论文部分内容阅读
间歇过程是生物制药、精细化工和食品饮料行业中主要生产方式,但是也因其间歇式的特点,存在着周期性批量生产、物料状态和操作参数呈现动态性、工艺控制要求高等特点。发酵过程是一种典型的间歇过程,发酵过程关乎经济发展和人民生活水平的提高,生物制药是国务院确立的七大战略新兴产业之一,在“京津冀”一体化中将起到重要的支撑作用。课题围绕生物发酵过程的批次不等长特性、动态特性和多阶段特性,研究以往方法在进行监测时存在的问题,通过建立高效高精度过程监测模型,降低监测的误报警率和漏报警率,保障运行安全,做到及时捕捉发酵过程中各检测变量的变化,若发现监测故障,及时通知工作人员,工作人员通过调整发酵环境或暂停生产,尽可能的提高产物质量稳定生产或者减少损失,进而减少能源消耗和资源浪费。研究成果一旦获得推广,会极大地提高发酵过程生产的安全性,减少事故的发生和资源的浪费,创造较大的经济效益和社会效益。本文的主要工作内容如下:(1)研究多约束动态时间规整方法解决批次间不同步问题为了解决发酵过程的批次不等长问题,同时克服传统DTW算法在处理该问题时导致被切割数据和信息丢失、监测样本变量的之间的相关关系和变量交叉相关关系发生变化的问题,提出多约束动态时间规整(Dynamic Time Warping,DTW)方法进行发酵过程数据同步处理,将各发酵批次的数据按照点与点的模式进行动态匹配,解决传统DTW方法长时间运行造成的故障监测严重滞后问题。(2)提出种群多样性的自适应权重粒子群优化的划分阶段方法针对发酵过程的多阶段特性,研究聚类算法在进行阶段划分时存在的不足。采用基于种群多样性的自适应惯性权重的粒子群优化(Particle Swarm Optimization,PSO)算法对仿射传播(Affinity Propagation,AP)聚类进行改进,指导阶段划分。(3)提出一种基于多阶段自回归主元分析的监测模型,实现发酵过程监测对基于种群多样性的自适应惯性权重的粒子群优化(Population Diversity-based Particle Swarm Optimization,PDPSO)AP聚类的多阶段发酵过程的数据样本进行自回归主元分析(Autoregressive Principal Component Analysis,AR-PCA)建模以消除各阶段的动态性及变量间自相关和互相关影响,对AR模型的残差矩阵建立主成分分析(Principal Component Analysis,PCA)模型用于发酵过程监测。(4)大肠杆菌发酵现场实验研究理论的提出最终要应用在实践生产中,为了检验本文研究方法的实用性,本文依托大肠杆菌发酵,将多阶段发酵过程监测方法应用于大肠杆菌发酵过程的现场,实验证明,该方法可以大大提高生产过程的监测效果,当生产过程出现异常时,及时监测到故障,提高生产效率。