多阶段间歇过程的故障监控
文献综述
- 研究背景
在生物发酵过程中，微生物的生长对环境变化极为敏感，如果生产条件偏离了预先设定的最佳条件，就会影响其内部的代谢过程，降低产生菌的质量和数量，甚至得不到所要求的产物。如果能在异常出现的初期及时给出预警信息，采取相应措施，将能减少损失，甚至避免异常情况的发生。但是生物发酵过程复杂，很多关键变量如菌体质量浓度、产物质量浓度等需要离线分析，滞后时间长，难以及时地对发酵趋势和故障做出预警。
以青霉素为例，青霉素是目前用得最多的广谱抗生素之一，其生产发酵是典型的间歇过程。大量研究表明，该过程是一个非常复杂的化学反应和生理反应的综合过程，显然和连续生产过程不同，它具有非线性极强、生产反应周期短、每一批次的初始条件和参数很不相同、内部动态特性变化快等特点。对其做过程控制和监控很困难，而且任何在生产过程中产生的些微变化都会对最终结果产生影响，最终可能导致青霉素的质量出现问题。因此，建立一个合理、有效的在线监控和故障诊断机制是至关重要的[1][2]。
主元分析（PCA）是统计监控中的常用技术，基于传统PCA的统计监测是将过程数据向量投影到两个正交的子空间(主元空间和残差空间)上,并分别建立相应的统计量进行假设检验,以判断过程的运行状况的监控方法[3]。
传统PCA监测方法适用于线性系统，对于具有强非线性的生产过程，其在线监控的结果十分不可靠，存在误报率过高的问题。新提出的基于传统PCA的多向PCA方法在建模过程中，未考虑批次沿时间方向的动态特性，即假设过程变量是统计独立的，忽略了过程变量沿时间轴方向的相关性，容易造成较高的漏报率和误报率，也不能满足生物发酵的多阶段间歇过程故障监控的要求。故需要提出一种新的能适用于生物发酵的多阶段间歇过程监控策略。
近年来，随着PCA技术的发展，PCA技术在工业生产过程监测领域得到了越来越多的应用[4]，其中谭帅[5]等人针对具有多模态的工业生产过程提出了基于PCA模态识别以及过程监测方法，Birol[6]等人提出的青霉素间歇生产过程的Benchmark模型,为故障监控领域做出了杰出的贡献，现如今PCA在过程故障诊断领域中的应用已经十分的广泛。
多阶段间歇过程的故障监控技术在微生物的发酵生产领域备受关注，因此对多阶段间歇过程监控技术的研究十分有必要。在此背景下，本文研究基于酵母菌发酵生产的多阶段间歇故障监控，通过PCA技术对采集的酵母菌生产过程的数据做一定的处理得到酵母菌发酵中间过程信息，提取特征信息，从而完成建模，达到对酵母菌的发酵生产进行多阶段间歇故障监控的目的。
二、国内外研究发展历程及现状
故障监控技术经过几十年的发展，到目前为止已经出现了基于各种不同原理的众多方法，包括分析方法，人工智能以及统计方法等。按照国际故障诊断权威P.M.Frank教授的观点[7]我们大致分类故障监控方法为三大类，他们是基于模型的方法、定性定量的方法和过程,基于历史知识的方法。各种方法各有各的特点，在故障诊断领域共同发挥着各自的作用。本文主要介绍其中的PCA方法来实现现代故障监控。
