[發明專利]基于BA-LSSVM的光合細菌發酵過程關鍵參量的軟測量方法

有效

• 申請號: 201710928139.6
• 申請日: 2017-10-09
• 公開（公告）號: CN107766880B
• 公開（公告）日: 2020-08-28
• 發明（設計）人: 朱湘臨;陳威;丁煜函;王博;郝建華;華天爭
• 申請（專利權）人: 江蘇大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了基于BA?LSSVM的光合細菌發酵過程關鍵參量的軟測量方法，該方法基于硬件平臺及測量儀表與計算機系統軟件進行智能計算，通過測量儀表獲得實時的過程數據進行實時在線估計。該方法首先依據關聯度值選取合適的輔助變量；然后采集歷史罐批數據，將發酵數據集分成訓練數據集與測試數據集；接著設計一個最小二乘支持向量機模型，利用蝙蝠算法優化最小二乘支持向量機核參數與懲罰參數，獲得最優的BA?LSSVM模型；最終用優化好的模型對關鍵參量進行預測。實現了對光合細菌發酵過程關鍵變量的實時在線預測，其中基于蝙蝠算法的最小二乘支持向量機克服了收斂速度和局部搜索能力上有所欠缺的問題，利于對光合細菌發酵的優化控制，提升產品產量與質量。

技術領域

本發明是一種用于解決光合細菌發酵過程中難以用物理傳感器實時在線測量的關鍵參量的在線估計問題，屬于軟測量的技術領域。

背景技術

目前，如何控制光合細菌的發酵條件，盡可能多提升產品產量與質量是研究重點。發酵過程復雜多變，影響光合細菌微生長的因素(溫度、光照強度、pH值、菌體濃度等參數)相互之間影響大，內在聯系復雜。傳統的傳感器可以進行溫度、壓力、pH值等物理量的實時在線測量。但菌體濃度缺乏實時在線測量的設備，一般在發酵現場是采用人工離線取樣檢測，但離線檢測滯后時間長、測量誤差大，嚴重影響了控制系統的設計和優化，給生產效率、產品質量與產量的提高帶來了巨大障礙。因此，研究如何及時獲得光合細菌發酵過程中關鍵參量的狀態信息具有重要意義。

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模型過程中核參數和懲罰參數對建模性能影響很大。蝙蝠算法(BA)算法擁有全局搜索能力強、控制參數少、較快的收斂速度等優點，是優化LS-SVM模型參數的一種合適的方法。因此針對光合細菌發酵過程的復雜非線性系統，本發明提供一種基于蝙蝠算法優化最小二乘支持向量機(BA-LSSVM)的光合細菌發酵過程關鍵參量的軟測量方法。

發明內容

為了解決光合細菌發酵過程中難以用物理傳感器實時在線測量或實時測量代價昂貴的關鍵參量(如菌體濃度)的不足，本發明提供一種基于蝙蝠算法優化最小二乘支持向量機(BA-LSSVM)的光合細菌發酵過程關鍵參量的軟測量方法，通過常規的傳感器獲得溫度、pH值等物理參量的數據，使用軟測量方法實現對關鍵參量的實時在線估計。具體的步驟包括如下：

步驟1：輔助變量選擇，選取能直接測量且與發酵過程密切相關的外部變量用一致相關度法分析其與關鍵參量的關聯度，設定關聯度值r_ij≥0.7的外部變量作為軟測量模型的輔助變量；

步驟2：發酵數據集分類，采集相同工藝下若干歷史罐批次的輔助變量和關鍵參量數據，發酵數據集隨機分成兩部分，一部分為訓練數據集，一部分為測試數據集，訓練數據集用來訓練LS-SVM，測試數據集不參與訓練，測試數據集占總發酵數據集的10％左右；

步驟3：構建LS-SVM模型，確定核函數；

步驟4：利用蝙蝠算法優化LS-SVM模型的核參數與懲罰參數，獲得最優的BA-LSSVM軟測量模型；

步驟5：關鍵參量的預測，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，獲得關健參量的預測值。

進一步地，步驟1中所述的外部變量是發酵罐溫度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、葡萄糖補加速率ρ、氨水補加速率η、溶解氧DO、發酵液酸堿度pH、光照強度E。依據相關性分析和發酵過程經驗可設定關聯度值r_ij≥0.7的外部變量為輔助變量。在實踐中，不同的發酵菌株所選取到的輔助變量不一定完全相同。

進一步地，步驟4具體包括如下：