科研之友
微信
新浪微博
Facebook
分享链接
摘要
发酵过程的状态监测对于及时发现各类异常故障起到了至关重要的作用。然而，由于发酵过程数据呈现非线性特性，导致在提取特征信息时存在困难，增加了故障监测的难度。为了解决上述问题，提出了一种基于注意力动态卷积自编码器（attention dynamic convolutional autoencoder, ADCAE）的发酵过程故障监测方法。首先，设计了一种动态卷积结构（dynamic convolution structure），该结构可以在浅层使用大尺寸卷积核提取低级特征，在深层使用小尺寸卷积核提取高级特征，从而拓宽了模型特征学习的尺度；其次，设计了一种通道卷积注意力（channel convolutional attention, CCA）模块，该模块能够从不同尺度提取输入的非线性特征，并且在通道向量转化为权重的过程中可以更好地提取局部特征，提高了对有效信息的关注能力；最后，将动态卷积结构与CCA模块融入卷积自编码器中，使模型能够有效地捕获变量中的非线性关系，从而更好地应对发酵过程中的故障监测问题。利用青霉素发酵过程仿真平台和大肠埃希菌实际生产数据对该方法的可行性进行了验证，结果表明该方法具有较好的故障监测性能。
- 单位
