[發明專利]基于多核獨立元分析的批量生產過程故障檢測方法

無效

• 申請號: 200710012956.3
• 申請日: 2007-09-26
• 公開（公告）號: CN101158693A
• 公開（公告）日: 2008-04-09
• 發明（設計）人: 張穎偉;秦泗釗;王婷
• 申請（專利權）人: 東北大學
• 主分類號: G01N35/00
• 分類號: G01N35/00;G06F17/00
• 代理公司: 沈陽東大專利代理有限公司
• 代理人: 梁焱

技術領域

本發明屬于故障診斷技術領域，特別涉及一種基于多核獨立元分析MKICA(MultiwayKernel?Independent?Component?Analysis)的批量生產過程監測方法。

背景技術

隨著工業規模的日益擴大，生產產品數量的增加，越來越多的工業領域使用批量生產方式生產。比如啤酒行業、味精行業和制藥行業等許多領域。尤其是在復雜非線性工業生產過程中，批量生產方式應用的更為普遍。由于非線性生產過程中決定產品質量的因素較多，對條件要求比較苛刻，所以條件的變化大都會降低產品的質量，比如發酵過程。發酵過程是一個非常復雜的非線性過程，有關過程操作條件優化方面的報道不多。對于一個發酵裝置、菌體及其相應的發酵培養基均確定的發酵過程而言，影響發酵過程的條件是pH、溫度及溶解氧等要素。對于像生產木糖醇這類依靠氧化還原酶實現生物轉化的過程來說，pH和溶解氧的因素尤為重要。

在許多采用批量方式生產的化學制品、醫藥制品、生物制品和其它產品制造行業中，生產過程中關鍵時期的微小變動都會降低產品質量。因此應用有效的故障檢測方法能在生產過程中較早的檢測到故障，可以減少不合格批次的數量，明顯提高產品質量。批量生產過程的故障主要發生在進料泵和反應裝置等部位。

目前，基于多元統計分析的幾項技術被廣泛應用于批量生產的故障檢測。通過擴展多元統計過程控制方法，MacGregor在《Technometrics》等期刊中、Gallagher在《Comput.Chem.Eng.》中分別提出多主元分析方法。在《IEEE?Transactions?on?semiconductor?manufacturing》和《J.of?Process?Control》中，Qin提出了基于遞歸最小二乘方法的多偏最小二乘法，這種方法可用于監測過程數據和產品質量。在《Chem.Intell.Lab.Sys.》中，Nomikos和MacGregor提出了對批量生產過程的丟失數據的估計方法。這些方法在實際中很起作用。然而，如果應用不需要補充丟失數據的多偏最小二乘監測方法會更好。在《AIChE?J.》中，Dong和McAvoy使用基于主曲線和神經網絡相結合的非線性主元分析法來監測批量生產。非線性主元分析法是基于神經網絡的。由于神經網絡需要離線和在線學習近似的動態變化，所以是很慢的，不適用于實際的過程監測中。在《Chem.Intell.Lab.Sys.》中，Rnnar等提出一個有適應性的批量生產過程監測方法。這種方法使用等級主元分析方法，克服了在主元分析方法中對丟失數據的需要。最近，核主元分析方法也用來提取非線性關系。已經證實這種方法能通過分析歷史數據很有效的檢測故障，同時在線監測新批次的效果也很好。但是以上提出的方法應用在非高斯性的工業過程，如發酵過程中表現不很理想。

發明內容

本發明首次提出基于MKICA的批量生產過程的故障檢測方法。針對批量生產過程所具有的非線性特征，提出一種基于多核獨立元分析方法的故障檢測方法，在標準操作條件模式下建模，從在線監測得到的實時工況數據中提取獨立元，利用統計變量T²和SPE進行故障檢測。此方法與基于多獨立元分析(Multiway?Independent?Component?Analysis，MICA)的方法比較，證實了基于多核獨立元分析方法的過程監測方法能較早的檢測到故障，從而提高產品的質量和生產率。

使用多核獨立元分析方法進行批量生產過程的故障檢測方法的詳細步驟如下：

步驟一：數據采集

采集觀測變量數據。對于每個故障，采集兩組數據，即訓練數據和實時工況數據。其中，訓練數據用于建立模型，實時工況數據用于故障檢測。例如在發酵過程中，進料泵的故障導致耗氧率的改變，需要采集溫度、壓力和PH值等相關變量進行故障檢測。

步驟二：數據處理

在數據采集過程中，會丟失一些數據。對于丟失數據的補充有以下幾個方法：

①用零補充丟失的數據；

②用當前值補充丟失的數據；

③用平均值補充丟失的數據；

④用主元分析方法補充丟失的數據；

⑤用變量之間冗余的關系補充丟失的數據。

依據批量生產的特征選擇最合適的方法，方法②和③應用的比較普遍。本發明采用方法②。