基于LS_SVM建立發(fā)酵過(guò)程動(dòng)態(tài)模型的研究及軟件實(shí)現(xiàn).pdf

1、微生物發(fā)酵涉及到制藥、食品等多個(gè)工業(yè)領(lǐng)域，與經(jīng)濟(jì)發(fā)展和人民生活密切相關(guān)。高成本和高能耗是微生物發(fā)酵生產(chǎn)的特征，為了提高發(fā)酵單位，降低生產(chǎn)成本，實(shí)現(xiàn)對(duì)微生物發(fā)酵過(guò)程的優(yōu)化控制就成為了一個(gè)重要課題。
　　 由于微生物發(fā)酵過(guò)程是一類非常復(fù)雜的生化反應(yīng)過(guò)程，人類尚未完全弄清楚它的機(jī)理。并且現(xiàn)有的在線生物傳感器的測(cè)量精度難以保證，生物參數(shù)主要通過(guò)離線分析得到，這往往存在較大的滯后，無(wú)法及時(shí)反饋控制信息。所以，建立高精度的發(fā)酵過(guò)程產(chǎn)物預(yù)估模

2、型，就成為優(yōu)化控制需要研究的核心內(nèi)容。
　　 本文針對(duì)發(fā)酵過(guò)程時(shí)變性、非線性、不可逆、多變量耦合等特點(diǎn)，通過(guò)對(duì)現(xiàn)有發(fā)酵過(guò)程建模方法的對(duì)比研究，提出了基于動(dòng)態(tài)時(shí)間彎曲距離（DTW）的最小二乘支持向量機(jī)（LS_SVM）在線建立發(fā)酵過(guò)程局部模型的方法。主要有以下幾個(gè)方面的研究成果：
　　 1、基于DTW的在線構(gòu)造相似訓(xùn)練樣本集的方法：該方法首先將當(dāng)前批次滑動(dòng)時(shí)間窗內(nèi)數(shù)據(jù)作為查詢序列，以DTW作為判斷時(shí)間序列相似性的標(biāo)準(zhǔn)，從歷史

3、批次數(shù)據(jù)庫(kù)中搜索與之相似度最高的數(shù)據(jù)區(qū)間，組成在線訓(xùn)練樣本集。
　　 2、模型輸入變量的選取方法以及超參數(shù)敏感度分析：通過(guò)仿真實(shí)驗(yàn)，分析了不同輸入變量以及核函數(shù)對(duì)模型均方誤差（MSE）的影響，選擇了適合發(fā)酵過(guò)程的。RBF核函數(shù)，分析了模型精度對(duì)γ、σ2的敏感程度，確定了最優(yōu)超參數(shù)的取值范圍。
　　 3、基于粒子群交叉驗(yàn)證（PSO-CV）的在線超參數(shù)優(yōu)化方法：通過(guò)對(duì)交叉驗(yàn)證確定模型超參數(shù)方法的分析，提出了以最小化K-CV均

4、方誤差為目標(biāo)的PSO超參數(shù)優(yōu)化算法，在保證模型精度的情況下，兼顧了模型的泛化能力，與網(wǎng)格搜索法相比，有更好的性能。
　　 4、在線建模軟件的開發(fā)：利用VC++6.0開發(fā)了Windows系統(tǒng)下的發(fā)酵過(guò)程在線建模軟件，實(shí)現(xiàn)了通過(guò)OPC方式讀取組態(tài)軟件中新采集到的數(shù)據(jù)，通過(guò)ADO方式讀取數(shù)據(jù)庫(kù)中歷史批次的數(shù)據(jù)，對(duì)實(shí)際發(fā)酵過(guò)程建立基于DTW的LS SVM在線局部模型，同時(shí)繪制模型預(yù)估輸出以及主要可測(cè)變量的動(dòng)態(tài)實(shí)時(shí)曲線，有助于實(shí)現(xiàn)發(fā)酵過(guò)程