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。     

基于多准则和高斯过程回归的动态软测量建模方法

为了解决静态软测量建模预测精度低和鲁棒性差等问题,提出了一种基于多准则和高斯过程回归的动态软测量建模方法.该方法综合考虑多种模型定阶准则,提出了高斯过程回归动态软测量模型定阶策略,为模型阶数确定提供了依据,并将所提动态软测量模型应用于红霉素发酵过程中生物量浓度的估计.研究结果表明,基于高斯过程回归的动态软测量建模方法可以实现对生物量浓度的高精度预测,且预测结果具有较小的置信度区间.     

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.     

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.     

基于样本稀疏化高斯过程的发酵过程软测量建模方法

提出了一种基于样本稀疏化高斯过程(GP)的发酵过程软测量建模方法。该方法将聚类和灰色关联度分析相融合,综合考虑样本点间欧式距离和各个特征向量对样本点间相似度的影响,通过剔除相似度比较大的样本点,实现训练样本集的稀疏化,降低了模型的计算复杂度。利用基于样本稀疏化的高斯过程构建青霉素发酵过程的软测量模型,同时得到青霉素浓度的预估值和表征预估值的不确定度,实验结果表明,本文所提方法与标准GP方法相比,在保证模型预测精度的前提下,减少了模型的训练时间。     

基于PSO-ANN逆的发酵过程软测量建模

针对发酵过程中一些关键生化参量难以通过常规仪表实时测量,而制约发酵生产过程优化控制的问题,提出一种基于粒子群神经网络逆(PSO-ANN逆)的发酵软测量建模方法.以青霉素发酵过程为背景,首先建立其虚拟子系统数学模型,并构建发酵过程逆模型;其次,提出PSO-ANN逆的软测量实现方法,以克服解析法逆运算的复杂性甚至难于实现的问题;最终构建PSO-ANN逆软测量模型,并进行试验及仿真.结果表明:该软测量建模方法能够将机理建模与数据驱动建模方法相结合,充分利用对象模型的先验知识和经验数据,有效解决了青霉素发酵过程中不可在线测量的关键参量实时测量难题,其训练和测试误差分别达到0.037 2和0.046 1,模型具有较高的预测精度和较强的预测能力.     

木糖醇发酵过程的软测量研究

针对木糖醇发酵过程中木糖醇浓度不能在线测量和影响发酵过程控制的情况,使用软测量技术来估算木糖醇的浓度和底物浓度,使用动态BP网络作为软测量模型,并确定了10个隐含层节点的网络拓扑结构,使用LM算法训练网络。用未经训练的数据检验软测量模型,取得了满意的逼近效果。实现了木糖醇发酵过程木糖醇浓度和底物浓度的间接实时测量。     

木糖醇发酵过程参数的在线软测量

针对在线测量或预测木糖醇浓度并适时终止发酵问题,运用广义对数方程拟合木糖醇发酵过程的各参数值,借助均匀设计法寻找神经网络的最佳隐层单元数、学习速度、初始权矩阵,构建一个具有５－８－４三层网格结构的“软传感器”。经检验,它能很好实现在线状态估计和提前一步预测木糖醇浓度。该方法也有利于实现其他发酵过程的在线控制。     

基于核独立成分分析的发酵过程在线监测方法

提出了一种基于核独立成分分析（KICA）的发酵过程在线监测方法,该方法结合了发酵过程数据的特点,采用了一种新的过程监测指标U_s²,对发酵过程数据各时刻独立分量与该时刻所有批次独立分量均值的偏差信息进行特征提取,具有较强的抗干扰能力。青霉素发酵检测的实验结果表明,采用新监测指标的发酵过程监测方法能更好的识别较小的故障,降低漏报率,提高发酵过程在线监测的准确性。     

基于IRLS-ELM生物发酵在线软测量建模方法

为解决生物发酵过程中生物量浓度难以在线测量的问题,提出一种基于改进的最小二乘正则化极限学习机(IRLS-ELM)软测量建模方法并将其应用于红霉素发酵过程生物量浓度的在线预测中.根据误差反馈原理,将训练误差作为输入建立带反馈的神经网络,以提高模型预测精度.并将加权最小二乘法引入到ELM中改进其数学模型,削弱离群点或者不稳...     

基于滚动时间窗的最小二乘支持向量机回归估计方法及仿真

提出了一种基于滚动时间窗的最小二乘支持向量机(LSSVM)回归估计方法．该方法构造了滚动时间窗，利用滚动时间窗内的数据优化建模．模型随着时间窗的滚动进行在线更新，并对滚动时间窗内的数据分配不同的权值以充分利用数据的信息．将基于滚动时间窗的LSSVM回归估计方法应用于软测量建模．进行轻柴油凝固点的预估．结果表明，该建模方法十分有效．     

一类非线性动态系统的参数辨识和状态估计

为了对青霉素发酵过程采用计算机控制，提出了一种适合于一类非线性动态系统参 数辨识的方法。同时，根据在线获取的可测信息（二氧化碳释放率），利用随机状态估 计原理，实时估计了青霉素发酵过程中不可测的状态变量（菌体浓度、基质浓度、产 物浓度）。对实验室和生产现场提供的几批数据进行了计算机仿真，结果表明：文中所 提供的技术方案对青霉素生产过程实现状态监控是可行的。     

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.