基于DRFNN的赖氨酸发酵生物参数估计

赖氨酸发酵过程是一个复杂的非线性强耦合动态过程,发酵过程中某些关键生物参数(如菌体浓度、基质浓度、产物浓度)难以实时在线检测.针对这些问题,建立了基于动态递归模糊神经网络(DRFNN)的赖氨酸发酵生物参数估计软测量模型.利用主元分析法建立发酵过程中在线不可测参数的软测量模型,应用动态递归模糊神经网络所具有的自学习、自适应能力以及对任意非线性的逼近能力,对该模型进行辨识,从而达到预测这些关键生物参数的目的.仿真结果表明该方法能够对赖氨酸发酵过程中不可在线测量的生物参数进行估计,且达到了较高的精度.     

基于批次加权正则极限学习机的发酵过程软测量

为实现发酵过程重要变量的预测,提出基于批次加权正则极限学习机的软测量模型。结合发酵过程中各批次变量变化轨迹与发酵初始条件密切相关的特点,采用欧式距离描述各训练批次初始条件与预测对象初始条件之间的相似度,设计了一种新的相似度量化函数求解各训练批次的惩罚权值,实现了批次加权正则极限学习机建模;另外,针对正则极限学习机中的超参数估计问题,采用贝叶斯方法对超参数进行估计,降低了计算代价且实现了参数自适应估计。将其应用于青霉素发酵过程产物质量浓度的软测量中,仿真结果表明该方法预测精度高,效果好。     

基于MFDA—PCA的间歇过程故障诊断方法研究

针对传统MPCA间歇过程故障诊断方法存在的在线数据不完整及实时性差缺陷,提出一种基于MFDA-PCA间歇过程的在线批次故障诊断方法．通过MFDA对在线批次正常部分与历史批次进行相似度分析,利用相似度最优的批次建立PCA模型,对在线批次数据进行实时分析,完成对整批生产过程在线监控及故障诊断的任务．最后以青霉素发酵仿真实验验证了该方法的有效性和快速性．     

最小二乘Littlewood-Paley小波支持向量机在发酵过程建模中的应用

针对谷氨酸发酵过程一些关键参数不能在线测量而导致的建模精度不高问题,利用最小二乘支持向量机(LSSVM)和小波的理论,建立了一种新的模型.首先,选取Littlewood-Paley小波函数作为LS-WSVM的核函数,进而设计出最小二乘小波支持向量机(LS-WSVM),然后利用该算法对谷氨酸发酵过程进行建模.通过实际应用,实现了对残糖浓度、菌体浓度、谷氨酸浓度等不能在线测量变量的较准确预测,相对于LSSVM建模而言,提高了一个数量级,预测误差也明显得到改善,说明了该建模方法的有效性,具有一定的推广和应用价值.     

软测量技术在发酵过程中的应用研究

针对木糖醇发酵过程中关键参数在线测量难问题,建立基于均匀设计（UD）和遗传算法（GA）和神经网络（NNs)结构法,实现其在线软测量,实验表明,该模型可实现在线测量。     

基于PSO-FNN逆的青霉素发酵软测量方法

青霉素发酵过程是一个严重非线性、时变、复杂的动态过程,发酵过程中一些关键参数(如菌体质量浓度ρX、基质质量浓度ρS和产物质量浓度(ρP)难以通过常规仪表在线测量,这些参数的获取非常耗时和困难。提出一种基于粒子群模糊神经网络逆(PSO-FNN逆)的软测量方法。首先给出青霉素发酵过程数学模型,然后根据逆系统理论证明其可逆性,在此基础上构建基于PSO-FNN逆的青霉素发酵软测量模型,最后通过仿真验证该方法性能。仿真结果表明:PSO-FNN逆的青霉素发酵软测量方法能够结合基于发酵机制和纯数据驱动2种软测量方法的优点,对不直接可测的关键参数实现在线软测量,较PSO-BPNN逆和PSO-BPNN软测量方法具有更高的预测精度和更强的预测能力。     

基于改进的GA-LSSVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线测量的问题,提出了一种改进的最小二乘支持向量机(IGA-LSSVM)的软测量建模方法.该方法采用核独立分量分析(KICA)对高维数据进行特征提取,利用改进的最小二乘支持向量机进行建模.该方法既利用了最小二乘支持向量机求解速度快的特点,又利用了自适应遗传算法强大的全局搜索能力,增强了模型的自适应性.用该方法建立柴油凝点的软测量模型,结果表明,基于IGA-LSSVM方法建立的软测量模型具有较高的预测精度和泛化能力.     

基于无迹卡尔曼滤波的LSSVR在线多步时间序列预测

准确宽范围多步预测在时间序列预测应用中带来了巨大挑战.提出了一种基于最小二乘支持向量回归(LSSVR)和无迹卡尔曼滤波(UKF)的在线多步预测方法,利用时间滑动窗口减小算法的计算负荷,UKF方法实现LSSVR模型参数更新以提高预测精度.当预测范围达到预定步长p时,由核宽度σ、支持值参数{α_k}_k~L_(=1)以及偏移项b所构成的模型参数通过新的测量值和UKF进行在线更新.提出的方法不仅以较少的训练数据建立在线预测模型(所需训练数据集大小为相空间维数与滑动窗口长度之和),且多步预测值的精度相比于传统方法得到进一步提高.最后,通过几个实验研究论证了提出方法的有效性和优越性.     

基于参数批次调整模型的间歇精馏最小时间优化策略

针对间歇精馏过程优化计算中模型的准确性和计算复杂度之间的矛盾,提出了一种确定馏出液摩尔分数和操作时间的简化模型.该模型假定在塔釜内轻组分摩尔分数固定的情况下,馏出液平均摩尔分数与回流比变化量之间呈线性关系,其比例定义为回流比调节敏感系数.利用间歇精馏的批次重复操作特点,提出了模型敏感系数沿批次指标的在线更新机制,保证了简化模型在不同生产状态下的准确性.基于该简化模型,以回流比为优化决策变量,提出了针对最小生产时间问题的优化方案.利用Aspen Batch Distillation(ABD)中的模型作为实验对象原型,进行了优化算法的仿真实验.仿真结果表明基于批次参数调整策略的最小时间优化方案能够实现优化指标随生产批次的增加而不断减少.     

基于DBSCAN与HL相结合的晶圆成品率预测研究

对半导体成品率进行预测分析可有效控制产品成本,提高产品质量,而缺陷问题是导致半导体成品率损失的关键因素。因此,考虑晶圆缺陷聚集特性和数据嵌套性,研究了一种密度聚类与多水平逻辑回归相结合的受缺陷限制的成品率预测方法。首先采用密度聚类算法获取晶片缺陷模式类型;将在线缺陷数据在晶片水平进行整合,作为多水平逻辑回归模型的输入参数;根据多层次晶圆结构,在模型中加入嵌套变量,在批次层、晶圆层和组别层构建随机截距效应模型;在产品层构建非随机变化截距与斜率模型进行成品率预测;最后,根据回归结果分析引起成品率损失的主要因素并提出相应的改进措施。通过仿真实验表明,多水平逻辑回归模型的预测精度优于常用的Seed’s成品率模型与嵌套结构逻辑回归模型,该模型具有更高的预测能力与可行性。     

基于sub-MPLS的多阶段间歇过程质量预测与控制

针对大部分多阶段间歇过程,质量多数难以在线测量与控制问题,提出一种新颖的在线质量预测方法,基于子时段的MPLS质量预测方法.首先,采用聚类分析方法对间歇过程时间片矩阵PCA负载矩阵进行分类,依据过程变量相关性的变化,过程被分成几个操作阶段,然后,定出与质量变量最相关的阶段,在该阶段建立sub-MPLS在线质量预测模型,另外,还提出一种闭环质量控制方案.在一个典型的多阶段间歇过程-注塑过程的应用结果表明了所提出方法的有效性.     

MWMPCA方法及其在间歇过程监控中的应用

针对传统的多向PCA(Principal Component Analysis)模型间歇过程监控的缺点,提出了一种移动窗多向主元分析(MWMPCA:Moving Window Multi-way Principal Component Analysis)模型.与MPCA方法比较,MWMPCA可很好地监控间歇过程操作的稳定性,在实时监控新的间歇过程时,只需利用已收集到的数据信息,同时还可根据实际反应情况调整主元的选取个数,以得到更好的监控性能.     

基于支持向量机的生物发酵过程软测量建模

针对最小二乘向量机的缺陷,提出了一种改进的最小二乘支持向量机回归方法.根据输入变量和样本点间欧氏距离的大小,去除回归模型中大部分的样本点,从而获得回归模型的“稀疏”特性,大大提高计算速度.同时,将这一方法应用于生物发酵过程,建立了青霉素发酵过程中产物浓度的软测量模型,实现了青霉素浓度的在线预估.仿真结果表明,这一方法为生物发酵过程中难于在线测量质量参数的实时监测提供了一个有效的手段.     

分批发酵过程统计监控和质量评估

基于多向主元分析，对赖氨酸分批发酵过程进行了在线统计监控的仿真研究，详细介绍了多向主元分析运用于间歇过程的操作程序，并提出了离线质量评估方法．仿真结果表明，该方法可有效判断过程运行状态，并能对产品质量做出正确的评估。     

改进的MPCA方法及其在批过程故障诊断中的应用

基于传统的多方向主元分析(MPCA)常会导致误诊断，且对批生产过程难以保证在线状态监测和故障诊断的实时性，提出了一种改进的MPCA方法，该方法采用多模型非线性结构代替传统MPCA单模型线性化结构，克服了后者不能处理非线性过程和实时性问题，并避免了MPCA在线应用时预报未来测量值带来的误差，提高了批过程性能监测和故障诊断的准确性．     

基于多变量统计方法的产品质量控制

提出了一种多变量统计质量控制方法来减小由于过程扰动引起的产品质量变化.该方法首先通过正常工况的历史数据,建立一个部分最小二乘的回归模型,利用高采样频率的过程测量值来预测质量变量的值.预测误差作为部分最小二乘逆模型的输入得到过程操纵变量的调节量,通过调节过程操纵变量来抑制过程扰动,减小质量变量的变化.所提出的多变量统计质量控制方法在TE过程中得到了验证.仿真结果表明,与传统的PID质量控制方法相比,所提出的方法能减小由过程扰动引起的质量变化.     

基于SVM的密炼机混炼胶的粘度预测

为了提高密炼机混炼胶粘度预测模型的可用性和精确度,在单台机模型的基础上用支持向量机(SVM)非线性回归算法建立了一种新的基于SVM的混炼胶粘度预测模型,并采用此模型对实测数据进行了预测．结果表明,文中所建立的新模型不仅降低了建立预测模型时的工作量,而且提高了预测精度与速度．与多元回归的预测结果相比,新模型具有更好的准确性,可有效用于混炼胶质量指标的在线预测．     

基于摄氧率的分批发酵过程阶段辨识

针对发酵阶段难以在线辨识的问题,提出了一种基于摄氧率的需氧型发酵过程阶段辨识方法.利用在线可测的摄氧率对处于特定发酵阶段的比生长率进行预估,再利用比生长率的预估值进行发酵阶段的在线辨识.由于摄氧率极易在线获得,所以这种辨识方法非常容易实现.针对诺西肽发酵过程,利用所提出的方法进行发酵阶段的在线辨识,阶段辨识结果与过程知识相一致.这不仅可以增进对当前生产状况的了解,而且可以指导适时地实施各种控制策略,从而提高产品的质量.     

基于神经网络技术的间歇过程建模与优化控制方法

将整个间歇生产过程表达成梯形的神经网络群,利用实际操作数据对整个网络群进行学习。同时研究了具有滚动运算特征的在线优化策略,该法完全避免了非线性系统实时辩识和建立优化模型的困难。对发酵生产过程的仿真结果,表明本文方法是有效的。     

间歇过程在线检测的核独立元分析及局部建模方法

针对间歇过程所具有的非线性特点,提出了一种基于核独立元分析(Kernel ICA)及局部建模的在线故障检测策略.将展开的高维历史数据按时间间隔划分,应用Kernel ICA算法对每一个时间间隔点的分数据块提取独立主成分,构造检测统计量,并用非参数估计方法确定其控制限.这种建模方法机理简单,而且不需要预测过程未知的测量数据.通过对DuPont间歇聚合过程的仿真,验证了所提出方法的有效性和准确性.