申请/专利权人：北京工业大学

申请日：2021-08-24

公开（公告）日：2024-02-06

公开（公告）号：CN113467434B

主分类号：G05B23/02

分类号：G05B23/02

优先权：

专利状态码：有效-授权

法律状态：2024.02.06#授权;2021.10.26#实质审查的生效;2021.10.01#公开

摘要：本发明涉及一种基于双层k近邻标准化的CCA发酵过程KPI相关故障监测方法。离线建模阶段包括以下步骤：采集正常历史过程、质量数据，利用近邻样本近邻集信息对数据进行标准化，采用CCA求得相关系数矩阵，并对其进行广义奇异值分解，将过程变量划分成KPI相关和无关的空间，计算历史统计量与离线控制阈值。在线监测阶段包括以下步骤：利用新时刻数据的近邻样本近邻集对新时刻数据进行标准化，计算当前时刻的统计量并与离线控制阈值比较，根据监测逻辑判断是否发生故障、发生的故障为哪种类型。本发明解决发酵过程数据的多阶段特性和难以测量的KPI导致单一模型监测性能低下的问题，具有一定的泛化能力和很强的现实价值。

主权项：1.基于双层k近邻标准化的CCA发酵过程KPI相关故障监测方法，其特征在于包括以下步骤：Ⅰ离线建模阶段；1历史数据的采集：采集正常工况下的发酵过程历史数据，所述历史数据包括历史过程数据和历史质量变量数据，其中质量变量在发酵过程中指产物浓度，所述历史过程数据是由生产某一产品发酵过程的Jx个过程变量，I个批次，和每个批次的K个采样时刻组成的三维矩阵XI×Jx×K；所述历史质量变量数据是由生产某一产品发酵过程的Jy个质量变量，I个批次，和每个批次的K个采样时刻组成的三维矩阵YI×Jy×K；2三维数据预处理：将XI×Jx×K沿批次展开得到历史二维矩阵XI×KJx；对三维矩阵YI×Jy×K进行同样的预处理得到历史二维矩阵YI×KJy，图1所示为数据预处理过程图示；3选取近邻样本近邻集：对于XI×KJx中每一个批次样本xi1×KJx，采用欧氏距离作为衡量标准，从剩余批次样本中选取xi1×KJx的前m个近邻样本xi1,…,xif,…,xim组成前m近邻集Nxi＝{xi1,…,xif,…,xim}；然后对于Nxi中的每个样本xif，采用欧氏距离作为衡量标准，从XI×KJx的剩余批次样本中选取xif的前M个邻居xif1,xif2,…,xifM组成前M近邻集Nxif＝{xif1,xif2,…,xifM}；采集Nxi的每个样本xif的前M近邻集Nxif组成xi的整体近邻样本近邻集NNxi＝{xi11,xi12,…,xi1M,…,xif1,xif2,…,xifM,…,xim1,xim2,…,ximM}，其中的元素与样本xi1×KJx来自相同阶段；4标准化处理：对第i个批次、第k个时刻、第j个过程变量的样本元素xi,j,k按下式进行标准化计算： 其中，i表示第i个批次数目，i＝1,2,…,I，j表示第j个过程变量数目，j＝1,2,…,Jx，k表示第k个采样时刻，k＝1,2,…,K；xi,j,k为第i个批次、第k个时刻的第j个过程变量,NNj,kxi表示NNxi的第k-1×Jx+j列，meNNj,kxi和stNNj,kxi分别表示NNj,kxi的均值和标准差；上述标准化处理后得到近似为单一阶段的新二维矩阵XI×KJx，再对二维矩阵YI×KJy进行同样的标准化处理；5计算投影矩阵A和B：将XI×KJx沿变量展开得到二维矩阵XIK×Jx，将YI×KJy沿变量展开得到二维矩阵YIK×Jy，计算相关性评估矩阵CT：CT＝CXX-12CXYCYY-12其中，CXX＝ΣXXT和CYY＝ΣYYT分别为X和Y的自协方差矩阵，CXY＝ΣXYT为二者的互协方差矩阵；对CT进行奇异值分解： 其中，Γ和Δ分别是矩阵CT的左、右奇异矩阵，Λκ是对角阵，其对角元素为CT的特征值，κ为主元个数；取Γ的前κ列得到J，取Δ的前κ列得到L，投影矩阵A和B可表示为A＝CXX-12J,B＝CYY-12L；6二维矩阵XIK×Jx的空间划分：计算相关系数矩阵K＝A，H＝BΛκT-1，由于KTK，HTH具有相同维度，因此，对矩阵{H，K}进行广义奇异分解，得到正交矩阵U，V，非奇异矩阵W，对角矩阵ΣH，ΣK，分解公式为：H＝UΣHWTK＝VΣKWT对U进行分解，取U的前Jy列得到KPI相关的负载矩阵取U的剩余Jx-Jy列得到KPI无关的负载矩阵然后将二维矩阵XIK×Jx在负载矩阵和做投影，得到与KPI相关的得分矩阵和与KPI无关的得分矩阵： 通过相关系数矩阵的分解，实现对二维矩阵XIK×Jx的空间划分，得到KPI相关和无关的得分矩阵，从而有效的分辨出KPI相关的故障和KPI无关的故障；7确定离线控制阈值：计算样本的KPI相关监控统计指标和KPI无关监控统计指标及各自的离线控制阈值，计算公式为： 其中，是KPI相关监控统计指标对应的控制阈值，Jth,SPE是KPI无关监控统计指标对应的控制阈值，FαJx,IK-Jx是自由度为Jx和IK-Jx，置信水平为α的F分布，g＝SSPE2μSPE,h＝2μSPE2SSPE,μSPE和SSPE是的均值和方差；Ⅱ在线监测阶段；1获取新采样时刻的过程数据x1×KJx，采用欧氏距离作为衡量标准，选取其在历史二维矩阵XI×KJx中的前m个近邻样本x1,…,xf,…,xm，再对每个样本xf，采用欧氏距离作为衡量标准，从XI×KJx中选取xf的前M个邻居xf1,xf2,…,xfM组成前M近邻集Nxf＝{xf1,xf2,…,xfM}；采集每个样本xf的前M近邻集Nxf组成x的前m个近邻样本近邻集NNx＝{x11,x12,…,x1M,…,xf1,xf2,…,xfM,…,xm1,xm2,…,xmM}；2对第k个时刻、第j个过程变量的新样本元素xj,k按下式进行标准化计算： 其中，xj,k为第k个时刻的第j个过程变量,NNj,kx表示NNx的第k-1×Jx+j列，meNNj,kx和stNNj,kx分别表示NNj,kx的均值和标准差，上述标准化处理后得到新数据x1×KJx；3计算此刻数据的KPI相关统计量T2和KPI无关统计量SPE： 4通过分别比较此刻数据的KPI相关统计量T2和KPI无关统计量SPE与各自离线控制阈值和Jth,SPE的大小，判断是否发生故障，发生的故障为哪种类型：①若T2和SPE均未超出各自控制阈值和Jth,SPE，则说明生产过程正常；②若T2超出SPE未超出Jth,SPE，则说明生产过程发生KPI有关的故障，过程数据未发生故障，KPI受到除了过程数据以外的因素影响造成故障；③若T2未超出SPE超出Jth,SPE，则说明生产过程发生KPI无关的故障，过程数据发生故障但不会导致KPI故障；④若T2和SPE均超出和Jth,SPE,则说明生产过程发生KPI相关的故障，过程数据发生故障且会导致KPI故障。

全文数据：

权利要求：

百度查询： 北京工业大学 基于双层k近邻标准化的CCA发酵过程KPI相关故障监测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD