微生物发酵过程生物酶浓度的预报方法和系统技术方案

本发明专利技术提供一种微生物发酵过程生物酶浓度的预报方法和系统，该方法包括：获取历史罐批和当前待预报罐批的在线数据，以及在线数据对应罐批的离线数据；根据离线数据进行统计分析并设计分类标准，将历史罐批进行分类；按照分类后的罐批类别，对在线数据和离线数据分别建立混合预报训练数据库；基于混合预报训练数据库，对每类的罐批数据，分别用人工神经网络预报模型和极端梯度提升预报模型进行训练；基于极端梯度提升算法，对训练好的人工神经网络预报模型和极端梯度提升预报模型进行非线性融合，实现混合预报；每当一个罐批发酵结束，对混合预报训练数据库做滚动更新。本发明专利技术用于超前预报微生物发酵过程的生物酶浓度，能实现更高精度的预报。高精度的预报。高精度的预报。

【技术实现步骤摘要】
微生物发酵过程生物酶浓度的预报方法和系统


[0001]本专利技术涉及生物
，具体地，涉及一种微生物发酵过程生物酶浓度的预报方法和系统。

技术介绍

[0002]在实际微生物发酵生产过程中，准确及时地对一些关键状态变量(如菌体浓度、底物浓度、生物酶浓度等)进行预报是至关重要的。有些发酵状态变量难以在线测量，需要对发酵体系采样，进行离线化验分析才能获得相关数据，但是取样操作会给发酵体系带来染菌风险，离线取样分析产生的时间滞后不利于发酵过程的实时生产操作。虽然有相关的传感器可供使用，但这些传感器往往价格十分昂贵且可靠性较差，并不适合大规模的工业生产过程。因此微生物发酵过程状态变量的预报技术受到了研究人员的关注。利用计算机技术，可获得发酵过程大量的离散测量数据，基于数据驱动的过程建模可以提供发酵过程的状态预报和故障诊断等功能，是发酵过程研究的热点方向之一。
[0003]申请号为201310661816.4，申请日为2013
‑
12
‑
09的中国专利，记载了一种基于贝叶斯组合神经网络的生物发酵产量在线预报方法，该专利首先将所有历史批次分为优势批次、中等批次和劣势批次，对每一类发酵批次分别建立一个神经网络预报器，然后分别对三个神经网络进行训练，根据待预报批次的最新输入向量，计算三个神经网络的输出值，发酵过程的产量预报由三个神经网络的预报输出值加权得到。该方法未对待预报批次进行分类，训练得到的三个神经网络的输出值并非都适用该批次，例如，当待预报批次为优势批次时，使用优势批次对应的神经网络预报器可以对该批次的产量进行较好的预报，但中等批次和劣势批次对应的神经网络预报器因训练数据中无优势特征故对该批次产量的预报结果可信度较低。

技术实现思路

[0004]针对现有技术中的缺陷，本专利技术的目的是提供一种微生物发酵过程生物酶浓度的预报方法和系统。
[0005]根据本专利技术的一个方面，提供一种微生物发酵过程生物酶浓度的预报方法，该方法包括：
[0006]获取历史罐批和当前待预报罐批的在线数据，以及所述在线数据对应罐批的离线数据；
[0007]根据所述离线数据进行统计分析并设计分类标准，将历史罐批进行分类；
[0008]对所述在线数据和所述离线数据，按照分类后的罐批类别分别建立混合预报训练数据库；
[0009]基于混合预报训练数据库，对每类的罐批数据，分别用人工神经网络预报模型和极端梯度提升预报模型进行训练；
[0010]基于极端梯度提升算法，对训练好的人工神经网络预报模型和极端梯度提升预报
模型进行非线性融合，实现混合预报；
[0011]每当一个罐批发酵结束，对所述混合预报训练数据库做滚动更新。
[0012]进一步地，所述获取历史罐批和当前待预报罐批的在线数据，以及所述在线数据对应罐批的离线数据，其中：在线数据包括发酵液温度T、发酵液pH、发酵液体积V、发酵罐压力P、通气体积流量F、溶氧DO以及搅拌桨转速ω；离线数据包括离线记录的生物酶浓度。
[0013]进一步地，所述根据所述离线数据进行统计分析并设计分类标准，其中：根据分类函数J
c,i
(t)的值进行分类，计算分类函数J
c,i
(t)的值的公式为：
[0014][0015]式中，J
c,i
(t)表示第i个罐批在t时刻的分类函数值，T
W
表示为了实现分类所需考虑的窗口宽度，J
i
(t)表示第i个罐批在t时刻的生物酶浓度。
[0016]更进一步地，所述将历史罐批进行分类，包括：定义J
c,ave
(t)为分类函数在t时刻的均值，σ(t)为分类函数在t时刻的标准差，α为置信系数，分类标准设计为：
[0017]J
c,i
(t)＜J
c,ave
(t)
‑
α
·
σ(t)，为低产罐批；
[0018]J
c,ave
(t)
‑
α
·
σ(t)≤J
c,i
(t)≤J
c,ave
(t)+α
·
σ(t)，为平均罐批；
[0019]J
c,i
(t)＞J
c,ave
(t)+α
·
σ(t)，为高产罐批。
[0020]进一步地，所述对所述在线数据和所述离线数据分别建立混合预报训练数据库，其中：所述混合预报训练数据库的数据均匀分布，数据集中来源于相同一段时间的生产数据。
[0021]进一步地，所述对每类的罐批数据，分别用人工神经网络预报模型和极端梯度提升预报模型进行训练，其中：所述人工神经网络预报模型以采集的发酵生产过程状态数据为基础，建立输入和输出数据间的特征模型，模拟实际发酵过程。
[0022]进一步地，所述对每类的罐批数据，分别用人工神经网络预报模型和极端梯度提升预报模型进行训练，其中：所述极端梯度提升预报模型的输入变量包括影响生物酶浓度的可检测变量，输出变量包括超前预报的生物酶浓度，在极端梯度提升预报模型的训练过程中，不断向当前模型加入新的分类树，以提高模型预报精度。
[0023]进一步地，所述基于极端梯度提升算法，对训练好的人工神经网络预报模型和极端梯度提升预报模型进行非线性融合，包括：
[0024]以单一模型的预报结果作为输入，即x
f
＝[U
A
(t
u
+c),U
X
(t
u
+c)]，式中，U
A
(t
u
+c)表示人工神经网络预报模型预报结果，U
X
(t
u
+c)表示极端梯度提升预报模型预报结果，c表示超前预报时间；实际生物酶浓度作为输出，即y
f
＝[U(t
u
+c)]，利用模型的自学习能力优化单一模型在混合预报模型中的权重。
[0025]进一步地，所述每当一个罐批发酵结束，对所述混合预报训练数据库做滚动更新，包括：
[0026]若罐批为异常罐批，则混合预报训练数据库所选罐批维持原状；
[0027]若罐批中后期的生物酶浓度曲线与一较早的罐批在置信域内相似，则用该罐批取代较早的罐批；
[0028]若罐批中后期的生物酶浓度曲线不与任一历史罐批置信域内相似，则直接加入到混合预报训练数据库。
[0029]根据本专利技术的另一方面，提供一种微生物发酵过程生物酶浓度的预报系统，该系统包括：
[0030]获取模块：获取历史罐批和当前待预报罐批的在线数据，以及所述在线数据对应罐批的离线数据；
[0031]分类模块：根据所述离线数据进行统计分析并设计分类标准，将历史罐批进行分类；
[0032]数据库建立模块：按照分类后的罐批类别，对所述在线数据和所述离线数据分别建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种微生物发酵过程生物酶浓度的预报方法，其特征在于，包括：获取历史罐批和当前待预报罐批的在线数据，以及所述在线数据对应罐批的离线数据；根据所述离线数据进行统计分析并设计分类标准，将历史罐批进行分类；对所述在线数据和所述离线数据，按照分类后的罐批类别分别建立混合预报训练数据库；基于所述混合预报训练数据库，对每类的罐批数据，分别用人工神经网络预报模型和极端梯度提升预报模型进行训练；基于极端梯度提升算法，对训练好的人工神经网络预报模型和极端梯度提升预报模型进行非线性融合，实现混合预报；每当一个罐批发酵结束，对所述混合预报训练数据库做滚动更新。2.根据权利要求1所述的微生物发酵过程生物酶浓度的预报方法，其特征在于，所述获取历史罐批和当前待预报罐批的在线数据，以及所述在线数据对应罐批的离线数据，其中：在线数据包括发酵液温度T、发酵液pH、发酵液体积V、发酵罐压力P、通气体积流量F、溶氧DO以及搅拌桨转速ω；离线数据包括离线记录的生物酶浓度。3.根据权利要求1所述的微生物发酵过程生物酶浓度的预报方法，其特征在于，所述根据所述离线数据进行统计分析并设计分类标准，其中：根据分类函数J
c,i
(t)的值进行分类，计算分类函数J
c,i
(t)的值的公式为：式中，J
c,i
(t)表示第i个罐批在t时刻的分类函数值，T
W
表示为了实现分类所需考虑的窗口宽度，J
i
(t)表示第i个罐批在t时刻的生物酶浓度。4.根据权利要求3所述的微生物发酵过程生物酶浓度的预报方法，其特征在于，所述将历史罐批进行分类，包括：定义J
c,ave
(t)为分类函数在t时刻的均值，σ(t)为分类函数在t时刻的标准差，α为置信系数，分类标准设计为：J
c,i
(t)＜J
c,ave
(t)
‑
α
·
σ(t)，为低产罐批；J
c,ave
(t)
‑
α
·
σ(t)≤J
c,i
(t)≤J
c,ave
(t)+α
·
σ(t)，为平均罐批；J
c,i
(t)＞J
c,ave
(t)+α
·
σ(t)，为高产罐批。5.根据权利要求1所述的微生物发酵过程生物酶浓度的预报方法，其特征在于，所述对所述在线数据和所述离线数据分别建立混合预报训练数据库，其中：所述混合预报训练数据库的数据均匀分布，数据集中来源于相同一段时间的生产数据。6.根据权利要求1所述的微...

【专利技术属性】
技术研发人员：王浩，袁景淇，孙鑫宇，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：