基于高维时间序列分析的多模态工业过程监测方法研究

摘要

以发酵过程为代表的多模态工业过程是现代生物工业的主要生产方式之一，多模态工业过程的动态特性、时效性、非线性、批次间差异性和多操作阶段性等都给其监测带来了困难，研究有效的监测方法对改善发酵生产过程的品质具有重要价值。现有基于多变量统计分析的监测方法中，没有考虑非平稳的控制输入对监测结果的影响，导致误报率增加。本课题针对控制输入对间歇过程阶段划分及其监测的影响，将小波变换(WaveletTransformation，WT)、核主元分析(Kernal Principle Component Analysis，KPCA)、以及模糊C均值(Fuzzy C-Means，FCM)聚类等方法有机相结合，提出了一种新的用于间歇过程阶段划分方法，并将之应用于间歇过程的分段监测，能够避免控制输入突变对监测的影响，提高了监测结果的可靠性。
　　本文在基于PCA的间歇过程模态聚类方法的基础上，研究了基于WT-KPCA和FCM的间歇过程模态聚类方法，该方法利用系统瞬时脉冲响应函数代替观测序列进行阶段划分，与传统基于PCA的阶段划分方法相比，WT-KPCA方法依据系统的瞬时动态特性进行阶段划分，能够避免控制输入数据的不连续突变对分段结果的影响;研究了依据分段结果的间歇过程子阶段建模，并研究了阶段模型的融合方法，提出了一种联合加权支持向量机(Jointed Weighted Support Vector Machine，JW-SVM)建模方法，考虑了间歇过程整体对过渡过程的影响，能够有效提升模型精度;在线监测时，利用容积式Kalman滤波(Cubature Kalman Filtering，CKF)方法对在线数据进行模型预测，基于WT-KPCA计算监测指标值完成故障监测;最后，通过Pensim仿真平台对上述方法进行实验研究，从仿真数据的处理结果可以验证，基于WT-KPCA和FCM的间歇过程模态聚类方法、以及JW-SVM建模方法的有效性，在线监测方法能够有效的监测发酵过程故障。

目录

声明

摘要

第一章 绪论

1．1 引言

1．2 多模态工业过程的监测方法研究现状

1．2．1 工业过程的统计监测方法

1．2．2 多模态工业过程的监测方法

1．3 基于小波和PCA的动态过程监测方法研究现状

1．3．1 基于小波的动态过程监测方法

1．3．2 基于小波和PCA的动态过程监测方法

1．4 课题的研究意义和主要研究内容

1．4．1 课题的研究意义

1．4．2 课题的主要研究内容

第二章 基于WT-KPCA的间歇过程模态聚类

2．1 引言

2．2 基于观测变量的间歇过程模态聚类

2．2．1 观测变量的多向主元分析

2．2．2 基于MPCA的间歇过程模态聚类

2．3 基于瞬时脉冲响应估计的间歇过程模态聚类

2．3．1 基于小波变换的瞬时脉冲响应估计

2．3．2 基于WT-PCA的间歇过程模态聚类

2．4 基于WT-KPCA的间歇过程模态聚类

2．4．1 KPCA方法

2．4．2 基于WT-KPCA的间歇过程模态聚类

2．5 本章小结

第三章 基于WT-KPCA的间歇过程在线监测方法

3．1 引言

3．2 基于SVM间歇过程分段建模方法

3．2．1 统计学习理论

3．2．2 分段建模融合方法

3．2．3 基于FCM的联合加权SVM建模算法

3．3 基于CKF方法的在线数据处理方法

3．3．1 基于CKF的在线数据处理方法

3．4 基于WT-KPCA的间歇过程在线监测

3．4．1 基于WT-KPCA的间歇过程监测指标

3．4．2 基于WT-KPCA的间歇过程在线监测

3．5 小结

第四章 实验与分析

4．1 引言

4．2 青霉素发酵过程仿真平台

4．2．1 青霉素发酵过程及仿真平台

4．2．2 实验过程及分析指标

4．3 基于WT-KPCA的间歇过程分段建模

4．3．1 DWT-KPCA分段实验

4．3．2 联合加权SVM实验

4．3．3 实验结果与分析

4．4 基于WT-KPCA的分段故障监测实验

4．4．1 在线故障监测实验

4．4．2 实验结果与分析

4．5 小结

第五章 结论与展望

5．1 结论

5．2 展望

参考文献

致谢

研究成果及发表的学术论文

作者简介