[發明專利]秸稈發酵生產乙醇過程關鍵參量的軟測量方法

在審

• 申請號: 201710685210.2
• 申請日: 2017-08-11
• 公開（公告）號: CN107341359A
• 公開（公告）日: 2017-11-10
• 發明（設計）人: 姜哲宇;陳永琪
• 申請（專利權）人: 江蘇科海生物工程設備有限公司;江蘇大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 南京瑞弘專利商標事務所(普通合伙)32249
• 代理人: 沈廉

技術領域

本發明是一種用于解決秸稈發酵生產乙醇過程中難以用物理傳感器在線實時測量的乙醇濃度、總糖濃度、菌體濃度這三個關鍵生化變量的在線估計問題，屬于軟測量及軟儀表構造的技術領域。

背景技術

在許多工業控制場合，存在一大類這樣的變量：它們與產品質量密切相關，需要嚴格控制，但由于技術或者經濟的原因，目前尚難以或者無法通過物理傳感器直接進行檢測。典型的例子有精餾塔的產物組分濃度、化學反應器的反應物濃度和產品分布，以及生物發酵罐中生化變量等等。為了解決這類變量的測量問題，軟測量技術應運而生。所謂軟測量就是根據某種準則，選擇一組既與被估計變量(即被測量或主導變量)有密切聯系又容易測量的直接可測變量(即輔助變量)，通過構造一定的函數關系，用計算機軟件實現對被測量的估計。目前采用的軟測量方法，多數基于線性系統理論，對于化工、生化過程這樣的非線性特性嚴重的復雜過程，這種方法只能在很小的工作區域內有效，不能解決整個工作區域的被測變量的軟測量問題。

最小二乘支持向量機(LS-SVM)建模方法采用結構風險最小化原則和核技術，由于其適用于有限樣本、非線性問題，所以其在軟測量領域的應用所形成的基于最小二乘支持向量機的軟測量方法，為生化、化工過程的關鍵生化變量的軟測量問題的解決，提供了強有力的手段。實踐表明，LS-SVM模型過程中徑向基寬度和懲罰系數對建模性能影響很大。簡單的試驗定參法費時。差分進化(DE)算法擁有全局搜索能力強、控制參數少、易于使用，是優化LS-SVM模型參數的一種合適的方法。

在處理秸稈發酵過程中，隨著發酵過程的進行，發酵參數隨之改變，單一回歸模型不再適應新的工況。因此，必須尋求新的方法，該方法可以根據發酵不同的階段對軟測量模型進行校正。

因此本發明利用核模糊c均值聚類算法將采集的發酵樣本數據進行分類，與DE-LSSVM相結合，建立一種多模型(KFCM-DE-LSSVM)秸稈發酵軟測量模型，并設計與之配套的軟儀表構造。

發明內容

技術問題：本發明的目的是提供一種秸稈發酵生產乙醇過程關鍵參量的軟測量方法。即一種秸稈發酵過程非常重要但是難以用物理傳感器在線實時測量或者實時測量代價非常高的生化變量(如菌體濃度、總糖濃度和乙醇濃度)的在線估計方法及相應的軟儀表的構造方法。

技術方案：本發明的一種秸稈發酵生產乙醇過程關鍵參量的軟測量方法具體步驟如下:

步驟一，輔助變量選擇：選取能直接測量且與過程密切相關的外部變量，用一致相關度法分析外部變量與關鍵狀態變量的關聯度,取關聯度r_ij≥0.7的外部變量作為軟測量模型的輔助變量；

步驟二，建立訓練數據庫：采集相同工藝下若干歷史罐批次的輔助變量和關鍵狀態變量數據，構造輸入輸出向量對的集合，生成靜態訓練樣本數據庫；其中輸入向量是輔助變量，輸出向量即關鍵狀態變量；

步驟三，采用步驟二得到訓練樣本，利用核模糊c均值聚類進行聚類劃分選取聚類數k＝3,計算每個樣本在核空間中的隸屬度；

步驟四，對每個聚類的樣本運用基于差分進化的最小二乘支持向量機DE-LSSVM進行建模，得到秸稈發酵關鍵參量軟測量子模型通過隸屬度矩陣更新公式U：得到每個子模型的隸屬度u_ij，最終結合隸屬度和子模型得到多模型秸稈發酵軟測量模型其中，x是輸入變量，a_i是拉格朗日乘子，K(x,x_i)是正定核函數，b為閾值，i表示第i個數據，u_ij為數據x_i對第j個聚類中心的隸屬度值，v_j為聚類中心，m為加權數,k為聚類個數，K(x_i,v_j)是高斯核函數；

步驟五，關鍵狀態變量預測：利用已訓練好的軟測量模型，根據當前待預測罐批的最新輸入向量，軟測量模型建立完畢后,采用嵌入式C語言編程實現，并嵌入到智能控制器中，當待預測罐批的輸入向量，經測量儀表讀入智能控制器后，智能控制器利用軟測量程序計算得到關鍵狀態變量的預測值，并將預測結果經數據通道傳送到上位計算機上顯示。

其中：

所述與過程密切相關的外部變量為發酵罐溫度t、發酵罐壓力p、電機攪拌轉速r、發酵液體積v、空氣流量q、CO₂釋放率u、葡萄糖流加速率ρ、氨水流加速率η、溶解氧DO、發酵液酸堿度pH，關鍵狀態變量為乙醇濃度X、總糖含量P和菌體濃度S。