基于FCM的青霉素发酵分时段统计建模及监控

对间歇过程进行实时监测具有重要的现实意义,传统的多向主元分析方法(MPCA)是用单一的统计模型来表现原始数据的信息,没有考虑到大多数间歇过程由于操作条件或反应进程的改变,不同操作阶段的数据动态特性会不同,同一操作阶段的变量也往往具有高度非线性的特性,因此会导致一些重要信息的缺失。本文针对青霉素发酵过程固有的多时段特性,提出了一种基于模糊C均值算法的分时段过程监控算法,该方法以每个时刻数据矩阵的相似度指标作为聚类输入,以便准确的判断过程特性变化,实现间歇生产过程的阶段划分,进而用MPCA建立多时段过程监控模型,最后再利用相应的统计指标进行过程监测。将该算法应用于青霉素发酵过程的在线监测,实验结果验证了该方法的有效性和可靠性。     

青霉素发酵过程的2DPCA建模及监测

针对多向主元分析（multi-way principal component analysis,MPCA）算法用于间歇过程实施监控时需要将三维数据转换为高阶的二维矩阵,从而易导致算法的计算量大,且会丢失一些有用信息的情况进行了研究,提出了一种新的间歇过程故障诊断方法——二维主成分分析法（2-dimensional principal component analysis,2DPCA）。该算法首先利用各个批次的二维矩阵构造协方差矩阵,进而求得所有批次协方差矩阵的平均值进行建模,大大降低了计算复杂度,运算时间较MPCA缩短了19/20到3/4,且无须占用太多存储空间;同时,2DPCA计算协方差矩阵较MPCA更为准确,取协方差矩阵的平均值能够更加精确地反映不同类型的故障,在一定程度上增强了故障诊断的准确率。最后,通过将所提出的方法应用于青霉素发酵过程的监控中,验证了该算法的有效性和准确性。