描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787513062299
摘要
Abstract
第1章绪论1
1.1本书研究背景及意义1
1.2发酵过程简介及特征分析3
1.3发酵过程的统计过程监测10
1.4本书的研究内容及章节安排17
第2章基于多阶段MPCA的间歇过程监测研究21
2.1引言21
2.2主元分析(PCA)22
2.3多向主元分析(MPCA)25
2.4基于改进AP聚类的间歇过程阶段划分方法研究27
2.5仿真验证与结果分析33
2.6本章小结42
第3章基于MAR-PCA的间歇过程监测研究43
3.1引言43
3.2动态性对过程监测的影响44
3.3基于MAR-PCA的间歇过程监测45
3.4MAR-PCA算法步骤48
3.5数值实例仿真研究50
3.6本章小结55
第4章多阶段MAR-PCA在间歇过程监测中的应用研究56
4.1引言56
4.2多阶段MAR-PCA算法56
4.3基于多阶段MAR-PCA的间歇过程在线监测59
4.4仿真研究与结果分析60
4.5本章小结65
第5章基于仿射传播聚类的批次加权阶段软化分66
5.1引言66
5.2反距离加权67
5.3基于改进AP的阶段软化分68
5.4仿真研究73
5.5本章小结78
第6章基于信息传递的采样点阶段归属判断80
6.1引言80
6.2信息传递81
6.3采样点阶段归属的初步选择83
6.4采样点阶段归属的最终判定84
6.5仿真研究86
6.6本章小结89
第7章基于子阶段自回归主元分析的发酵过程在线监测91
7.1引言91
7.2主元分析与自回归模型92
7.3发酵过程子阶段监测模型的建立95
7.4子阶段AR-PCA在线监测99
7.5仿真研究100
7.6本章小结110
第8章基于PDPSO优化的AP聚类阶段划分112
8.1引言112
8.2AP聚类算法113
8.3PDPSO算法113
8.4基于PDPSO优化的AP聚类算法阶段划分117
8.5仿真研究119
8.6本章小结120
第9章基于多阶段自回归主元分析的发酵过程监测122
9.1引言122
9.2主元分析与自回归模型123
9.3基于AR残差的MPCA模型126
9.4多阶段AR-PCA监测127
9.5多阶段AR-PCA监测模型的建立128
9.6仿真研究129
9.7大肠杆菌发酵现场实验与结果分析141
9.8本章小结150
第10章基于KPCA-PCA的多阶段间歇过程监控策略151
10.1引言151
10.2数据集的相似度理论152
10.3多阶段KPCA-PCA监控策略156
10.4仿真验证与应用研究165
10.5本章小结181
第11章基于GMM-DPCA的非高斯过程故障监控182
11.1引言182
11.2高斯混合模型(GMM)理论183
11.3基于GMM-DPCA的故障监控策略185
11.4基于GMM-DPCA监控策略的离线建模和新批次监控190
11.5应用研究191
11.6本章小结200
第12章基于KECA的间歇过程多阶段监测方法研究201
12.1引言201
12.2多阶段过程监测策略203
12.3构建多阶段的监测模型206
12.4算法验证209
12.5本章小结219
第13章间歇过程子阶段非高斯监测方法研究220
13.1引言220
13.2基于多阶段KEICA的间歇过程监测222
13.3算法验证228
13.4本章小结241
第14章总结与展望242
14.1总结242
14.2展望244
参考文献248
摘要
间歇过程是生物制药、精细化工和食品饮料行业中的主要生产方式，但是因其间歇式的特点，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性新兴产业之一，在京津冀一体化中将起到重要的支撑作用。本书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，降低监测的误报率和漏报率，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，尽可能地提高产物质量、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，会极大地提高发酵生产过程的安全性，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。
本书的主要研究内容如下：
(1)研究一种基于AP聚类的阶段划分方法。
针对间歇过程的多阶段特性，采用AP聚类算法，此算法在进行过程阶段划分时无需过程的先验知识，通过将S准则引入AP聚类的迭代过程中，从而达到精确阶段划分的效果。在每个子阶段内建立监测模型更符合实际操作进程或过程的机理特性，同时阶段划分可以达到局部线性化的效果。
(2)提出一种多变量自回归主元分析(MAR-PCA)算法。
间歇生产过程数据，由于系统本身存在时滞特性、闭环控制和扰动，大多数过程变量都呈现出动态特性，即不同时刻的采样之间时序相关，此时如果依然采用传统主元分析算法，那么得到的主元得分会时序自相关，甚至各主元间互相关，进一步造成故障的误报率增加。
(3)研究基于信息传递的采样点阶段归属判断。
研究故障监测时新时刻采样点的最佳模型选择问题，引入信息度传递实现实时采样点的阶段归属判断，解决阶段不等长批次的最佳模型选择问题，做到新时刻采样点能落入对应的实际操作阶段，从而选取相对应阶段的监测模型实现实时样本点的监测。
(4)提出子阶段自回归主元分析发酵过程故障监测方法。
将单变量过程的时序分析方法拓展到多变量情形，区别具有强动态性的过渡阶段及平稳的稳定阶段，对其分别建立自回归主元分析(Auto Regression-Principal Component Analysis，AR-PCA)模型以及多向主元分析(Multiway
Principal Component Analysis，MPCA)模型，以消除过渡阶段的动态性，有效降低过程监测的误报率和漏报率。
(5)大肠杆菌发酵现场试验研究。
将本书研究内容应用于实际生产过程，借助于大肠杆菌发酵实验检验所用研究方法的合理性及有效性。结果表明，本书所提出的方法较传统方法可有效降低故障的误报率和漏报率，有着更加可靠的监测性能，可以很好地指导操作人员及时发现并有效排除故障。
关键词：发酵过程；批次加权；阶段归属；AR-PCA；故障监测
评论
还没有评论。