一种基于深度图网络分析的发酵过程软测量方法技术

本发明专利技术公开了一种基于深度图网络分析的发酵过程软测量方法，所述方法包括以下步骤：(1)数据的获取和整合；(2)数据选择；(3)建模训练；(4)模型预测。本发明专利技术方法采用基于图网络的发酵过程软测量模型，提高了发酵过程关键产品质量的预测效果，具有普遍性和通用性。具有普遍性和通用性。具有普遍性和通用性。

【技术实现步骤摘要】
一种基于深度图网络分析的发酵过程软测量方法


[0001]本专利技术涉及发酵过程软测量
，具体涉及一种基于深度图网络分析的发酵过程软测量方法。

技术介绍

[0002]发酵过程是有生物参与并在合适的PH值、温度、搅拌等发酵条件下生成目标产物的过程，广泛的存在于各种工业过程中，有固有的强非线性和机理过程的复杂性。其理论建模和过程控制都存在较大困难，尤其是缺乏合适的在线传感器来在线分析关键产品质量，如青霉素发酵过程中的关键产品质量，只能偶尔以离线的方式进行分析，这在很大程度上限制了发酵过程的控制和优化。
[0003]随着数据驱动建模的方法在工业过程中体现出巨大优势，同时为了克服难以分析关键产品质量的问题，越来越多的人采用数据驱动建模的方法从其他可在线测量的变量中来估计关键产品质量。发酵过程由于其产品质量和操作变量之间存在强非线性，因此基于发酵过程的数据驱动建模方法主要分为统计方法、浅层机器学习方法和深度学习方法。其中，统计方法主要包括主成分分析(Principal Component Analysis，PCA)、偏最小二乘法(Partial Least squares，PLS)。浅层机器学习方法是指深度学习以外的传统机器学习模型，包括浅层人工神经网络(Artificial Neural Network，ANN)、支持向量机(Support Vector Machine，SVM)、高斯过程模型(Gaussian Process Model，GPM)。深度学习主要包括各种三层以上的深度神经网络(Deep Neural Network，DNN)，深度神经网络已经被证明能够逼近任何非线性系统并广泛应用于过程建模中。
[0004]图神经网络自提出以来飞速发展，在很多领域表现出令人满意的学习能力，另一方面，基于图神经网络(Graph Neural Network，GNN)的方法可以处理非网格数据，因此可以捕捉到特征之间的相互关系。本软件基于图卷积神经网络(Graph Convolution Network，GCN)提出发酵图卷积神经网络(Fermentation Graph Convolution Network，FGCN)。FGCN将发酵过程中的所有特征作为输入，对关键产品质量进行预测。此外，在训练阶段，特征之间的关系矩阵、时间关联矩阵与其他参数一起被优化。这样，网络能够基于给定的训练数据来学习和决定特征之间的关系，从而给予更精确的预测结果。

技术实现思路

[0005]针对现有技术中存在的问题，本专利技术提供了设计合理的一种基于深度图网络分析的发酵过程软测量方法。
[0006]本专利技术的技术方案如下：
[0007]一种基于深度图网络分析的发酵过程软测量方法，包括以下步骤：
[0008]1)数据的获取和整合：
[0009]使用仿真平台pensim获取不同工况下的青霉素发酵过程，并且以四小时为一批次对数据进行划分、收集和整合。
[0010]2)数据选择：
[0011]根据最大互信息准则(Maximum Mutual Information，MMI)对数据进行选择，去除冗余无用的数据。
[0012]3)建模训练：
[0013]构建基于图网络的发酵过程软测量方法的算法模型FGCN，模型的输入为经过选择保留的数据；然后利用FGCN模型对所整合的数据进行学习训练。
[0014]4)模型预测：
[0015]将训练后的FGCN模型用于青霉素发酵过程产物出口浓度预测，并给出预测结果。
[0016]进一步，所述步骤1)的过程为：
[0017]步骤1.1：设定pensim仿真过程，获得仿真平台变量的输出数据；
[0018]步骤1.2：将数据根据设定的比例划分成训练集、验证集和测试集；
[0019]步骤1.3：由于不同特征变量之间数据差异性较大，因此有必要对数据进行标准化处理，以便于模型进行处理和运算，具体公式如下所示：
[0020][0021]其中，X'是经标准化处理后的数据，X是未经标准化处理的原数据，μ是数据的均值，σ是数据的标准差。
[0022]进一步，所述步骤2)的过程为：
[0023]步骤2.1：使用最大互信息原则进行数据特征选择，最大互信息以互信息为基础，以下为互信息公式：
[0024][0025]其中p(X,Y)表示随机变量X，Y之间的联合概率分布；根据互信息公式计算出所需互信息；
[0026]步骤2.2：由互信息(Mutual Information,MI)可以导出最大互信息系数的公式为：
[0027][0028]其中B＝N
0.55～0.6
，N为样本集的大小，将计算好的互信息带入公式确定最大互信息；
[0029]步骤2.3：根据最大互信息对特征进行排序，选取前k个特征，完成特征选择过程。
[0030]进一步，所述步骤3)的过程为：
[0031]步骤3.1：FGCN是依托相关算法构建发酵过程出口浓度预测模型；FGCN主要基于图卷积网络(GCN)和时间卷积网络(Temporal Convolutional Network，TCN)构建；GCN是一种在非欧空间上对数据进行卷积的算法。GCN可以表示为：
[0032][0033]其中H为当前层特征向量，令H
(0)
＝X
in
，X
in
表示输入数据，l表示层数，W为权重矩
阵，σ(.)为激活函数，表示输入的邻接矩阵，其中表示卷积核，表示邻接矩阵A的度矩阵；
[0034]TCN是一种对时序数据进行跨时间步提取特征的算法，可以对输入t时刻的数据x
t
给定一个对应的y
t
；TCN的算法可以表示为：
[0035][0036]X表示输入数据，Y表示输出数据，TCN(.)表示时间卷积网络。时间卷积网络的过程如图1所示；
[0037]步骤3.2：将GCN和TCN结合称为时空卷积网络(Spatio
‑
Temporal Convolution Network，STGCN)，堆叠三层STGCN，最后结合特征选择部分，形成FGCN，通过FGCN对青霉素发酵过程产物出口浓度进行准确预测。图2为FGCN框架；
[0038]步骤3.3：使用训练数据训练FGCN，使用验证数据对FGCN进行超参数选择，最后得到一个训练后的FGCN模型。
[0039]进一步，所述步骤(4)的过程为：
[0040]步骤4.1：将测试数据输入训练后的FGCN模型。使用均方误差RMSE作为评估指标，计算公式如下：
[0041][0042]其中，表示真实数据，y
i
表示模型的输出，n表示测试集包含样本个数。一般来说，RMSE越小，意味着模型的预测值与真实值越接近，即模型的预测效果越好。
[0043]本专利技术的有益效果：本专利技术提出了一种基于深度图网络分析的发酵过程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度图网络分析的发酵过程软测量方法，其特征在于，所述方法包括以下步骤：1)数据的获取和整合：使用仿真平台pensim获取不同工况下的青霉素发酵过程，并且对数据进行划分、收集和整合；2)数据选择：根据最大互信息准则MMI对数据进行选择，去除冗余无用的数据；3)建模训练：构建基于图网络的发酵过程软测量方法的算法模型FGCN，模型的输入为经过选择保留的数据；然后利用FGCN模型对所整合的数据进行学习训练；4)模型预测：将训练后的FGCN模型用于青霉素发酵过程产物出口浓度预测，并给出预测结果，根据RMSE进行模型性能评估。2.如权利要求1所述的一种基于深度图网络分析的发酵过程软测量方法，其特征在于，所述步骤1)的过程为：步骤1.1)设定pensim仿真过程，获得仿真平台变量的输出数据；步骤1.2)将数据根据设定比例划分成训练集、验证集和测试集；步骤1.3)由于不同特征变量之间数据差异性较大，需要对数据进行标准化处理，以便于模型进行处理和运算，具体公式如下所示：其中，X'是经标准化处理后的数据，X是未经标准化处理的原数据，μ是数据的均值，σ是数据的标准差。3.如权利要求1所述的一种基于深度图网络分析的发酵过程软测量方法，其特征在于，所述步骤2)的过程为：步骤2.1)使用最大互信息准则进行数据特征选择，最大互信息以互信息为基础，以下为互信息公式：其中p(X,Y)表示随机变量X，Y之间的联合概率分布，根据互信息公式计算出所需互信息；p(X)表示随机变量X的概率分布，p(Y)表示随机变量Y的概率分布；步骤2.2)由互信息MI导出最大互信息系数的公式为：其中B＝N
0.55～0.6
，N为样本集的大小；将计算好的互信息带入公式确定最大互信息；步骤2.3)根据最大互信息对特征进行排序，选取...

【专利技术属性】
技术研发人员：刘毅，贾明伟，朱佳良，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：