[發明專利]一種超臨界萃取過程中工藝參數的非解耦建模優化方法

在審

• 申請號: 202110100165.6
• 申請日: 2021-01-25
• 公開（公告）號: CN112765889A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 呂銘晟;曾健青;呂明陽;賈林
• 申請（專利權）人: 湖南和廣生物科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F111/06
• 代理公司: 長沙市標致專利代理事務所(普通合伙) 43218
• 代理人: 徐邵華

1.一種超臨界萃取過程中工藝參數的非解耦建模優化方法，其特征在于：該方法包括以下步驟：

S1:獲取影響萃取率的N個變量因素的歷史生產數據和試驗數據，記錄所述變量因素不同取值對應的萃取率，并從中提取出樣本數據；

S2:使用深度極限學習機建立以所述N個變量因素作為輸入域、萃取率作為輸出的模型；深度極限學習機由多層堆疊自編碼器和極限學習機組成，使用多層堆疊自編碼器從樣本數據中提取出上述N個變量因素之間的深層特征；再以所述深層特征作為輸入、萃取率作為輸出，使用極限學習機進行擬合，學習萃取過程中的非線性輸入輸出關系；

S3:使用粒子群智能優化算法實現對超臨界萃取過程中工藝參數的優化，將S2中訓練完成的模型作為粒子群智能優化過程中的適應度函數，計算每個粒子的適應度函數值，尋找最優工藝參數。

2.根據權利要求1所述的一種超臨界萃取過程中工藝參數的非解耦建模優化方法，其特征在于：在步驟S2中，所述多層堆疊自編碼器由多個自編碼器堆疊而成；

所述單個自編碼器由輸入層、隱層和輸出層的神經網絡結構組成；輸入層的神經元個數等于系統輸入變量的個數，輸入層的N個神經元代表影響萃取率的N個變量因素，輸出層和輸入層結構相同，隱層有10個神經元；

自編碼器包括兩個部分：從輸入層到隱層的映射關系是一個編碼過程，通過映射函數將輸入信號x_i映射到隱層輸出o_j，即

o_j＝f(w_ij·x_i+b_i),i＝1,...,8,j＝1,...,10；

從隱層到輸出層的映射關系是一個解碼過程，通過映射把隱層輸出o_j映射到輸出層重構輸入，即：

隱層和輸出層神經元的激活函數都為Sigmoid函數，即:

網絡的損失函數為均方根誤差：

3.根據權利要求1所述的一種超臨界萃取過程中工藝參數的非解耦建模優化方法，其特征在于：在步驟S2中，所述極限學習機對應的網絡表示為：

其中，q_i表示模型的輸入，由堆疊自編碼器提取的深層特征；ω_ij表示第i個輸入到第j個隱層神經元的輸入權重；激活函數g(z)選擇Sigmoid函數；β_j代表輸出權重；b_j代表第j個隱層神經元的偏置，隨機初始化網絡的輸入權重ω_ij和偏置b_j之后，確定隱層的輸出，再使用最小二乘方法求解出輸出權值，完成網絡的訓練。

4.根據權利要求1所述的一種超臨界萃取過程中工藝參數的非解耦建模優化方法，其特征在于：所述變量因素為萃取溫度、流入閥門開度、流出閥門開度、二氧化碳流速、萃取時間、樣品顆粒密度、樣品顆粒直徑和超臨界流體密度。