基于核熵成分分析的多阶段发酵过程故障监测的中期报告.docx

基于核熵成分分析的多阶段发酵过程故障监测的中期报告
本文基于核熵成分分析方法，研究了多阶段发酵过程故障监测的中期报告。首先简述了多阶段发酵过程的原理和过程参数选择，然后详细介绍了核熵成分分析方法及其在多阶段发酵过程故障监测中的应用。最后，根据实验结果，讨论了该方法在多阶段发酵过程中的优缺点及其改进方向。
一、多阶段发酵过程原理及过程参数
多阶段发酵过程是指将整个发酵过程分为不同的阶段，在每个阶段分别进行不同的操作和控制。此过程可根据不同生产需要，分为两阶段、三阶段或多阶段。其中，每个阶段有不同的环境条件要求，如温度、pH值、氧气含量、压力、罐内混合程度等。多阶段发酵过程在生物工程领域应用广泛，因为其可以实现不同菌株或生产目标的产量最大化。
在多阶段发酵过程中，我们需要监测的过程参数有：
1.pH值
2.温度
3.溶氧量
4.出口气体中的生产物浓度
以上过程参数是维持生长组织生存的最基本条件，也是最能反映发酵群体状态的指标。
二、核熵成分分析方法
核熵成分分析（NKPCA）是一种新型的多变量分析方法，它主要用于聚类分析和异常检测。与传统PCA（主成分分析）不同，NKPCA将特征空间中的样本聚类并避免了过度装配的情况。先将给定数据转换为核特征空间，在核空间中寻找主成分，然后通过缩减特征大小和聚类分析进行异常检测。NKPCA在非线性数据上相较于PCA更优。因此，在多阶段发酵过程故障监测中，NKPCA的应用获得了广泛关注。
三、多阶段发酵过程故障监测的核熵成分分析方法
1.数据获取
我们首先获取了10个健康阶段的数据，来作为故障监测的基准数据。并在过程中捕获了故障状态的数据，作为故障检测的数据集。
2.数据预处理
为了消除过程参数测量误差的影响，在数据处理前，我们对数据进行标准化和中心化。
3.核熵成分分析
将数据转化到核空间中，NKPCA可以通过计算每个样本内积的值来找到主成分。可以用SVD（奇异值分解）算法解决数据问题。单独计算每个样本的熵值，然后将该值加入到核主成分中。然后将取自样本的最大值和最小值之间的所有值作为熵的粒度。以便拟合过程的非线性和复杂性。
4.异常检测
在多阶段发酵过程故障监测中，我们使用聚类分析来找到异常样本（即故障样本）。NKPCA得到的成分数是根据各样本的熵值逐一计算的。样本的熵值越大，其在结果中的影响越大，反之则越小。
四、实验结果与讨论
通过对10个健康状态的数据进行NKPCA分析，我们发现前5个主成分可以解释到99%以上的方差。通过对故障样本的分析，我们可以对多阶段发酵过程进行故障预测和排错。
NKPCA方法具有很强的非线性分析能力，可以识别复杂的非线性过程和异常状态。因此，该方法在多阶段发酵过程故障监测方面具有较高的准确性和可靠性。该方法还具有很好的适用性，可用于任何多阶段发酵过程的故障监测。
然而，NKPCA方法也存在一些缺点。例如，数据量过大时，算法的效率会受到限制。另外，NKPCA方法对核函数的选择很敏感。没能正确地选择核函数会导致错误的聚类和分类结果。所以，如何选择合适的核函数，也是该方法需要改进的方向之一。
五、结论
本文介绍了基于核熵成分分析方法的多阶段发酵过程的故障监测中期报告。该方法可以通过聚类分析和异常检测来预测和排除故障。当前该方法已经在生物工程领域中广泛应用，且效果显著，但在选择核函数的问题上还存在困难。因此，今后需要对其进行进一步的改进和优化。