针对间歇过程固有的批次不等长问题,也为了克服传统解决批次间同步问题方法存在的数据浪费、扭曲原始过程变量的自相关及交叉相关关系的严重缺陷,提出基于多约束的动态时间规整(dynamic time warping,DTW)方法,按照轨迹中点与点的模式...
详细信息
针对间歇过程固有的批次不等长问题,也为了克服传统解决批次间同步问题方法存在的数据浪费、扭曲原始过程变量的自相关及交叉相关关系的严重缺陷,提出基于多约束的动态时间规整(dynamic time warping,DTW)方法,按照轨迹中点与点的模式进行动态匹配解决的同步问题.同时,引入了全局路径限制和失真度阈值限制对DTW方法进行改进,解决了传统DTW方法长时间运行造成的故障监测严重滞后的问题,同时克服了其处理过程的复杂性与其离线性导致其实际应用的困难.用多向主元分析(multiway principal component analysis,MPCA)方法将多约束DTW处理过的数据进行建模.将该方法应用到青霉素发酵过程仿真实验中,结果表明:该方法能够快速准确地对不等长批次进行规整,与传统方法相比,故障的误报率、漏报率明显降低.
发酵过程具有时变性、动态性和多阶段性的特点,对其进行故障监测主要采用离线建模方式,但这种方法并不能很好地反映当前生产过程的数据特征。近年来有学者使用即时学习（Just in Time Learning,JITL）在线建模策略来建立精确的在线模型...
详细信息
发酵过程具有时变性、动态性和多阶段性的特点,对其进行故障监测主要采用离线建模方式,但这种方法并不能很好地反映当前生产过程的数据特征。近年来有学者使用即时学习（Just in Time Learning,JITL）在线建模策略来建立精确的在线模型并进行故障监测,但是即时学习在线建模策略存在着模型更新频繁、计算量大的问题？本文提出一种带有模型更新机制的即时学习多向偏最小二乘（JITL-MPLS）的故障监测方法：依据马氏距离相似度,选择相似历史样本建立多向偏最小二乘监测模型;而后通过对比上一时刻的质量测量值和当前时刻的质量预测值的差值是否超限来判断模型是否需要更新,当其差值没有超限,即上一时刻监测模型能够表征当前时刻的数据特征,不更新模型,而是继续沿用,否则更新模型。最后将此方法应用于青霉素发酵仿真系统的在线监测,验证了该方法的有效性。
暂无评论