基于长短时记忆神经网络和支持向量数据描述的间歇过程监测方法

摘要：

间歇过程操作是化工过程中的一种重要生产方式.与连续过程不同,间歇生产不是在一个稳定的工作状态运行,而是根据设定的原料比例、操作条件所对应的操作轨迹运行.因此间歇过程数据具有多阶段性、动态时变性和非线性等特性,传统的监测方法难以应用于对间歇过程生产运行状态的监测.为了解决这个问题,提出了一种新的间歇过程监测策略.首先基于长短时记忆神经网络提取变量间的动态、非线性关系来建立回归模型.然后以回归模型得到的残差作为监测对象,由于残差已经不再有多阶段、动态特征,可以直接应用连续过程监测的方法对残差建立监测模型.最后选择支持向量数据描述对正常数据集的残差进行超球体描述,以测试集样本点到超球体中心的距离作为监测统计量来实现故障点的检测.本方法被应用于青霉素发酵仿真过程,结果表明本方法成功将复杂的间歇过程监测转化成较为简单的连续过程监测问题来处理,且能够及时对过程故障进行报警.

关键词：动态回归模型、残差、实时过程监测、青霉素发酵过程

所属期刊栏目：39

分类号：TQ448.21

在线出版日期：2022-05-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：32-36