面向间歇发酵过程的多元统计监测方法研究

论文摘要

发酵生产与人们的生活息息相关,它是典型的非线性、动态、多阶段间歇生产过程。不同于一般的工业过程,机理十分复杂,而且其操作复杂度远远大于连续过程,产品质量更容易受到如原材料、设备状况、环境条件等不确定性因素的影响。为了提高发酵生产过程与控制系统的可维护性和安全性,并同时提高产品的质量,迫切地需要建立过程监测系统对生产过程进行故障监控。目前,用于过程监测的方法按照先验知识的不同可分为三类,即基于解析数学模型的方法、基于知识的方法和基于数据驱动的方法。发酵过程涉及菌体的生长繁殖过程,机理十分复杂,很难得到准确的数学模型,限制了基于数学模型的监测方法的应用;基于知识的方法适合于有大量生产经验和专家知识可利用的场合,而发酵过程的生产经验与专家知识积累有限,因此该类方法在过程监测中难以得到普遍应用;随着计算机技术的发展,大量的过程数据被采集并存储下来,而基于数据驱动的方法,正是通过对采集的观测数据建立统计模型并进行分析,判断过程所处的运行状态,在线检测与识别过程中存在的异常状况,从而有效地指导生产,提高产品的生产率。本文针对发酵生产过程的基本特征,系统地研究了监测过程中的若干问题,提出了一些新的统计过程监测算法,以此来提高过程监测能力与产品质量,保证生产安全。本文的主要工作有以下几个方面:（1）介绍了间歇过程的特点与监测难点、过程监测的基本概念、内容和分类,着重论述了基于数据的过程监测方法的发展历史、研究现状及其存在的问题。回顾了发酵技术的发展历史,阐述了发酵过程的特点和分类、生产流程及操作方式,结合Pensim Benchmark仿真平台,论述了青霉素发酵过程的建模与监测现状。（2）发酵过程中存在的不同操作模式,以现有方法直接对过程建立单一模型进行监测,往往会引发大量的误警。针对以上问题,提出了一种多MPLS模型统计监测方法,分别以MPLS对各个操作模式建立监测模型。基于Pensim仿真平台,运用T2、SPE统计监测图,结合监测变量贡献图对青霉素发酵过程进行建模与监测,仿真结果表明,所提出方法可以减少误警、在过程的不同操作模式下能监测到过程中存在的故障并能辨识出故障源。（3）针对发酵过程存在的时变特性,提出了一种在线的基于秩-1矩阵摄动的递归主元分析（RPCA）算法以提高过程监测的性能。以Pensim为仿真平台,结果表明所提出算法能有效跟踪过程的时变特性,减少系统的误警且能及时地监测出过程中存在的故障,适合于过程的在线监测。（4）针对发酵过程中典型的动态强非线性特征,提出了一种将EWMA与KPCA相结合的MEWMA-KPCA算法,以跟踪过程的动态特性并使其能有效处理过程的非线性属性。基于Pensim仿真平台,结果表明,所提出算法可获得过程的动态非线性特性,用于过程监测可降低正常运行过程的误警与漏报现象,且能较早地检测出故障。（5）针对过程数据分布的非高斯特性,提出了一种基于特征空间递归更新的在线独立元分析（RUFS-ICA）监测算法,在每一监测时刻,先对样本的特征空间递归更新,后用ICA算法提取过程变量的独立元,在计算出统计量后通过监测图对过程进行监控,实现了过程的在线监测。基于Pensim平台,仿真结果表明,所提出算法基本克服了漏报现象,降低了在线监测的运算复杂度,节省了存储量,从而证明了算法的有效性。最后,在总结全文的基础上,对未来的研究工作进行了展望。

论文目录

• 摘要
• Abstract
• 目录
• 1 绪论
• 1.1 引言
• 1.2 过程监测的目的和研究对象
• 1.2.1 过程监测的主要目的
• 1.2.2 过程监测的研究对象
• 1.3 过程监测方法分类
• 1.3.1 基于定量数学模型的方法
• 1.3.2 基于知识的方法
• 1.3.3 基于数据驱动的方法
• 1.3.4 模型有效性
• 1.4 统计过程监测的研究现状
• 1.4.1 统计过程监测技术的发展历史
• 1.4.2 单变量统计过程监测
• 1.4.3 多变量统计过程监测
• 1.4.4 间歇生产过程统计监测
• 1.5 本文的主要研究内容
• 2 发酵过程简介
• 2.1 引言
• 2.2 发酵技术发展历史
• 2.3 发酵过程基础知识
• 2.3.1 发酵过程的特点和分类
• 2.3.2 发酵工业的生产流程
• 2.3.3 发酵过程的操作方式
• 2.4 发酵过程工艺控制
• 2.4.1 发酵过程的主要参数
• 2.4.2 测量参数对发酵的影响
• 2.4.3 发酵终点的判断
• 2.5 发酵工业过程的数学模型
• 2.5.1 发酵过程的状态变量、操作变量与测量变量
• 2.5.2 描述发酵过程的各类数学模型
• 2.6 青霉素发酵过程简介
• 2.6.1 青霉素发酵过程的数学模型
• 2.6.2 青霉素发酵的四个生理阶段
• 2.6.3 发酵过程的初始条件及设定点
• 2.6.4 Pensim提供的三类故障
• 2.6.5 青霉素发酵过程监测现状
• 2.7 本章小结
• 3 针对发酵过程不同操作模式的多MPLS模型统计监测研究
• 3.1 引言
• 3.2 偏最小二乘算法的研究现状
• 3.2.1 偏最小二乘算法的起源与发展
• 3.2.2 偏最小二乘算法的研究现状
• 3.3 偏最小二乘算法的基本原理
• 3.3.1 偏最小二乘回归的基本思想
• 3.3.2 偏最小二乘算法描述
• 3.3.3 PLS成分的确定方法
• 3.3.4 PLS的简化算法
• 3.3.5 数据预处理
• 3.4 多变量统计过程监测图
• 3.4.1 主元得分图
• 2与SPE图'>3.4.2 Hotelling T²与SPE图
• 3.4.3 贡献图
• 3.5 基于多MPLS模型的过程监测
• 3.5.1 多MPLS离线模型的建立
• 3.5.2 过程的在线监测与故障诊断
• 3.6 仿真结果
• 3.7 本章小结
• 4 基于递归主元分析的发酵过程时变特性监测性能研究
• 4.1 引言
• 4.2 主元分析
• 4.3 基于秩-1矩阵摄动的递归主元分析算法
• 4.3.1 协方差矩阵的递归形式
• k和D_k'>4.3.2 秩-1矩阵摄动分析方法寻找V_k和D_k
• 4.3.3 一阶动态遗忘策略
• k和Λ_k的重排与主元数目的选取'>4.3.4 矩阵Q_k和Λ_k的重排与主元数目的选取
• 4.3.5 运算复杂度与存储量分析
• 4.4 RPCA算法在线监测
• 4.4.1 算法流程
• 4.4.2 统计量的推导及控制限的确定
• 4.5 青霉素发酵过程仿真结果
• 4.6 本章小结
• 5 基于MEWMA-KPCA算法的发酵过程动态非线性监测性能研究
• 5.1 引言
• 5.2 多元指数加权移动平均
• 5.3 核主元分析
• 5.3.1 核函数（Kernel Function）的概念与性质
• 5.3.2 核函数特点及分类
• 5.3.3 核主元分析算法
• 5.4 MEWMA-KPCA离线建模与在线监测
• 5.4.1 MEWMA-KPCA离线建模
• 2与SPE统计量'>5.4.2 Hotelling T²与SPE统计量
• 5.4.3 MEWMA-KPCA在线监测
• 5.5 仿真研究
• 5.5.1 动态非线性过程仿真
• 5.5.2 青霉素发酵过程仿真
• 5.6 本章小结
• 6 特征空间递归更新的ICA算法在线监测应用研究
• 6.1 引言
• 6.2 独立元分析
• 6.2.1 独立元分析定义
• 6.2.2 数据预处理
• 6.2.3 独立元分析估计原理
• 6.2.4 独立元分析算法及缺点
• 6.3 特征空间的递归更新
• 6.3.1 协方差矩阵的递归形式
• k和Λ_k'>6.3.2 秩-1矩阵摄动方法寻找Q_k和Λ_k
• 6.4 基于RUFS-ICA算法的过程监测
• 6.4.1 统计量及控制限的确定
• 6.4.2 RUFS-ICA算法在线监测流程
• 6.5 仿真研究
• 6.6 本章小结
• 7 总结与展望
• 7.1 本文研究工作总结
• 7.2 研究工作展望
• 参考文献
• 附录
• 致谢