基于改进MICA青霉素发酵过程监控与故障诊断.docVIP

 基于改进 MICA 的青霉素发酵过程监控与 故障诊断# 贾之阳，王普，高学金** 5 10 15 20 25 30 35 40 （北京工业大学电子信息与控制工程学院，北京 ） 摘要：间歇过程的监控和故障诊断过程中，传统的主元分析法（PCA）或者最小二乘法（PLS）， 都假设过程变量服从多元正态分布。而实际工业过程观测到的变量数据并不一定服从多元正 态分布。独立成分分析（ICA），作为一种高阶统计方法，把观测数据分解为统计意义下的 独立元的线性组合，提取高阶统计信息，将混合信号分解成相互独立的非高斯元，更适合于 动态系统。传统的 ICA 算法往往需要在算法使用前预先确定提取独立成分的个数，而这是 很难预知的。本文提出一种改进的 MICA 算法，通过设立负熵阈值实现独立成分的自动选 取，以此解决传统算法中独立成分的个数需要提前确定的缺点，并同时降低了建立监控模型 的复杂性。通过将该方法应用于青霉素发酵的过程监控和故障诊断，验证了该方法的可行性 和有效性。 关键词：控制科学与工程；过程监控；独立成分分析；青霉素发酵；故障诊断。 中图分类号：TP23 Process monitoring and fault diagnosis of penicillin fermentation based on improved MICA JIA Zhiyang, WANG Pu, GAO Xuejin (College of Electronic Information and Control Engineering,Beijing ) Abstract: In the process monitoring and fault diagnosis of the batch process, traditional principal component analysis (PCA) or least-squares (PLS), are assuming that the process variables are multivariate normal distribution. But in the practical industrial process, the data observed of process variables dose not necessarily be the multivariate normal distribution. Independent component analysis (ICA), as a higher-order statistical method, is more suitable for dynamic systems. Observational data are decomposed into a linear combination of the Independent Components of the statistical significance. The higher order statistics will be extracted and the mixed signals are decomposed into independent non-Gaussian Components. This paper propose an improved MICA method of realizing the automatically choose the independent components through setting the threshold value of the negentropy. The method is used to do the process monitoring and fault diagnosis of Penicillin fermentation and the result verify the feasibility and effectiveness of the method. Key words: control science and engineering; process monitoring; independent component analysis; fault diagnosis; penicillin fermentation. 0 引言 间歇过程是现代流程工业中比较常见的一种生产方式，广泛应用于医药、生化制品等小 批量、高附加值产品的生产和制备。间歇过程不同于一般的工业过程，其机理复杂、操作复 杂度高、产品质量易受不确定性因素的影响，如原材料、设备状况、环境条件等。为了提高 间歇