Pensim仿真平台在青霉素发酵过程的应用研究

详细分析了针对青霉素发酵过程而开发的Pensim仿真平台,在阐述了其机理模型和内部结构之后,详细探讨了变量及参数设定值的取值范围,并给出了改进后的参考范围。仿真结果表明,经过修正后的Pensim仿真平台更加合理,仿真输出结果有更为明确的物理意义。

采用最小二乘支持向量机的青霉素发酵过程建模研究

生化过程通常是严重非线性和时变的复杂动态系统,而且重要过程参数缺少在线测量仪表,对其建立机理模型往往非常耗时和困难。采用最小二乘支持向量机(LS_SVM)并以Pensim仿真平台为例对青霉素发酵这一典型生化过程进行建模研究。给出了LS_SVM参数的调整策略和分析结果,建立了青霉素产物浓度、菌体浓度和底物浓度等重要过程变量的在线预报模型。仿真结果表明用LS_SVM建立的在线预报模型拟合误差小,推广性能好,可以作为发酵过程的进一步控制和优化的参考依据。

基于EM算法的青霉素发酵过程多阶段融合建模

青霉素发酵过程具有明显的阶段特征,该特征从一些关键操作变量信息中能够得到反映。本文从反应过程的多个操作变量中,选取关键过程变量——冷水流加速率作为调度变量,并采用模糊C均值聚类算法对其进行分类,各聚类中心作为青霉素发酵过程的主要工况点;基于EM算法围绕不同工况点建立局部子模型,最后根据采样数据阶段特征的后验分布将各子模型融合。基于此方法采用Pensim仿真平台数据,能够辨识数据的阶段特征,并建立青霉素发酵过程的融合模型。仿真结果表明该模型具有较高的拟合精度,能对该发酵过程的主导变量进行比较精确的预测。

基于自适应加权最小二乘支持向量机的青霉素发酵过程软测量建模

针对生化过程软测量建模过程中样本数据可能包含的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(Adaptive weighted least squares support vector machine,AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的正态分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用混沌差分进化—模拟退火(Chaos differential evolution simulated annealing,CDE-SA)算法对模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于最小二乘支持向量机(Least squares support vector machine,LS-SVM)和加权最小二乘支持向量机(Weighted least squares support vector machine,WLS-SVM)。利用Pensim仿真平台的数据,将AWLS-SVM方法用于青霉素发酵过程软测量建模,获得了较好的效果。

基于LS-SVM和Pensim仿真平台的青霉素发酵过程建模

从青霉素发酵过程仿真平台(Pensim)得到的结果作为出发点,采用最小二乘支持向量机(LS-SVM)对青霉素发酵过程进行建模研究。分别研究丁利用溶解氧浓度、排气二氧化碳浓度等变量对青霉素产物浓度、菌体浓度和底物浓度等重要过程变量的建模问题,在3种不同的仿真条件下分别建立了相应的在线预报模型,并对其进行了分析和比较。基于 Pensim 的仿真结果表明采用 LS-SVM 方法所建立的在线预报模型均具有良好的预测精度,对后续发酵过程的控制和优化能起到一定的参考作用。

模拟青霉素分批补料发酵过程的细胞自动机模型

根据青霉素产生菌的生长机理和青霉素分批补料发酵过程的动力学特性,在Paul等建立的形态学结构动力学模型的基础上,建立了模拟青霉素分批补料发酵过程的细胞自动机模型。模型采用三维细胞自动机作为菌体生长空间,采用Moore型邻域作为细胞邻域,其演化规则根据青霉素分批补料发酵过程中菌体生长机理和简化动力学结构模型设计。模型中的每一个细胞既可代表单个产黄青霉菌体细胞,又可代表特定数量的这种菌体细胞,它具有不同的状态。对模型进行的仿真实验结果表明:模型不但能一致地复现形态学结构动力学模型所描述的青霉素分批补料发酵过程的演化特性,而且较形态学结构动力学模型更加直观地刻画了青霉素分批补料发酵过程的演化行为。最后,对所建模型在实际生产过程中的应用问题进行了分析,指出了需要进一步研究的问题。

改进的FCM-LSSVM青霉素发酵过程预测建模

针对青霉素发酵过程周期长,每个阶段表现出不同的特性,最小二乘支持向量机(least squares support vector machines,LSSVM)的全局模型预测精度难以保证的问题,提出了改进的基于模糊C均值聚类(fuzzy C-means clustering algorithm,FCM)和LSSVM的青霉素发酵过程分段建模方法。首先,在分析影响青霉素产物浓度相关因素的基础上选取输入变量,对样本数据采用FCM算法聚类,按照最大隶属度将样本归类为稳定过程或过渡过程;然后,分别为稳定过程的4个阶段和过渡过程的3个阶段分别建立LSSVM子模型,最后通过子模型切换策略得到系统输出。利用Pensim仿真平台数据,将提出的方法与FCM-LSSVM和LSSVM方法进行比较,平均绝对误差分别为0.013 2、0.014 3、0.014 9,均方根误差分别为0.017 8、0.019 2、0.021 6,实验结果表明,所提出的方法具有良好的精度和泛化能力。

基于KTA-LSSVM的青霉素发酵过程预测建模

为解决青霉素发酵过程预测建模中存在的输入变量选择问题,提出了基于核目标度量(kernel target alignment,KTA)和最小二乘支持向量机(least squares support vector machines,LSSVM)的青霉素发酵过程预测模型。首先,在分析影响青霉素产物浓度相关因素的基础上选取输入变量,采用KTA对输入变量进行尺度缩放,然后,利用Pensim仿真平台数据,采用混沌粒子群算法对LSSVM的参数寻优,建立青霉素发酵过程的KTA-LSSVM预测模型。青霉素浓度预测的KTA-LSSVM模型均方根误差为0.0179,LSSVM模型的均方根误差为0.0276,实验结果表明,本文提出的模型预测精度高,推广性能好。

基于互信息稀疏自编码的青霉素发酵过程软测量建模

作为一类典型的间歇过程,青霉素发酵过程具有较强的非线性、时变性和不确定性。同时,菌体浓度、基质浓度和产物浓度等关键生物参数难以在线实时测量,而离线化验则需要耗费高昂的人工成本。针对这一问题,该文基于互信息加权的特征提取方法,提出一种软测量建模方法来估计青霉素发酵过程中的产物浓度。首先,基于互信息计算各个输入变量和输出变量之间的相关性,并用于加权处理稀疏自动编码器损失函数中的重构误差项,从而提取与输出更为相关的特征;然后,利用提取到的所有输入样本特征,结合最小二乘支持向量机对产物浓度进行估计。Pensim仿真平台的验证结果表明,该文所提方法能够有效提高青霉素发酵过程软测量模型的估计精度。

多阶段的青霉素发酵过程故障诊断

针对青霉素发酵过程由于外界因素或者反应进程的改变往往具有多阶段性,不同操作阶段动态特性不同,线性化程度也不同,提出一种分阶段多模型法。该方法将整个青霉素发酵过程分为多个阶段,并根据各阶段不同的机理特性,分别建立能更好描述各阶段动态特性的模型,以达到更准确地反应整个青霉素发酵过程数据信息的目的。最后将此方法和多向部分最小二乘(MPLS)、多向神经网络部分最小二乘(MNNPLS)方法的监控性能在青霉素发酵仿真系统上进行应用并比较。结果表明:该方法在过程故障诊断中更具精确性和实时性。

基于变分贝叶斯算法的青霉素发酵过程建模

青霉素发酵过程具有明显的阶段特征,同时由于操作条件多变、生产环境复杂等原因导致其存在极大的不确定性,故本文在变分贝叶斯框架下建立了青霉素浓度预测的FIR融合模型;首先选取调度变量对发酵阶段进行划分,然后基于变分贝叶斯算法辨识得到各FIR子模型的参数,最后根据阶段特征计算样本隶属于各子模型的概率并融合子模型的输出得到青霉素浓度的预测值;文中利用工业规模青霉素发酵罐的实际数据进行仿真实验,模型预测青霉素浓度的相关误差为0.24%,表明提出模型具有较高的拟合度,能够更为精准的预测青霉素浓度并适应实际的复杂工业环境。

基于细胞自动机的青霉素菌体生长可视化模型

为了更好地反映出青霉素发酵过程中菌体生长的复杂系统特征，在对青霉素生长分批发酵过程菌体生长机理研究基础上，建立了基于细胞自动机的青霉素分批发酵过程中菌体生长的可视化模型．模型采用二维彩色图案描述了青霉素菌体的生长演化过程；模型演化规则建立在青霉素生产分批发酵过程菌体生长机理及其动力学微分方程模型基础上，更加符合青霉素分批发酵过程菌体生长演化行为的多样性，随机性和不确定性的特点．仿真结果表明，该模型较好地描述了青霉素分批发酵过程中菌体生长的演化行为．

基于TSNS-RAE的多模态过程故障检测

根据多模态工业生产过程的数据特点,提出基于时空近邻标准化和鲁棒自编码器(TSNS-RAE)的故障检测方法;TSNS处理数据时同时考虑了样本的时间近邻和空间近邻,可以消除数据动态性和多模态特征;相比于普通的自编码器,鲁棒自编码器提升了模型的抗噪性和鲁棒性,具有更好的提取非线性特征的能力;TSNS-RAE模型将原始数据空间分成模型空间和残差空间两部分,选择残差空间的SPE统计量作为监控统计量,通过数值案例和青霉素实验来验证TSNS-RAE的可行性。

青霉素发酵过程中基于PLS-VIP的神经网络逆软测量方法

针对复杂发酵过程逆软测量模型难以建立和估计精度不高的问题,提出一种基于偏最小二乘和变量投影重要性指标的PLS-vIP神经网络逆软测量方法。该方法在"内含传感器"逆软测量模型的基础上,通过计算变量投影重要性指标,确定逆模型中各辅助变量对关键生化量的贡献率,建立了辅助变量少、估计精度高的逆软测量模型。与传统逆软测量方法相比,克服了依赖于数学模型和复杂算法推导的问题。将其应用到青霉素发酵过程中生化量估计中,利用Pensim仿真平台进行实验,仿真实验结果表明,该方法的逆模型比传统逆模型构建简单、估计精度高。

关键核网络及其在发酵过程在线建模中的应用

发酵过程通常采用流加补料操作,无稳态工作点、非线性强,且重要生物量往往无法在线测量。本文提出了一种适用于非线性多输入多输出的发酵过程在线建模方法:关键核网络(key kernelnetwork,KKN)。结合过程的先验知识给出控制模型关键节点加入的准则,使其能自适应调整模型的复杂度,以提高建模的精度和速度,并给出了关键节点增加时KKN模型的在线递推形式。将KKN应用于青霉素发酵过程的在线建模,研究表明,KKN能同时快速、准确地预报菌体和产物浓度,且随着批次的增加,过程信息不断得到积累,模型精度逐渐提高。

基于多动态核聚类的间歇过程在线监控

针对传统的多元统计监测方法不能有效检测工业过程中由于初始条件波动较大所引发的弱故障问题,提出一种基于多动态核聚类的核主元分析(DKCPCA)监控策略,实现多阶段间歇过程的弱故障在线监控。该方法首先针对过程中各阶段每一批次数据结合自回归移动平均时间序列模型(ARMAX)和核主成分分析(KPCA)方法分别建立动态核PCA模型,然后根据各批次模型间载荷的相似性采用分层次聚类方法进行聚类,最后将聚在一起的批次数据进行展开重新再建立动态核PCA模型,随着聚类数目的不同从而建立多个类模型。当在线应用时给出了多模型选择策略,以提高监测精度。将此方法应用于青霉素发酵过程的监控中,监测结果表明此方法取得了比DKPCA和MKPCA更好的监测性能。

基于KMMT-PLS的间歇过程在线监测技术研究

针对间歇过程不同批次原材料属性不同,不同反应阶段过程变量设定值不同的问题,提出基于核矩阵的多方向多阶段全潜结构投影法(Kernel based Multi-way Multi-stage Total Projection to Latent Structure,KMMT-PLS)用于其质量相关故障的在线监测。该方法首先将间歇过程的三维立体数据集平面化处理;然后将原始空间中呈强非线性关系的历史数据映射至高维特征空间,实现非线性问题的线性化;最后在特征空间建立核矩阵与输出的线性T-PLS模型,实现间歇过程质量相关故障的在线监测。基于Pensim V 2.0的青霉素发酵过程仿真实验表明所提方法的有效性。

特征空间递归更新的ICA算法及发酵过程监测应用

及时更新监测模型以适应过程的时变特性,对准确检测出化工过程异常和设备故障具有重要意义。针对普通独立元分析(ICA)算法在更新计算监测模型时计算复杂度高、效率低的缺点,提出了一种基于特征空间递归更新的在线独立元分析(RUFS-ICA)算法。将算法应用于青霉素发酵过程的在线建模与监测中,与普通ICA方法相比,仿真统计结果表明,平均误警率降低至1.67%,基本克服了漏报现象;与其他在线更新算法相比,复杂度明显降低,计算时间减少54.1%,节省了存储量。

IGSA-KPCA邻域建模的多模过程故障检测方法

为提高多模过程故障检测的准确率,提出改进引力搜索算法-核主元分析邻域建模的故障检测方法。首先应用及时学习算法在参考数据集中找到待检数据的相关数据,再将相关数据和待检数据作为核主元分析检测模型的输入进行故障检测。核主元分析模型中的参数对故障检测性能有较大影响,提出改进引力搜索算法对模型中参数进行优化,提高检测性能。将所提方法应用于青霉素多模过程进行实验验证,仿真结果表明所提方法在多模过程故障检测中用时短、准确率高。

基于重要点多模型的不等长间歇过程弱故障检测

为了提高不等长间歇过程弱故障检测性能,同时降低算法的计算复杂度,提出了基于重要点多模型(IP-MDKPCA)的不等长间歇过程监测方法。该方法结合核主元分析(KPCA)和时间序列模型捕捉过程动态性和非线性,分阶段单批次建模并聚类,构建多模型监测过程中的弱故障。采用重要点提取方法,不仅解决了批次数据不等长问题还大大减少了计算复杂度。将提出的方法应用于青霉素发酵过程的监控中,验证了提出方法的有效性。