发酵过程是一类复杂的批次性生产过程,被广泛应用于制药、食品、化工等高附加值行业,在我国经济发展过程中占有举足轻重的地位。近些年,随着我国发酵产业规模不断扩大,生产过程的安全性和可靠性问题愈发受到人们的重视。因此,发酵过程状态的监测技术显得格外重要,它可以及时发现生产过程中的各类异常状态,降低经济损失,避免意外事故的发生。本文针对发酵过程数据和监测实施的若干问题,进行了以下几个方面的研究:(1)研究一种基于互信息的多块自编码器故障监测方法发酵过程变量个数众多且各自之间有着复杂的相关关系,当只对个别变量产生影响的局部故障发生时,将会存在众多冗余变量对故障监测造成干扰,降低过程监测效果。而且发酵过程数据呈现非线性特征,传统多元统计方法利用核方法将其映射到高维空间,存在核空间不可知的问题。因此,提出一种基于互信息(Mutual Information,MI)的多块自编码器(Auto-Encoder,AE)方法用于发酵过程故障监测。利用互信息对过程变量进行子块划分,将具有紧密相关关系的变量聚集在一起,避免冗余变量对故障监测的干扰。进一步,建立自编码器模型提取非线性特征,利用重构误差构造平方预测误差(Squared Prediction Error,SPE)统计量进行过程在线监测。仿真实验结果表明,基于互信息的多块自编码器方法降低了冗余变量对过程监测的干扰,具有较好的监测效果。(2)研究一种基于堆叠收缩稀疏自编码器的故障监测方法传统多元统计方法按照正常数据分布信息进行监测,然而在实际过程中有些故障会因阈值设置过大不易被检测到,过小造成误判问题。传统神经网络存在梯度消失和计算复杂的问题,且浅层神经网络对复杂过程的表示能力有限,隐含特征无法被有效提取。因此,研究一种基于堆叠收缩稀疏自编码器(Contractive Sparse Auto-Encoder,CSAE)的监测方法用于发酵过程故障监测。加入收缩项提高网络鲁棒性,稀疏性限制去除冗余信息,通过堆叠方式构造深层网络,提取隐含的过程信息。利用贪婪逐层预训练方式克服了训练深层神经网络梯度消失的问题,提高模型收敛速度。仿真实验验证了堆叠收缩稀疏自编码器监测方法的有效性。(3)研究一种基于KNN规则的深层自编码器故障监测方法在线监测时,传统多元统计方法对高阶统计量估计复杂度较高,难以对其进行有效利用。堆叠自编码器提取的过程特征存在高阶相关性,但是对于其在监测中的度量没有具体的统计指标。因此,研究一种基于K最近邻(K-Nearest Neighbor,KNN)规则的深层自编码器监测方法,以更有效利用提取的高阶数据信息。利用深层神经网络结构对过程数据进行建模,将原始数据空间转换为特征空间和残差空间。利用特征空间和残差空间中的KNN规则,分别构造了(HD)~2和(RD)~2的监测指标用于过程监测。(4)大肠杆菌发酵实验研究为检验本文所提方法在实际发酵过程中的有效性和实用性,采用北京某生物制药公司的大肠杆菌发酵生产数据进行实验。利用互信息对相关性过程变量进行划分,堆叠收缩稀疏自编码器提取深层特征,根据KNN规则构建监测指标用于故障监测。通过实验结果分析,验证了本文的研究方法可以及时准确地监测到发酵过程故障。并且与传统方法相比,监测灵敏度较高,误报现象较少,具有较好的实际过程故障监测效果。