本文主要探讨了一种新的发酵过程故障监测方法，该方法基于多变量深度卷积神经网络（CNN），旨在解决传统故障监测方法在数据深层特征提取上的不足，从而提高监测的精确度。这种方法结合了希尔伯特-黄变换（HHT）与深度学习技术，尤其适用于处理动态变化复杂的发酵过程数据。
为了捕捉发酵过程中的动态特性，文章采用了滑动窗口技术对过程变量序列进行分割。滑动窗口是一种常用的数据处理方法，它可以将连续的时间序列数据分割成多个独立的片段，以便对每个片段进行单独分析。这种方法有助于捕捉到时间序列中短时的变化模式。
接着，分割后的序列通过希尔伯特-黄变换进行分解，得到时频图。希尔伯特-黄变换是一种非线性、非平稳信号分析工具，它可以将信号分解为一系列瞬态成分（称为希尔伯特谱），这些成分包含了信号在时间和频率上的变化信息。在发酵过程中，希尔伯特-黄变换能够揭示变量在幅值、频率和相位上的异常变化，这对于识别潜在故障至关重要。
随后，利用得到的时频图作为输入，构建了基于深度卷积神经网络的故障监测模型。深度CNN在网络结构上包含多层卷积层和池化层，能够自动学习和提取输入数据的多层次特征。在发酵过程监测中，这些特征可能包括不同时间尺度上的模式、频率变化等，对于识别故障状态非常有用。通过训练模型，可以学习到正常和故障状态下的特征差异，从而实现高效准确的故障识别。
实验部分，研究人员使用了青霉素发酵过程的仿真数据和大肠杆菌生产数据对所提方法进行了验证。实验结果表明，所提方法的监测精度分别达到了95%和93%以上，证明了该方法在实际应用中的高效性和准确性。
总结来说，这篇文章提出了一个创新的基于多变量深度卷积神经网络的发酵过程故障监测方案，结合了希尔伯特-黄变换的强大信号分析能力与深度学习的特征学习能力，有效地提升了故障监测的精确度。这种方法对于提升发酵过程的自动化水平，降低生产风险，以及优化工业生产过程具有重要的理论和实践意义。
VIP享7折，此内容立减5.97元 
