基于貝葉斯組合神經(jīng)網(wǎng)絡(luò)的生物發(fā)酵產(chǎn)量在線預(yù)報(bào)方法
【專利摘要】本發(fā)明提供了一種基于貝葉斯組合神經(jīng)網(wǎng)絡(luò)的生物發(fā)酵產(chǎn)量在線預(yù)報(bào)方法，步驟為：1.將所有歷史批次分為優(yōu)勢(shì)批次、中等批次和劣勢(shì)批次；2.對(duì)每一類發(fā)酵批次分別建立一個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)器，其訓(xùn)練數(shù)據(jù)庫(kù)由對(duì)應(yīng)類別的歷史批次數(shù)據(jù)庫(kù)的數(shù)據(jù)和待預(yù)報(bào)批次的已知數(shù)據(jù)組成；3.分別對(duì)三個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；4.根據(jù)待預(yù)報(bào)批次的最新輸入向量，計(jì)算三個(gè)神經(jīng)網(wǎng)絡(luò)的輸出值；5.發(fā)酵過(guò)程的產(chǎn)量預(yù)報(bào)值由三個(gè)神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)輸出值加權(quán)得到；6.當(dāng)一個(gè)被預(yù)報(bào)的批次發(fā)酵結(jié)束后，將根據(jù)批次分類算法進(jìn)行分類，并根據(jù)分類結(jié)果將其數(shù)據(jù)更新到對(duì)應(yīng)類別的歷史數(shù)據(jù)庫(kù)中。本發(fā)明可用于發(fā)酵過(guò)程產(chǎn)量的在線高精度寬區(qū)間預(yù)報(bào)，有提高發(fā)酵生產(chǎn)監(jiān)控和調(diào)度水平的應(yīng)用潛力。
【專利說(shuō)明】基于貝葉斯組合神經(jīng)網(wǎng)絡(luò)的生物發(fā)酵產(chǎn)量在線預(yù)報(bào)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及生物技術(shù)和信息科學(xué)交叉領(lǐng)域，具體地，是一種基于貝葉斯組合神經(jīng)網(wǎng)絡(luò)的生物發(fā)酵過(guò)程產(chǎn)量在線預(yù)報(bào)方法。
【背景技術(shù)】
[0002]生物發(fā)酵是一類重要的工業(yè)生產(chǎn)過(guò)程，利用微生物的代謝活動(dòng)過(guò)程，經(jīng)生物轉(zhuǎn)化而大規(guī)模地制造各種工業(yè)發(fā)酵產(chǎn)品，在國(guó)民經(jīng)濟(jì)中占有重要地位。其具有內(nèi)在機(jī)理復(fù)雜、生產(chǎn)周期長(zhǎng)、生產(chǎn)波動(dòng)大等特征，具有高度的非線性和時(shí)變特征。發(fā)酵產(chǎn)物的產(chǎn)量是工業(yè)生產(chǎn)中評(píng)估經(jīng)濟(jì)效益的重要因素，對(duì)產(chǎn)量的在線預(yù)報(bào)能夠?qū)崟r(shí)監(jiān)控發(fā)酵罐批的生產(chǎn)狀態(tài)，對(duì)異常罐批做出早期預(yù)警，并可以通過(guò)其對(duì)發(fā)酵批次創(chuàng)利潛力進(jìn)行估計(jì)。在此基礎(chǔ)上對(duì)發(fā)酵車間進(jìn)行生產(chǎn)優(yōu)化調(diào)度，從而提高工廠的經(jīng)濟(jì)效益，因而對(duì)發(fā)酵產(chǎn)量的高精度、寬區(qū)間的在線預(yù)報(bào)，具有重要的意義。
[0003]經(jīng)過(guò)對(duì)現(xiàn)有技術(shù)的檢索，未發(fā)現(xiàn)利用基于發(fā)酵過(guò)程批次分類及貝葉斯組合神經(jīng)網(wǎng)絡(luò)的發(fā)酵過(guò)程產(chǎn)量預(yù)報(bào)方法的直接報(bào)道，但有相關(guān)文獻(xiàn)。Lei Cui etal.2012 年發(fā)表 的，，Data-driven prediction of the product formation inindustrial2-keto_L-gulonic acid fermentation，，(Lei Cui, Ping Xie, JunweiSun, Tong Yu,Jingqi Yuan, Data-driven prediction of the product formationin industrial2-keto-L-gulonic acid fermentation, Computers and ChemicalEngineering, 36，386-391，2012) 一文基于神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)2-酮基-L-古龍酸的發(fā)酵過(guò)程進(jìn)行產(chǎn)量預(yù)報(bào)。該方法將所有歷史批次的發(fā)酵數(shù)據(jù)作為單個(gè)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練庫(kù)，并未考慮到各類發(fā)酵批次的典型特征，而且對(duì)于由于擾動(dòng)引起的發(fā)酵批次產(chǎn)量下降等情況的跟蹤預(yù)報(bào)能力不強(qiáng)。

【發(fā)明內(nèi)容】

[0004]針對(duì)現(xiàn)有技術(shù)中的缺陷，本發(fā)明的目的是提供一種生物發(fā)酵產(chǎn)物產(chǎn)量的在線預(yù)報(bào)方法，可以用于發(fā)酵過(guò)程產(chǎn)量的在線高精度寬區(qū)間的預(yù)報(bào)，能提高發(fā)酵生產(chǎn)的監(jiān)控和調(diào)度水平。
[0005]本發(fā)明提供了一種基于貝葉斯組合神經(jīng)網(wǎng)絡(luò)的生物發(fā)酵產(chǎn)量在線預(yù)報(bào)方法，該方法具體包括以下步驟:
[0006]步驟一、根據(jù)歷史發(fā)酵批次的產(chǎn)量分布特征，在考慮到發(fā)酵過(guò)程中的擾動(dòng)的情況下，采用批次分類算法將歷史發(fā)酵批次分為優(yōu)勢(shì)批次、中等批次和劣勢(shì)批次三類。
[0007]所述步驟一中的批次分類算法，具體是對(duì)所有歷史批次進(jìn)行正態(tài)分布統(tǒng)計(jì)分析，將待分類批次各個(gè)采樣點(diǎn)的產(chǎn)量與其60%置信限進(jìn)行比較，并以此為依據(jù)定義了 SUi和SDi兩個(gè)統(tǒng)計(jì)變量。若SUiX),則第i個(gè)批次被分類為優(yōu)勢(shì)批次；若SDi〈0，則第i個(gè)批次被分類為劣勢(shì)批次；若以上兩種情況都不滿足，則第i個(gè)批次被分類為中等批次。
[0008]步驟二、根據(jù)步驟一的批次分類結(jié)果，對(duì)每一類發(fā)酵批次分別建立一個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)器，對(duì)于每一個(gè)神經(jīng)網(wǎng)絡(luò)，其訓(xùn)練數(shù)據(jù)庫(kù)由經(jīng)過(guò)數(shù)據(jù)預(yù)處理的對(duì)應(yīng)類別的歷史批次數(shù)據(jù)庫(kù)的數(shù)據(jù)和待預(yù)報(bào)批次的已知數(shù)據(jù)組成，數(shù)據(jù)預(yù)處理是指將在線采集的過(guò)程變量(如發(fā)酵液體積、pH值、通氣量等)和離線分析數(shù)據(jù)(如產(chǎn)物、底物和生物質(zhì)濃度等)通過(guò)移動(dòng)窗口方法處理成為神經(jīng)網(wǎng)絡(luò)訓(xùn)練所需要的輸入輸出數(shù)據(jù)對(duì)。神經(jīng)網(wǎng)絡(luò)的輸入變量應(yīng)盡量選取與輸出變量強(qiáng)相關(guān)的過(guò)程變量及數(shù)據(jù)；對(duì)于產(chǎn)量預(yù)報(bào)來(lái)說(shuō)，輸出變量應(yīng)選為發(fā)酵過(guò)程的產(chǎn)量超前預(yù)報(bào)值。
[0009]步驟三、分別對(duì)代表優(yōu)勢(shì)批次、中等批次和劣勢(shì)批次的三個(gè)神經(jīng)網(wǎng)絡(luò)用對(duì)應(yīng)的訓(xùn)練數(shù)據(jù)庫(kù)進(jìn)行在線訓(xùn)練；
[0010]步驟四、根據(jù)待預(yù)報(bào)批次的最新輸入向量，分別計(jì)算三個(gè)已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)輸出值；
[0011]步驟五、發(fā)酵過(guò)程的產(chǎn)量預(yù)報(bào)值由三個(gè)神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)輸出值加權(quán)得到，各個(gè)組合權(quán)值則根據(jù)該神經(jīng)網(wǎng)絡(luò)在被預(yù)報(bào)批次之前時(shí)段的預(yù)測(cè)精度，采用貝葉斯統(tǒng)計(jì)推斷方法進(jìn)行迭代計(jì)算得到；
[0012]步驟六、當(dāng)一個(gè)被預(yù)報(bào)的批次發(fā)酵結(jié)束后，將根據(jù)批次分類算法進(jìn)行分類，并根據(jù)分類結(jié)果將其數(shù)據(jù)更新到對(duì)應(yīng)類別的歷史數(shù)據(jù)庫(kù)中，即歷史數(shù)據(jù)庫(kù)的更新。
[0013]與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的特點(diǎn):建立的發(fā)酵批次分類算法能根據(jù)所有歷史批次的統(tǒng)計(jì)特征進(jìn)行分類，從而評(píng)估其生產(chǎn)狀況；對(duì)應(yīng)于優(yōu)勢(shì)、中等、劣勢(shì)三類批次的神經(jīng)網(wǎng)絡(luò)同時(shí)進(jìn)行訓(xùn)練并預(yù)報(bào)，其輸出結(jié)果通過(guò)加權(quán)形成最終的產(chǎn)量預(yù)報(bào)輸出；各個(gè)神經(jīng)網(wǎng)絡(luò)的權(quán)值是根據(jù)該神經(jīng)網(wǎng)絡(luò)在待預(yù)報(bào)批次之前時(shí)段的預(yù)測(cè)精度，通過(guò)統(tǒng)計(jì)推斷方法迭代計(jì)算得到，即預(yù)報(bào)準(zhǔn)確的神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)輸出所占比重隨著發(fā)酵過(guò)程的進(jìn)行會(huì)不斷提高，而預(yù)報(bào)不準(zhǔn)確的神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)輸出所占比重不斷降低。驗(yàn)證結(jié)果表明，該預(yù)報(bào)器的預(yù)報(bào)誤差在2%到3%之間，預(yù)報(bào)區(qū)間占整個(gè)發(fā)酵周期的15%左右，每一輪預(yù)報(bào)的處理時(shí)間不超過(guò)I分鐘。本發(fā)明可以利用發(fā)酵車間現(xiàn)有的測(cè)量和分析數(shù)據(jù)，無(wú)需額外增加儀器儀表投資。在線實(shí)施本發(fā)明時(shí)，要求提供現(xiàn)有測(cè)量和分析數(shù)據(jù)的通信接口，以及用于數(shù)據(jù)處理、產(chǎn)量預(yù)報(bào)及預(yù)報(bào)結(jié)果輸出的上位機(jī)。本發(fā)明能用于發(fā)酵過(guò)程的在線產(chǎn)量預(yù)報(bào)，可將本方法加載到發(fā)酵過(guò)程的實(shí)時(shí)監(jiān)控調(diào)度系統(tǒng)中，用于指導(dǎo)發(fā)酵生產(chǎn)車間的在線監(jiān)控和調(diào)度。
【專利附圖】

【附圖說(shuō)明】
[0014]通過(guò)閱讀參照以下附圖對(duì)非限制性實(shí)施例所作的詳細(xì)描述，本發(fā)明的其它特征、目的和優(yōu)點(diǎn)將會(huì)變得更明顯:
[0015]圖1本發(fā)明實(shí)施例發(fā)酵歷史批次的正態(tài)統(tǒng)計(jì)分析圖；
[0016]圖2本發(fā)明實(shí)施例帶擾動(dòng)的優(yōu)勢(shì)批次示意圖；
[0017]圖3本發(fā)明實(shí)施例帶擾動(dòng)的劣勢(shì)批次示意圖；
[0018]圖4本發(fā)明批次分類及神經(jīng)網(wǎng)絡(luò)訓(xùn)練庫(kù)生成示意圖；
[0019]圖5本發(fā)明實(shí)施例移動(dòng)窗口生成數(shù)據(jù)對(duì)示意圖；
[0020]圖6本發(fā)明對(duì)應(yīng)三類批次的神經(jīng)網(wǎng)絡(luò)輸出的加權(quán)求和示意圖；
[0021]圖7本發(fā)明實(shí)施例140個(gè)工業(yè)批次的預(yù)報(bào)偏差分布圖。
【具體實(shí)施方式】[0022]下面結(jié)合具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。以下實(shí)施例將有助于本領(lǐng)域的技術(shù)人員進(jìn)一步理解本發(fā)明，但不以任何形式限制本發(fā)明。應(yīng)當(dāng)指出的是，對(duì)本領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)。這些都屬于本發(fā)明的保護(hù)范圍。
[0023]以下結(jié)合2-酮基-L-古龍酸的工業(yè)發(fā)酵產(chǎn)量預(yù)報(bào)的實(shí)施例子，對(duì)本發(fā)明作出詳細(xì)描述:
[0024]1.發(fā)酵批次分類
[0025]如圖1所示，是某制藥廠90個(gè)歷史發(fā)酵批次的經(jīng)過(guò)歸一化后的產(chǎn)量分布圖，可以看出盡管這些批次都在相同的操作條件下發(fā)酵，但是在發(fā)酵后期產(chǎn)量還是有±10%的波動(dòng)。通過(guò)正態(tài)統(tǒng)計(jì)分析，可以得到在第k個(gè)采樣時(shí)刻Tk的60%置信上限？?1(1\) +入O (Tk)和60%置信下限Pm(Tk)-X σ (Tk)，其中Pn^P σ分別代表發(fā)酵產(chǎn)量對(duì)應(yīng)于60%置信限的統(tǒng)計(jì)均值和標(biāo)準(zhǔn)差，λ為置信系數(shù)。Ρπ，σ和λ的取值均由歷史批次的正態(tài)分布統(tǒng)計(jì)結(jié)果確定，其中λ與60%置信限相對(duì)應(yīng)，取值0.845。優(yōu)勢(shì)批次的分類判據(jù)可以是所有采樣點(diǎn)都滿足P(Tk) ^ Pffl(Tk)+ λ σ (Tk)，但在對(duì)整個(gè)批次進(jìn)行分類時(shí)，應(yīng)當(dāng)考慮到發(fā)酵過(guò)程中存在的擾動(dòng)，如圖2和圖3所示。
[0026]對(duì)于第i個(gè)批次，定義SUi和SDi兩個(gè)統(tǒng)計(jì)變量:
【權(quán)利要求】
1.一種基于貝葉斯組合神經(jīng)網(wǎng)絡(luò)的生物發(fā)酵產(chǎn)量在線預(yù)報(bào)方法，其特征在于，包括步驟如下:
步驟一、根據(jù)歷史發(fā)酵批次的產(chǎn)量分布特征，在考慮到發(fā)酵過(guò)程中的擾動(dòng)的情況下，采用發(fā)酵批次分類算法將歷史發(fā)酵批次分為優(yōu)勢(shì)批次、中等批次和劣勢(shì)批次三類； 步驟二、對(duì)每一類發(fā)酵批次，分別建立一個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)器，其訓(xùn)練數(shù)據(jù)庫(kù)由經(jīng)過(guò)數(shù)據(jù)預(yù)處理的對(duì)應(yīng)類別的歷史批次數(shù)據(jù)庫(kù)的數(shù)據(jù)和待預(yù)報(bào)批次的已知數(shù)據(jù)組成，數(shù)據(jù)預(yù)處理是指將在線采集的過(guò)程變量和離線分析數(shù)據(jù)通過(guò)移動(dòng)窗口方法處理成為神經(jīng)網(wǎng)絡(luò)訓(xùn)練所需要的輸入輸出數(shù)據(jù)對(duì)； 步驟三、分別對(duì)代表優(yōu)勢(shì)批次、中等批次和劣勢(shì)批次的三個(gè)神經(jīng)網(wǎng)絡(luò)用對(duì)應(yīng)的訓(xùn)練數(shù)據(jù)庫(kù)進(jìn)行在線訓(xùn)練； 步驟四、根據(jù)待預(yù)報(bào)批次的最新輸入向量，分別計(jì)算三個(gè)已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)輸出值； 步驟五、發(fā)酵過(guò)程的產(chǎn)量預(yù)報(bào)值由三個(gè)神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)輸出值加權(quán)得到，各個(gè)組合權(quán)值則根據(jù)該神經(jīng)網(wǎng)絡(luò)在待預(yù)報(bào)批次之前時(shí)段的預(yù)測(cè)精度，采用貝葉斯統(tǒng)計(jì)推斷方法進(jìn)行迭代計(jì)算得到； 步驟六、當(dāng)一個(gè)被預(yù)報(bào)的批次發(fā)酵結(jié)束后，將根據(jù)發(fā)酵批次分類算法進(jìn)行分類，并根據(jù)分類結(jié)果將其數(shù)據(jù)更新到對(duì)應(yīng)類別的歷史數(shù)據(jù)庫(kù)中。
2.根據(jù)權(quán)利要求1所述的基于貝葉斯組合神經(jīng)網(wǎng)絡(luò)的生物發(fā)酵產(chǎn)量在線預(yù)報(bào)方法，其特征在于，步驟一所述的發(fā)酵批次分類算法，具體為: 對(duì)所有歷史批次的產(chǎn)量數(shù)據(jù)在各個(gè)采樣點(diǎn)進(jìn)行正態(tài)分布統(tǒng)計(jì)分析，得到在第k個(gè)采樣時(shí)刻Tk的60%置信上限Pm (Tk) + λ σ (Tk)和60%置信下限Pm (Tk) - λ σ (Tk)，其中Pm和σ分別代表發(fā)酵產(chǎn)量對(duì)應(yīng)于60%置信限的統(tǒng)計(jì)均值和標(biāo)準(zhǔn)差，λ為置信系數(shù)，與60%置信限相對(duì)應(yīng)；對(duì)于第i個(gè)批次，定義SUi和SDi兩個(gè)統(tǒng)計(jì)變量:
AT' SUi+λσ{Τ,)}}(I)碼卻;,)]丨(2)
k=l 其中Ni為第i個(gè)批次的所有采樣點(diǎn)個(gè)數(shù)，則批次分類算法的計(jì)算步驟為:若SUiX),則第i個(gè)批次被分類為優(yōu)勢(shì)批次；若SDZO，則第i個(gè)批次被分類為劣勢(shì)批次；若以上兩種情況都不滿足，則第i個(gè)批次被分類為中等批次。
3.根據(jù)權(quán)利要求1或2所述的基于貝葉斯組合神經(jīng)網(wǎng)絡(luò)的生物發(fā)酵產(chǎn)量在線預(yù)報(bào)方法，其特征在于，步驟五所述發(fā)酵過(guò)程的產(chǎn)量預(yù)報(bào)值由三個(gè)神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)輸出值加權(quán)得到，各個(gè)組合權(quán)值則根據(jù)該神經(jīng)網(wǎng)絡(luò)在被預(yù)報(bào)批次之前時(shí)段的預(yù)測(cè)精度，采用貝葉斯統(tǒng)計(jì)推斷方法進(jìn)行迭代計(jì)算得到，具體方法為: 發(fā)酵過(guò)程的產(chǎn)量預(yù)報(bào)值由三個(gè)神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)輸出值加權(quán)得到: HTk+Tp) ^ p'r Pr{Tk +TP) r = l,2,3⑶

r 二I 其中，Tp為預(yù)報(bào)寬度，即超前預(yù)報(bào)的時(shí)間；HTk +τΡ)表示在采樣時(shí)刻Tk對(duì)未來(lái)Tp時(shí)間之后的產(chǎn)量的超前預(yù)報(bào)值，是由三個(gè)神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)輸出值
【文檔編號(hào)】G06F19/24GK103678953SQ201310661816
【公開日】2014年3月26日 申請(qǐng)日期:2013年12月9日 優(yōu)先權(quán)日:2013年12月9日
【發(fā)明者】袁景淇, 王濤, 潘玉霖, 成寶琨 申請(qǐng)人:上海交通大學(xué)