秸秆发酵生产乙醇过程关键参量的软测量方法与流程

本发明是一种用于解决秸秆发酵生产乙醇过程中难以用物理传感器在线实时测量的乙醇浓度、总糖浓度、菌体浓度这三个关键生化变量的在线估计问题，属于软测量及软仪表构造的
技术领域：
。
背景技术：
：在许多工业控制场合，存在一大类这样的变量：它们与产品质量密切相关，需要严格控制，但由于技术或者经济的原因，目前尚难以或者无法通过物理传感器直接进行检测。典型的例子有精馏塔的产物组分浓度、化学反应器的反应物浓度和产品分布，以及生物发酵罐中生化变量等等。为了解决这类变量的测量问题，软测量技术应运而生。所谓软测量就是根据某种准则，选择一组既与被估计变量(即被测量或主导变量)有密切联系又容易测量的直接可测变量(即辅助变量)，通过构造一定的函数关系，用计算机软件实现对被测量的估计。目前采用的软测量方法，多数基于线性系统理论，对于化工、生化过程这样的非线性特性严重的复杂过程，这种方法只能在很小的工作区域内有效，不能解决整个工作区域的被测变量的软测量问题。最小二乘支持向量机(ls-svm)建模方法采用结构风险最小化原则和核技术，由于其适用于有限样本、非线性问题，所以其在软测量领域的应用所形成的基于最小二乘支持向量机的软测量方法，为生化、化工过程的关键生化变量的软测量问题的解决，提供了强有力的手段。实践表明，ls-svm模型过程中径向基宽度和惩罚系数对建模性能影响很大。简单的试验定参法费时。差分进化(de)算法拥有全局搜索能力强、控制参数少、易于使用，是优化ls-svm模型参数的一种合适的方法。在处理秸秆发酵过程中，随着发酵过程的进行，发酵参数随之改变，单一回归模型不再适应新的工况。因此，必须寻求新的方法，该方法可以根据发酵不同的阶段对软测量模型进行校正。因此本发明利用核模糊c均值聚类算法将采集的发酵样本数据进行分类，与de-lssvm相结合，建立一种多模型(kfcm-de-lssvm)秸秆发酵软测量模型，并设计与之配套的软仪表构造。技术实现要素：技术问题：本发明的目的是提供一种秸秆发酵生产乙醇过程关键参量的软测量方法。即一种秸秆发酵过程非常重要但是难以用物理传感器在线实时测量或者实时测量代价非常高的生化变量(如菌体浓度、总糖浓度和乙醇浓度)的在线估计方法及相应的软仪表的构造方法。技术方案：本发明的一种秸秆发酵生产乙醇过程关键参量的软测量方法具体步骤如下:步骤一，辅助变量选择：选取能直接测量且与过程密切相关的外部变量，用一致相关度法分析外部变量与关键状态变量的关联度,取关联度rij≥0.7的外部变量作为软测量模型的辅助变量；步骤二，建立训练数据库：采集相同工艺下若干历史罐批次的辅助变量和关键状态变量数据，构造输入输出向量对的集合，生成静态训练样本数据库；其中输入向量是辅助变量，输出向量即关键状态变量；步骤三，采用步骤二得到训练样本，利用核模糊c均值聚类进行聚类划分选取聚类数k＝3,计算每个样本在核空间中的隶属度；步骤四，对每个聚类的样本运用基于差分进化的最小二乘支持向量机de-lssvm进行建模，得到秸秆发酵关键参量软测量子模型通过隶属度矩阵更新公式u：得到每个子模型的隶属度uij，最终结合隶属度和子模型得到多模型秸秆发酵软测量模型其中，x是输入变量，ai是拉格朗日乘子，k(x,xi)是正定核函数，b为阈值，i表示第i个数据，uij为数据xi对第j个聚类中心的隶属度值，vj为聚类中心，m为加权数,k为聚类个数，k(xi,vj)是高斯核函数；步骤五，关键状态变量预测：利用已训练好的软测量模型，根据当前待预测罐批的最新输入向量，软测量模型建立完毕后,采用嵌入式c语言编程实现，并嵌入到智能控制器中，当待预测罐批的输入向量，经测量仪表读入智能控制器后，智能控制器利用软测量程序计算得到关键状态变量的预测值，并将预测结果经数据通道传送到上位计算机上显示。其中：所述与过程密切相关的外部变量为发酵罐温度t、发酵罐压力p、电机搅拌转速r、发酵液体积v、空气流量q、co2释放率u、葡萄糖流加速率ρ、氨水流加速率η、溶解氧do、发酵液酸碱度ph，关键状态变量为乙醇浓度x、总糖含量p和菌体浓度s。所述分析外部变量与关键状态变量的关联度，具体为：发酵罐温度关联度＝0.927，发酵罐压力关联度＝0.348，电机搅拌转速关联度＝0.143，发酵液体积关联度＝0.8475，空气流量关联度＝0.563，co2释放率关联度＝0.946，葡萄糖流加速率关联度＝0.725，溶解氧关联度＝0.296，发酵液酸碱度关联度＝0.787。步骤五中所述的输入向量是发酵液体积v、空气流量q、co2释放率u、溶解氧和发酵液酸碱度ph；输出向量为乙醇浓度x、总糖含量p和菌体浓度s。利用核模糊c均值聚类进行聚类划分,计算每个样本在核空间中的隶属度按以下步骤进行：设秸秆发酵采集样本集：x＝{x1,x2,…,xn}，创建k个聚类，对于数据中与样本集x相似的为一组；不相似的尽可能不在一组，通过求目标函数的最小值j来对数据进行分类，约束于：其中k为聚类个数，xi为第i个输入数据，vj为聚类中心，uij为数据xi对第j个聚类中心的隶属度值，m为加权数，u为隶属度矩阵更新公式，v为聚类中心计算公式。步骤四所述的根据每个子模型的隶属度得到最终的多模型软测量模型，根据以下过程实现:由所述的目标函数，得到数据样本的分类，进行de-lssvm数据建模：1)对原始样本进行归一化处理：将归一后的样本[x′1,y′1],…,[x′n,y′n]分为n个训练样本和m个测试样本，2)初始化de算法参数：令当前代数g＝0，根据惩罚系数c和径向基宽度σ的上、下限产生一组随机的[c1,σ1]；3)将n个训练样本[x′1,…,x′n]作为ls-svm的输入，当前[c,σ]作为参数，训练ls-svm得到对应输出[y″1,…,y″n]；4)训练后的输出[y″1,…,y″n]与实际输出[y′1,…,y′n]的误差平方与结果作为de算法的目标函数，判断误差是否满足要求或者g是否等于gmax；若满足其中一项，则转到步骤7)，否则进入5)；5)g＝g+1；6)对[c,σ]进行变异、交叉、选择操作，产生新的[c,σ]，返回步骤3)；7)得到最优的惩罚系数c和径向基宽度σ作为lssvm的参数进行软测量建模；得到每一类的输出为：式中uij代表第i个样本对应的第j类模糊隶属度，fi(x)表示第i个子模型。有益效果：本发明利用计算机系统和常规的检测仪表提供的在线过程数据，仅仅通过少量的人工采样，实现了秸秆发酵过程的关键状态变量的基于多模型的软测量建模。解决了发酵过程中没有状态变量在线检测仪表难以在线检测的难题。与人工取样化验相比，减少了现场操作人员的工作量，降低了发酵过程中人为操作引入的测量的不确定性，提高了测量的时效性，减少了离线取样带来的数据滞后的问题。本发明将核模糊c均值聚类与使用差分进化的最小二乘支持向量机进行结合，与传统的支持向量机软测量方法相比本发明中软测量方法中克服了支持向量机对参数选择和秸秆发酵最适参数随发酵时间改变而变化的问题。另外，本发明全面考虑了影响秸秆发酵过程关键状态变量的因素，大量采用现有的常规检测信号来实现关键状态变量的在线预测,应用简单、容易、成本较低，软测量结果也较精确。该方法有助于实于秸秆发酵过程的优化控制和优化运行。附图说明图1基于多模型的秸秆发酵关键变量软测量模型建立流程图；图2a、图2b、图2c是关键状态变量预测值与真实值的对比图；其中，图2a是乙醇浓度软测量值与真实值对比，图2b是总糖浓度软测量值与真实值对比，图2c是菌体浓度软测量值与真实值对比，图3a、图3b、图3c是关键状态变量预测相对误差曲线图。其中，图3a是乙醇含量软测量误差曲线，图3b是总糖含量软测量误差曲线，图3c是菌体浓度软测量误差曲线。具体实施方式该系统包括生物发酵罐、蒸汽发生器、空气压缩机、空气过滤器、供水系统、智能控制器和上位计算机，生物发酵罐的输入端通过管道与蒸汽发生器、空气过滤器和供水系统相接,空气压缩机与空气过滤器、供水系统相接,生物发酵罐上装置的溶氧电极、压差传感器、co2气敏电极、空气流量传感器和ph电极用于采集秸秆发酵过程数据并传送给智能控制器，智能控制器用于根据发酵过程数据建立训练数据库、根据隶属度进行数据划分、建立软测量模型，并利用已训练好的多软测量模型依据当前待预测罐批的最新输入向量，获得关健状态变量的预测值，最后将预测结果经数据通道传送到上位计算机显示。以下结合秸秆发酵过程关键状态变量预测的实施例子和图1所示的实施流程图,对本发明实施例子作出详细描述:发酵罐温度—t、机搅拌转速—r、发酵液体积—v空气流量—q、co2释放率—u、葡萄糖流加速率—ρ、氨水流加速率—η、溶解氧do、发酵液酸碱度—ph。机械搅拌发酵罐规格为公称容积50l，罐体φ400x750cm，装料系数镇70％；设计压力能力0.35mpa，可承受0.11mpa的负压，蒸汽发生器电热功率为11kw，产汽量12kg/h，空气过滤器采用高效空气除菌过滤器，2级过滤效率99.99％。以智能控制器(单片机)实现基础控制回路的自动控制，并根据模型需要滤波、计算得到发酵液体积v、空气流量q、co2释放率u、溶解氧do和发酵液酸碱度ph。读取上述的过程数据,在监控计算机中以微软公司的visualc++软件实现监控人机界面。软测量模型是用c语言编程实现，数据存储db模块中，在监测系统提供模型数据的修改接口，用于离线分析更改模型参数。软测量软件在智能控制器上运行，有效的保证了模型输出的时效性，方便了系统的过程监控。发酵过程中罐温控制在36℃±1℃，搅拌机转速控制在120～180r/min，通气量为0.2l/min，ph控制在6.0±0.2，发酵罐压控制在0.2mpa±0.01mpa。发酵液经离心分离器14分离后离线检测得到乙醇浓度、总糖浓度和菌体浓度。一致相关度分析对于得到的外部变量数据(发酵罐温度t、发酵罐压力p、电机搅拌转速r、发酵液体积v、空气流量q、co2释放率u、葡萄糖流加速率ρ、氨水流加速率η、溶解氧do、发酵液酸碱度ph)用一致相关度法分析其与关键状态变量(乙醇浓度x、总糖浓度s和菌体浓度p)的关联度,取关联度较大的外部变量作为软测量模型的辅助变量。以发酵罐温度t,菌体浓度x为例,具体算法如下:其中vij(k)为变化率相关系统，rij为关联度,β为数据变化率对关联度的影响，ξij为变量相关系数。对于发酵罐温度t和乙醇浓度x，设有m1个趋势相同的点m2个趋势无关联的点m3个趋势相反的点代入上式可得:其中pij，zij，nij。分别表示正关联度、零关联度和负关联度。当|pij|≥|nij|时,发酵罐温度t和乙醇浓度x以正相关为主，它们的变化趋势相似，相关程度由rij,pij两因素的大小来决定。当rij＝zij＝0时，发酵罐温度t和乙醇浓度无关；|pij|≤|nij|发酵罐温度t和乙醇浓度相关为主,即它们的变化趋势相反,相关程度由由rij，pij两因素大小决定。外部变量与乙醇浓度x的关联度计算结果如表1所示表1外部变量的关联度计算值外部变量关联度发酵罐温度t0.927发酵罐压力p0.348电机搅拌转速r0.143发酵液体积v0.875空气流量q0.563co2释放率u0.946葡萄糖流加速率ρ0.725溶解氧do0.296发酵液酸碱度ph0.787由上计算结果可知,通过相关性分析和发酵过程经验设定关联度值rij≥0.7的条件下,可测外部变量--发酵罐温度t、发酵液体积v、co2释放率u、葡萄糖流加速率ρ、发酵液酸碱度ph与秸秆发酵过程中的乙醇浓度x最为相关,选择上述五个变量作为软测量模型的辅助变量。2.建立训练样本数据库:秸秆发酵过程按照如下的结构组成样本,并收集相同工艺下若干历史罐批次训练样本数据。样本表达为{xi,yi},其中xi为样本的输入，即选取的辅助向量—发酵罐温度t、发酵液体积v、co2释放率u、葡萄糖流加速率ρ、发酵液酸碱度ph。样本的输出为待预测的主导变量—乙醇浓度x、总糖含量s、菌体浓度p。训练样本采集记录结构如表2，时间为发酵过程中采样周期,为减少主导变量离线化验误差,根据同一样本主导变量采用三次化验结果进行样本取舍,最后取平均值：表2样本数据结构考虑到样本数据应该具有代表性,并且尽可能覆盖范围较宽,至少应该包括发酵过程正常工作范围,通过手动调控发酵罐压力、发酵罐温度和电机搅拌转速,在生产工艺允许的范围内尽可能改变发酵过程的工作点,每次操作条件改变系统平稳后取样化验。3.数据样本进行聚类划分将从步骤二中得到的数据运用核模糊c均值聚类进行分类，并计算各自的隶属度。具体步骤如下：设秸秆发酵采集样本集：x＝{x1,x2,…,xn}，创建聚类个数k，对于数据中与样本集x相似的为一组；不相似的尽可能不在一组。通过求目标函数的最小值j来对数据进行分类。约束于：其中k为聚类个数，vj为聚类中心，uij为数据xi对第j个聚类中心的隶属度值，m为加权数。引入非线性映射φ：x→φ(x)，特征空间的样本距离定义为:||φ(xi)-φ(xj)||2＝k(xi,xj)+k(vj,vj)-2k(xi,vj)(5)其中k为核函数。本发明使用一种条件正定核：k(x,y)＝-(||x-y||2+b2)1/2，b∈r(6)令b＝1,将正定核代入式(3)，可以得到新的目标函数为：构造拉格朗日函数，分别对v，u求偏导，得到的聚类中心vj和隶属度矩阵u的更新公式如下：4.建立软测量模型用步骤三得到的经过模糊聚类划分的数据建立de-lssvm软测量模型。本发明是用lssvm建立秸秆发酵软测量模型，再利用差分进化算法对ls-svm中的惩罚参数c和径向基宽度σ进行优化。在给定一组样本集{(xi,yi)|i＝1，2，3....l}，xi∈rn为n维样本输入，yi∈r为样本输出。通过对样本数据逼近，函数拟合问题可以描述为最优化问题:式中，c为惩罚系数，e为允许误差。构造拉格朗日函数，并对其中各变量求偏导并整理得到线性方程组：式中:q＝[1,…,1]t，a＝[a1,a2,…,al]t，y＝[y1,y2,…,yl]t，k为核函数矩阵。根据mercer条件可以得核函数为：用最小二乘法求得式(9)中的a和b，综上可以得到最小二乘支持向量机的输出为：本文采用径向基函数(rbf)作为核函数：其中σ为径向基宽度。差分进化算法的流程从随机产生初始种群开始，np表示种群大小，i为种群数，g为当前代数。(1)在变异操作中，对随机产生初始种群按式(13)进行变异操作得到新个体其中f为缩放因子。h1,h2,h3∈(1,2,…,np)是互不相同且与i不同的随机数。(2)在交叉操作中，对和按照式(14)进行交叉操作生成实验个体其中，cr为范围在[0,1]之间的交叉算子，rand(j)为[0,1]之间的随机数。(3)在选择操作中，对于最小化问题，选择目标函数值低的个体作为新种群的个体，即如式(15)。其中，f(·)为目标函数。该软测量模型根据以下过程进行推导：(1)对原始样本进行归一化处理。将归一后的样本[x′1,y′1],…,[x′n,y′n]分为n个训练样本和m个测试样本。(2)初始化种群np、变异算子f、进化最大迭代次数gmax、交叉率cr、终止阈值、惩罚系数c和径向基宽度σ的上、下值。令g＝0，根据c和σ的上、下限产生一组随机的[c1,σ1]。(3)将n个训练样本[x′1,…,x′n]作为ls-svm的输入，当前[c,σ]作为参数，训练ls-svm得到对应输出[y″1,…,y″n]。(4)训练后的输出[y″1,…,y″n]与实际输出[y′1,…,y′n]的误差平方与结果作为de算法的目标函数，判断误差是否满足要求或者g是否等于gmax。若满足其中一项，则转到步骤(7)，否则进入(5)。(5)g＝g+1。(6)对[c,σ]进行变异、交叉、选择操作。产生新的[c,σ]，返回步骤(3)。(7)得到最优的惩罚系数c和径向基宽度σ作为lssvm的参数进行软测量建模。多模型de-lssvm软测量建模思想在于：利用核模糊c均值聚类算法的有效分类，将样本数据集x分成{xi|i＝1,2,…,k}，k个聚类。对每一个xi分别采用de-lssvm进行训练，得到每一类的输出为：式中xi,为样本的输入,即选取的输入向量发酵罐温度t、发酵液体积v、co2释放率u、葡萄糖流加速率ρ、发酵液酸碱度ph；f(x)为待预测的主导变量—菌丝浓度x、基质深度s、产物浓度p；对得到的m个输出函数，采用模糊隶属度来综合最后的结果：式中uik代表第k个样本对应的第i类模糊隶属度，fi(x)表示第i个子模型。5.预测关键状态变量软测量模型建立完毕后,采用嵌入式c语言编程实现，并嵌入到智能控制器15里，当待预测罐批的输入向量xi+1，经测量仪表读入智能控制器15后，智能控制器15利用软测量程序计算得到关键状态变量的预测值，并将预测结果经数据通道传送到上位计算机上显示。本发明即基于多模型的秸秆发酵软测量模型过程正常运行期间，能够根据发酵过程的最新输入向量预测关键状态变量。图2给出了关键状态变量(菌丝浓度、总糖浓度、产物浓度)预测值对真实化验值的跟踪效果。图3给出了预测相对误差曲线，从图中可以看出,乙醇浓度x的最大相对误差为2.23％,总糖浓度p的最大相对误差为3.13％,菌体浓度s的最大相对误差为1.24％，且其变化趋势很好地逼近了真实情况。这表明本发明所提的模糊支持向量机建模方法是有效的、可靠的，能提高秸秆发酵过程中关键状态变量(菌丝浓度、总糖浓度、产物浓度)的软测量精度，比较满意地达到了预期的目标，解决了关键状态变量在线软测量的精度不高的问题,为实施优化控制打下了坚实的基础。当前第1页12