基于高阶累计统计量的微生物发酵过程监测  

Microbial fermentation process monitoring based on higher order cumulant statistics

作　　者：常鹏 王普[2] 高学金[3] 

机构地区：[1]北京工业大学信息学部,北京100124 [2]北京工业大学教育部工程中心数字社区,北京100124 [3]北京工业大学计算智能与智能系统北京市重点实验室,北京100124

出　　处：《控制与决策》2017年第12期2273-2278,共6页Control and Decision

基　　金：国家自然科学基金项目(61640312;61364009;61174109);北京市自然科学基金项目(4172007)

摘　　要：传统多向核独立成分分析(MKICA)方法的实质是把基于独立成分分析(ICA)中的白化处理主元分析(PCA)替换为核主元分析(KPCA)后利用二阶统计量进行过程监控,并未利用过程数据的阶段特性和高阶累积量信息,为了解决此问题,提出高阶累积量分析(HCA)与多向核熵独立成份分析(MKECA)相结合的多向高阶累计量的核熵独立成分分析方法(HCA-MKEICA).首先,采用核熵独立成份分析(KECA)对原始数据进行数据转换,解决数据的非线性;然后,在高维核熵空间利用HCA技术构建新的统计量用于过程监控;最后,将该方法应用于青霉素仿真平台和实际的工业过程并与MKICA方法进行对比,以验证所提出方法的有效性.The essence of the traditional multiway kernel independent component analysis（MKICA） method is that the independent component analysis（ICA） whitened principal component analysis（PCA） is replaced with KPCA by using second order statistics of the monitoring and controlling process, not by the stage characteristic of process data and higher-order cumulant information. To solve this problem, the high order cumulant analysis（HCA） and multiway kernel entropy independent component analysis（MKECA） are combined, and the analysis of high order cumulant multiway kernel entropy independent component analysis（HCA-MKEICA） method is proposed. Firstyly, the kernel entropy independent component analysis（KECA） method is used for original data conversion to solve the problem of nonlinear. Then, in the high-dimensional kernel entropy space, the HCA technology is used to construct the new statistics for process monitoring. Finally, the proposed method is applied to the microbial fermentation process, and the comparison results with the traditional methods show that the proposed method can achieve a better detection, and verify its effectivess.

关 键 词：间歇过程监控 MKICA 高阶累积量 MKECA MKEICA 

分 类 号：TP273[自动化与计算机技术—检测技术与自动化装置]