[發明專利]基于得分矩陣的發酵過程階段劃分方法

有效

• 申請號: 201811463106.X
• 申請日: 2018-12-03
• 公開（公告）號: CN109308063B
• 公開（公告）日: 2020-08-28
• 發明（設計）人: 王普;曹彩霞;高學金
• 申請（專利權）人: 北京工業大學
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

基于得分矩陣的發酵過程階段劃分方法涉及基于數據驅動的多元統計過程監控技術領域。本發明公開了基于擴展得分矩陣方法進行階段劃分的方法。針對間歇過程的多階段性特征，目前已有的階段劃分方法很少考慮質量變量對階段劃分的影響。首先構建每個時間片的擴展得分矩陣，利用擴展得分矩陣捕捉質量變量信息對劃分階段的影響，然后計算相鄰兩個擴展得分矩陣的相似度，依據相似度將操作過程劃分為不同的操作階段，針對各階段分別建立MPLS質量預測模型；最后將該算法在青霉素發酵仿真實驗平臺和大腸桿菌生產數據上進行了實驗驗證，實驗結果證明了所提方法的可行性和有效性。

技術領域

本發明涉及基于數據驅動的多元統計過程監控(Multivariate StatisticalProcess Monitoring,MSPM)技術領域，特別是涉及一種針對間歇過程多階段特性提出的一種基于擴展得分矩陣的間歇過程階段劃分方法。本發利用擴展得分矩陣捕捉質量變量信息對劃分階段的影響，然后計算相鄰兩個擴展得分矩陣的相似度，依據相似度將操作過程劃分為不同的操作階段。

背景技術

隨著工業技術的發展和市場需求的快速變化，間歇過程已成為重要的生產方式，被廣泛應用于化學、生物醫藥等方面。然而某些生產如發酵過程，其質量變量難以在線測量，離線測量導致結果嚴重滯后，不能及時指導生產。因此，為提高產品質量和工藝效率，在線質量預測相關技術的重要性日益突出。

偏最小二乘(Partial Least Square,PLS)是質量預測建模方法的典型代表，其中多向偏最小二乘(Multiway Partial Least Square,MPLS)作為PLS算法的拓展，通常被認為是質量預測的一個里程碑。但是傳統的基于PLS的質量預測方法是根據歷史數據建立一個固定的模型，考慮到間歇過程的多階段特性，對整個生產過程建立單一模型顯然是不完善的，因此許多學者對階段劃分進行了研究。Lu等人提出了基于K-means的間歇過程子時段劃分方法，但是該方法屬于硬劃分方法，不能很好地反映過渡階段的特性，可能會導致“誤分類”的現象，增加誤報和漏報的概率；Ge等人提出基于過渡過程信息的多階段過程質量變量軟測量的方法，選取相似的批次信息建立局部PLS在線測量模型；鄧等人提出了一種基于多階段多向核熵成分分析的故障檢測方法，利用時序核熵主元關聯矩陣的相似性實現階段劃分；王等人提出了一種塊式遞推PLS質量預測方法。但是上述方法僅依據過程變量信息把整個生產過程劃分為不同階段并建立子模型進行質量預測或監測，沒有考慮質量變量對階段劃分的影響。

發明內容

由于每個階段對質量變量的影響程度不同，在階段劃分時如果只考慮過程變量，并不能準確地將整個生產過程劃分為多個子階段。因此本文將質量變量的得分向量Ui擴展到過程變量的得分矩陣Ti中，擴展后的矩陣有效包含了兩個子矩陣的信息，擴展得分矩陣的相似度代表了兩個時間片矩陣的相似性，可較為精確地表征生產過程的階段變化，提高階段劃分精度。

基于得分矩陣的發酵過程階段劃分方法，其特征在于包括以下步驟：

Ⅰ進行數據預處理。

歷史過程數據由生產某一產品發酵過程的J_x個變量個數，I個批次，和每個批次的K個采樣點組成的三維矩陣X(I×J_x×K)。面對三維形式的數據需要進行必要的預處理操作。將三維過程數據X(I×J_x×K)沿批次方向展開得到K個時間片數據子矩陣X_i(I×J_x)，其中X_i代表第i個時刻的時間片數據矩陣，i＝1,2,…,K。沿批次展開后，按如下公式對數據進行標準化處理：

其中，j表示過程變量，j＝1,2,…J；i表示采樣時刻，i＝1,2,…K；是標準化后的第i采樣時刻第j個過程變量，x_i,j是第i采樣時刻第j個過程變量，是第i采樣時刻第j個過程變量的平均值，S_i,j是第i采樣時刻第j個過程變量的標準差。