一种青霉素发酵过程关键变量软测量方法及系统技术方案

本发明专利技术公开了一种青霉素发酵过程关键变量软测量方法及系统，包括如下步骤：实时收集青霉素发酵过程中产生的变量；对采集到的输入变量利用集成经验模态分解EEMD进行去噪处理；对去噪处理后的变量利用PACF算法进行特征选择，构建最优输入特征集合；利用最优输入特征集合建立软测量模型，将处理好的输入变量送入构建的软测量模型中进行训练；软测量模型为基于深度信念神经网络DBN和极限学习机模型ELM的DBN

【技术实现步骤摘要】
一种青霉素发酵过程关键变量软测量方法及系统


[0001]本专利技术涉及软测量领域，特别地，涉及一种青霉素发酵过程关键变量软测量方法及系统。

技术介绍

[0002]青霉素作为一种重要的抗生素，有着非常广泛的应用。青霉素发酵过程具有非线性、时变性和不确定性的特点。为了实现对青霉素发酵过程的优化控制和产品质量的提高，迫切需要对青霉素发酵过程进行在线软测量。青霉素浓度是发酵过程中重要的质量指标之一，准确测量青霉素浓度对青霉素发酵过程的优化控制和产量的提高有着重要的作用和指导意义。
[0003]然而，目前对青霉素浓度的在线分析测量很难做到，一方面是青霉素浓度传感器测量成本很高，离线化验耗时较长，另一方面是生产环境复杂，测量到的数据存在很多污染和干扰，这些难点导致给青霉素发酵过程的优化控制和产量的提高带来了困难，成为青霉素发酵过程中急需解决的一个瓶颈问题。从而对青霉素浓度的在线软测量仪表及方法研究成为了学术界和工业界的一个研究热点。

技术实现思路

[0004]专利技术目的：针对上述现有技术中存在的问题，本专利技术提供了一种青霉素发酵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种青霉素发酵过程关键变量软测量方法，其特征在于，包括如下步骤：步骤1：实时收集青霉素发酵过程中产生的变量，建立数据库；步骤2：从数据库中获取输入变量利用集成经验模态分解EEMD进行去噪处理；步骤3：对去噪处理后的变量利用PACF算法进行特征选择，构建最优输入特征集合；步骤4：利用步骤3中最优输入特征集合建立软测量模型，将处理好的输入变量送入构建的软测量模型中进行训练；所述软测量模型为基于深度信念神经网络DBN和极限学习机模型ELM的DBN
‑
ELM模型；步骤5：引入增强型灰狼优化算法AGWO对软测量模型的参数进行优化，输出最优参数，利用优化后的软测量模型进行预测，输出青霉素浓度预测结果。2.根据权利要求1所述的一种青霉素发酵过程关键变量软测量方法，其特征在于，所述步骤2利用集成经验模态分解EEMD进行去噪处理，包括如下步骤：步骤2.1：在原始信号x(t)中加入均值为0、方差为常数的高斯白噪声n(t)，得到新的信号如下式：x
m
(t)＝x(t)+n
m
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中，x
m
(t)表示第m次加入的高斯白噪声的信号，n
m
(t)表示第m次加入的高斯白噪声；步骤2.2：对x
m
(t)分别进行EMD分解，得到一系列IMF分量和残差分量，分别记其为k
mn
和r
m
(t)；其中，k
mn
表示第m次加入高斯白噪声后，分解所得到的第n个IMF分量；步骤2.3：每次加入不同的白噪声，重复上述步骤2.1和2.2，得到下式：步骤2..4：对上述结果进行总体平均运算，消除多次加入高斯白噪声对真实IMF分量的影响，最后得到IMF分量表达式如下：3.根据权利要求1所述的一种青霉素发酵过程关键变量软测量方法，其特征在于，所述步骤3利用PACF算法进行特征选择的具体过程如下：步骤3.1：假设y
m
(t)为输出变量，如果第s个延时时刻的PACF值在95％置信区间之外，则y
m
‑
s
(t)取其中一个为输入变量；如果所有延时时刻的PACF值均在95％置信区间内，则取y
m
‑1(t)作为输入变量；步骤3.2：对于长度为N的IMF子序列{y1(t)，y2(t)，...，y
N
(t)}，由协方差γ
s
得延时s协方差得估计值：式中，表示序列得平均值，N/4为最大时延时刻；步骤3.3：由步骤3.2，得自相关函数(ACF)估计值表示如下：
步骤3.4：基于式(4)和(5)，PACF计算式如下：根据PACF值，判断不同辅助变量与关键变量得相关性，构建最优输入特征集合。4.根据权利要求1所述的一种青霉素发酵过程关键变量软测量方法，其特征在于，所述步骤4中建立软测量模型的具体步骤如下：步骤4.1：建立深度信念神经网络DBN，DBN神经网络由多个受限玻尔兹曼机RBN堆叠组成，通过无监督逐层贪婪训练，将数据映射到高维空间；RBN由可见层v和隐藏层h组成，其中可见层v负责接收输入数据，隐含层h提取特征；步骤4.2：构建ELM极限学习机模型，ELM由输入层、隐藏层和输出层构成；步骤4.3：整合DBN神经网络与ELM，建立DBN
‑
ELM模型；在所使用的DBN
‑
ELM模型中，DBN模型由四层受限玻尔兹曼机RBM组成，采用无监督的贪婪方式对数据集训练后提取特征，然后将第四层的RBM中的隐藏层输出作为ELM输入层，训练DBN
‑
ELM模型。5.根据权利要求4所述的一种青霉素发酵过程关键变量软测量方法，其特征在于，所述步骤4.1中使用RBM训练过程如下：步骤4.1.1：采用无监督逐层贪婪方式初始化RBM层之间的连接权重和偏移量，然后每层RBM从下到上训练，累计多个RBM形成DBN神经网络模型；步骤4.1.2：假设RBM的可见层v和隐藏层h的神经元均为二进制，则其能量函数定义如下：式中，θ＝{w
ij
，a
i
，b
j
}，为RBM的参数，由实数表示；a和b分别表示可见层v和隐藏层h的偏置，w是权重矩阵；步骤4.1.3：计算联合概率分布函数p(v，h)如下式：式中，z
θ
＝∑∑e
‑
E(v，h|θ)
，表示归一化因子；步骤4.1.4：每个可见层v变量和隐藏层h变量被激活的条件概率如下式所示：p(v
i
＝1|h)＝σ(a
i
+∑
j
w
ij
h
j
)
ꢀꢀꢀꢀꢀꢀꢀ
(9)p(h
j
＝1|v)＝σ(b
j
+∑
i
w
ij
v
i
)
ꢀꢀꢀꢀꢀꢀꢀ
(10)式中，σ为sigmoid函数，计算式如下：步骤4.1.5：通过求解训练集的最大对数似然估计函数可以得到参数的估计，并利用对
比散度(CD)算法得到RBM参数更新准则，具体计算式如下：Δw
ij
＝ε(<v
i
h
j
>
E
‑
<v
i
h
j
>
R
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)...

【专利技术属性】
技术研发人员：李沂蔓，彭甜，张楚，孙娜，熊金琳，宋世豪，张越，陶孜菡，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：