專利名稱：多模型神經(jīng)網(wǎng)絡(luò)的生物發(fā)酵過(guò)程軟測(cè)量建模方法及軟儀表的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及軟測(cè)量?jī)x表的優(yōu)化建模方法，應(yīng)用于生物發(fā)酵的軟測(cè)量及軟儀表構(gòu)造技術(shù)領(lǐng)域，具體是在生物發(fā)酵過(guò)程中引入多模型神經(jīng)網(wǎng)絡(luò)建模方法，在線測(cè)量一些難以在實(shí)際發(fā)酵過(guò)程中測(cè)量的關(guān)鍵變量。

背景技術(shù)：
微生物發(fā)酵工程被廣泛地應(yīng)用于抗生素、氨基酸及精細(xì)化工產(chǎn)品的生產(chǎn)，在醫(yī)藥工業(yè)、化學(xué)工業(yè)、輕工食品和環(huán)境保護(hù)等諸多領(lǐng)域都涉及微生物發(fā)酵，已成為生物化學(xué)工程和現(xiàn)代生物技術(shù)及其產(chǎn)業(yè)化的基礎(chǔ)。由于微生物發(fā)酵過(guò)程機(jī)理的復(fù)雜性，以及連續(xù)流加發(fā)酵過(guò)程的復(fù)雜性，微生物發(fā)酵過(guò)程的控制問(wèn)題成為難點(diǎn)，雖然在各領(lǐng)域內(nèi)提出了相應(yīng)的控制方法，但其技術(shù)還停留在如何構(gòu)造基于模型的生物反應(yīng)器。
微生物發(fā)酵過(guò)程控制問(wèn)題的核心之一是重要過(guò)程變量的檢測(cè)，如PH、溫度、溶氧(DO)、氧補(bǔ)給率(OUR)、二氧化碳排出率(CER)等。盡管目前已提出一些輔助測(cè)試手段，但受檢測(cè)技術(shù)發(fā)展水平的限制，一些類似細(xì)胞內(nèi)代謝產(chǎn)物這樣的關(guān)鍵變量始終是不易檢測(cè)的，導(dǎo)致針對(duì)發(fā)酵過(guò)程的先進(jìn)優(yōu)化控制算法和策略只能停留在理論討論上，而無(wú)法在工業(yè)上實(shí)際應(yīng)用。
早期的軟測(cè)量技術(shù)主要用于控制變量或擾動(dòng)不可測(cè)的場(chǎng)合，其目的是實(shí)現(xiàn)工業(yè)過(guò)程的復(fù)雜控制，因此采用的軟測(cè)量模型也是與控制系統(tǒng)模型相對(duì)應(yīng)的線性模型和機(jī)理模型。隨著測(cè)量技術(shù)的發(fā)展，為了滿足對(duì)測(cè)量的更高要求，近年來(lái)軟測(cè)量技術(shù)能夠?qū)崿F(xiàn)難測(cè)參數(shù)的在線測(cè)量，軟測(cè)量模型也發(fā)展到基于神經(jīng)網(wǎng)絡(luò)模型和基于人工智能的混合模型研究。軟測(cè)量技術(shù)已成為過(guò)程控制和過(guò)程檢測(cè)領(lǐng)域的主要發(fā)展趨勢(shì)之一。
軟測(cè)量技術(shù)是依據(jù)某種優(yōu)化準(zhǔn)則，利用由輔助變量構(gòu)成的可測(cè)信息，通過(guò)軟件計(jì)算實(shí)現(xiàn)對(duì)主導(dǎo)變量的測(cè)量，其核心是表征輔助變量和主導(dǎo)變量之間的數(shù)學(xué)關(guān)系的軟測(cè)量模型，因此目前普遍都是要解決軟測(cè)量模型建立問(wèn)題，即一個(gè)數(shù)學(xué)建模問(wèn)題。目前軟測(cè)量方法主要有基于機(jī)理分析的軟測(cè)量，基于統(tǒng)計(jì)回歸的軟測(cè)量，基于神經(jīng)網(wǎng)絡(luò)的軟測(cè)量和基于混合模型的軟測(cè)量。
近幾年，利用神經(jīng)網(wǎng)絡(luò)(NN，下同)對(duì)生物過(guò)程辨識(shí)以及在線估計(jì)已被采用，然而，由于生物發(fā)酵過(guò)程的復(fù)雜性和過(guò)程測(cè)量數(shù)據(jù)中離群點(diǎn)的存在，采用單一模型進(jìn)行軟測(cè)量建模時(shí)，生物量濃度在線估計(jì)結(jié)果往往不準(zhǔn)確，如對(duì)大量樣本僅用一個(gè)NN建立軟測(cè)量模型，會(huì)導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)過(guò)于龐大，訓(xùn)練時(shí)間較長(zhǎng)。因此，幾個(gè)模型組合的多模型建模方法可提高模型的魯棒性和預(yù)測(cè)能力。在多模型建模方法之下，一種基于聚類算法的多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量建模方法得到了廣泛的應(yīng)用。


發(fā)明內(nèi)容
本發(fā)明的目的是為克服現(xiàn)有技術(shù)中生物發(fā)酵生長(zhǎng)過(guò)程的測(cè)量精度不高、測(cè)量結(jié)果不準(zhǔn)確的缺陷，提供了一種基于多模型神經(jīng)網(wǎng)絡(luò)的生物發(fā)酵過(guò)程軟測(cè)量建模方法及其軟儀表結(jié)構(gòu)，可在線測(cè)量、計(jì)算速度快、抗干擾能力強(qiáng)和精度高。
本發(fā)明建模方法采用的技術(shù)方案是先通過(guò)數(shù)據(jù)預(yù)處理模塊用歸一化和主元分析方法對(duì)輸入的變量數(shù)據(jù)進(jìn)行預(yù)處理，然后通過(guò)數(shù)據(jù)預(yù)處理模塊對(duì)預(yù)處理后的主元變量集作聚類劃分，再用BP神經(jīng)網(wǎng)絡(luò)模型模塊對(duì)不同的類分別建立子神經(jīng)網(wǎng)絡(luò)，最后建立多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型，通過(guò)多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型在線測(cè)試發(fā)酵過(guò)程中的生物量濃度，將測(cè)量的數(shù)值通過(guò)生物量濃度軟測(cè)量值顯示儀顯示。
本發(fā)明軟儀表采用的技術(shù)方案是將用于測(cè)量生物發(fā)酵易測(cè)變量的現(xiàn)場(chǎng)智能儀表連接于生物發(fā)酵設(shè)備，用于測(cè)量操作變量的控制器連接在生物發(fā)酵設(shè)備和數(shù)據(jù)預(yù)處理模塊之間，存放數(shù)據(jù)的DCS數(shù)據(jù)庫(kù)模塊連接在現(xiàn)場(chǎng)智能儀表和數(shù)據(jù)預(yù)處理模塊之間，數(shù)據(jù)預(yù)處理模塊的輸出依次連接數(shù)據(jù)分類模塊、BP神經(jīng)網(wǎng)絡(luò)模型模塊、多模型NN神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型和生物量濃度軟測(cè)量值顯示儀。
本發(fā)明的有益效果是 1、結(jié)合生物發(fā)酵過(guò)程的機(jī)理知識(shí)和數(shù)據(jù)驅(qū)動(dòng)建模的多模型建模方法，所建模型簡(jiǎn)單，科學(xué)地反應(yīng)了微生物的生長(zhǎng)規(guī)律，實(shí)現(xiàn)了生物量濃度的在線測(cè)量，克服了傳統(tǒng)離線測(cè)量方法中時(shí)間滯后所造成的控制不及時(shí)、已有測(cè)量?jī)x表的測(cè)量精度不高等缺陷，抗干擾能力強(qiáng)，預(yù)測(cè)精度高。
2、針對(duì)單一神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)過(guò)于復(fù)雜、訓(xùn)練時(shí)間較長(zhǎng)、模型魯棒性和預(yù)測(cè)能力較差的現(xiàn)象，引入基于粒子群算法的核模糊C均值聚類算法結(jié)合多模型神經(jīng)網(wǎng)絡(luò)建模方法，克服了單一模型的復(fù)雜性和不準(zhǔn)確性，為利用多模型神經(jīng)網(wǎng)絡(luò)對(duì)生物發(fā)酵過(guò)程進(jìn)行軟測(cè)量建模提供了可靠的基礎(chǔ)。



下面結(jié)合附圖和具體實(shí)施方式
對(duì)本發(fā)明進(jìn)一步詳細(xì)說(shuō)明。
圖1為多模型神經(jīng)網(wǎng)絡(luò)的生物發(fā)酵過(guò)程軟儀表結(jié)構(gòu)示意圖。
圖2為粒子群算法的核模糊C均值聚類算法的流程圖。
圖3為多模型神經(jīng)網(wǎng)絡(luò)的生物發(fā)酵過(guò)程軟測(cè)量建模方法的流程圖。
圖4為本發(fā)明的軟測(cè)量模型結(jié)構(gòu)示意圖。
圖5為本發(fā)明的軟測(cè)量?jī)x表估計(jì)某一批發(fā)酵過(guò)程的生物量濃度的實(shí)驗(yàn)結(jié)果。

具體實(shí)施例方式 如圖1，將用于測(cè)量生物發(fā)酵易測(cè)變量的現(xiàn)場(chǎng)智能儀表連接于生物發(fā)酵設(shè)備，用于測(cè)量操作變量的控制器連接在生物發(fā)酵設(shè)備和數(shù)據(jù)預(yù)處理模塊之間，存放數(shù)據(jù)的DCS(Distributed Control System，集成控制系統(tǒng))數(shù)據(jù)庫(kù)模塊連接在現(xiàn)場(chǎng)智能儀表和數(shù)據(jù)預(yù)處理模塊之間。數(shù)據(jù)預(yù)處理模塊的輸出依次連接數(shù)據(jù)分類模塊、BP神經(jīng)網(wǎng)絡(luò)模型模塊、多模型NN神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型和生物量濃度軟測(cè)量值顯示儀。本發(fā)明通過(guò)數(shù)據(jù)預(yù)處理模塊用歸一化和主元分析方法對(duì)輸入的變量數(shù)據(jù)進(jìn)行預(yù)處理，然后通過(guò)數(shù)據(jù)預(yù)處理模塊對(duì)預(yù)處理后的主元變量集作聚類劃分，再通過(guò)BP神經(jīng)網(wǎng)絡(luò)模型模塊對(duì)不同的類分別建立子神經(jīng)網(wǎng)絡(luò)，最后建立多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型，通過(guò)多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型在線測(cè)試發(fā)酵過(guò)程中的生物量濃度，將測(cè)量的數(shù)值通過(guò)生物量濃度軟測(cè)量值顯示儀顯示出來(lái)，具體實(shí)現(xiàn)步驟如下 1、數(shù)據(jù)預(yù)處理模塊 這一模塊用于將從DCS數(shù)據(jù)庫(kù)模塊輸入的模型輸入變量進(jìn)行預(yù)處理，利用主元分析方法(PCA)有效地去除模型變量間的冗余信息，減小相關(guān)性，降低模型的復(fù)雜度。
2、數(shù)據(jù)分類模塊 數(shù)據(jù)分類模塊使用的方法是聚類分析方法，聚類分析是多元統(tǒng)計(jì)分析的一種，也是非監(jiān)督模式識(shí)別的一個(gè)重要分支，它把一個(gè)沒有類別標(biāo)記的樣本集按照某種準(zhǔn)則分為若干個(gè)子類，使相似的樣本盡可能的歸為一類，而將不相似的樣本盡可能劃分到不同的類中。這一部分需要注意的問(wèn)題是1)聚類分析的分類數(shù)目，即建立子神經(jīng)網(wǎng)絡(luò)的數(shù)目；2)聚類算法的選擇，一種好的聚類算法能有效地減少模型間的相關(guān)性，從而提高生物發(fā)酵過(guò)程軟測(cè)量模型的精度。
3、BP神經(jīng)網(wǎng)絡(luò)模型模塊 基于神經(jīng)網(wǎng)絡(luò)的建模屬于黑箱建模，輸入變量和輸出變量之間的映射關(guān)系是由神經(jīng)網(wǎng)絡(luò)來(lái)完成的，生物發(fā)酵過(guò)程中的在線可測(cè)變量X、發(fā)酵對(duì)象的控制輸入量U作為軟測(cè)量?jī)x表的輸入變量，被估計(jì)的發(fā)酵產(chǎn)物量作為軟測(cè)量?jī)x表的輸出變量。BP神經(jīng)網(wǎng)絡(luò)模型模塊采用BP神經(jīng)網(wǎng)絡(luò)作為各個(gè)子模型的訓(xùn)練方法，設(shè)BP神經(jīng)網(wǎng)絡(luò)的輸出層第k個(gè)神經(jīng)元的實(shí)際輸出為yk，輸入為netk，與此層相鄰的隱含層中任一神經(jīng)元j的輸出為yj，則有 yk＝f(netk) (2) 式中，wkj是神經(jīng)元k與神經(jīng)元j之間的連接權(quán)，為神經(jīng)元的輸出函數(shù)，通常取為S型(sigmoid)函數(shù)，表示為 式中，hk為神經(jīng)元k的閾值，θ0為陡度參數(shù)，用以調(diào)節(jié)S型函數(shù)的陡度； 令訓(xùn)練樣本為k，對(duì)于任一輸入模式Xp，若相應(yīng)有輸出層中第k個(gè)神經(jīng)元的期望輸出Opk，則輸出層的輸出方差表示為 式中，Opk代表期望輸出，ypk代表實(shí)際輸出；反向誤差傳播學(xué)習(xí)的目的是修改連接權(quán)w值，使E達(dá)到的最小值；要求連接權(quán)wkj，wji應(yīng)沿Ep的負(fù)梯度方向?qū)W習(xí)；所以wkj的修正量為 4、多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型 多模型建模方法的優(yōu)劣很大程度上取決于模型個(gè)數(shù)的設(shè)定和子模型網(wǎng)絡(luò)的選取。多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型建模時(shí)，主要三個(gè)問(wèn)題1)子神經(jīng)網(wǎng)絡(luò)的數(shù)目，即根據(jù)發(fā)酵的機(jī)理知識(shí)選擇合適的數(shù)目；2)子神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法的選擇，Levenberg-Marquardt(拉凡格氏)BP算法由于具備快速收斂性和有效的記憶功能，被選作訓(xùn)練子神經(jīng)網(wǎng)絡(luò)；3)軟測(cè)量模型的輸出，即可由各個(gè)子神經(jīng)網(wǎng)絡(luò)的輸出和與之相對(duì)應(yīng)的隸屬度的加權(quán)和計(jì)算出來(lái)。
如圖2，上述數(shù)據(jù)分類模塊采用基于粒子群優(yōu)化算法的核模糊C均值聚類算法(PSKFCM)對(duì)數(shù)據(jù)集作聚類劃分。先設(shè)定粒子群算法中的各個(gè)參數(shù)，從中隨機(jī)選擇初始粒子集作為聚類中心和定義適應(yīng)度函數(shù)，根據(jù)公式計(jì)算核矩陣和隸屬度矩陣，再計(jì)算每個(gè)粒子的適應(yīng)度值，根據(jù)適應(yīng)度值和粒子群優(yōu)化算法更新公式修正個(gè)體極值和全局極值，最后判斷是否滿足條件，若滿足條件便執(zhí)行FCM聚類算法實(shí)現(xiàn)數(shù)據(jù)分類，若不滿足條件再重新計(jì)算矩陣。具體實(shí)現(xiàn)步驟如下 1)給定聚類數(shù)目C，允許誤差ε，t＝1； 2)設(shè)定群體規(guī)模N，慣性權(quán)重，學(xué)習(xí)因子c1，c2，指數(shù)權(quán)重m； 3)初始化粒子群l1，l2，…，lC，其中l(wèi)j為一個(gè)任意產(chǎn)生的聚類中心的集合，從樣本集X＝{x1，x2，…，xN}中任取C個(gè)向量來(lái)初始化lj； 4)計(jì)算核矩陣K(xi，lj)； K(x，y)＝exp[-(x-y)2/σ2] (6) 式中，vi為第i個(gè)聚類中心，xij為第i類的第j個(gè)樣本數(shù)據(jù)，l為第i個(gè)聚類所包含的樣本數(shù)目。
5)針對(duì)每個(gè)樣本根據(jù)式(8)計(jì)算隸屬度矩陣； 6)由式(9)計(jì)算出f(xi)，根據(jù)式(10)、(11)修正粒子速度和位置，根據(jù)適應(yīng)度的值修改Pid(t)(個(gè)體極值)和Pgd(t)(全局極值)，以便產(chǎn)生下一代粒子； Vid(t+1)＝ω·Vid(t)+c1·r1(Pid(t)-Xid(t)) (10) +c2·r2(Pgd(t)-Xid(t)) Xid(t+1)＝Xid(t)+Vid(t+1)，(i＝1，2，…，N)(11) 7)若當(dāng)前迭代次數(shù)達(dá)到預(yù)先設(shè)定的最大次數(shù)，則停止迭代。在最后一代找到最優(yōu)解，輸出取得Pgd的粒子，即聚類中心的集合，否則轉(zhuǎn)到步驟4)，t＝t+1； 8)根據(jù)式(8)更新粒子群體的隸屬度； 9)根據(jù)式(12)更新群體的聚類中心。計(jì)算相鄰兩代隸屬度矩陣之差E，若E＜ε，停止；否則轉(zhuǎn)到8)。
上述多模型神經(jīng)網(wǎng)絡(luò)的生物發(fā)酵過(guò)程軟測(cè)量建模方法如圖3所示，具體實(shí)現(xiàn)步驟如下 1)對(duì)生物發(fā)酵過(guò)程對(duì)象，根據(jù)工藝分析和操作分析，選擇控制輸入變量和在線可測(cè)變量作為模型的輸入，離線測(cè)量的發(fā)酵數(shù)據(jù)作為模型的輸出，即確定圖3中的實(shí)驗(yàn)數(shù)據(jù)； 2)對(duì)輸入的樣本數(shù)據(jù)進(jìn)行輔助變量的選擇； 3)確定聚類數(shù)目C，允許誤差ε，t＝1，群體規(guī)模N，慣性權(quán)重，學(xué)習(xí)因子c1，c2，指數(shù)權(quán)重m；利用基于粒子群優(yōu)化算法的核模糊C均值聚類算法對(duì)輸入變量做聚類分析； 4)根據(jù)聚類后的n個(gè)數(shù)據(jù)類，建立n個(gè)神經(jīng)網(wǎng)絡(luò)子模型； 5)多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量輸出為各子NN模型輸出的加權(quán)和，權(quán)值為隸屬度ui(i＝1，2，...，C)，要滿足下式 式中，C為聚類數(shù)目，N為樣本數(shù)，U＝[μij]C×N是模糊C劃分矩陣，μij為樣本xi對(duì)應(yīng)于第j個(gè)聚類的隸屬度值，V＝[vj]為C個(gè)聚類中心組成的集合，m是影響隸屬度矩陣模糊化程度的指數(shù)權(quán)重。權(quán)值做如下的處理 則整個(gè)模型的輸出可由下式計(jì)算出來(lái) 式中fi為第i個(gè)子NN的輸出值。
根據(jù)以上步驟所得到的多模型神經(jīng)網(wǎng)絡(luò)模型即定為該生物發(fā)酵對(duì)象的軟測(cè)量?jī)x表。
下面提供1個(gè)實(shí)施例來(lái)說(shuō)明本發(fā)明，但不是對(duì)本發(fā)明進(jìn)行限制，只要在本發(fā)明保護(hù)范圍內(nèi)對(duì)本發(fā)明做出的修改和改變，都落入本發(fā)明的保護(hù)范圍。
實(shí)施例1 參照?qǐng)D1，主要包括生物發(fā)酵設(shè)備、用于測(cè)量易測(cè)變量的現(xiàn)場(chǎng)智能儀表、用于測(cè)量操作變量的控制器、存放數(shù)據(jù)的DCS數(shù)據(jù)庫(kù)模塊、生物量濃度軟測(cè)量值顯示儀、所述現(xiàn)場(chǎng)智能儀表、控制器與生物發(fā)酵設(shè)備和DCS數(shù)據(jù)庫(kù)模塊連接。
如圖2，核模糊C均值聚類的具體實(shí)施步驟是 步驟1.給定聚類數(shù)目C，允許誤差ε，t＝1； 步驟2.設(shè)定群體規(guī)模N，慣性權(quán)重w，學(xué)習(xí)因子c1，c2，指數(shù)權(quán)重m； 步驟3.初始化粒子群l1，l2，…，lC，其中l(wèi)j為一個(gè)任意產(chǎn)生的聚類中心的集合，從樣本集X＝{x1，x2，…，xN}中任取C個(gè)向量來(lái)初始化lj； 步驟4.計(jì)算核矩陣K(xi，lj)； K(x，y)＝exp[-(x-y)2/σ2] (6) 式中，vi為第i個(gè)聚類中心，xij為第i類的第j個(gè)樣本數(shù)據(jù)，l為第i個(gè)聚類所包含的樣本數(shù)目。
步驟5.針對(duì)每個(gè)樣本根據(jù)式(8)計(jì)算隸屬度矩陣； 步驟6.由式(9)計(jì)算出f(xi)，根據(jù)式(10)、(11)修正粒子速度和位置，根據(jù)適應(yīng)度的值修改Pid(t)(個(gè)體極值)和Pgd(t)(全局極值)，以便產(chǎn)生下一代粒子； Vid(t+1)＝ω·Vid(t)+c1·r1(Pid(t)-Xid(t)) (10) +c2·r2(Pgd(t)-Xid(t)) Xid(t+1)＝Xid(t)+Vid(t+1)，(i＝1，2，…，N)(11) 步驟7.若當(dāng)前迭代次數(shù)達(dá)到預(yù)先設(shè)定的最大次數(shù)，則停止迭代。在最后一代找到最優(yōu)解，輸出取得Pgd的粒子，即聚類中心的集合，否則轉(zhuǎn)到步驟4，t＝t+1； 步驟8.根據(jù)式(8)更新粒子群體的隸屬度； 步驟9.根據(jù)式(12)更新群體的聚類中心。計(jì)算相鄰兩代隸屬度矩陣之差E，若E＜ε，停止；否則轉(zhuǎn)到8)。
見圖4的軟測(cè)量模型的結(jié)構(gòu)示意圖，首先通過(guò)主元分析法對(duì)輸入變量進(jìn)行預(yù)處理，利用基于粒子群優(yōu)化算法的核模糊C均值聚類算法對(duì)主元變量集作聚類劃分，根據(jù)分類數(shù)據(jù)建立多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型。方法的具體實(shí)施步驟如下 步驟1.針對(duì)發(fā)酵罐中的微生物發(fā)酵生產(chǎn)過(guò)程收集發(fā)酵數(shù)據(jù)存放入DCS數(shù)據(jù)庫(kù)，并將數(shù)據(jù)分為訓(xùn)練樣本和預(yù)測(cè)樣本； 步驟2.對(duì)所有的歷史發(fā)酵數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化預(yù)處理操作，將所有變量值限制在
區(qū)間內(nèi)； 步驟3.對(duì)歸一化后的數(shù)據(jù)進(jìn)行主元分析； 步驟4.確定聚類數(shù)目C，允許誤差ε，t＝1，群體規(guī)模N，慣性權(quán)重w，學(xué)習(xí)因子c1，c2，指數(shù)權(quán)重m； 步驟5.利用基于粒子群優(yōu)化算法的核模糊C均值聚類算法對(duì)輸入變量做聚類分析； 步驟6.根據(jù)聚類后的輸入輸出樣本數(shù)據(jù)，建立子神經(jīng)網(wǎng)絡(luò)子模型； 步驟7.多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量輸出為各子NN模型輸出的加權(quán)和，權(quán)值為隸屬度ui(i＝1，2，...，C)，要滿足下式 式中，C為聚類個(gè)數(shù)，N為樣本數(shù)，U＝[μij]C×N是模糊C劃分矩陣，μij為樣本xi對(duì)應(yīng)于第j個(gè)聚類的隸屬度值，V＝[vj]為C個(gè)聚類中心組成的集合，m是影響隸屬度矩陣模糊化程度的指數(shù)權(quán)重。
權(quán)值做如下的處理 則整個(gè)模型的輸出可由下式計(jì)算出來(lái) 式中fi為第i個(gè)子NN的輸出值。
步驟8.導(dǎo)入工業(yè)現(xiàn)場(chǎng)測(cè)量的可測(cè)變量數(shù)據(jù)X和控制發(fā)酵對(duì)象的輸入量的數(shù)據(jù)U，根據(jù)模型的要求選擇以上變量，然后再對(duì)選中的變量進(jìn)行數(shù)據(jù)預(yù)處理和數(shù)據(jù)分類處理； 步驟9.將以上處理完畢的數(shù)據(jù)用多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型估計(jì)出發(fā)酵過(guò)程中的生物量濃度。
以下以紅霉素生產(chǎn)發(fā)酵過(guò)程對(duì)本發(fā)明技術(shù)方案做進(jìn)一步描述 紅霉素是醫(yī)學(xué)中重要的藥物之一，其生產(chǎn)發(fā)酵過(guò)程中的生物量濃度很難利用一般傳感器實(shí)時(shí)準(zhǔn)確地測(cè)量出來(lái)。將基于本發(fā)明的軟測(cè)量方法應(yīng)用于紅霉素發(fā)酵過(guò)程中估計(jì)其生物量濃度。
根據(jù)對(duì)紅霉素發(fā)酵機(jī)理以及流程工藝的分析，考慮到這一發(fā)酵生產(chǎn)過(guò)程中對(duì)生物量濃度具有影響的各種因素，取實(shí)際生產(chǎn)過(guò)程中常用的15個(gè)操作變量和易測(cè)變量，有時(shí)間、溶解氧、pH值、糊精流量、豆油流量、丙醇流量、水流量、糊精體積、豆油體積、丙醇體積、水體積、溫度、相對(duì)氣壓、轉(zhuǎn)速、空氣流量。將這些狀態(tài)變量通過(guò)數(shù)據(jù)預(yù)處理模塊，利用主元分析算法對(duì)狀態(tài)變量處理之后，獲得的溫度、pH、相對(duì)壓力、轉(zhuǎn)速、溶解氧作為軟測(cè)量模型的輸入變量，生物量濃度作為軟測(cè)量模型的輸出變量。根據(jù)對(duì)微生物發(fā)酵過(guò)程生長(zhǎng)速率曲線的分析，確定聚類數(shù)目為4。本發(fā)明中子NN選用三層前饋網(wǎng)絡(luò)，輸入層節(jié)點(diǎn)為6，隱含層節(jié)點(diǎn)為10，輸出層節(jié)點(diǎn)為1。隱含層和輸出層函數(shù)分別選用S型函數(shù)和線性函數(shù)。
圖5基于本發(fā)明的軟測(cè)量?jī)x表估計(jì)某一批發(fā)酵過(guò)程的生物量濃度的實(shí)驗(yàn)結(jié)果，圖中星號(hào)表示通過(guò)傳感器等手段離線采集到的生物量濃度，實(shí)線表示利用基于多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型預(yù)測(cè)到的生物量濃度，由圖5可知，本發(fā)明可高精度在線測(cè)量發(fā)酵過(guò)程中參數(shù)變量。
下表1為利用基于多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量建模方法對(duì)紅霉素發(fā)酵生產(chǎn)過(guò)程中3批發(fā)酵數(shù)據(jù)的估計(jì)生物量濃度，用最大相對(duì)誤差(MRE)和均方誤差(MSE)二個(gè)預(yù)測(cè)性能的評(píng)價(jià)指標(biāo)評(píng)價(jià)該軟測(cè)量?jī)x表的估計(jì)精度。
表1

權(quán)利要求
1、一種多模型神經(jīng)網(wǎng)絡(luò)的生物發(fā)酵過(guò)程軟測(cè)量建模方法，其特征是先通過(guò)數(shù)據(jù)預(yù)處理模塊用歸一化和主元分析方法對(duì)輸入的變量數(shù)據(jù)進(jìn)行預(yù)處理，然后通過(guò)數(shù)據(jù)預(yù)處理模塊對(duì)預(yù)處理后的主元變量集作聚類劃分，再用BP神經(jīng)網(wǎng)絡(luò)模型模塊對(duì)不同的類分別建立子神經(jīng)網(wǎng)絡(luò)，最后建立多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型，通過(guò)多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型在線測(cè)試發(fā)酵過(guò)程中的生物量濃度，將測(cè)量的數(shù)值通過(guò)生物量濃度軟測(cè)量值顯示儀顯示。
2、根據(jù)權(quán)利要求1所述的多模型神經(jīng)網(wǎng)絡(luò)的生物發(fā)酵過(guò)程軟測(cè)量建模方法，其特征是具體步驟如下
1)選擇生物發(fā)酵過(guò)程對(duì)象的控制輸入變量和在線可測(cè)變量作為模型的輸入，離線測(cè)量的發(fā)酵數(shù)據(jù)作為模型的輸出；
2)先對(duì)輸出的數(shù)據(jù)進(jìn)行歸一化，然后使用主元分析方法對(duì)歸一化后的數(shù)據(jù)進(jìn)行預(yù)處理；
3)確定聚類數(shù)目、允許誤差、群體規(guī)模、慣性權(quán)重、學(xué)習(xí)因子以及指數(shù)權(quán)重；
4)采用基于粒子群優(yōu)化算法的核模糊C均值聚類算法對(duì)輸入變量做聚類分析；
5)根據(jù)聚類后的輸入輸出樣本數(shù)據(jù)建立子神經(jīng)網(wǎng)絡(luò)子模型；
6)對(duì)子神經(jīng)網(wǎng)絡(luò)輸出反歸一化處理；
7)根據(jù)分類數(shù)據(jù)建立多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型，多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量輸出為各子模型輸出的加權(quán)和，權(quán)值為隸屬度ui(i＝1，2，...，C)，要滿足下式
式中C為聚類數(shù)目，N為樣本數(shù)，U＝[μij]C×N是模糊C劃分矩陣，μij為樣本xi對(duì)應(yīng)于第j個(gè)聚類的隸屬度值，V＝[vj]為C個(gè)聚類中心組成的集合，m是影響隸屬度矩陣模糊化程度的指數(shù)權(quán)重；
權(quán)值做如下的處理
則整個(gè)模型的輸出可由下式計(jì)算出來(lái)
式中fi為第i個(gè)子NN的輸出值。
3、根據(jù)權(quán)利要求2所述的多模型神經(jīng)網(wǎng)絡(luò)的生物發(fā)酵過(guò)程軟測(cè)量建模方法，其特征是步驟4)中聚類分析的具體方法為先設(shè)定粒子群算法中的各個(gè)參數(shù)，從中隨機(jī)選擇初始粒子集作為聚類中心和定義適應(yīng)度函數(shù)，根據(jù)公式計(jì)算核矩陣和隸屬度矩陣，再計(jì)算每個(gè)粒子的適應(yīng)度值，根據(jù)適應(yīng)度值和粒子群優(yōu)化算法更新公式修正個(gè)體極值和全局極值，最后判斷是否滿足條件，若滿足條件便執(zhí)行FCM聚類算法實(shí)現(xiàn)數(shù)據(jù)分類，若不滿足條件再重新計(jì)算矩陣。
4、一種實(shí)現(xiàn)權(quán)利要求1的軟儀表，其特征是將用于測(cè)量生物發(fā)酵易測(cè)變量的現(xiàn)場(chǎng)智能儀表連接于生物發(fā)酵設(shè)備，用于測(cè)量操作變量的控制器連接在生物發(fā)酵設(shè)備和數(shù)據(jù)預(yù)處理模塊之間，存放數(shù)據(jù)的DCS數(shù)據(jù)庫(kù)模塊連接在現(xiàn)場(chǎng)智能儀表和數(shù)據(jù)預(yù)處理模塊之間，數(shù)據(jù)預(yù)處理模塊的輸出依次連接數(shù)據(jù)分類模塊、BP神經(jīng)網(wǎng)絡(luò)模型模塊、多模型NN神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型和生物量濃度軟測(cè)量值顯示儀。
全文摘要
本發(fā)明公開了一種多模型神經(jīng)網(wǎng)絡(luò)的生物發(fā)酵過(guò)程軟測(cè)量建模方法及軟儀表，先通過(guò)數(shù)據(jù)預(yù)處理模塊用歸一化和主元分析方法對(duì)輸入的變量數(shù)據(jù)進(jìn)行預(yù)處理，然后通過(guò)數(shù)據(jù)預(yù)處理模塊對(duì)預(yù)處理后的主元變量集作聚類劃分，再用BP神經(jīng)網(wǎng)絡(luò)模型模塊對(duì)不同的類分別建立子神經(jīng)網(wǎng)絡(luò)，最后建立多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型，通過(guò)多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型在線測(cè)試發(fā)酵過(guò)程中的生物量濃度，將測(cè)量的數(shù)值通過(guò)生物量濃度軟測(cè)量值顯示儀顯示，本發(fā)明引入基于粒子群算法的核模糊C均值聚類算法結(jié)合多模型神經(jīng)網(wǎng)絡(luò)建模方法，所建模型簡(jiǎn)單，實(shí)現(xiàn)了生物量濃度的在線測(cè)量，控制及時(shí)、測(cè)量精度高且抗干擾能力強(qiáng)。
文檔編號(hào)G06N3/00GK101630376SQ20091018430
公開日2010年1月20日 申請(qǐng)日期2009年8月12日 優(yōu)先權(quán)日2009年8月12日
發(fā)明者劉國(guó)海, 徐海霞, 梅從立, 周大為 申請(qǐng)人:江蘇大學(xué)