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.     

中药提取软测量系统的设计与实现

针对超声波提取中草药活性成分含量检测困难的问题,通过采用可测量的辅助变量建立基于神经网络BP算法的软测量模型来估计不可测量变量的值,并利用单片机进行辅助变量的数据采集和软测量模型计算,实现了用软仪表对超声波中药提取率的在线测量。与目前采用紫外分光仪离线取样进行检测相比,该模型克服了离线测量工作量大、无法直接得到提取率的测量值等缺点,具有测量精度较高（测量相对误差控制在5%以内）、响应速度快和实时性好等特点。     

基于SVM和混沌PSO的除钴过程工艺指标预测

针对锌湿法冶炼除钴过程存在非线性和大时滞的特点,提出一种基于支持向量机和混沌粒子群算法的工艺指标(钴离子浓度)预测方法。为提高粒子群算法的搜索性能,提出一种基于非优胜粒子混沌变异和全局最优值小范围扰动的混沌变异粒子群算法。采用混沌粒子群算法优化模型参数,采用二进制粒子群算法选择输入属性,以减少模型的复杂度,提高模型的预测精度。研究结果表明:所提出的模型精度满足当溶液杂质离子质量浓度在小于1 mg/L时绝对误差小于0.1 mg/L的现场工艺标准。     

基于PSO-SVR的发酵过程状态预估模型

针对发酵过程中生物参数难以实时在线测量的问题,建立了用于生物参数状态预估的支持向量机软测量模型。考虑到该支持向量回归（SVR）模型的复杂性和冷化特征取决于其三个参数ε,c,γ能否取到最优值,采用粒子群优化（PSO）算法实现对参数ε,c,γ的同时寻优。在此基础上,以饲料用β-甘露聚糖酶为对象,建立了基于PSO-SVR的发酵过程产物浓度状态预估模型。发酵罐控制结果表明：该模型具有很好的学习精度和泛化能力,可实现对β-甘露聚糖酶产物浓度的实时在线预估。     

智能化微生物发酵乙醇浓度在线检测仪的研制

乙醇浓度是微生物发酵过程中重要的过程参数,直接影响着发酵过程的控制和优化.基于半导体材料的气敏效应,提出了一种生物发酵过程中乙醇浓度在线检测方法.该方法利用系统辨识建立乙醇浓度的在线测量模型,以微控制器为核心的嵌入式系统完成信号采集、数据分析与处理;在此基础上研制了乙醇浓度在线检测仪,给出了在线检测仪的系统组成框图以及系统的硬件设计和软件设计.实验与分析表明,所设计的乙醇浓度检测仪能够在线检测发酵过程中的乙醇浓度,所测乙醇溶液体积百分比范围为0.00-8.00%,具有较高的检测精度,绝对误差小于0.1%,重复性好,能够很好地满足微生物发酵工业应用需求.     

基于稳定学习的碳酸碱浓度模糊建模

针对氧化铝生产过程中原矿浆制备工序碳酸碱浓度机理模型难以建立,无法实现在线检测的问题,通过对铝酸钠溶液温度和电导率的特性分析,提出一种基于同步聚类和稳定学习的碳酸碱浓度模糊建模方法。首先采用同步聚类算法将建模数据分类,并对聚类中心及分类进行离线修正,然后对每类数据进行模糊TS(Takagi-Sugeno)建模,并采用稳定学习算法对模型参数进行在线校正,保证辨识误差有界。将该方法应用于氧化铝生产过程碳酸碱浓度的软测量,现场实际数据预测结果表明了方法的有效性。     

基于模糊神经网络的球团密度在线测量

提出了一种在线测量球团密度的新方法．该方法以模糊神经网络技术为基础,综合考虑制团过程各因素对球团密度的影响,建立起球团密度的软测量模型．在软测量模型中,采用模糊神经网络模型描述球团密度变化的非线性过程,并提出了一种改进的模型辨识算法,利用减法聚类法确定合适的聚类组数目,并用实数编码的遗传算法优化全局参数,从而获得了结构简单、具有较高精度的模糊神经网络软测量模型．根据此方法,设计了测量装置,并进行了现场试验,试验结果表明软测量模型输出与实验室测量值基本一致,平均误差较低且最大误差未超过0．05g／cm^3．     

工业共沸精馏塔软测量建模方法的研究与应用

针对某一工业共沸精馏塔成分估计问题，利用基于支持向量机技术的软测量建模方法，建立了恰当的工业软测量模型。利用滑动时间窗技术实时更新建模数据集，并根据预估精度决策在线优化和模型更新，提高工业软测量模型的在线估计精度。研究结果表明，基于滑动时间窗的LS—SVM软测量建模方法，是一种有效的软测量建模方法。     

智能控制在矿浆旋流池中的应用

为保证矿浆的生产质量和生产效率,需要对矿浆进行在线成份检测.然而,旋流池的水流是紊流且纹波较大,同时为满足矿浆成份检测仪的测量精度要求,冶金铁矿浆输送管道将矿浆从粗选车间送至矿浆旋流池时,要在旋流池对矿浆的体积浓度进行控制.本文通过对矿浆的浓度等参数进行在线检测,并基于神经网络辨识PID动态调节算法进行补水阀的实时控制,有效控制矿浆的体积浓度比,以满足生产和检测要求.     

基于PLS模型的自适应间歇过程质量预测

间歇生产过程中,很多质量指标不能在线测量,导致过程很难控制。该文应用部分最小二乘(PLS)方法建立软测量模型,通过批次初期在线测量的过程变量对最后的产品质量进行预测。同时,利用过程中得到的中间质量测量值对最后的预测结果进行修正。为了解决过程参数随时间变化的问题,在每个批次结束后利用新数据对原模型进行更新。将该法用于异丁烯酸甲酯(MMA)聚合反应过程,仿真结果显示,该法能够克服过程参数变化的影响,有效地预测最后的产品质量。     

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。     

一种显著误差检测方法在动态数据校正中的应用

在工业过程中,采集和记录的生产数据通常用于过程的控制和在线优化等,因此保证数据的可靠性和准确度具有非常重要的意义。但是在实际情况中,测量数据不可避免地受到误差的影响,而且在生产过程中经常会出现仪表失灵、管道泄漏等现象导致测量数据中出现显著误差,进而导致测量结果严重失实。数据校正是保证工业过程数据准确可靠的主要技术手段。传统的动态数据校正通常采用卡尔曼滤波方法,但当测量数据存在显著误差时,其得到的协调值的可信度较低。为了解决动态数据校正过程中得到的测量数据存在显著误差,导致协调值失实的问题,本文在传统卡尔曼滤波方法的基础上,提出了基于动态贝叶斯模型检测方法进行显著误差的实时侦破。该方法主要通过测量值的滤波,对已经滤波的测量值进行标准化处理,利用扩展贝叶斯网络建立概率分布模型以实现显著误差的检测。根据存在显著误差和正常情况下出现的测量值条件概率大小,判断测量值是否存在显著误差,并根据侦破结果对测量协方差矩阵及卡尔曼增益等参数进行更新,以提高协调值的精度。通过实例仿真对比验证了基于动态贝叶斯的检测方法可以有效地侦破显著误差,并且可以通过参数实时调整提高了存在显著误差时协调值的精度。     

基于宽度学习的浓密机底流浓度软测量

由于浓密脱水过程中浓密机的底流浓度难以在线检测，本文提出了一种基于宽度学习的软测量建模方法，用以解决底流浓度的在线检测问题.该方法精度高，泛化能力强.首先，在浓密机内部安装压力传感器，建立正常工况下的历史数据集;然后，利用宽度学习系统对软测量模型进行训练，从而实现浓密机底流浓度的在线预测;最后，通过仿真实验验证了该方法的有效性.与传统的机器学习方法相比，宽度学习方法具有更高的预测精度.     

应用溶解扩散模型预测钴的渗透行为

应用溶解扩散模型预测反渗透去除放射性废水溶液中钴的渗透行为.研究了低浓度钴离子的渗透行为,结合溶解扩散模型和物料平衡,推导出渗透分离的方程.首先通过拟合较高浓度钴离子渗透的实验数据,求得模型的相关参数,然后针对较低浓度钴离子的渗透实验数据,与模型预测数据进行对比.结果显示,实验数据与模拟数据相对误差不超过15%,该溶解扩散模型可以很好地预测较低钴离子浓度下的渗透行为.     

发酵过程中生物量浓度的在线估计

在发酵过程中,像生物量浓度等变量都是进行实验室的离线采样分析,这往往由于存在较大的时间延迟而不能及时地进行过程控制,达不到指导生产的目的.而软测量技术为该问题提出了一个很好的解决办法.基于神经网络与最小二乘支持向量机分别建立了生物量浓度的在线检测软测量模型.模型分为两类:黑箱模型与混合模型.模型的训练与验证数据都是取自真实的实验过程诺西肽发酵.结果表明软测量方法对生物量浓度具有很好的预估性能,而且加入先验知识的混合模型精度更高.     

基于.NET组件技术的强磁选过程智能优化设定控制系统开发

为解决赤铁矿强磁选过程运行因工艺生产指标无法在线连续检测而难以实施闭环优化控制的问题,将过程知识、专家经验与过程数据相结合,设计了由基于案例推理的回路预设定模型、小波神经网络软测量模型以及专家规则补偿器构成的智能优化设定控制器.针对已有优化控制软件存在的标准化程度低、可扩展性差、资源无法复用等问题,设计并开发了基于.N...     

软测量技术在铸锭裂纹预报中的应用

针对在铸锭成型过程中无法对裂纹的发展趋势进行在线预报的问题,以铝合金电磁半连续铸造为研究对象,采用软测量技术,通过选取可以直接在线测量的辅助变量,建立了一种基于多层前馈神经网络的裂纹软测量模型.该模型的输出为量化后的裂纹值,从而间接地在线测量了铸锭的裂纹量化值,并对裂纹的发展趋势进行了预报.仿真与实验结果表明:该模型的裂纹预报值和实际值吻合得较好,预报值能很好地反映实际裂纹的倾向,从而使得裂纹的在线预报与在线控制成为可能.     

GA-BP网络在谷氨酸菌体浓度软测量中的应用

针对菌体细胞浓度是影响谷氨酸发酵过程重要的生物参数,而其在线实时检测难以实现的状况,采用遗传算法和BP神经网络相结合的方法(GA-BP网络)对其进行软测量。通过对谷氨酸生产工艺过程的分析,找到影响菌体细胞浓度的过程参数,从现场历史数据中选取样本,建立软测量模型。仿真结果表明:新方法可以避免单独使用BP网络陷入局部最小的问题,能加快全局收敛速度,对谷氨酸发酵过程菌体浓度的软测量效果更好。     

基于PCA和LS-SVM的软测量建模与应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题,提出了将主元分析与最小二乘支持向量机相结合的软测量建模方法,并利用该方法建立了工业阿维菌素发酵过程中的菌丝浓度软测量模型.主元分析方法的引入,有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力.应用结果表明,该方法与基于径向基函数神经网络软测量模型相比具有有效性和优越性.     

基于彩色CCD的高温场软测量模型及应用

为了提高基于CCD传感器的高温场非接触测量技术的测量精度和准确性,提出一种高温场软测量混合模型.首先,通过机理分析建立一个含待定参数的机理模型;然后,利用黑体炉标定和在线标定数据,对机理模型中的待定参数进行参数辨识;最后,通过构建烟雾衰减辐射能补偿器,对受烟雾干扰的测温结果进行补偿校正.实验结果表明,模型测温精度和可信度较高,具有较强的实用性.