[發明專利]一種基于慢特征分析的過完備寬度學習系統的發酵過程監測方法

在審

• 申請號: 202110958297.2
• 申請日: 2021-08-20
• 公開（公告）號: CN113779773A
• 公開（公告）日: 2021-12-10
• 發明（設計）人: 鄭鯤;張玥;常鵬
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/02;G06N3/08;G06F17/16
• 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

一種基于慢特征分析的過完備寬度學習系統的發酵過程監測方法涉及基于數據驅動的故障診斷技術領域。本發明在考慮網絡更新速度快的條件下，將慢特征分析與過完備的寬度學習系統相結合，構成慢特征分析的特征增強的寬度學習系統。利用SFA提取數據中的本質特征，緩慢變化的分量，然后采用OBLS對其進行高斯特征提取和模型訓練，并進行過程監測。與深度神經網絡相比，SFAOBLS不僅可以有效處理過程中的非線性和動態性，而且網絡結構簡單，更新速度快，計算復雜度低，可以實現工業過程的在線監控。

技術領域

本發明涉及基于數據驅動的故障診斷技術領域，特別是涉及一種慢特征分析的過完備寬度學習系統的故障診斷技術。本發明的基于寬度學習系統的方法是針對典型間歇過程——青霉素發酵過程故障監測方面的具體應用。

背景技術

非線性、非高斯性和動態性是間歇過程的常見屬性，作為現代工業中的一種重要的生產加工方式，間歇過程主要適用于小批量、多品種、高附加值的生產模式。在實際工業過程中，一些輕微故障的發生，可能會造成重大的經濟損失。因此，建立一個安全可靠的過程監測和故障診斷系統是十分必要的。

由于基于數據的方法只依賴數據，而不需要復雜的機理知識，在過程監測領域被人們廣泛研究。目前，比較受歡迎的數據驅動監測方法就是多元統計監測方法和深度學習。主成分分析和獨立成分分析等多元統計方法，對降維后的數據進行成分分析，并構造監測統計量對間歇過程進行監控。

隨著工業的日益復雜，傳統的多元統計方法已經不能很好的提取數據中的有效特征，深度神經網絡因其強大的數據處理能力受到研究者的青睞。但是大多數神經網絡被耗時的訓練和測試過程困擾。為解決神經網絡訓練耗時的問題，Chen等人提出寬度學習系統，并證明了該模型的通用逼近能力。不同于一般的神經網絡，BLS的連接權重存在每兩個相鄰層單元之間，是由嶺回歸方式隨機生成的，且傳入下一個隱藏層時不再改變。當網絡準確度不滿足時，BLS可以橫向擴展增加增強節點來滿足要求，而不需要重新訓練整個網絡，大大節約了時間。但是迄今為止，沒有文獻可以證明神經網絡可以處理數據中帶有的非高斯性。

實際工業過程中的過程變量都存在互相關和自相關性，當前時刻的輸出可能不僅由上一時刻的輸入有關，還可能與過去的輸入有關。在原始數據中加入時延矩陣的方法，雖然在一定程度上處理了過程動態性問題，但這種方法假設變量之間是相互獨立的，不是隨時間變化的，忽略了數據之間的動態特征和變量之間隱藏的相關關系，不能準確的對動態過程進行監測。

發明內容

本發明針對上述問題，在考慮網絡更新速度快的條件下，將慢特征分析與過完備的寬度學習系統相結合，構成慢特征分析的特征增強的寬度學習系統。利用SFA提取數據中的本質特征，緩慢變化的分量，然后采用OBLS對其進行高斯特征提取和模型訓練，并進行過程監測。與深度神經網絡相比，SFAOBLS不僅可以有效處理過程中的非線性和動態性，而且網絡結構簡單，更新速度快，計算復雜度低，可以實現工業過程的在線監控。

本發明采用了如下的技術方案及實現步驟：

離線建模：

步驟1：數據預處理，所用數據X是在仿真平臺上，由離線方式測得的一批次正常數據，一批次數據包含N個采樣點，每個采樣點采集J個變量，形成數據矩陣對于每個采樣點x_i，都有x_i＝[x_1，1，x_1，2，...，x_i，j]，其中x_i，j表示第i個采樣時刻第j個變量的測量值，步驟如下：

步驟1.1：首先計算數據X均值和方差，第j個變量的均值和方差計算公式如下：

均值

標準差

步驟1.2：對數據進行標準化處理，公式如下：