k)^T(X'_i,k‑R_i,k)X'_i,k为第i个批次中第k个采样时刻的样本，R_i,k为输入X'_i,k到训练好的降噪拉普拉斯自动编码器得到的实际输出；最后，利用核密度估计方法估计上述求得的SPE统计量在预设置信限时的估计值，并将其作为SPE统计量的控制限；B.在线监测阶段：7)采集当前发酵过程第k采样时刻的J个过程变量的数据x_k，并根据步骤2)中得到的k时刻的均值和标准方差对其进行标准化得到其中第k采样时刻的第j个过程变量的标准化公式如下：其中，x_k,j为当前第k采样时刻所采集发酵数据中的第j个过程变量，为第k采样时刻的第j个过程变量的平均值，s_k,j为第k采样时刻的第j个过程变量的标准方差，j＝1,...,J，k＝1,...,K；8)计算当前发酵过程第k时刻采集数据的监控统计量SPE_k，计算公式如下：其中，r_k为将输入离线建模阶段步骤5)中降噪拉普拉斯自动编码器模型得到的输出向量；9)将上述计算得到的监控统计量SPE_k与建模阶段的步骤6)确定的控制限进行比较，如果超限则认为发生故障，进行报警；否则即为正常。10)若发酵过程完毕，则终止监测；否则采集下一时刻的数据，返回步骤7)，继续进行过程监测。