论文部分内容阅读
随着社会进步、科技水平不断提高使得现代化发酵工业过程正朝着一体化、多样化方向发展。因此,在工业生产过程中,对生产各环节进行有效监测是非常必要的。因为一旦发生故障,不仅会加大生产成本、造成环境污染,甚至会产生人员伤亡。故障监测的意义在于当故障发生时,能够发现异常并通知相关操作人员及时地排除故障。本文通过对发酵过程的慢时变特征和多操作时段特征进行深入分析,打破传统方法在发酵过程故障监测时的局限性,提出了一种新方法以降低误报警率和漏报警率。(1)实现基于核熵成分分析的发酵过程故障监测鉴于发酵过程变量之间的相关性,引入核熵成分分析(Kernel Entropy Component Analysis)KECA方法,充分考虑数据的熵值信息,有效克服了在特征提取时仅仅依靠特征值大小来选取主成分的不足。应用正常工况下的历史数据创建MKECA离线监测模型,以T~2和SPE两个监控指标对间歇过程进行故障监测。(2)研究基于扩展核熵负载矩阵的发酵过程阶段软化分针对发酵过程的多阶段特征,提出了一种基于扩展核熵负载矩阵的阶段划分策略。通过对扩展后的二维时间片数据矩阵进行核熵成分分析(KECA)得到其主成分和负载矩阵,根据所得主元个数实现第一步划分;再将时间片矩阵添加到核熵负载矩阵当中得到扩展核熵负载矩阵,计算各扩展负载矩阵间的相似度,并用模糊C-均值方法对其进行第二次阶段划分。通过增加对体现生产过程改变的时间指标的考虑,有效克服了硬化分的不足,避免了跳变点错分的情况。(3)提出基于滑动窗的发酵过程在线模型更新方法针对发酵过程的慢时变特征,提出了一种基于滑动窗的在线模型更新方法。首先应用所采正常工况下的数据建立基于数据的统计监测模型,再利用变量间的相关性建立机理模型,二者相互作用确定了模型更新的阈值条件。若统计监测模型出现报警,便将当前时刻的相关变量带入机理模型判断是否满足阈值,从而决定是否更新当前监测模型。如此,不仅克服了固定模型监测时变过程的不足,也提高了模型的监测精度,降低了误报和漏报率。(4)发酵现场生产实验研究将文中所提阶段软划分方法和KECA方法应用于实际的氨基酸发酵和大肠杆菌发酵工业生产过程数据。KECA方法能够有效的提取主成分,使得原始数据的空间结构信息得到很好地保留;阶段软划分方法将全部生产过程分为5个阶段,并在各阶段内分别创建监测模型,提高了模型的精度。实验结果表明,文中所提方法不仅能够有效地提取数据信息,快速监测故障的发生。且与传统方法想比,显著降低了误报率和漏报率,监测性能更加可靠。