论文部分内容阅读
发酵过程与我们生活息息相关,从“十二五”时期到“十三五”规划,无不彰显着国家对发酵、制药产业的重视。发酵工业由传统的高耗能方式转换成高产能模式,创造了商业价值,成就了其行业的重要地位,但其蓬勃发展同时也逐渐凸显在过程中存在的安全性问题。若安全性问题解决不及时,可能会导致经济损失或危害、伤亡人员等。因此,当过程中发生故障时,需及时发现异常,对发酵过程进行监测并立即排除故障。随着复杂工业系统的不断发展以及过程模式的逐渐改变,传统数据驱动的方法无法适应新时期工业过程的故障监测需求。本文受深度结构网络启发,针对发酵过程非线性和动态特性,研究以卷积神经网络为核心的故障监测方法,提高监测模型精确度完成故障在线监测。主要做了以下几方面研究:(1)实现一种基于希尔伯特-黄方法的多变量时频分析发酵过程发生故障时,相应变量信号的幅值、相位和频率都会随着时间更迭发生变化,对变量进行时频分析可以表征其在不同时间和频率上的信号特征。针对发酵过程的非线性和时频特性,利用经验模态分解(EMD)把非线性变量信号进行线性表达,可以准确地捕获信号的局部特征,然后归并分解的多个变量进行希尔伯特变换。由此获取表达时频特征的时频图,使变量特征更好的映射到时频域,实现多变量时频分析。(2)研究一种基于CNN的特征提取方法,对过程故障进行在线监测研究一种深度卷积神经网络方法对时频分析后获得时频图进行自适应特征提取,输入到softmax层进行分类,完成故障在线监测。针对卷积神经网络的输入层分布不一致问题,在卷积层中引入批量规范化(BN)方法,以达到加快卷积层的训练速度和精度的目的。针对全连接层因其需要优化更新较多参数,而容易产生过度拟合问题,采用全局均值池化对最后一层卷积池化后特征进行取均值处理,使抗过拟合效果更优,提高网络泛化能力。(3)提出基于CNN-kiviat图方法实现发酵过程故障可视化监测深层神经网络提取特征进行故障分类监测很难清晰表达监测进程,因此研究可视化与故障监测相融合的可视化故障监测方法形象地揭示故障监测过程。时间显示Kiviat图可以很好的把CNN提取出的数据深度特征呈现在三维图中,实现发酵过程故障可视化监测。(4)大肠杆菌发酵实际数据实验研究将文中所提的卷积神经网络特征提取方法和时间显示Kiviat图可视化方法应用于大肠杆菌实际生产数据,进行实验检验所研究的可视化监测方法的合理性及有效性。结果表明,文中所提方法可以有效提取变量数据深层特征,明显提高了故障监测精确度,在保证监测快速性的同时还可以确保其优越的监测能力,可以因势利导操作人员及时发现异常并有效防止事故发生。