Abstract ：

故障预测可以指示变量的异常变化,提前预测故障情况.现有故障预测方法仅考虑完整序列的全局时间依赖关系,忽略了变量间依赖关系及采样子序列中不同的局部时间依赖关系.针对上述问题,提出了一种基于多采样序列特征提取网络(multi-sampled sequence feature extraction network,MSFEN)的故障预测架构.首先设计了一种批次联合嵌入机制,在考虑批次周期性的同时更好地表达变量间依赖关系.然后,开发了一种序列采样机制划分完整时间序列与不同尺度的采样子序列.之后,分别设计了翻转平滑Transformer与卷积交互提取模块,以全面地提取多尺度时间依赖关系与变量间依赖关系.最后,融合多采样序列特征获得最终的编码特征,通过前馈层实现故障预测.利用青霉素发酵过程进行实验,结果表明该方法具有良好的故障预测性能.

Keyword ：

多尺度 序列采样 神经网络 间歇式 故障预测

Cite：

Copy from the list or Export to your reference management。

Abstract ：

针对间歇过程中因忽略数据在阶段划分中的非线性,导致故障监测精度低的问题,提出一种基于扩散距离的信息熵模糊C均值(DDEFCM)多阶段长短期记忆网络的自动编码器(LSTM-AE)间歇过程故障监测方法.首先为了自动识别聚类个数,利用信息熵描述批处理后的二维时间片矩阵.再采用扩散距离对模糊C均值聚类(FCM)算法进行改进,解决欧式距离不能表征数据非线性的问题,有效划分间歇过程的稳定阶段,然后利用轮廓系数划分过渡阶段.最后建立多阶段LSTM-AE监测模型.利用青霉素发酵数据和大肠杆菌实际生产数据对该方法进行验证,结果表明所提方法不仅可以提升阶段划分性能,还能更加准确地进行故障监测.

Keyword ：

扩散距离 间歇过程 非线性 阶段划分 故障监测

Cite：

Copy from the list or Export to your reference management。

Abstract ：

发酵过程的状态监测对于及时发现各类异常故障起到了至关重要的作用.然而,由于发酵过程数据呈现非线性特性,导致在提取特征信息时存在困难,增加了故障监测的难度.为了解决上述问题,提出了一种基于注意力动态卷积自编码器(attention dynamic convolutional autoencoder,ADCAE)的发酵过程故障监测方法.首先,设计了一种动态卷积结构(dynamic convolution structure),该结构可以在浅层使用大尺寸卷积核提取低级特征,在深层使用小尺寸卷积核提取高级特征,从而拓宽了模型特征学习的尺度;其次,设计了一种通道卷积注意力(channel convolutional attention,CCA)模块,该模块能够从不同尺度提取输入的非线性特征,并且在通道向量转化为权重的过程中可以更好地提取局部特征,提高了对有效信息的关注能力;最后,将动态卷积结构与CCA模块融入卷积自编码器中,使模型能够有效地捕获变量中的非线性关系,从而更好地应对发酵过程中的故障监测问题.利用青霉素发酵过程仿真平台和大肠埃希菌实际生产数据对该方法的可行性进行了验证,结果表明该方法具有较好的故障监测性能.

Keyword ：

卷积自编码器 发酵 故障监测 注意力机制 算法 非线性 神经网络

Cite：

Copy from the list or Export to your reference management。

Abstract ：

考虑到发酵过程的动态特征对阶段划分的影响,为提高模型预测精度,提出一种基于注意力LSTM的多阶段发酵过程质量预测方法.首先,将原始三维数据沿批次展开,对每个时间片矩阵进行偏最小二乘(PLS)分析得到表征过程变量的得分矩阵和表征质量变量的得分矩阵,采用仿射传播(AP)聚类算法将联合得分矩阵进行聚类,实现第1步划分;然后,采用encoder-decoder模型将表征过程动态性的动态特征提取出来,采用AP算法对其进行第2步划分;最后,综合分析两步划分结果,将生产过程划分为不同的稳定阶段和过渡阶段,对划分后的各个阶段分别建立注意力长短期记忆(LSTM)集成质量预测模型.将该方法应用到青霉素发酵仿真数据...

Keyword ：

质量预测 发酵过程 偏最小二乘 过渡 动态性 多阶段

Cite：

Copy from the list or Export to your reference management。

Abstract ：

针对多阶段时变的间歇过程难以用全局模型准确描述生产过程的动态变化及传统局部建模每个工作点都需要重新筛选样本建模导致计算量较大的问题,提出一种分步时空即时学习的局部建模策略。采用仿射传播(AP)聚类的方式对历史数据样本集中的数据进行初步分类,在当前输入样本数据到达后,确定当前样本数据所属的类别,在此类别所限定的子数据样本集中使用时间和空间相结合的即时学习策略确定出局部相似样本,建立多向核偏最小二乘监测模型。将该算法在青霉素发酵仿真数据和大肠杆菌发酵过程生产数据上进行验证,结果表明,所提方法不仅减少了不必要的计算量,还能够更加精准即时地进行故障监测。

Keyword ：

时空即时学习 故障监测 多向核偏最小二乘 局部建模 分步

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了一种基于自动聚类结合偏最小二乘的间歇过程质量预测方法。针对间歇过程的多阶段性特征，目前已有的阶段划分方法很少考虑质量相关变量对阶段划分结果的影响。本发明在划分阶段前利用典型相关分析(canonical correlation analysis，CCA)对间歇过程数据进行特征选择，在保证其过程变量以及质量相关变量之间相关关系最大时找到其最优的线性表示。该过程不仅可以实现数据降维，同时考虑质量相关变量对划分结果的影响。最终，在DBSCAN划分阶段内建立基于MPLS的质量预测模型。将该算法在青霉素发酵仿真实验平台进行了实验验证，实验结果证明了本方法的可行性和有效性。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

针对传统故障监测方法难以提取数据深层特征的问题,提出一种基于多变量深度卷积神经网络的故障监测方法,以提高监测精度。为捕获过程动态性,采用滑动窗技术对过程变量序列进行分割,利用希尔伯特-黄变换对分割后的序列进行分解,得到时频图,有效挖掘变量序列在幅值、频率、相位上的异常变化信息;以时频图为输入,基于深度卷积神经网络构建故障监测模型,提取故障信息深层特征,提高监测精度;利用青霉素发酵过程仿真数据和大肠杆菌生产数据进行实验验证,结果表明所提方法监测精度分别高达95%和93%以上。

Keyword ：

故障监测 发酵过程 希尔伯特-黄变换 卷积神经网络 特征提取

Cite：

Copy from the list or Export to your reference management。

Abstract ：

为考虑质量变量对阶段划分结果的影响,提高建模精度,提出了一种基于扩展得分矩阵的多阶段间歇过程质量预测方法。首先将三维过程数据沿批次方向展开为二维数据矩阵,对每个时间片矩阵进行偏最小二乘(partial least squares,PLS)分析得到可以表征过程变量的得分矩阵和可以表征质量变量的得分矩阵;然后构建每个时间片的扩展得分矩阵,利用扩展得分矩阵捕捉质量变量信息对划分阶段的影响,采用CS (Cauchy-Schwarz)统计量计算相邻两个扩展得分矩阵的相似度,依据相似度将操作过程划分为不同的操作阶段,对划分后的各个阶段分别建立MPLS质量预测模型;最后将该算法在青霉素发酵仿真实验平台和大肠...

Keyword ：

多阶段 质量预测 CS统计量 扩展得分矩阵

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了一种对青霉素发酵过程进行实时故障监测的新方法，包括“离线建模”和“在线监测”两个阶段。“离线建模”包括：首先对发酵过程的三维数据进行处理；之后分别计算各个发酵批次数据的拉普拉斯矩阵，用以表示批次内数据局部结构信息；最后利用降噪拉普拉斯自动编码器(DLAE)进行建模构造监控统计量，并利用核密度估计方法确定控制限。“在线监测”包括：对新采集的数据按照模型进行处理，计算其统计量并与控制限进行比较判断发酵过程是否运行正常。本发明能有效利用批次内数据局部结构，同时降低了拉普拉斯自动编码器训练成本及硬件需求。同时采用降噪训练方式增强了模型鲁棒性，故障监测的准确率较高。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了一种实现对青霉素发酵过程进行实时故障监测的新方法。本方法利用青霉素发酵过程数据的高阶信息，建立一种有效的过程监测方案来及时地检测异常现象。本发明包括“离线建模”和“在线监测”两个阶段。“离线建模”包括：对原始数据进行阶段划分，采用核熵成份分析(KECA)处理的同时解决数据的非线性；然后在高维核熵空间利用HCA技术构建新的子阶段统计量用于过程监控。“在线监测”包括：对新采集的数据进行预处理，计算其统计量并与控制限进行比较判断发酵过程是否运行正常。本发明能较好的揭示过程变量相关关系的变化，客观反映各稳定阶段和各过渡阶段特征的多样性，有效地减少了系统的误警和漏报率。

Cite：

Copy from the list or Export to your reference management。