基于贝叶斯组合神经网络的生物发酵产量在线预报方法
【专利摘要】本发明提供了一种基于贝叶斯组合神经网络的生物发酵产量在线预报方法，步骤为：1.将所有历史批次分为优势批次、中等批次和劣势批次；2.对每一类发酵批次分别建立一个神经网络预报器，其训练数据库由对应类别的历史批次数据库的数据和待预报批次的已知数据组成；3.分别对三个神经网络进行训练；4.根据待预报批次的最新输入向量，计算三个神经网络的输出值；5.发酵过程的产量预报值由三个神经网络的预报输出值加权得到；6.当一个被预报的批次发酵结束后，将根据批次分类算法进行分类，并根据分类结果将其数据更新到对应类别的历史数据库中。本发明可用于发酵过程产量的在线高精度宽区间预报，有提高发酵生产监控和调度水平的应用潜力。
【专利说明】基于贝叶斯组合神经网络的生物发酵产量在线预报方法
【技术领域】
[0001]本发明涉及生物技术和信息科学交叉领域，具体地，是一种基于贝叶斯组合神经网络的生物发酵过程产量在线预报方法。
【背景技术】
[0002]生物发酵是一类重要的工业生产过程，利用微生物的代谢活动过程，经生物转化而大规模地制造各种工业发酵产品，在国民经济中占有重要地位。其具有内在机理复杂、生产周期长、生产波动大等特征，具有高度的非线性和时变特征。发酵产物的产量是工业生产中评估经济效益的重要因素，对产量的在线预报能够实时监控发酵罐批的生产状态，对异常罐批做出早期预警，并可以通过其对发酵批次创利潜力进行估计。在此基础上对发酵车间进行生产优化调度，从而提高工厂的经济效益，因而对发酵产量的高精度、宽区间的在线预报，具有重要的意义。
[0003]经过对现有技术的检索，未发现利用基于发酵过程批次分类及贝叶斯组合神经网络的发酵过程产量预报方法的直接报道，但有相关文献。Lei Cui etal.2012 年发表 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) 一文基于神经网络技术对2-酮基-L-古龙酸的发酵过程进行产量预报。该方法将所有历史批次的发酵数据作为单个神经网络的训练库，并未考虑到各类发酵批次的典型特征，而且对于由于扰动引起的发酵批次产量下降等情况的跟踪预报能力不强。
【发明内容】
[0004]针对现有技术中的缺陷，本发明的目的是提供一种生物发酵产物产量的在线预报方法，可以用于发酵过程产量的在线高精度宽区间的预报，能提高发酵生产的监控和调度水平。
[0005]本发明提供了一种基于贝叶斯组合神经网络的生物发酵产量在线预报方法，该方法具体包括以下步骤:
[0006]步骤一、根据历史发酵批次的产量分布特征，在考虑到发酵过程中的扰动的情况下，采用批次分类算法将历史发酵批次分为优势批次、中等批次和劣势批次三类。
[0007]所述步骤一中的批次分类算法，具体是对所有历史批次进行正态分布统计分析，将待分类批次各个采样点的产量与其60%置信限进行比较，并以此为依据定义了 SUi和SDi两个统计变量。若SUiX),则第i个批次被分类为优势批次；若SDi〈0，则第i个批次被分类为劣势批次；若以上两种情况都不满足，则第i个批次被分类为中等批次。
[0008]步骤二、根据步骤一的批次分类结果，对每一类发酵批次分别建立一个神经网络预报器，对于每一个神经网络，其训练数据库由经过数据预处理的对应类别的历史批次数据库的数据和待预报批次的已知数据组成，数据预处理是指将在线采集的过程变量(如发酵液体积、pH值、通气量等)和离线分析数据(如产物、底物和生物质浓度等)通过移动窗口方法处理成为神经网络训练所需要的输入输出数据对。神经网络的输入变量应尽量选取与输出变量强相关的过程变量及数据；对于产量预报来说，输出变量应选为发酵过程的产量超前预报值。
[0009]步骤三、分别对代表优势批次、中等批次和劣势批次的三个神经网络用对应的训练数据库进行在线训练；
[0010]步骤四、根据待预报批次的最新输入向量，分别计算三个已经训练好的神经网络的预报输出值；
[0011]步骤五、发酵过程的产量预报值由三个神经网络的预报输出值加权得到，各个组合权值则根据该神经网络在被预报批次之前时段的预测精度，采用贝叶斯统计推断方法进行迭代计算得到；
[0012]步骤六、当一个被预报的批次发酵结束后，将根据批次分类算法进行分类，并根据分类结果将其数据更新到对应类别的历史数据库中，即历史数据库的更新。
[0013]与现有技术相比，本发明具有如下的特点:建立的发酵批次分类算法能根据所有历史批次的统计特征进行分类，从而评估其生产状况；对应于优势、中等、劣势三类批次的神经网络同时进行训练并预报，其输出结果通过加权形成最终的产量预报输出；各个神经网络的权值是根据该神经网络在待预报批次之前时段的预测精度，通过统计推断方法迭代计算得到，即预报准确的神经网络的预报输出所占比重随着发酵过程的进行会不断提高，而预报不准确的神经网络的预报输出所占比重不断降低。验证结果表明，该预报器的预报误差在2%到3%之间，预报区间占整个发酵周期的15%左右，每一轮预报的处理时间不超过I分钟。本发明可以利用发酵车间现有的测量和分析数据，无需额外增加仪器仪表投资。在线实施本发明时，要求提供现有测量和分析数据的通信接口，以及用于数据处理、产量预报及预报结果输出的上位机。本发明能用于发酵过程的在线产量预报，可将本方法加载到发酵过程的实时监控调度系统中，用于指导发酵生产车间的在线监控和调度。
【专利附图】
【附图说明】
[0014]通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显:
[0015]图1本发明实施例发酵历史批次的正态统计分析图；
[0016]图2本发明实施例带扰动的优势批次示意图；
[0017]图3本发明实施例带扰动的劣势批次示意图；
[0018]图4本发明批次分类及神经网络训练库生成示意图；
[0019]图5本发明实施例移动窗口生成数据对示意图；
[0020]图6本发明对应三类批次的神经网络输出的加权求和示意图；
[0021]图7本发明实施例140个工业批次的预报偏差分布图。
【具体实施方式】[0022]下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
[0023]以下结合2-酮基-L-古龙酸的工业发酵产量预报的实施例子，对本发明作出详细描述:
[0024]1.发酵批次分类
[0025]如图1所示，是某制药厂90个历史发酵批次的经过归一化后的产量分布图，可以看出尽管这些批次都在相同的操作条件下发酵，但是在发酵后期产量还是有±10%的波动。通过正态统计分析，可以得到在第k个采样时刻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分别代表发酵产量对应于60%置信限的统计均值和标准差，λ为置信系数。Ρπ，σ和λ的取值均由历史批次的正态分布统计结果确定，其中λ与60%置信限相对应，取值0.845。优势批次的分类判据可以是所有采样点都满足P(Tk) ^ Pffl(Tk)+ λ σ (Tk)，但在对整个批次进行分类时，应当考虑到发酵过程中存在的扰动，如图2和图3所示。
[0026]对于第i个批次，定义SUi和SDi两个统计变量:
【权利要求】
1.一种基于贝叶斯组合神经网络的生物发酵产量在线预报方法，其特征在于，包括步骤如下:
步骤一、根据历史发酵批次的产量分布特征，在考虑到发酵过程中的扰动的情况下，采用发酵批次分类算法将历史发酵批次分为优势批次、中等批次和劣势批次三类； 步骤二、对每一类发酵批次，分别建立一个神经网络预报器，其训练数据库由经过数据预处理的对应类别的历史批次数据库的数据和待预报批次的已知数据组成，数据预处理是指将在线采集的过程变量和离线分析数据通过移动窗口方法处理成为神经网络训练所需要的输入输出数据对； 步骤三、分别对代表优势批次、中等批次和劣势批次的三个神经网络用对应的训练数据库进行在线训练； 步骤四、根据待预报批次的最新输入向量，分别计算三个已经训练好的神经网络的预报输出值； 步骤五、发酵过程的产量预报值由三个神经网络的预报输出值加权得到，各个组合权值则根据该神经网络在待预报批次之前时段的预测精度，采用贝叶斯统计推断方法进行迭代计算得到； 步骤六、当一个被预报的批次发酵结束后，将根据发酵批次分类算法进行分类，并根据分类结果将其数据更新到对应类别的历史数据库中。
2.根据权利要求1所述的基于贝叶斯组合神经网络的生物发酵产量在线预报方法，其特征在于，步骤一所述的发酵批次分类算法，具体为: 对所有历史批次的产量数据在各个采样点进行正态分布统计分析，得到在第k个采样时刻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分别代表发酵产量对应于60%置信限的统计均值和标准差，λ为置信系数，与60%置信限相对应；对于第i个批次，定义SUi和SDi两个统计变量:
AT' SUi+λσ{Τ,)}}(I)码卻;,)]丨(2)
k=l 其中Ni为第i个批次的所有采样点个数，则批次分类算法的计算步骤为:若SUiX),则第i个批次被分类为优势批次；若SDZO，则第i个批次被分类为劣势批次；若以上两种情况都不满足，则第i个批次被分类为中等批次。
3.根据权利要求1或2所述的基于贝叶斯组合神经网络的生物发酵产量在线预报方法，其特征在于，步骤五所述发酵过程的产量预报值由三个神经网络的预报输出值加权得到，各个组合权值则根据该神经网络在被预报批次之前时段的预测精度，采用贝叶斯统计推断方法进行迭代计算得到，具体方法为: 发酵过程的产量预报值由三个神经网络的预报输出值加权得到: HTk+Tp) ^ p'r Pr{Tk +TP) r = l,2,3⑶
r 二I 其中，Tp为预报宽度，即超前预报的时间；HTk +τΡ)表示在采样时刻Tk对未来Tp时间之后的产量的超前预报值，是由三个神经网络的预报输出值
【文档编号】G06F19/24GK103678953SQ201310661816
【公开日】2014年3月26日 申请日期:2013年12月9日 优先权日:2013年12月9日
【发明者】袁景淇, 王涛, 潘玉霖, 成宝琨 申请人:上海交通大学