第52卷第6期 2016年12月
过程控制
技
术
石油化工自动化
AUTOMATION IN PETRO-CHEMICAL INDUSTRY
Vol.52, No. 6 Decermber，2016
基于KMC-KECA的间歇
发酵过程的故障诊断
解亚萍，赵鹏，党伟明
（内蒙古工业大学电力学院，呼和浩特010051）
摘要：针对间款发醇酵过程的不稳定性、强非线性、批次不等长等特点以及传统贡献图难以找到由特征空间到原始空间的逆映射函数的间题，提出了一种基于K均值象类贡献图的核摘成分分析的间款发酵过程故障诊断方法。首先，KECA算法按照 Renyi摘值的大小选取特征值及特征向量，然后用K均值乘类中心作为当前时刻的标准样本，拿故障样本的每个变量依次去替换标准样本的对应变量，通过计算其统计量，找出故障源，从而进行故障诊断。最后将该方法用到青辑素发酵过程验证所提出方法的有效性。
关键词：核炳成分分析K均值案类贡款图故障诊断间歇过程
中图分类号：TP277
文献标志码：B
文章编号：1007-7324(2016)06-0021-06
Fault Diagnosis for BatchFermentation Process Based on KMC-KECA
Xie Yapin,Zhao Peng,Dang Weiming
(Institute of Electric Power,Inner Mongolia University of Technology,Hohhot,010051,China) Abstract: Aiming at characteristics of instability, strong nonlinearity, non-even batch time and problem of difficulty tofind inverse mapping function fromfeature space to original space from conventional contribution plot, a K-mean clustering-kernel entropy component analysis (KMC-KECA) fault diagnosis method is proposed, First mapped data from low dimensional input space into a high dimensional feature space to achieve nonlinear relationship between variable linear transformation, The data dimensionality reduction was conducted according to kermel entropy eigenvalues and eigenvectors. Then a KMC kernel space contribution plot of fault diagnosis method was proposed, fault diagnosis is achieved according reconfiguring monitoring sample of fault times by this method. At last, it was applied in fermentation process of penicillin fermentation.The results show better fault diagnosis performance is obtained with proposed method.
Key words: KECA; K-mean clustering-Kernel contribution plot; fault diagnosis;batch process
由于间歇发酵过程数据存在高度非线性、耦合、数据缺损等间题，以主成分分析PCA(principal componentanalysis）和偏最小二乘PLS（partial leastsquare)等为核心技术的多元统计过程监控方法(MSPM)可以从含有噪声的高维数据中提取出反映过程特征的低维变量。因此，MSPM方法近年来得到了长足的发展。MSPM的核心思想是通过数据投影将输入空间划分为特征子空间和残差子空间从而达到降低数据维数的目的。其中， PCA算法的应用最为普遍，它可以有效将含噪声且相关的高维数据以保留原始数据的最大方差的原则投影到低维空间。但是，PCA算法只能处理线性数据[2-3]，它对于非线性过程的监控效果并不理想。Scholkopf等(提出了核主元分析（KPCA) 算法，KPCA算法是通过非线性映射将低维输入
万方数据
空间映射到高维特征空间，在特征空间中进行 PCA分析，从而把输人空间的非线性问题转化为特征空间中的线性问题[5-6]。Jenssen[7]在KPCA 算法的基础上提出了核摘成分分析KECA(Kernel EntropyComponentAnalysis）算法，它是在 KPCA算法的基础上引人摘的概念，在特征空间按照Renyi摘值的大小选取特征值和特征向量以实现数据转换，体现出了良好的非线性处理能力，
稿件收到日期：2016-09-16。
基金项目：国家自然科学基金项目（61364009，21466026)；内蒙古自然科学基金项目(2015MS0615)；校级重点项目（X201237)。
作者简介：解亚荐（1991一)，女，就读于内蒙古工业大学电力学院研究方向为工业过程的故障诊断，硕士研究生。