书签 分享 收藏 举报 版权申诉 / 44

基于核偏最小二乘重构的青霉素发酵过程故障诊断方法.pdf

  • 上传人:111****11
  • 文档编号:6111929
  • 上传时间:2019-04-12
  • 格式:PDF
  • 页数:44
  • 大小:6.33MB
  • 摘要
    申请专利号:

    CN201410337732.X

    申请日:

    2014.07.15

    公开号:

    CN104133991A

    公开日:

    2014.11.05

    当前法律状态:

    授权

    有效性:

    有权

    法律详情:

    授权|||实质审查的生效IPC(主分类):G06F 19/00申请日:20140715|||公开

    IPC分类号:

    G06F19/00(2011.01)I

    主分类号:

    G06F19/00

    申请人:

    东北大学

    发明人:

    张颖伟; 孙荣荣

    地址:

    110819 辽宁省沈阳市和平区文化路3号巷11号

    优先权:

    专利代理机构:

    沈阳东大知识产权代理有限公司 21109

    代理人:

    朱光林

    PDF完整版下载: PDF下载
    内容摘要

    本发明提供一种基于核偏最小二乘重构的青霉素发酵过程故障诊断方法,包括:采集青霉素发酵过程的离线历史正常数据;分别对青霉素发酵过程操作变量离线历史正常数据集和青霉素发酵过程状态变量离线历史正常数据集进行规范及标准化;利用改进的核偏最小二乘方法建立青霉素发酵过程的故障监测模型;在线监测青霉素发酵过程的故障;建立基于改进的核偏最小二乘重构的青霉素发酵过程故障相关方向模型;进行青霉素发酵过程故障诊断。本发明将输入空间划分为:与输出直接相关的主元空间,与输出无关的主元空间以及与输出无关的残差空间。与传统方法相比,既监测到了和输出相关的输入变量,又精确的监测到和输入相关的变量。

    权利要求书

    权利要求书
    1.  基于核偏最小二乘重构的青霉素发酵过程故障诊断方法,其特征在于:包括以下步骤:
    步骤1:采集青霉素发酵过程的离线历史正常数据,包括青霉素发酵过程操作变量离线历史正常数据集和青霉素发酵过程状态变量离线历史正常数据集;
    青霉素发酵过程操作变量包括通风率、搅拌器功率、底物喂料的流速、底物喂料的温度、PH值及发酵反应器的温度;
    青霉素发酵过程状态变量包括青霉素的浓度、青霉素反应产生的热量、二氧化碳的浓度、培养基的体积和菌体的浓度;
    步骤2:分别对青霉素发酵过程操作变量离线历史正常数据集和青霉素发酵过程状态变量离线历史正常数据集进行规范及标准化;
    步骤3:利用改进的核偏最小二乘方法建立青霉素发酵过程的故障监测模型,该模型的输入为青霉素发酵过程操作变量离线历史正常数据集,该模型的输出为青霉素发酵过程状态变量离线历史正常数据集;
    步骤3.1:数据核映射:将青霉素发酵过程操作变量离线历史正常数据集通过核函数从原始数据空间映射到高维特征空间;
    步骤3.2:利用核偏最小二乘法将青霉素发酵过程操作变量离线历史正常数据集和青霉素发酵过程状态变量离线历史正常数据集分别划分为主元空间和残差空间;
    步骤3.3:利用核主元分析法将青霉素发酵过程操作变量离线历史正常数据集的残差空间划分为残差空间的主元空间和残差空间的残差空间,进而得到青霉素发酵过程的故障监测模型:
    将青霉素发酵过程操作变量离线历史正常数据集表示为其主元空间的数据集、残差空间的主元空间的数据集和残差空间的残差空间的数据集之和,将青霉素发酵过程状态变量离线历史正常数据集表示为其主元空间的数据集和残差空间的数据集之和;
    步骤4:利用青霉素发酵过程的故障监测模型,在线监测青霉素发酵过程的故障;
    步骤4.1:在线获取青霉素发酵过程操作变量数据和青霉素发酵过程状态变量数据;
    步骤4.2:对在线获取的青霉素发酵过程操作变量数据和青霉素发酵过程状态变量数据进行规范及标准化;
    步骤4.3:数据核映射:将在线获取的青霉素发酵过程操作变量数据通过核函数从原始数据空间映射到高维特征空间;
    步骤4.4:计算在线获取的青霉素发酵过程操作变量数据在青霉素发酵过程操作变量离线历史正常数据集的主元空间中的霍特林统计量、在线获取的青霉素发酵过程操作变量数据在青霉素发酵过程操作变量离线历史正常数据集的残差空间中的霍特林统计量和在线获取的青 霉素发酵过程操作变量数据在青霉素发酵过程操作变量离线历史正常数据集的残差空间中的SPE统计量;
    步骤4.5:判断计算得到的在线获取的青霉素发酵过程操作变量数据在青霉素发酵过程操作变量离线历史正常数据集的主元空间中的霍特林统计量、在线获取的青霉素发酵过程操作变量数据在青霉素发酵过程操作变量离线历史正常数据集的残差空间中的霍特林统计量和在线获取的青霉素发酵过程操作变量数据在青霉素发酵过程操作变量离线历史正常数据集的残差空间中的SPE统计量中是否有至少一个统计量高于其相应的置信限:是,则当前青霉素发酵过程出现故障,执行步骤5,否则返回步骤4.1;
    步骤5:建立基于改进的核偏最小二乘重构的青霉素发酵过程故障相关方向模型;
    步骤5.1:采集青霉素发酵过程的离线历史故障数据,包括青霉素发酵过程操作变量离线历史故障数据集和青霉素发酵过程状态变量离线历史故障数据集;
    步骤5.2:对青霉素发酵过程操作变量离线历史故障数据集和青霉素发酵过程状态变量离线历史故障数据集进行规范及标准化;
    步骤5.3:将青霉素发酵过程操作变量离线历史故障数据集通过核函数从原始数据空间映射到高维特征空间;
    步骤5.4:根据青霉素发酵过程操作变量离线历史正常数据集和青霉素发酵过程操作变量离线历史故障数据集,重构青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障相关方向;
    步骤5.5:根据青霉素发酵过程操作变量离线历史正常数据集和青霉素发酵过程操作变量离线历史故障数据集重构青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的故障相关方向;
    步骤5.6:根据青霉素发酵过程操作变量离线历史正常数据集和青霉素发酵过程操作变量离线历史故障数据集重构青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的故障相关方向;
    步骤5.7:针对青霉素发酵过程的所有故障,应用步骤5.1-5.6分别重构出青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障相关方向、青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的故障相关方向、青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的故障相关方向构成基于改进的核偏最小二乘重构的青霉素发酵过程故障相关方向,从而建立了改进的核偏最小二乘重构的青霉素发酵过程故障相关方向的模型库;
    步骤6:利用青霉素发酵过程故障相关方向模型进行青霉素发酵过程故障诊断;
    步骤6.1:根据青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障相关方向,计算在线获取的青霉素发酵过程操作变量数据的主元空间的得分矩阵及其对应的霍特林统计量;
    步骤6.2:根据青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的故障相关方向,计算在线获取的青霉素发酵过程操作变量数据的残差空间的得分矩阵及其对应的霍特林统计量;
    步骤6.3:根据青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的故障相关方向,计算在线获取的青霉素发酵过程操作变量数据的残差空间的SPE统计量;
    步骤6.4:判断在线获取的青霉素发酵过程操作变量数据的主元空间的霍特林统计量、在线获取的青霉素发酵过程操作变量数据的残差空间的霍特林统计量、在线获取的青霉素发酵过程操作变量数据的残差空间的SPE统计量是否均低于设定的各自的置信限,是,则当前故障即为青霉素发酵过程中真正的故障,否则当前故障为已有故障的组合或是新的故障。

    2.  根据权利要求1所述的基于核偏最小二乘重构的青霉素发酵过程故障诊断方法,其特征在于:所述步骤5.4具体按以下步骤执行:
    步骤5.4.1:利用核偏最小二乘方法将青霉素发酵过程操作变量离线历史故障数据集和青霉素发酵过程操作变量离线历史正常数据集分别划分主元空间和残差空间,分别得到青霉素发酵过程操作变量离线历史故障数据集的核偏最小二乘模型和青霉素发酵过程操作变量离线历史正常数据集的核偏最小二乘模型;
    步骤5.4.2:把青霉素发酵过程操作变量离线历史正常数据集的主元空间的数据集分别正交映射到青霉素运行过程操作变量离线历史故障数据集的主元空间的负载矩阵和青霉素运行过程操作变量离线历史故障数据集的残差空间的负载矩阵,得到正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的主元空间的数据集和正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的残差空间的数据集;
    步骤5.4.3:利用核主元分析法确定正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的主元空间的数据集的主元和正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的残差空间的数据集的主元;
    步骤5.4.4:分别求青霉素发酵过程操作变量离线历史故障数据集的主元空间的数据集在正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的主元空间的负载矩阵方向上的主元和青霉素发酵过程操作变量离线历史故障数据集的残差空间的数据集在正交 映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的残差空间的负载矩阵方向上的主元,分别得到青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障主元和青霉素发酵过程操作变量离线历史故障数据集的残差空间的故障主元;
    步骤5.4.5:计算青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障主元在正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的主元空间的主元中所占比例,计算青霉素发酵过程操作变量离线历史故障数据集的残差空间的故障主元在正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的残差空间的主元中所占比例;
    步骤5.4.6:两类比例值中大于设定的比例下限的各比例值所对应的青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障主元和正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的故障主元分别组成新的青霉素发酵过程操作变量离线历史故障数据集的主元空间的主元方向和新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元方向;
    步骤5.4.7:利用新的青霉素发酵过程操作变量离线历史故障数据集的主元空间的主元方向对应的负载矩阵和新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元方向对应的负载矩阵,重构青霉素发酵过程操作变量离线历史正常数据集的主元空间的主元空间的负载矩阵和青霉素发酵过程操作变量离线历史正常数据集的主元空间的残差空间的负载矩阵,即青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障相关方向。

    3.  根据权利要求1所述的基于核偏最小二乘重构的青霉素发酵过程故障诊断方法,其特征在于:所述步骤5.5具体按以下步骤执行:
    步骤5.5.1:利用核主元分析方法,分别将青霉素发酵过程操作变量离线历史故障数据集的残差空间和青霉素发酵过程操作变量离线历史正常数据集的残差空间划分为残差空间的主元空间和残差空间的残差空间,分别得到青霉素发酵过程操作变量离线历史故障数据集的残差空间的核主元模型和青霉素发酵过程操作变量离线历史正常数据集的残差空间的核主元模型;
    步骤5.5.2:把青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的数据集分别正交映射到青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的负载矩阵和青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的负载矩阵,得到正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的数据集和正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的数据集;
    步骤5.5.3:利用核主元分析法确定正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的数据集的主元和正交映射后的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的数据集的主元;
    步骤5.5.4:求青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的数据集在正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的负载矩阵方向上的主元,求青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的数据集在正交映射后的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的负载矩阵方向上的主元,即青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的故障主元和青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的故障主元;
    步骤5.5.5:计算青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的故障主元在正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的主元中所占比例,计算青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的故障主元在正交映射后青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的主元中所占比例;
    步骤5.5.6:两类比例值中大于设定的比例下限的各比例值所对应的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的故障主元和青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的故障主元分别组成新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的主元方向和新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的主元方向;
    步骤5.5.7:利用新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的主元方向对应的负载矩阵和新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的主元方向对应的负载矩阵,重构青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的负载矩阵和青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的负载矩阵,即青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的故障相关方向。

    4.  根据权利要求1所述的基于核偏最小二乘重构的青霉素发酵过程故障诊断方法,其特征在于:所述步骤5.6具体按以下步骤执行:
    步骤5.6.1:将青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的数据集分别正交映射到青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的负载矩阵和青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的负载矩 阵,得到正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的主元空间和正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的残差空间;
    步骤5.6.2:利用核主元分析法确定正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的主元空间的数据集的主元和正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的残差空间的数据集的主元;
    步骤5.6.3:把青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的数据集映射到正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的主元空间的负载矩阵,把青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的数据集映射到正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的残差空间的负载矩阵,得到青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的主元空间的映射空间的数据集和青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的残差空间的映射空间的数据集;
    步骤5.6.4:计算青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的数据集到青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的主元空间的映射空间的数据集的负载矩阵的距离,计算青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的数据集到青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的残差空间的映射空间的数据集的负载矩阵的距离,并计算两个距离的比值;
    步骤5.6.5:计算青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的数据集到青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的主元空间的映射空间的数据集的负载矩阵的距离,计算青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的数据集到青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的残差空间的映射空间的数据集的负载矩阵的距离,并计算两个距离的比值;
    步骤5.6.6:该两类距离的比值大于其设定比值下限的所有距离的比值对应的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间和青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间分别组成新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的主元空间的主元方向和新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的残差空间的主元方向;
    步骤5.6.7:利用新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的主元空间的主元方向和新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的残差空间的主元方向,重构青霉素发酵过程操作变量离线历史正常数据集的残差 空间的残差空间的故障相关方向。

    说明书

    说明书基于核偏最小二乘重构的青霉素发酵过程故障诊断方法
    技术领域
    本发明属于故障监测与诊断技术领域,具体涉及一种基于核偏最小二乘重构的青霉素发酵过程故障诊断方法。
    背景技术
    青霉素属于抗生素的一种,是一种二次代谢产物,其发酵流程示意图如图1所示,整个生产周期包含4个生理期:反应滞后期、菌体迅速生长期、青霉素合成期和菌体死亡(自溶)期;2个物理子时段:细胞培养阶段(又称为批量操作阶段,对应前两个生理期,大约持续45h)与青霉素补料发酵阶段(又称为间歇补料操作阶段,对应后两个生理期,大约持续355h)。青霉素的发酵过程中,pH值和温度采用闭环控制,而补料采用开环定值控制,通过控制反应过程中的pH值和发酵反应器内的温度,可以使反应在最佳条件下进行。作为二次微生物代谢过程,该发酵过程通常的做法是:首先在一定的条件下进行微生物的培养,此为初始培养阶段;然后通过不断地补充葡萄糖,促进青霉素的合成,此为青霉素发酵阶段,此阶段所需的细胞都是在初始培养阶段产生的。在发酵阶段,青霉素作为代谢产物开始生成,经过指数生长期,一直持续到静止期。
    由于目前我国多数青霉素发酵过程自动化程度还比较低,往往在生产过程中会出现故障和异常情况频繁发生的情况。其中,在控制泡沫时,若天然油脂使用过多则会影响菌体的呼吸代谢,若天然油脂的量过少则影响发酵的速度。在控制泡沫的时候,还需要加入酸、碱以调节发酵的pH值,过多或过少的酸、碱都会影响发酵的pH值,从而造成青霉素发酵失败。另外,在细胞培养阶段,菌体的浓度低,培养基营养丰富,容易形成染菌。青霉素发酵前期,染菌后杂菌容易繁殖,与生产菌争夺营养成分和氧分,严重干扰生产菌的生长繁殖和产物的生成,干扰生产秩序,破坏生产计划;发酵中期染菌会严重干扰生产菌的代谢,影响产物的生成,此时,一般会采用“倒灌”的做法,这样会造成大量原材料的浪费和操作费用的增加。因此需要及时地诊断青霉素发酵过程中出现的异常和故障。
    发明内容
    针对现有技术存在的问题,本发明提供一种基于核偏最小二乘重构的青霉素发酵过程故障诊断方法。
    本发明的技术方案是这样实现的:
    基于核偏最小二乘重构的青霉素发酵过程故障诊断方法,包括以下步骤:
    步骤1:采集青霉素发酵过程的离线历史正常数据,包括青霉素发酵过程操作变量离线历史正常数据集和青霉素发酵过程状态变量离线历史正常数据集;
    青霉素发酵过程操作变量包括通风率、搅拌器功率、底物喂料的流速、底物喂料的温度、PH值及发酵反应器的温度;
    青霉素发酵过程状态变量包括青霉素的浓度、青霉素反应产生的热量、二氧化碳的浓度、培养基的体积和菌体的浓度;
    步骤2:分别对青霉素发酵过程操作变量离线历史正常数据集和青霉素发酵过程状态变量离线历史正常数据集进行规范及标准化;
    步骤3:利用改进的核偏最小二乘方法建立青霉素发酵过程的故障监测模型,该模型的输入为青霉素发酵过程操作变量离线历史正常数据集,该模型的输出为青霉素发酵过程状态变量离线历史正常数据集;
    步骤3.1:数据核映射:将青霉素发酵过程操作变量离线历史正常数据集通过核函数从原始数据空间映射到高维特征空间;
    步骤3.2:利用核偏最小二乘法将青霉素发酵过程操作变量离线历史正常数据集和青霉素发酵过程状态变量离线历史正常数据集分别划分为主元空间和残差空间;
    步骤3.3:利用核主元分析法将青霉素发酵过程操作变量离线历史正常数据集的残差空间划分为残差空间的主元空间和残差空间的残差空间,进而得到青霉素发酵过程的故障监测模型:
    将青霉素发酵过程操作变量离线历史正常数据集表示为其主元空间的数据集、残差空间的主元空间的数据集和残差空间的残差空间的数据集之和,将青霉素发酵过程状态变量离线历史正常数据集表示为其主元空间的数据集和残差空间的数据集之和;
    步骤4:利用青霉素发酵过程的故障监测模型,在线监测青霉素发酵过程的故障;
    步骤4.1:在线获取青霉素发酵过程操作变量数据和青霉素发酵过程状态变量数据;
    步骤4.2:对在线获取的青霉素发酵过程操作变量数据和青霉素发酵过程状态变量数据进行规范及标准化;
    步骤4.3:数据核映射:将在线获取的青霉素发酵过程操作变量数据通过核函数从原始数据空间映射到高维特征空间;
    步骤4.4:计算在线获取的青霉素发酵过程操作变量数据在青霉素发酵过程操作变量离线历史正常数据集的主元空间中的霍特林统计量、在线获取的青霉素发酵过程操作变量数据在青霉素发酵过程操作变量离线历史正常数据集的残差空间中的霍特林统计量和在线获取的青霉素发酵过程操作变量数据在青霉素发酵过程操作变量离线历史正常数据集的残差空间中的 SPE统计量;
    步骤4.5:判断计算得到的在线获取的青霉素发酵过程操作变量数据在青霉素发酵过程操作变量离线历史正常数据集的主元空间中的霍特林统计量、在线获取的青霉素发酵过程操作变量数据在青霉素发酵过程操作变量离线历史正常数据集的残差空间中的霍特林统计量和在线获取的青霉素发酵过程操作变量数据在青霉素发酵过程操作变量离线历史正常数据集的残差空间中的SPE统计量中是否有至少一个统计量高于其相应的置信限:是,则当前青霉素发酵过程出现故障,执行步骤5,否则返回步骤4.1;
    步骤5:建立基于改进的核偏最小二乘重构的青霉素发酵过程故障相关方向模型;
    步骤5.1:采集青霉素发酵过程的离线历史故障数据,包括青霉素发酵过程操作变量离线历史故障数据集和青霉素发酵过程状态变量离线历史故障数据集;
    步骤5.2:对青霉素发酵过程操作变量离线历史故障数据集和青霉素发酵过程状态变量离线历史故障数据集进行规范及标准化;
    步骤5.3:将青霉素发酵过程操作变量离线历史故障数据集通过核函数从原始数据空间映射到高维特征空间;
    步骤5.4:根据青霉素发酵过程操作变量离线历史正常数据集和青霉素发酵过程操作变量离线历史故障数据集,重构青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障相关方向;
    步骤5.4.1:利用核偏最小二乘方法将青霉素发酵过程操作变量离线历史故障数据集和青霉素发酵过程操作变量离线历史正常数据集分别划分主元空间和残差空间,分别得到青霉素发酵过程操作变量离线历史故障数据集的核偏最小二乘模型和青霉素发酵过程操作变量离线历史正常数据集的核偏最小二乘模型;
    步骤5.4.2:把青霉素发酵过程操作变量离线历史正常数据集的主元空间的数据集分别正交映射到青霉素运行过程操作变量离线历史故障数据集的主元空间的负载矩阵和青霉素运行过程操作变量离线历史故障数据集的残差空间的负载矩阵,得到正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的主元空间的数据集和正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的残差空间的数据集;
    步骤5.4.3:利用核主元分析法确定正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的主元空间的数据集的主元和正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的残差空间的数据集的主元;
    步骤5.4.4:分别求青霉素发酵过程操作变量离线历史故障数据集的主元空间的数据集在 正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的主元空间的负载矩阵方向上的主元和青霉素发酵过程操作变量离线历史故障数据集的残差空间的数据集在正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的残差空间的负载矩阵方向上的主元,分别得到青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障主元和青霉素发酵过程操作变量离线历史故障数据集的残差空间的故障主元;
    步骤5.4.5:计算青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障主元在正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的主元空间的主元中所占比例,计算青霉素发酵过程操作变量离线历史故障数据集的残差空间的故障主元在正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的残差空间的主元中所占比例;
    步骤5.4.6:两类比例值中大于设定的比例下限的各比例值所对应的青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障主元和正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的故障主元分别组成新的青霉素发酵过程操作变量离线历史故障数据集的主元空间的主元方向和新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元方向;
    步骤5.4.7:利用新的青霉素发酵过程操作变量离线历史故障数据集的主元空间的主元方向对应的负载矩阵和新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元方向对应的负载矩阵,重构青霉素发酵过程操作变量离线历史正常数据集的主元空间的主元空间的负载矩阵和青霉素发酵过程操作变量离线历史正常数据集的主元空间的残差空间的负载矩阵,即青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障相关方向;
    步骤5.5:根据青霉素发酵过程操作变量离线历史正常数据集和青霉素发酵过程操作变量离线历史故障数据集重构青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的故障相关方向;
    步骤5.5.1:利用核主元分析方法,分别将青霉素发酵过程操作变量离线历史故障数据集的残差空间和青霉素发酵过程操作变量离线历史正常数据集的残差空间划分为残差空间的主元空间和残差空间的残差空间,分别得到青霉素发酵过程操作变量离线历史故障数据集的残差空间的核主元模型和青霉素发酵过程操作变量离线历史正常数据集的残差空间的核主元模型;
    步骤5.5.2:把青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的数据集分别正交映射到青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的负载矩阵和青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的负载矩 阵,得到正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的数据集和正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的数据集;
    步骤5.5.3:利用核主元分析法确定正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的数据集的主元和正交映射后的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的数据集的主元;
    步骤5.5.4:求青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的数据集在正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的负载矩阵方向上的主元,求青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的数据集在正交映射后的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的负载矩阵方向上的主元,即青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的故障主元和青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的故障主元;
    步骤5.5.5:计算青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的故障主元在正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的主元中所占比例,计算青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的故障主元在正交映射后青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的主元中所占比例;
    步骤5.5.6:两类比例值中大于设定的比例下限的各比例值所对应的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的故障主元和青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的故障主元分别组成新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的主元方向和新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的主元方向;
    步骤5.5.7:利用新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的主元方向对应的负载矩阵和新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的主元方向对应的负载矩阵,重构青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的负载矩阵和青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的负载矩阵,即青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的故障相关方向;
    步骤5.6:根据青霉素发酵过程操作变量离线历史正常数据集和青霉素发酵过程操作变量离线历史故障数据集重构青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空 间的故障相关方向;
    步骤5.6.1:将青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的数据集分别正交映射到青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的负载矩阵和青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的负载矩阵,得到正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的主元空间和正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的残差空间;
    步骤5.6.2:利用核主元分析法确定正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的主元空间的数据集的主元和正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的残差空间的数据集的主元;
    步骤5.6.3:把青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的数据集映射到正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的主元空间的负载矩阵,把青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的数据集映射到正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的残差空间的负载矩阵,得到青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的主元空间的映射空间的数据集和青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的残差空间的映射空间的数据集;
    步骤5.6.4:计算青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的数据集到青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的主元空间的映射空间的数据集的负载矩阵的距离,计算青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的数据集到青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的残差空间的映射空间的数据集的负载矩阵的距离,并计算两个距离的比值;
    步骤5.6.5:计算青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的数据集到青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的主元空间的映射空间的数据集的负载矩阵的距离,计算青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的数据集到青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的残差空间的映射空间的数据集的负载矩阵的距离,并计算两个距离的比值;
    步骤5.6.6:该两类距离的比值大于其设定比值下限的所有距离的比值对应的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间和青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间分别组成新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的主元空间的主元方向和新的青霉素发酵过程操作变量离线历史 故障数据集的残差空间的残差空间的残差空间的主元方向;
    步骤5.6.7:利用新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的主元空间的主元方向和新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的残差空间的主元方向,重构青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的故障相关方向;
    步骤5.7:针对青霉素发酵过程的所有故障,应用步骤5.1-5.6分别重构出青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障相关方向、青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的故障相关方向、青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的故障相关方向构成基于改进的核偏最小二乘重构的青霉素发酵过程故障相关方向,从而建立了改进的核偏最小二乘重构的青霉素发酵过程故障相关方向的模型库;
    步骤6:利用青霉素发酵过程故障相关方向模型进行青霉素发酵过程故障诊断;
    步骤6.1:根据青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障相关方向,计算在线获取的青霉素发酵过程操作变量数据的主元空间的得分矩阵及其对应的霍特林统计量;
    步骤6.2:根据青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的故障相关方向,计算在线获取的青霉素发酵过程操作变量数据的残差空间的得分矩阵及其对应的霍特林统计量;
    步骤6.3:根据青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的故障相关方向,计算在线获取的青霉素发酵过程操作变量数据的残差空间的SPE统计量;
    步骤6.4:判断在线获取的青霉素发酵过程操作变量数据的主元空间的霍特林统计量、在线获取的青霉素发酵过程操作变量数据的残差空间的霍特林统计量、在线获取的青霉素发酵过程操作变量数据的残差空间的SPE统计量是否均低于设定的各自的置信限,是,则当前故障即为青霉素发酵过程中真正的故障,否则当前故障为已有故障的组合或是新的故障。
    有益效果:
    1.传统的核偏最小二乘法的监测中:(1)主元空间中存在一些变量是和输出正交的,这些变量与输出无关;(2)核偏最小二乘法并不是像核主元分析法那样,根据特征值递减的方法提取主元,因此残差空间的变量不应用SPE统计量监控针对传统方法的问题,本发明将输入空间划分为:与输出直接相关的主元空间,与输出无关的主元空间(残差空间的主元空间)以及与输出无关的残差空间(残差空间的残差空间)。与传统方法相比,既监测到了和输出相 关的输入变量,又精确的监测到和输入相关的变量。
    2、,对改进的核偏最小二乘回归的方法进行重构从而监测到青霉素发酵过程中的不同故障类型。通过改进的核偏最小二乘回归的方法,将生产过程获取的操作变量进行了相关性处理,运用处理后的数据进行重构并建立改进的核偏最小二乘重构监测模型,通过仿真实验结果说明了本发明的有效性及可行性。
    附图说明
    图1是青霉素发酵流程示意图;
    图2是本发明具体实施方式的故障1数据的故障监测统计图;
    (a)为在线获取青霉素发酵过程操作变量数据的主元空间的霍特林统计量图;
    (b)为在线获取青霉素发酵过程操作变量数据的残差空间的霍特林统计量图;
    (c)为在线获取青霉素发酵过程操作变量数据的残差空间的SPEx统计量图;
    其中,曲线1:在线获取青霉素发酵过程操作变量数据的主元空间的霍特林统计量;曲线2:在线获取青霉素发酵过程操作变量数据的主元空间的霍特林统计量的置信限;曲线3:在线获取青霉素发酵过程操作变量数据的残差空间的霍特林统计量;曲线4:在线获取青霉素发酵过程操作变量数据的残差空间的霍特林统计量的置信限;曲线5:在线获取青霉素发酵过程操作变量数据的残差空间的SPE统计量SPEx;曲线6:在线获取青霉素发酵过程操作变量数据的残差空间的SPE统计量SPEx的置信限;
    图3为本发明的具体实施方式的故障2数据的故障监测统计图;
    (a)为在线获取青霉素发酵过程操作变量数据的主元空间的霍特林统计量图;
    (b)为在线获取青霉素发酵过程操作变量数据的残差空间的霍特林统计量图;
    (c)为在线获取青霉素发酵过程操作变量数据的残差空间的SPEx统计量图;
    其中,曲线7:在线获取青霉素发酵过程操作变量数据的主元空间的霍特林统计量;曲线8:在线获取青霉素发酵过程操作变量数据的主元空间的霍特林统计量的置信限;曲线9:在线获取青霉素发酵过程操作变量数据的残差空间的霍特林统计量;曲线10:在线获取青霉素发酵过程操作变量数据的残差空间的霍特林统计量的置信限;曲线11:在线获取青霉素发酵过程操作变量数据的残差空间的SPE统计量SPEx;曲线12:在线获取青霉素发酵过程操作变量数据的残差空间的SPE统计量SPEx的置信限;
    图4为本发明的具体实施方式的故障1数据的故障诊断统计量图;
    (a)为故障1数据建立的故障相关方向诊断故障1数据的操作变量数据的主元空间的霍 特林统计量图;
    (b)为故障1数据建立的故障相关方向诊断故障1数据的操作变量数据的残差空间的霍特林统计量图;
    (c)为故障1数据建立的故障相关方向诊断故障1数据的操作变量数据的残差空间的SPE统计量SPEx图;
    其中,曲线13:故障1数据建立的故障相关方向诊断故障1数据的操作变量数据的主元空间的霍特林统计量;曲线14:故障1数据建立的故障相关方向诊断故障1数据的操作变量数据的主元空间的霍特林统计量的置信限;曲线15:故障1数据建立的故障相关方向诊断故障1数据的操作变量数据的残差空间的霍特林统计量;曲线16:故障1数据建立的故障相关方向诊断故障1数据的操作变量数据的残差空间的霍特林统计量的置信限;曲线17:故障1数据建立的故障相关方向诊断故障1数据的操作变量数据的残差空间的SPE统计量SPEx;曲线18:故障1数据建立的故障相关方向诊断故障1数据的操作变量数据的残差空间的SPE统计量SPEx的置信限;
    图5为本发明的具体实施方式的故障1数据的故障诊断统计量图;
    (a)为故障2数据建立的故障相关方向诊断故障1数据的操作变量数据的主元空间的霍特林统计量图;
    (b)为故障2数据建立的故障相关方向诊断故障1数据的操作变量数据的残差空间的霍特林统计量图;
    (c)为故障2数据建立的故障相关方向诊断故障1数据的操作变量数据的残差空间的SPE统计量SPEx图;
    其中,曲线19:为故障2数据建立的故障相关方向诊断故障1数据的操作变量数据的主元空间的霍特林统计量;曲线20:为故障2数据建立的故障相关方向诊断故障1数据的操作变量数据的主元空间的霍特林统计量的置信限;曲线21:为故障2数据建立的故障相关方向诊断故障1数据的操作变量数据的残差空间的霍特林统计量;曲线22:为故障2数据建立的故障相关方向诊断故障1数据的操作变量数据的残差空间的霍特林统计量的置信限;曲线23:为故障2数据建立的故障相关方向诊断故障1数据的操作变量数据的残差空间的SPE统计量SPEx;曲线24:为故障2数据建立的故障相关方向诊断故障1数据的操作变量数据的残差空间的SPE统计量SPEx的置信限;
    图6为本发明的具体实施方式的故障2数据的故障诊断统计量图;
    (a)为故障2数据建立的故障相关方向诊断故障2数据的操作变量数据的主元空间的霍特林统计量图;
    (b)为故障2数据建立的故障相关方向诊断故障2数据的操作变量数据的残差空间的霍特林统计量图;
    (c)为故障2数据建立的故障相关方向诊断故障2数据的操作变量数据的残差空间的SPE统计量SPEx图;
    其中,曲线25:为故障2数据建立的故障相关方向诊断故障2数据的操作变量数据的主元空间的霍特林统计量;曲线26:为故障2数据建立的故障相关方向诊断故障2数据的操作变量数据的主元空间的霍特林统计量的置信限;曲线27:为故障2数据建立的故障相关方向诊断故障2数据的操作变量数据的残差空间的霍特林统计量;曲线28:为故障2数据建立的故障相关方向诊断故障2数据的操作变量数据的残差空间的霍特林统计量的置信限;曲线29:为故障2数据建立的故障相关方向诊断故障2数据的操作变量数据的残差空间的SPE统计量SPEx;曲线30:为故障2数据建立的故障相关方向诊断故障2数据的操作变量数据的残差空间的SPE统计量SPEx的置信限;
    图7为本发明的具体实施方式的故障2数据的故障诊断统计量图;
    (a)为故障1数据建立的故障相关方向诊断故障2数据的操作变量数据的主元空间的霍特林统计量图;
    (b)为故障1数据建立的故障相关方向诊断故障2数据的操作变量数据的残差空间的霍特林统计量图;
    (c)为故障1数据建立的故障相关方向诊断故障2数据的操作变量数据的残差空间的SPE统计量SPEx图;
    其中,曲线31:为故障1数据建立的故障相关方向诊断故障2数据的操作变量数据的主元空间的霍特林统计量;曲线32:为故障1数据建立的故障相关方向诊断故障2数据的操作变量数据的主元空间的霍特林统计量的置信限;曲线33:为故障1数据建立的故障相关方向诊断故障2数据的操作变量数据的残差空间的霍特林统计量;曲线34:为故障1数据建立的故障相关方向诊断故障2数据的操作变量数据的残差空间的霍特林统计量的置信限;曲线35:为故障1数据建立的故障相关方向诊断故障2数据的操作变量数据的残差空间的SPE统计量SPEx;曲线36:为故障1数据建立的故障相关方向诊断故障2数据的操作变量数据的残差空 间的SPE统计量SPEx的置信限;
    图8为本发明的具体实施方式的基于核偏最小二乘重构的青霉素发酵过程故障诊断方法流程图。
    具体实施方式
    下面结合附图对本发明的具体实施方式做详细说明。
    由于青霉素发酵过程中的故障是千变万化的,即使同一操作变量的不同故障输入对状态变量的影响也是不同的,但最终都会影响青霉素的产量和质量。
    本实施方式中青霉素发酵过程的通风率存在两种不同类型的故障——类型1和类型2,分别表示阶跃故障和斜坡故障,应用基于核偏最小二乘重构的青霉素发酵过程故障诊断方法对于通风率的故障类型1和类型2两种不同的故障类型的青霉素发酵过程进行诊断。
    基于核偏最小二乘重构的青霉素发酵过程故障诊断方法,如图8所示,包括以下步骤:
    步骤1:采集青霉素发酵过程的离线历史正常数据,包括青霉素发酵过程操作变量离线历史正常数据集Χ′=[x1,…,xB]∈(J×B)和青霉素发酵过程状态变量离线历史正常数据集Y′=[y1,…,yB]∈(J′×B),其中,下标B为数据采样的个数,J′、J均为变量个数;
    青霉素发酵过程操作变量包括通风率、搅拌器功率、底物喂料的流速、底物喂料的温度、PH值及发酵反应器的温度;
    青霉素发酵过程状态变量包括青霉素的浓度、青霉素反应产生的热量、二氧化碳的浓度、培养基的体积和菌体的浓度;
    每个青霉素发酵过程操作变量离线历史正常数据集和青霉素发酵过程状态变量离线历史正常数据集各包含300个采样样本;
    步骤2:分别对青霉素发酵过程操作变量离线历史正常数据集Χ′=[x1,…,xB]和青霉素发酵过程状态变量离线历史正常数据集Y′=[y1,…,yB]进行规范及标准化:分别使青霉素发酵过程操作变量离线历史正常数据集Χ′=[x1,…,xB]和青霉素发酵过程状态变量离线历史正常数据集Y′=[y1,…,yB]的均值为0且方差为1,得到规范及标准化的青霉素发酵过程状态变量离线历史正常数据集Χ=[x1,…,xB]和规范及标准化的青霉素发酵过程状态变量离线历史正常数据集Y=[y1,…,yB];
    步骤3:利用改进的核偏最小二乘方法建立青霉素发酵过程的故障监测模型,该模型的输入为青霉素发酵过程操作变量离线历史正常数据集Χ=[x1,…,xB],该模型的输出为青霉素 发酵过程状态变量离线历史正常数据集Y=[y1,…,yB];
    步骤3.1:数据核映射:将青霉素发酵过程操作变量离线历史正常数据集通过核函数Φ从原始数据空间映射到高维特征空间,即X→Φ(X);
    步骤3.2:利用核偏最小二乘法将青霉素发酵过程操作变量离线历史正常数据集Χ和青霉素发酵过程状态变量离线历史正常数据集Y分别划分为主元空间和残差空间;
    步骤3.3:利用核主元分析法将青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间划分为残差空间的主元空间和残差空间的残差空间,进而得到青霉素发酵过程的故障监测模型:将青霉素发酵过程操作变量离线历史正常数据集表示为其主元空间的数据集、残差空间的主元空间的数据集和残差空间的残差空间的数据集之和,将青霉素发酵过程状态变量离线历史正常数据集表示为其主元空间的数据集和残差空间的数据集之和;
    Φ(X)T=TPT+TxPxT+Φ(X‾)TYT=TQT+Y‾T---(1)]]>
    其中,上标T表示转置,TPT为青霉素发酵过程操作变量离线历史正常数据集Χ的主元空间的数据集,为青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的数据集,TxPxT为青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的主元空间的数据集,为青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的残差空间的数据集,TQT为青霉素发酵过程状态变量离线历史正常数据集Y的主元空间的数据集,为青霉素发酵过程状态变量离线历史正常数据集Y的残差空间的数据集;T为青霉素发酵过程操作变量离线历史正常数据集Χ的主元空间的得分矩阵,P为青霉素发酵过程操作变量离线历史正常数据集Χ的主元空间的负载矩阵,Tx为青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的主元空间的得分矩阵,Px为青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的主元空间的负载矩阵;
    步骤4:利用青霉素发酵过程的故障监测模型,在线监测青霉素发酵过程的故障;
    步骤4.1:在线获取青霉素发酵过程操作变量数据x′new∈(J×1)和青霉素发酵过程状态变量数据y′new∈(J′×1);
    步骤4.2:对在线获取的青霉素发酵过程操作变量数据和青霉素发酵过程状态变量数据进行规范及标准化,得到规范及标准化后的青霉素发酵过程操作变量数据xnew∈(J×1)和规范及 标准化后的青霉素发酵过程状态变量数据ynew∈(J′×1);
    步骤4.3:数据核映射:将在线获取的青霉素发酵过程操作变量数据通过核函数Φ从原始数据空间映射到高维特征空间,即xnew→Φ(xnew);
    步骤4.4:计算在线获取的青霉素发酵过程操作变量数据xnew在青霉素发酵过程操作变量离线历史正常数据集Χ的主元空间中的霍特林统计量(Hotelling-T2)、在线获取的青霉素发酵过程操作变量数据xnew在青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间中的霍特林统计量(Hotelling-T2)和在线获取的青霉素发酵过程操作变量数据xnew在青霉素发酵过程操作变量离线历史正常数据集xnew的残差空间中的SPE统计量;
    在线获取的青霉素发酵过程操作变量数据xnew在青霉素发酵过程操作变量离线历史正常数据集Χ的主元空间中的霍特林统计量如下:
    tnew=Φ(xnew)Φ(X)Tuk=KtukT2=tnewΛ-1tnewT---(2)]]>
    式中,tnew为在线获取的青霉素发酵过程操作变量数据xnew在高维特征空间中的非线性主元;Kt为在线获取的青霉素发酵过程操作变量数据xnew与青霉素发酵过程操作变量离线历史正常数据集Χ的内积向量,uk为青霉素发酵过程操作变量离线历史正常数据集Χ的潜变量;Λ是青霉素发酵过程操作变量离线历史正常数据集Χ的协方差矩阵;T2表示在线获取的青霉素发酵过程操作变量数据xnew在青霉素发酵过程操作变量离线历史正常数据集Χ的主元空间中的霍特林统计量(Hotelling-T2);
    在线获取的青霉素发酵过程操作变量数据xnew在青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的得分向量及霍特林统计量如下:
    tx,new=PxTΦ(x^new)Tx2=tx,newΛx-1tx,newT---(3)]]>
    式中,tx,new为在线获取的青霉素发酵过程操作变量数据xnew的残差在高维特征空间中的非线性主元;为从原始数据空间映射到高维特征空间后xnew的残差,Λx是青霉素运行过程离线历史正常数据集Χ的残差空间的协方差矩阵;表示xnew在青霉素运行过程离 线历史正常数据集Χ的残差空间中的霍特林统计量;
    在线获取的青霉素发酵过程操作变量数据xnew在青霉素运行过程离线历史正常数据集Χ的残差空间中的SPE统计量如下:
    ex,new=(I-PxPxT)Φ(x^new)SPEx=||ex,new||2---(4)]]>
    式中,ex,new为在线获取的青霉素发酵过程操作变量数据xnew的残差在高维特征空间中的残差,SPEx为在线获取的青霉素发酵过程操作变量数据xnew在青霉素运行过程离线历史正常数据集Χ的残差空间中的SPE统计量;
    步骤4.5:判断计算得到的在线获取的青霉素发酵过程操作变量数据xnew在青霉素发酵过程操作变量离线历史正常数据集Χ的主元空间中的霍特林统计量T2、在线获取的青霉素发酵过程操作变量数据xnew在青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间中的霍特林统计量和在线获取的青霉素发酵过程操作变量数据xnew在青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间中的SPE统计量SPEx中是否有至少一个统计量高于其相应的置信限:是,则当前青霉素发酵过程出现故障,执行步骤5,否则返回步骤4.1;
    步骤5:建立基于改进的核偏最小二乘重构的青霉素发酵过程故障相关方向模型;
    步骤5.1:采集青霉素发酵过程的离线历史故障数据,包括青霉素发酵过程操作变量离线历史故障数据集Χ′f=[x1f,…,xBf]∈(J×B)和青霉素发酵过程状态变量离线历史故障数据集Yf′=[y1f,…,yBf]∈(J′×B);
    步骤5.2:对青霉素发酵过程操作变量离线历史故障数据集Χ′f=[x1f,…,xBf]和青霉素发酵过程状态变量离线历史故障数据集Yf′=[y1f,…,yBf]进行规范及标准化:
    分别使青霉素发酵过程操作变量离线历史故障数据集Χ′f=[x1f,…,xBf]和青霉素发酵过程状态变量离线历史故障数据集Yf′=[y1f,…,yBf]的均值为0且方差为1,得到规范及标准化的青霉素发酵过程操作变量离线历史故障数据集Χf=[x1f,…,xBf]和规范及标准化的青霉素发酵过程状态变量离线历史故障数据集Yf=[y1f,…,yBf];
    步骤5.3:将青霉素发酵过程操作变量离线历史故障数据集通过核函数Φ从原始数据空间 映射到高维特征空间,即Xf→Φ(Xf);
    步骤5.4:根据青霉素发酵过程操作变量离线历史正常数据集Χ和青霉素发酵过程操作变量离线历史故障数据集Χf,重构青霉素发酵过程操作变量离线历史故障数据集Χf的主元空间的故障相关方向;
    步骤5.4.1:利用核偏最小二乘方法将青霉素发酵过程操作变量离线历史故障数据集Χf和青霉素发酵过程操作变量离线历史正常数据集Χ分别划分主元空间和残差空间,分别得到青霉素发酵过程操作变量离线历史故障数据集Χf的核偏最小二乘模型Φ(Xf)T和青霉素发酵过程操作变量离线历史正常数据集Χ的核偏最小二乘模型Φ(X)T;
    Φ(X)T=Φ(X~)T+Φ(X^)T=TPT+Φ(X^)T=Φ(X)TPPT+Φ(X^)T=Φ(X)TΦ(X)ααTΦ(X)T+Φ(X^)T=KααTΦ(X)T+Φ(X^)T---(5)]]>
    Φ(Xf)T=Φ(X~f)T+Φ(X^f)T=TfPfT+Φ(Xf)TPf*Pf*T=Φ(Xf)TPfPfT+Φ(Xf)TPf*Pf*T=Φ(Xf)TΦ(Xf)αfαfTΦ(Xf)T+Φ(Xf)TPf*Pf*T=KfαfαfTΦ(Xf)T+Φ(Xf)TPf*Pf*T---(6)]]>
    式中,为青霉素发酵过程操作变量离线历史正常数据集Χ的主元空间的数据集,为青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的数据集,为青霉素发酵过程操作变量离线历史故障数据集Χf的主元空间的数据集,为青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的数据集,α为Φ(X)的主元空间的特征向量,αf为Φ(Xf)的主元空间的特征向量,Pf为青霉素发酵过程操作变量离线历史故障数据集Χf的主元空间的负载矩阵,为青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的负载矩阵,K为青霉素发酵过程操作变量离线历史正常数据集Χ与青霉素发酵过程操作变量离线历史正常数据集Χ的内积矩阵,Kf为青霉素发酵过程操作变量离线历史故障数据集Χf与青霉素发酵过程操作变量离线历史故障数据集Χf的内积矩阵,且P=Φ(X)α,K=Φ(X)TΦ(X),Pf=Φ(Xf)αf,Kf=Φ(Xf)TΦ(Xf);
    步骤5.4.2:把青霉素发酵过程操作变量离线历史正常数据集Χ的主元空间的数据集分别正交映射到青霉素运行过程操作变量离线历史故障数据集Χf的主元空间的负载 矩阵Pf和青霉素运行过程操作变量离线历史故障数据集Χf的残差空间的负载矩阵Pf*,得到正交映射后的青霉素发酵过程操作变量离线历史正常数据集Χ的主元空间的主元空间的书籍和正交映射后的青霉素发酵过程操作变量离线历史正常数据集Χ的主元空间的残差空间的数据集
    Φ(X~nf)T=Φ(X~)TPfPfT=Φ(X)TPPTPfPfT=Φ(X)TΦ(X)ααTΦ(X)TΦf(X)αfαfTΦ(Xf)T=KααTKNαfαfTΦ(Xf)T---(7)]]>
    Φ(X~nf)*T=Φ(X~)TPf*Pf*T=Φ(X)TPPTPf*Pf*T=Φ(X)TΦ(X)ααTΦ(X)TΦf(X)αf*αf*TΦ(Xf)T=KααTKNαf*αf*TΦ(Xf)T---(8)]]>
    式中,为Φ(Xf)的残差空间的特征向量,ΚN为青霉素发酵过程操作变量离线历史正常数据集Χ与青霉素运行过程操作变量离线历史故障数据集Χf的内积矩阵,KN=Φ(X)TΦ(Xf);
    步骤5.4.3:利用核主元分析法确定正交映射后的青霉素发酵过程操作变量离线历史正常数据集Χ的主元空间的主元空间数据集的主元Tc和正交映射后的青霉素发酵过程操作变量离线历史正常数据集Χ的主元空间的残差空间数据集的主元
    Tc=Φ(X~nf)T=KααTKNαfαfTΦ(Xf)TΦ(Xf)αfαfTKNTααTKTαc=KααTKNαfαfTKfαfαfTKNTααTKTαc---(9)]]>
    Tc*=Φ(X~nf)*Tpc*=KααTKNαf*αf*TKfαf*αf*TKNTααTKTαc*---(10)]]>
    上式中,αc为的主元空间的特征向量,为的主元空间的特征向量,Pc为的负载矩阵,为的负载矩阵,Pc=Φ(X~nf)αc,Pc*=Φ(X~nf)*αc*;]]>
    步骤5.4.4:分别求青霉素发酵过程操作变量离线历史故障数据集Χf的主元空间的数据集在正交映射后的青霉素发酵过程操作变量离线历史正常数据集Χ的主元空间的主 元空间的负载矩阵Pc方向上的主元和青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的数据集在正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的残差空间的负载矩阵方向上的主元,分别得到青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障主元Tfc和青霉素发酵过程操作变量离线历史故障数据集的残差空间的故障主元Tfc*;
    Tfc(X~f)TPc=Φ(X~f)TΦ(X~nf)αc=Φ(Xf)TPfPfTΦ(X~nf)αc=KfαfαfTKNαfαfTKNTααTKTαc---(11)]]>
    Tfc*(X^f)TPc*=Φ(X^f)TΦ(X~nf)*αc*=Φ(Xf)TPf*Pf*TΦ(X~nf)*αc*=Kfαf*αf*TKNαf*αf*TKNTααTKTαc*---(12)]]>
    步骤5.4.5:计算青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障主元Tfc在正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的主元空间的主元Tc中所占比例RTfc,i,计算青霉素发酵过程操作变量离线历史故障数据集的残差空间的故障主元Tfc*在正交映射后的青霉素发酵过程操作变量离线历史正常数据集的主元空间的残差空间的主元Tc*中所占比例
    RTfc,i=var(Tfc(:,i))var(Tc(:,i))(i=1,2,···,Rc)---(13)]]>
    RTfc,i*=var(Tfc*(:,i))var(Tc*(:,i))(i=1,2,···,Rc*)---(14)]]>
    式中,var(·)表示方差,(:,i)表示一个矩阵的第i列,上式中的故障主元Tfc在主元Tc中所占比例RTfc,i和故障主元Tfc*在主元Tc*中所占比例越大,表示故障数据主元空间沿各负载方向(即负载矩阵中的负载向量代表的方向)对霍特林统计量贡献越大;
    步骤5.4.6:两类比例值中大于设定的比例下限的各比例值所对应的青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障主元和正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的故障主元分别组成新的青霉素发酵过程操作变量离线历史故 障数据集的主元空间的主元方向Rfc和新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元方向
    步骤5.4.7:利用新的青霉素发酵过程操作变量离线历史故障数据集的主元空间的主元方向Rfc对应的负载矩阵Pfc和新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元方向对应的负载矩阵Pfc*,重构青霉素发酵过程操作变量离线历史正常数据集Χ的主元空间的主元空间的负载矩阵Pc和青霉素发酵过程操作变量离线历史正常数据集的主元空间的残差空间的负载矩阵Pc*,即青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障相关方向Prec,c;
    Prec,c=[Pfc,Pfc*]=[Φ(X~nf)αfc,Φ(X~nf)*αfc*]---(15)]]>
    其中,αfc为与主元方向Rfc对应的特征向量,αfc*为与主元方向对应的特征向量;
    步骤5.5:根据青霉素发酵过程操作变量离线历史正常数据集Χ和青霉素发酵过程操作变量离线历史故障数据集Χf重构青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的主元空间的故障相关方向;
    步骤5.5.1:利用核主元分析方法,分别将青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间和青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间划分为残差空间的主元空间和残差空间的残差空间,分别得到青霉素发酵过程操作变量离线历史故障数据集的残差空间的核主元模型和青霉素发酵过程操作变量离线历史正常数据集的残差空间的核主元模型


    式中,为青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的主元空间的数据集,为青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的残差空间的数据集,为青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的主元空间的数据集,EfT为青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的残差空间的数据集,Px为青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的负载矩阵,Px*为青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的负载矩阵,αi为的主元空间的特征向量,αi*为的残差空间的特征向量,αif为的主元空间的特征向量,αif*为的残差空间的特征向量,Px,f为青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的主元空间的负载矩阵,Px,f*为青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的残差空间的负载矩阵,Ki为青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的数据集与青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的数据集的内积矩阵,Kif为青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的数据集与青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的数据集的内积矩阵,且Px=Φ(X^)αi,Px*=Φ(X^)αi*,Ki=Φ(X^)TΦ(X^),Px,f=Φ(X^f)αif,Px,f*=Φ(X^f)αif*,]]>Kif=Φ(X^f)TΦ(X^f);]]>
    步骤5.5.2:把青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的主元空间的数据集分别正交映射到青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的主元空间的负载矩阵Px,f和青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的残差空间的负载矩阵Px,f*,得到正交映射后的青霉素发酵过程操作变量离线历史正常数据 集Χ的残差空间的主元空间的数据集和正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的数据集


    式中,ΚM为青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的数据集与青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间数据集的内积矩阵,且KM=Φ(X^)TΦ(X^f);]]>
    步骤5.5.3:利用核主元分析法确定正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的数据集的主元Tp和正交映射后的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的数据集的主元Tp*;


    式中,αp为的主元空间的特征向量,为的主元空间的特征向量,Pp为的负载矩阵,为的负载矩阵,
    步骤5.5.4:求青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的数据集在正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的负载矩阵Pp方向上的主元,求青霉素发酵过程操作变量离线历史正常数据集的残差 空间的残差空间的数据集在正交映射后的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的负载矩阵方向上的主元,即青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的故障主元Tfp和青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的故障主元Tfp*;


    步骤5.5.5:计算青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的故障主元Tfp在正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的主元空间的主元Tp中所占比例,计算青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的故障主元在正交映射后青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的主元中所占比例;
    RTfp,i=var(Tfp(:,i))var(Tp(:,i))(i=1,2,···,Rp)---(24)]]>
    RTfp,i*=var(Tfp*(:,i))var(Tp*(:,i))(i=1,2,···,Rp*)---(25)]]>
    上式中,故障主元Tfp在主元Tp中所占比例RTfp,i和故障主元在主元中所占比例越大,表示青霉素发酵过程操作变量离线历史故障数据集的残差空间沿各负载方向对霍特林统计量贡献越大;
    步骤5.5.6:两类比例值中大于设定的比例下限的各比例值所对应的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的故障主元和青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的故障主元分别组成新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的主元方向Rfp和新的青霉素发酵过程操作变量离 线历史故障数据集的残差空间的残差空间的主元方向
    步骤5.5.7:利用新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的主元方向Rfp对应的负载矩阵Pfp和新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的主元方向对应的负载矩阵重构青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的负载矩阵Pp和青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的负载矩阵即青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的故障相关方向Prec,p;

    其中,αfp为与Rfp对应的特征向量,αfp*为与对应的特征向量;
    步骤5.6:根据青霉素发酵过程操作变量离线历史正常数据集Χ和青霉素发酵过程操作变量离线历史故障数据集Χf重构青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的残差空间的故障相关方向;
    步骤5.6.1:将青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的残差空间的数据集ET分别正交映射到青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的主元空间的负载矩阵Px,f和青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的负载矩阵Px,f*,得到正交映射后的青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的残差空间的主元空间和正交映射后的青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的残差空间的残差空间
    EnfT=ETPx,fPx,fT=Φ(X^)TPx*Px*TPx,fPx,fT=Kiαi*αi*TΦ(X^)TΦ(X^f)αifαifTΦ(X^f)T=Kiαi*αi*TKMαifαifTΦ(X^f)T---(27)]]>
    Enf*T=ETPx,f*Px,f*T=Φ(X^)TPx*Px*TPx,f*Px,f*T=Kiαi*αi*TΦ(X^)TΦ(X^f)αif*αif*TΦ(X^f)T=Kiαi*αi*TKMαif*αif*TΦ(X^f)T---(28)]]>
    步骤5.6.2:利用核主元分析法确定正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的主元空间的数据集的主元Te和正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的残差空间的数据集的主元
    Te=EnfTPe=Kiαi*TKMαifαifTΦ(X^f)TΦ(X^f)αifαifTKMTαi*αi*TKiTαnf=Kiαi*αi*TKMαifαifTKifαifαifTKMTαi*αi*TKiTαnf---(29)]]>
    Te*=Enf*TPe*=Kiαi*αi*TKMαif*αif*TKifαif*αif*TKMTαi*αi*TKiTαnf*---(30)]]>
    式中,αnf为Εnf的主元空间的特征向量,为Εnf*的主元空间的特征向量,Pe为Enf的主元空间的负载矩阵,为Εnf*的主元空间的负载矩阵,Pe=Enfαnf,
    步骤5.6.3:把青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的数据集映射到正交映射后的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的主元空间的负载矩阵Pe,把青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的数据集EfT映射到正交映射后的青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的残差空间的负载矩阵得到青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的主元空间的映射空间的数据集和青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的残差空间的映射空间的数据集Ef,e;

    Ef,e=EfTPe*Pe*T=Kifαif*αif*TKMαif*αif*TKMTαi*αi*TKiTαnf*αnf*TKiαi*αi*TKMαif*αif*TΦ(X^f)T---(32)]]>
    步骤5.6.4:计算青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的主元空间的数据集到青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的主元空间的映射空间的数据集的负载矩阵的距离,计算青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的残差空间的数据集E到青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的残差空间的映射空间的数据集的负载矩阵的距离,并计算两个距离的比值RTf,e;

    步骤5.6.5:计算青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的残差空间的数据集Ef到青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的主元空间的映射空间的数据集的负载矩阵的距离,计算青霉素发酵过程操作变量离线历史正常数据集Χ的残差空间的残差空间的数据集E到青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的残差空间的映射空间的数据集的负载矩阵的距离,并计算两个距离的比值
    RTf,e*=||EfPf,e*Pf,e*T||2||EPf,e*Pf,e*T||2,(e=1,2,···,Be*)---(34)]]>
    式中,||·||表示欧几里得长度,Pf,e为映射空间的负载矩阵,为映射空间Ef,e的负载矩阵,该距离之比越大,表示青霉素发酵过程操作变量离线历史故障数据集的残差空间沿各负载方向对SPE统计量贡献越大;
    步骤5.6.6:该两类距离的比值大于其设定比值下限的所有距离的比值对应的青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间和青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间分别组成新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的主元空间的主元方向Vfe和新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的残差空间的主元方向
    步骤5.6.7:利用新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的主元空间的主元方向Vfe和新的青霉素发酵过程操作变量离线历史故障数据集的残差空间的残差空间的残差空间的主元方向重构青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的故障相关方向Prec,e;
    Prec,e=[Vfe,Vfe*]=[Enfαfe,Enf*,αfe*]---(35)]]>
    其中,αfe为主元方向Vfe对应的特征向量,为主元方向对应的特征向量;
    步骤5.7:针对青霉素发酵过程的所有故障,应用步骤5.1-5.6分别重构出青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障相关方向Prec,c、青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的故障相关方向Prec,p、青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的故障相关方向Prec,e构成基于改进的核偏最小二乘重构的青霉素发酵过程故障相关方向,从而建立了改进的核偏最小二乘重构的青霉素发酵过程故障相关方向的模型库;
    步骤6:利用青霉素发酵过程故障相关方向模型进行青霉素发酵过程故障诊断;
    步骤6.1:根据青霉素发酵过程操作变量离线历史故障数据集的主元空间的故障相关方向Prec,c,计算在线获取的青霉素发酵过程操作变量数据的主元空间的得分矩阵Τfo及其对应的霍特林统计量
    Φ(X~f,rec,new)T=Φ(X~f,new)TPrec,cPrec,cTΦ(X~fo)T=Φ(X~f,new)T-Φ(X~f,rec,new)T---(36)]]>
    Tfo=Φ(X~fo)TP=Φ(X~f,new)TP-Φ(X~f,rec,new)TP=Kf,newαf,newαf,newTΦ(Xf,new)TΦ(X)α-Φ(X~f,new)TPrec,cPrec,cTΦ(X)α=Kf,newαf,newαf,newTKN,newTα-Φ(X~f,new)TΦ(Xf)αfαfTKNTααTKTαfcαfcTKααTKNαfαfTΦ(Xf)TΦ(X)α-Φ(X~f,new)TΦf(X)αf*αf*TKNTααTKTαfc*αfc*TKααTKNαf*αf*TΦ(Xf)TΦ(X)α=Kf,newαf,newαf,newTKN,newTα-Kf,c,newαfαfTKNTααTKTαfcαfcTKααTKNαfαfTKfα-Kf,c,newαf*αf*TKNTααTKTαfc*αfc*TKααTKNαf*αf*TKfα---(37)]]>
    Tfo,i2=tfo,iTΛfo-1tfo,i,(i=1,2,···,Jnew)---(38)]]>
    式中,为xnew的主元空间的集合,tfo为得分矩阵Τfo的行向量,Λfo为青霉素发酵过程操作变量离线历史故障数据集的主元空间的协方差矩阵,Jnew为在线获取的青霉素发酵过程操作变量数据的采样数目,Kf,new为在线获取的青霉素发酵过程操作变量数据xnew的集合Xnew与在线获取的青霉素发酵过程操作变量数据xnew的集合Xnew的内积矩阵,KN,new为青霉素发酵过程操作变量离线历史正常数据集Χ与在线获取的青霉素发酵过程操作变量数据xnew的集合Xnew的内积矩阵,Kf,c,new为在线获取的青霉素发酵过程操作变量数据xnew的集合Xnew的主元空间数据集与青霉素发酵过程操作变量离线历史故障数据集Χf的内积矩阵,αf,new为Φ(Xf,new)的主元空间的特征向量;
    步骤6.2:根据青霉素发酵过程操作变量离线历史故障数据集的残差空间的主元空间的故障相关方向,计算在线获取的青霉素发酵过程操作变量数据的残差空间的得分矩阵Τx,fo及其对应的霍特林统计量


    Tx,fo,i2=tx,fo,iTΛx,fo-1tx,fo,i,(i=1,2,···,Jnew)---(41)]]>
    式中,tx,fo为得分矩阵Τx,fo的行向量,Λx,fo为青霉素发酵过程操作变量离线历史故障数据集的残差空间的协方差矩阵,Kif,new为在线获取的青霉素发酵过程操作变量数据xnew的集合Xnew的残差空间数据集与在线获取的青霉素发酵过程操作变量数据xnew的集合Xnew的残差空间数据集的内积矩阵,Ki,new为青霉素运行过程离线历史正常数据集Χ的残差空间数据集与在线获取的青霉素发酵过程操作变量数据xnew的集合Xnew的 残差空间数据集的内积矩阵,Kf,p,new为在线获取的青霉素发酵过程操作变量数据xnew的集合Xnew的残差空间的主元空间数据集与青霉素发酵过程操作变量离线历史故障数据集Χf的残差空间的数据的内积矩阵,αif,new为的主元空间的特征向量;
    步骤6.3:根据青霉素发酵过程操作变量离线历史正常数据集的残差空间的残差空间的障相关方向,计算在线获取的青霉素发酵过程操作变量数据的残差空间的SPE统计量;


    SPEx,fo,i=ex,fo.iTex,fo,i,(i=1,2,···,Jnew)---(44)]]>
    式中,ex,fo为得分矩阵Εx,fo的行向量;
    步骤6.4:判断在线获取的青霉素发酵过程操作变量数据的主元空间的霍特林统计量在线获取的青霉素发酵过程操作变量数据的残差空间的霍特林统计量在线获取的青霉素发酵过程操作变量数据的残差空间的SPE统计量是否均低于设定的各自的置信限,是,则当前故障即为青霉素发酵过程中真正的故障,否则当前故障为已有故障的组合或是新的故障。
    本实施方式中,首先选取青霉素发酵过程的离线历史正常数据的300个采样点,利用改进的核偏最小二乘方法建立青霉素发酵过程的故障监测模型,然后在线监测故障类型1和故障类型2,表1~表5的数据为部分数据:
    表1建立青霉素发酵过程故障监测模型中的四组数据

    表2建立改进的核偏最小二乘重构的青霉素发酵过程故障相关方向模型中的故障数据1中四组数据

    表3建立改进的核偏最小二乘重构的青霉素发酵过程故障相关方向模型中的故障数据2中四组数据

    表4监测青霉素发酵过程的故障数据1中的一组数据

    表5监测青霉素发酵过程的故障数据2中的一组数据

    由图2和图3可以看出青霉素发酵过程中的操作变量主元空间的霍特林统计量、以及过程变量残差空间的霍特林统计量和SPE统计量在200个点内均未超过置信限,从第300个采样点开始,上述三个统计量出现明显的超限现象,这与事实相符。说明基于核 偏最小二乘重构的青霉素发酵过程故障诊断方法能够很好的诊断出青霉属发酵过程中的故障。
    然后,故障类型1的300个历史采样点进行的重构故障相关方向,在线诊断故障类型1,由图4可以看出,青霉素发酵过程中的操作变量的主元空间的霍特林统计量、以及操作变量的残差空间的霍特林统计量和SPE统计量均低于置信限,说明故障类型1为当前的故障,并且此故障相关方向模型能够很好的诊断出故障。
    用故障类型1的300个采样点重构的故障相关方向在线监测故障类型2,由图7可以看出,青霉素发酵过程中的操作变量的主元空间的霍特林统计量(Hotelling-T2)、以及操作变量的残差空间的霍特林统计量和SPE统计量均高于置信限,说明应用故障类型1的故障相关方向模型并不能诊断到故障类型2。
    同样利用故障类型2的300个采样点进行重构故障相关方向,在线诊断故障类型2,由图6可以看出,青霉素发酵过程中的操作变量的主元空间的霍特林统计量、以及操作变量的残差空间的霍特林统计量和SPE统计量均低于置信限,说明说明故障类型1为当前的故障,并且此故障相关方向模型能够很好的诊断出故障。
    接下来,用故障类型2的300个采样点重构的故障相关方向在线监测故障类型1,由图5可以看出,青霉素发酵过程中的操作变量的主元空间的霍特林统计量(Hotelling-T2)、以及操作变量的残差空间的霍特林统计量和SPE统计量均高于置信限,说明应用故障类型2的故障相关方向模型并不能诊断到故障类型1。
    比较图4和图5或(图6和图7)可以看出本发明对能够诊断到同一操作变量的不同故障。
    由上述结果可以得到,通过本发明的青霉素发酵过程故障诊断方法,能有效的监测到同一过程变量的不同故障类型。
    虽然以上描述了本发明的具体实施方式,但是本领域内的熟练的技术人员应当理解,这些仅是举例说明,可以对这些实施方式做出多种变更或修改,而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。

    关 键  词:
    基于 最小 二乘重构 青霉素 发酵 过程 故障诊断 方法
      专利查询网所有文档均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    0条评论

    还可以输入200字符

    暂无评论,赶快抢占沙发吧。

    关于本文
    本文标题:基于核偏最小二乘重构的青霉素发酵过程故障诊断方法.pdf
    链接地址:https://www.zhuanlichaxun.net/p-6111929.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    copyright@ 2017-2018 zhuanlichaxun.net网站版权所有
    经营许可证编号:粤ICP备2021068784号-1