目的针对食品发酵生产过程中关键参数难以在线检测,不能对其实施优化控制的问题。本研究提出一种即时学习和集成学习相结合的动态软测量建模方法。方法首先采用局部加权偏最小二乘算法(locally weighted parital least squares,LWPLS)...目的针对食品发酵生产过程中关键参数难以在线检测,不能对其实施优化控制的问题。本研究提出一种即时学习和集成学习相结合的动态软测量建模方法。方法首先采用局部加权偏最小二乘算法(locally weighted parital least squares,LWPLS)作为基础建模方法,再运用滑动时间窗技术(moving window,MW)缩小样本查询范围。采用Bagging算法重采样窗口内的样本集形成多个子训练集,同时引入相似度阈值筛选出具有多样性的子训练集,最后采用加权平均法融合各个子模型的输出值。结果通过海洋碱性蛋白酶发酵实验表明,所提的MW-ELWPLS软测量建模方法能够对关键参数进行较准确的实时预测,预测的均方根误差在0.2~0.3之间,决定系数R2在0.95左右,平均绝对误差在0.2左右。结论MW-ELWPLS软测量建模方法在预测精度上表现优秀,在线预测实时性较高,完全能满足工业发酵生产的实际应用需求。展开更多