【技术实现步骤摘要】
本专利技术属于数据驱动的故障监测，特别是涉及一种针对发酵过程的故障监测技术。本专利技术的方法是基于数据驱动方法在发酵过程故障监测方面的具体应用。
技术介绍
1、发酵过程具有多品种，小规模，个性化，高附加值的特点，在制造业中拥有着举足轻重的位置。近年来，为了提高产品质量和生产效率，许多发酵过程的制造工艺和生产设备变得越来越复杂。一旦发生故障，就可能导致大量浪费和潜在的生产事故。因此，有效的发酵过程故障监测对于提高生产效率，维护生产安全十分重要。
2、发酵过程早期监测方法主要依赖专家知识和解析模型，但是由于发酵过程的生产流程变得越来越复杂，操作条件的改变也越来越难以准确描述，导致专家模型和实际物理参数之间的关系很难求解，而且基于知识的模型十分依赖专家经验，培养周期过长，难以大规模应用。随着数据收集系统(dcs)的发展，大量的历史数据得以保存，这些数据中蕴含大量的生产过程信息，使得基于数据驱动的发酵过程监测方法逐步成为国内外专家学者研究的重点，如主成分分析(principal component analysis,pca)、偏最小二乘(partialleast squares,pls)、独立成分分析(multiway independent component analysis,ica)和多向局部保持投影(locality preserving projection,lpp)已被广泛应用于解决发酵过程中的在线监测问题。s支持向量数据描述(support vector data description，svdd)是一种基于数
技术实现思路
1、为了克服上述方法的不足，为了解决上述问题，本文提出一种基于双通道多特征支持向量数据描述(dual-channel multi-feature support vector data description，dcmsvdd)的多阶段发酵过程监测方法。充分考虑发酵过程阶段切换的时序关系，将时间约束引入最近邻聚类实现发酵过程生产阶段划分。设计了一种卷积注意力融合模块提取多尺度特征，通过翻转输入矩阵构建双通道学习，利用双通道提取网络充分提取数据的变量和时间维度信息并进行特征融合，充分表达发酵过程非线性与动态特征。之后，基于双通道特征与融合特征构建多特征svdd实现故障检测，充分利用编码器内部特征空间的优势，实现高效的故障监测。
2、本专利技术采用如下技术方案及实现步骤:
3、a.阶段划分
4、1)利用带时间约束的最近邻聚类方法对发酵过程的时间片进行聚类划分生产阶段；具体方法为给定一个发酵过程正常生产的三维数据样本，表现为x(i*j*k)。其中i为批次数，j为变量数，k为样本数。首先将原始数据x(i*j*k)按批次方向进行展开为x(i*jk)，进行均值方差标准化，公式为其中，xk,j是第k个采样时刻的时间片矩阵的第j列元素，为标准化后的值，和sj分别为在第j列的均值和标准差。
5、2)使用带时间约束的最近邻聚类方法对发酵过程的时间片进行聚类时，首先确定聚类个数，由于典型的发酵过程的微生物生长周期为生长适应期、对数生长期、生长稳定期和衰亡期，所以设置聚类个数m＝4；之后利用欧氏距离计算各样本点之间的相似性系数xi和xj分别代表两个不同的时间片矩阵。由于发酵过程的阶段切换是一个顺序过程，所以将时间约束添加到最近邻对象的选择中，定义一个带时间约束的邻接矩阵其中象征点i的第一个邻居，邻接矩阵通过将每个点i链接到其第一个邻居，并通过强制对称，使具有相同的邻居点(i,j)，时间约束的目的是令(i,j)在相近的范围，而不是从整体生产过程中选择。值得注意的是，并非所有样本的最近邻都是对称的，因此一个样本可能主动或被动地链接到多个样本，这些样本被认为是一个新的集群。不同的链接链将所有样本分成不同的簇。这些聚类簇成为下一个循环的聚类样本。通过不断聚合相邻节点，得到最终的聚类结果。
6、b.离线建模
7、3)将用于阶段划分的时间片矩阵重新组成三维数据并沿变量方向再次展开为x(ik*j)。为了更好的提取数据中的时序特征，使用滑动窗对数据进行处理，获取时间序列信息，得到网络的输入矩阵xtrain为式中，为第i批次中第k时刻的第j个过程变量，d为滑动窗大小。将得到的输入序列通入双通道多特征svdd模型中进行训练；该监测模型需要经过预训练和训练两个阶段。在预训练阶段，利用包括编码器和解码器的完整自编码器结构，通过编码器获取深层特征，解码器解码进行样本重建，基于重构损失进行预训练，其中xtrain表示输入矩阵，表示编码器输出的重构特征，s为输入样本数量。在网络结构设计中，通过翻转输入矩阵，将原本输入矩阵与翻转矩阵在编码器部分构建双通道学习，提取时间维度特征与变量维度特征。每个通道的特征提取部分由三个卷积注意力融合模块组成，并通过特征加和获得编码器融合特征。卷积注意力融合模块是一个多尺度的特征提取模块。首先，为了增强局部特征的表示能力，采用不同大小的卷积核进行特征提取。这种方法能够构建局部多分支学习，获得来自不同感受野的不同尺度的局部特征：其中表示不同大小的卷积核，filocal分别表示对应的局部特征，xi分别表示卷积输入矩阵。然后，受transformer思想的启发，利用得到的局部特征辅助获取全局信息。具体来说，我们将输入本身视为查询q，将局部卷积的输出视为键k，将1x1卷积的输出视为值v。对键k和查询q进行拼接并利用两个1*1卷积，构造了一个注意力矩阵attentain＝[k,q]wθwδ，其中q表示输入矩阵，k表示局部特征嵌入，wδ和wθ分别是带和不带leakyrelu激活函数的1*1卷积。然后，我们使用注意力矩阵与值v相乘获取全局特征fglobal＝v*attention。在获取多尺度的局部与全局特征后，利用软注意力进行特征融合。首先，全局特征和局部特征通过简单的元素求和进行集成：f＝sum(fi),i＝1,2,3...，fi表示不同尺度的局部特征和全局特征，sum(.)表示元素加法操作本文档来自技高网...
【技术保护点】
1.一种基于双通道多特征支持向量数据描述的多阶段发酵过程故障监测方法，包括“阶段划分”，“离线建模”和“在线监测”三个阶段，其特征在于具体步骤如下：
【技术特征摘要】
1.一种基于双通道多特征支持向量数据描述的多阶段发酵过程故障监测方法，包括...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。