专利名称：：生物发酵过程中基于支持向量机的软测量仪表的建模方法
技术领域：
：本发明是一种软测量仪表的优化建模方法，具体是在生物发酵过程中用优化的支持向量机模型估计发酵产物的方法，应用于生物发酵的软测量及软仪表构造的
技术领域：
。
背景技术：
：现代微生物发酵工业中，一些关键性的过程状态变量，如生物量浓度等缺乏在线直接测量手段。生物量浓度是反应发酵过程进程的主要指标。由于没有合适的在线传感器去测量生物量浓度，所以通过软测量对生物量浓度在线测量的研究是十分迫切和必要的，这也是提高发酵生产效率，提高产品质量的一个有效途径。软测量技术的核心是建立软测量仪表的模型，目前软测量仪表建模的方法主要有基于发酵机理过程的建模方法，基于自适应观测器的建模方法，基于卡尔曼滤波的建模方法,基于人工神经网络的建模方法和基于支持向量机的建模方法。经研究发现，与神经网络等学习算法相比，支持向量机建模的方法具有泛化能力强、小样本学习的特点，能有效避免过拟合和局部最小化以及"维数灾难"等问题。支持向量机建模方法的优点很大程度上取决于输入到支持向量机软测量仪表的变量选取和支持向量机自身参数的设定，目前使用的基于支持向量机的建模方法普遍存在模型确定困难的问题。
发明内容本发明提供一种生物发酵过程中基于支持向量机软测量仪表的建模方法，给出了生物发酵过程中支持向量机模型输入量的选择和支持向量机参数的设定同时进行的模型优化方法，克服了支持向量机在生物发酵过程应用中存在的模型确定困难的问题，为支持向量机在生物发酵软测量中建立模型提供了可靠的基础。本发明是通过以下技术方案实现的，包括两个部分第一，生物发酵过程的支持向量机建模基于支持向量机的软测量仪表所建模型属于黑箱模型，输入变量和输出变量之间的映射关系由支持向量机来完成，生物发酵过程中的在线可测变量X、发酵对象的控制输入量U作为软测量仪表的输入变量，被估计的发酵产物量作为软测量仪表的输出变量。用/^)=|>,(;^)+6来实现软测量仪表的输入变量和输出变量之间的非线性关系。4第二，基于遗传模拟退火算法和赤池信息准则的最优模型确定用支持向量机对生物发酵过程进行软测量建模时，需要注意两个方面的问题1)发酵过程中存在众多的状态变量和控制发酵对象的输入量，即选择合适的变量作为支持向量机的输入变量；2)支持向量机软测量建模中有两类参数，即正规化参数和核参数。用赤池信息准则表现输入到支持向量机软测量仪表的变量个数和支持向量机模型的估计精度(支持向量机参数的设定)的组合，并通过遗传模拟退火算法搜索输入到支持向量机软测量仪表的变量个数和支持向量机模型的估计误差(支持向量机参数的设定)的最优组合。本发明用赤池信息准则量化输入到支持向量机软测量仪表的变量个数和支持向量机模型的估计误差的组合具体实现如下其中，w为估计样本的个数，；为输入到支持向量机模型的变量的个数，S&为估计样本的均方误差，即ss^丄.t(i;-《)2。根据赤池信息准则，最小的J/C值代表着最优模型，即代表着支持向量机软测量仪表的输入变量和支持向量机参数的最优组合。本发明通过遗传模拟退火算法搜索输入到支持向量机软测量仪表的变量个数和支持向量机模型的估计误差的最优组合具体实现步骤如下1)、对生物发酵过程对象，根据工艺分析和操作分析，选择控制输入变量和在线可测变量作为模型的输入，离线测量的发酵数据作为模型的输出；2)、对输入的样本数据进行预处理，即将所有的输入变量的范围限制在-l到l之间。转换形式为JT一JTZ，=-l+幽'2;JT一Ymax"min3)、确定在遗传模拟退火算法中参数取值和变量选取的编码方式，个体的位串长度，染色体采用二进制编码，分成三个部分，第一部分表示正规化参数，第二部分表示核参数，第三部分表示输入变量的选取，都是一定长度的0/1串表示的，在第一部分和第二部分中，0/1串就是二进制的数值，在第三部分中，O表示某变量未被选中，l表示某变量被选中；4)、设定种群规模m，随机产生初始种群；5)、设定基于赤池信息准则的模型优化目标函数，将其转换为适应度，转换形式为，适应度-^/C，并认为适应度高的个体所代表的模型较优，通过个体所代表的参数选取方式决定输入到支持向量机软测量仪表的变量，支持向量机根据个体所代表的正规化参数和核参数对输入的部分样本数据进行训练并对部分样本数据进行预测，将预测误差S&连同个体染色体第三部分取1的基因个数计算个体适应度。6)、选定遗传操作，并在变异和选择算子之间加入模拟退火算子，交叉概率设为Pc，变异概率设为P:n，个体/被选择的概率P表示为，其中，m为种群的大小，力为个体/的适应度，刀为个体7'的适应度；7)、依据适应度在遗传空间进行选择操作；8)、依据选定的交叉、变异、和模拟退火算子进行相应的操作，得到新一代种群；9)、判断终止条件是否满足，若是结束寻优，得到对输入到支持向量机软测量仪表变量选择和支持向量机所需的正规化参数和核参数的数值，若不是，返回步骤6)，继续迭代寻优。根据以上所得到的最优支持向量机模型既定为该生物发酵对象的软测量仪表。本发明为生物发酵过程中的在线难以测量的变量提供最优支持向量机软测量仪表模型，克服了传统离线测量方法时间滞后所造成的控制不及时的现象，引入遗传模拟退火算法结合赤池信息准则的最优模型搜索方法，克服了利用支持向量机在生物发酵过程的应用中存在的模型确定的困难，为支持向量机在生物发酵软测量中建立模型提供了可靠的基础。本发明的有益效果主要表现在1、在线测量；2、参数自动优化；3、输入变量自动选择；4、样本需求量小；5、精度高。图1为生物发酵中基于支持向量机的软测量仪表优化建模方法的基本结构示意图。图2为优化支持向量机软测量仪表模型的流程图。图3为基于本发明的软测量仪表现场操作示意图。图4为基于本发明的软测量仪表估计G0129批发酵过程的产物浓度的实验结果。具体实施例方式如图所示，图1为生物发酵过程中的基于支持向量机软测量仪表优化建模方法的示意图，该图表示了生物发酵过程中支持向量机软测量仪表优化建模的框架和基本组成。图2为优化支持向量机软测量建模的流程图，该图描述了优化过程中的各个细节问题。方法的实施步骤如下步骤l:针对生物发酵罐中的微生物发酵过程收集历史发酵数据，并将数据分为训练样本和预测样本。步骤2:对所有的历史发酵数据进行数据归一化预处理操作,将所有变量值限制在[-l，l]区间内，即％'=-1+X—4.2。步骤3:随机生成遗传模拟退火算法的初始群体。步骤4:根据群体中每个个体的染色体所表征的变量选择方式对训练样本和预测样本的数据进行输入变量的选择。步骤5:根据群体中个体的染色体所表征的规则化参数和核参数的数值设定给支持向量机。步骤6:导入训练样本，进行支持向量机训练的过程，得到支持向量、a和6值。步骤7:导入预测样本，根据步骤6所得到的支持向量、a和6值连同训练样本一起进行支持向量机预测，对比预测样本中的离线测量的变量值得到预测均方误差。步骤8:根据步骤7所得的预测误差和输入变量个数计算所对应的4/C值，并计算每个个体的适应度，计算方式如下-适应度=-Z/C--w,ln^"-2.(;7+l)。步骤9:进行遗传模拟退火算法的生成新代群体的操作。步骤10:判断是否满足迭代的终止条件，如果满足则取最优个体所代表的输入变量选择方式和支持向量机的规则化参数和核参数为最优模型，如果不是，跳至步骤4继续迭代寻优。步骤11:导入工业现场测量的可测变量数据X和控制发酵对象的输入量的数据U，根据最优模型的要求选择以上变量，然后再对选中的变量进行归一化预处理。步骤12:将以上处理完毕的数据用最优支持向量机模型估计发酵过程中的发酵产物量。以下提供具体实例，对本发明技术方案做进一步了解。红霉素是医学中重要的药物之一，其生产发酵过程中的产物浓度无法用常规传感器去测量。将基于本发明的软测量方法应用于红霉素发酵过程中估计其产物浓度。图3为基于本发明的现场操作示意图。将关于红霉素发酵的历史数据输入到基于DSP的软仪表系统中，软测量仪表的输入数据包括过程状态变量中的溶解氧、pH值、温度、相对气压和转速，控制发酵对象输入量中的空气流量、糊精流量、豆油流量、丙醇流量和水流量。需要估计的变量是产物浓度。历史数据被储存在一个FlashRAM中，然后将历史数据输入DSP中经过遗传模拟退火算法结合赤池信息准则所确定的支持向量机最优模型，输入支持向量机的变量为，溶解氧、pH值、转速和水流量，支持向量机的规则化参数C=236.57，核参数0=1.94。在线测量的发酵罐中的状态变量和控制发酵过程的输入量通过串口输入软仪表系统中。一方面，这些变量用于预测当前发酵产物浓度；另一方面，将所测得数据输入到FlashRAM中，为训练过程数据补充新的数据。根据所确定的最优模型选出四个输入变量作为支持向量机的输入量，通过支持向量机软测量仪表估计此刻产物浓度。表1为基于支持向量机的优化模型方法的软测量仪表对8次红霉素发酵过程中的产物浓度的估计结果，并釆用最大相对误差(MRE)、最大绝对误差(MAE)和均方误差(MSE)三个预测性能的评价指标评价该软测量仪表的估计精度。图4为基于本发明的软测量仪表估计G0129批发酵过程的产物浓度的实验结果。表1基于支持向量机的优化模型方法的软测量仪表测量红霉素发酵过程中产物浓度的实验结果<table>tableseeoriginaldocumentpage8</column></row><table>权利要求1.一种生物发酵过程中基于支持向量机的软测量仪表的建模方法，其特征在于，包括两个部分第一，生物发酵过程的支持向量机建模将生物发酵过程中的在线可测变量X、发酵对象的控制输入量U作为软测量仪表的输入变量，被估计的发酵产物量作为软测量仪表的输出变量，用<mathsid="math0001"num="0001"><math><![CDATA[<mrow><mi>f</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>nv</mi></munderover><msub><mi>a</mi><mi>i</mi></msub><mi>K</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><msub><mi>x</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>+</mo><mi>b</mi></mrow>]]></math>id="icf0001"file="A2009101843110002C1.tif"wi="40"he="9"top="63"left="137"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>来实现软测量仪表的输入变量和输出变量之间的非线性关系。第二，基于遗传模拟退火算法和赤池信息准则的最优模型确定选择发酵过程中合适的的状态变量和控制发酵对象的输入量作为支持向量机的输入变量，选择支持向量机软测量建模中正规化参数和核参数；用赤池信息准则表现输入到支持向量机软测量仪表的变量个数和支持向量机模型的估计精度的组合，并通过遗传模拟退火算法搜索输入到支持向量机软测量仪表的变量个数和支持向量机模型的估计误差的最优组合。2.根据权利要求1所述的生物发酵过程中基于支持向量机的软测量仪表的建模方法，其特征是，所述用赤池信息准则表现输入到支持向量机软测量仪表的变量个数和支持向量机模型的估计精度的组合具体实现如下-<formula>formulaseeoriginaldocumentpage2</formula>其中，w为估计样本的个数，p为输入到支持向量机模型的变量的个数，S&为估计样本的均方误差，即SS,i.t(K-"')2;最小的x/c值代表支持向量机软测量仪表的输入变量和支持向量机参数的最优组合。3.根据权利要求1所述的生物发酵过程中基于支持向量机的软测量仪表的建模方法，其特征是，通过遗传模拟退火算法搜索输入到支持向量机软测量仪表的变量个数和支持向量机模型的估计误差的最优组合具体实现步骤如下1)选择生物发酵过程对象控制输入变量和在线可测变量作为模型的输入，离线测量的发酵数据作为模型的输出；2)将所有的输入变量的范围限制在-l到l之间，转换形式为<formula>formulaseeoriginaldocumentpage2</formula>3)确定在遗传模拟退火算法中参数取值和变量选取的编码方式，个体的位串长度，染色体采用二进制编码，第一部分表示正规化参数，第二部分表示核参数，0/1串就是二进制的数值，第三部分表示输入变量的选取，O表示某变量未被选中，l表示某变量被选中；4)设定种群规模m，随机产生初始种群；5)设定基于赤池信息准则的模型优化目标函数，将其转换为适应度，转换形式为，适应度高的个体代表较优模型，根据个体所代表的正规化参数和核参数对输入的部分样本数据进行训练并对部分样本数据进行预测，将预测误差S&连同个体染色体第三部分取1的基因个数计算个体适应度；6)选定遗传操作，并在变异和选择算子之间加入模拟退火算子，交叉概率设为Pc，变异概率设为Pm，个体/被选择的概率P表示为，其中，w为种群的大小，/为个体/的适应度，力为个体/的适应度；7)依据适应度在遗传空间进行选择操作；8)依据选定的交叉、变异和模拟退火算子得到新一代种群；9)判断终止条件是否满足，若是结束寻优，得到对输入到支持向量机软测量仪表变量选择和支持向量机所需的正规化参数和核参数的数值，若不是，返回步骤6),继续迭适应度--AIC代寻优。全文摘要本发明公开了一种生物发酵过程中基于支持向量机的软测量仪表的建模方法，在生物发酵过程中用优化的支持向量机模型估计发酵产物，包括生物发酵过程的支持向量机建模和基于遗传模拟退火算法和赤池信息准则的最优模型确定两个部分为生物发酵过程中的在线难以测量的变量提供最优支持向量机软测量仪表模型，克服了传统离线测量方法时间滞后所造成的控制不及时的现象，为支持向量机在生物发酵软测量中建立模型提供了可靠的基础，具有在线测量、参数自动优化、输入变量自动选择、样本需求量小和精度高的优点。文档编号G06N3/00GK101639902SQ20091018431公开日2010年2月3日申请日期2009年8月12日优先权日2009年8月12日发明者刘国海,周大为,徐海霞,梅从立,玉陈申请人:江苏大学