本发明属于自动化工业过程监测领域,是一种涉及发酵过程的基于多向主元素分析法的在线监测方法。
背景技术
实际生产过程的复杂多样性导致了数学模型难以建立,或者建立出的数学模型具有较强的非线性。于是在大量生产数据的前提下产生了统计过程监测方法,这些方法由于不需要任何的机理建模过程,仅通过对数据的在线监测就能判断出生产情况是否异常,故大量用于实际生产过程。其中多向主元素分析法应用较为广泛。传统方法假设某一时刻的数据和前面时刻的数据无关,如果工业生产过程较为缓慢且生产状态变化缓慢,那么这样是不可行的。而多向主元素分析法不仅考虑到生产过程中批次相关性,还考虑到了前后时间相关性。通过监测数据计算监测指标来判断生产过程是否正常。
技术实现要素:
本发明目的是针对多向主元素分析法的不足之处增加了统计量,得到一种新的监测方法能够更早地发现生产异常。首先基于工业发酵过程,采样得到多个发酵点的发酵情况,建立观测数据的矩阵模型,然后优化模型并计算监测指标判断是否出现异常。
本发明的技术方案是通过数据采集、模型建立、故障监测等手段,确立了一种基于多向主元素分析法的在线监测方法,利用该方法可以更早发现生产异常。
本发明的方法步骤包括:
步骤1、建立改进算法的模型,具体步骤是:
1-1.通过采样得到第i批次第k时刻时间序列模型:
xi(k)=[(xi(k))t(xi(k-1))t…(xi(k-d))t]
其中k是时刻,d是时滞窗口长度,i是批次,xi(k)、xi(k-1)…xi(k-d)分别是第i批次第k时刻、第k-1时刻…第k-d时刻采样数据组成的向量,t是转置符号,每个时刻数据都要采样j次。
1-2.利用1-1数据扩展成时滞数据窗口:
其中
1-3.计算协方差矩阵:
其中si(j×j)是第i批次的协方差矩阵,j是每个时刻采样的次数,k是采样总次数。
1-4.对1-3的数据进行主成分分析,得到其所有特征值以及特征向量,并且按从大到小排列,从中选取r个较大的特征值构成负荷矩阵:
p(j×r)=[p1p2…pr]
其中p(j×r)是负荷矩阵,p1…p2…pr是选取的第一个…第二个…第r个特征向量。
步骤2、在线故障监测,具体步骤是:
2-1.采样获取某个新批次第k时刻的数据,由1-1和1-2得:
其中xnew(k)、xnew(k-d+1)…xnew(k-d)是新批次第k时刻、第k-d+1时刻…第k-d时刻的时间序列模型。
2-2.根据2-1计算残差矩阵,选择r个主过程变量(pv),其余(j-r)个剩余变量(cv):
enew(k)=xnew(k)(i-ppt)
其中enew(k)是新批次第k时刻总数据的残差矩阵,
2-3.计算平方预测误差:
其中
2-4.计算新批次第k时刻的得分向量:
tnew(k)=xnew(k)p
其中tnew(k)是新批次第k时刻的得分向量。
2-5.通过2-4计算实时信息统计量:
其中λ-1是步骤2-1建模时所保留的r个主元素对应的特征值组成的对角矩阵的逆,
2-6.将2-5中式子化简得到:
2-7.计算
其中fr,α是自由度为r和α的f分布;
其中
pvrα=βspeα
cvrα=γspeα
其中β和γ是已知权重,
2-8.比较结果,若满足
本发明的在线监测方法能够在结合历史数据的前提下,增加监测指标,不仅能够让监测灵敏度大大提高,还能够在早期就检测出生产异常。
具体实施方式
以工业生产中青霉素发酵为例:
本发明的方法步骤包括:
步骤1、建立改进的青霉素发酵模型,具体步骤是:
1-1.通过采样得到第i批次第k时刻青霉素发酵情况时间序列模型:
xi(k)=[(xi(k))t(xi(k-1))t…(xi(k-d))t]
其中k是时刻,d是时滞窗口长度,i是批次,xi(k)、xi(k-1)…xi(k-d)分别是第i批次第k时刻、第k-1时刻…第k-d时刻的青霉素发酵采样数据组成的向量,xi(k)是第i批次第k时刻青霉素发酵情况时间序列模型。
1-2.利用1-1时滞数据窗口:
其中
1-3.计算协方差矩阵:
其中si(j×j)是第i批次的协方差矩阵,j是每个时刻采样的次数,k是采样总次数。
1-4.对1-3数据进行主成分分析,得到其所有特征值以及特征向量,并且按从大到小排列,从中选取r个较大的特征值构成青霉素发酵负荷矩阵:
p(j×r)=[p1p2…pr]
其中p是负荷矩阵,p1…p2…pr分别是选取的第一个…第二个…第r个特征向量。
步骤2、青霉素发酵情况在线故障监测,具体步骤是:
2-1.采样获取某个新批次青霉素发酵情况数据,由1-1和1-2得:
其中xnew(k-d+1)、xnew(k-d)…xnew(k)是第k-d+1时刻、…第k时刻的青霉素发酵情况数据,xnew(k)是新批次第k时刻的青霉素发酵时间序列模型。
2-2.由2-1计算残差矩阵,选取r个与主发酵情况数据(pv),其余(j-r)个剩余发酵情况数据(cv):
enew(k)=xnew(k)(i-ppt)
其中enew(k)是新批次第k时刻总发酵情况数据的残差矩阵,
2-3.计算青霉素发酵情况的平方预测误差:
其中
2-4.计算青霉素发酵情况的得分向量:
tnew(k)=xnew(k)p
其中tnew(k)是新批次第k时刻青霉素发酵情况的得分向量。
2-5.通过第k时刻青霉素发酵得分向量的标准平方和计算实时信息统计量:
其中λ-1是步骤2-1建模时所保留的r个主元素对应的特征值组成的对角矩阵的逆,
2-6.将2-5中式子化简得到:
2-7.计算
其中fr,α是自由度为r和α的f分布;
其中
pvrα=βspeα
cvrα=γspeα
其中β和γ是已知权重,
2-8.比较结果,若满足