诺西肽发酵过程中的分阶段软测量建模

诺西肽发酵过程中关键生化参数难以在线测量,给控制与优化带来困难.针对这一问题,利用软测量技术来实现关键生化参数的在线估计,并提出了一种分阶段软测量建模方法.首先以分阶段的诺西肽发酵过程非结构模型为基础,根据隐函数存在定理进行辅助变量的合理选择;然后利用模糊c均值聚类算法将建模数据按其所属阶段的不同进行分类,并利用神经网...     

基于径向基函数神经网络的橡胶配方性能预测

介绍径向基函数(RBF)神经网络的结构和常用算法。以SBR胶料配方为例,利用RBF神经网络拟合配合剂用量与胶料性能间的非线性关系,以15组样本数据为训练样本进行网络训练,对15组训练样本和1组非训练样本的预测值与实测值进行比较。结果表明,误差在容许范围之内,说明RBF神经网络算法适用于橡胶配方性能预测。     

发酵过程酵母浓度的软测量

针时发酵过程酵母浓度的测量,提出一种基于支持向量机的软测量建模方法。仿真证明,该方法比典型的RBF神经网络软测量有着明显的优势,时于实现发酵过程自动控制和优化运行有着重大的意义。     

基于互补神经网络级联模型的聚丙烯MFR预报

提出了一种基于集成数据处理的,由高斯基-自适应复合基函数构成的互补径向基函数(RBF)神经网络系统和隐马尔科夫模型(HMM)的聚丙烯熔体流动速率(MFR)预报方法。首先构造HES-KDE-TVW集成数据处理方法,挖掘建模数据规律;然后构造自适应复合基函数,搭建互补的RBF神经网络预报模型;最后引入HMM对聚丙烯生产过程中的随机误差进行估计。经过工厂实际数据检验,模型在精度、泛化性及可靠性方面具有较好的综合性能。此种建模方法能为聚丙烯生产过程中牌号切换和质量控制提供一种备选的指导方案。     

发酵动力学建模的新方法

提出一种基于径向基函数网络(RBFN)和偏最小二乘回归(PLSR)技术的发酵动力学建模新方法.通过对谷氨酸发酵过程中菌体生长模型为例进行研究,研究结果证明了该方法的有效性.     

基于正则化的函数连接神经网络研究及其复杂化工过程建模应用

在化工过程的建模中，由于过程数据的高维度和高非线性，导致计算量大幅提升和建模难度加大。为了解决这一问题，提出了一种基于正则化方法的函数连接神经网络模型（regularization based functional link neural network, RFLNN）。所提出的RFLNN方法里，通过使用正则化的方法对函数连接神经网络的权值进行优化，一方面大幅降低网络计算复杂度和计算量，另一方面极大程度上克服网络局部极值和过拟合的问题，以提高函数连接神经网络的学习速度和精度。为了验证所提出方法的有效性，首先采用UCI数据中Real estate valuation数据对其性能进行测试；随后将所提的方法应用于高密度聚乙烯（high density polyethylene，HDPE）复杂生产过程进行建模。UCI标准数据与工业数据的仿真结果表明，与传统FLNN对比，RFLNN在处理高维复杂化工过程数据时具有收敛速度快、建模精度高等特点。     

基于迭代启发式动态规划的锅炉燃烧系统的优化控制

对锅炉燃烧系统进行径向基函数(RBF)神经网络建模,利用基于RBF神经网络的迭代启发式动态规划(HDP)算法对锅炉燃烧系统进行优化控制,并对神经网络初始权值和效用函数进行改进后与传统的HDP算法进行比较分析.     

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。     

青霉素发酵过程中的混合建模

由于微生物发酵过程机理的复杂性和高度非线性,建立发酵过程的精确模型具有一定难度。传统的动力学模型预测虽然会与实际输出有一定偏差,但它在某种程度上反映了过程机理;神经网络建模方法属于"黑箱"方法,建模过程中没有用到任何先验知识,有一定的预测效果;因此单一的建模方法往往会不具备其他建模方法的优势。本文以传统的发酵动力学模型为基础,结合RBF神经网络进行混合建模的"灰箱"建模方法是一种比较好的建模思路,可以取得较满意的软测量效果。     

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 kernel network,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。     

Dynamic soft sensor development based on Gaussian mixture regression for fermentation processes

The dynamic soft sensor based on a single Gaussian process regression (GPR) model has been developed in fermentation processes.However,limitations of single regression models,for multiphase/multimode fermentation processes,may result in large prediction errors and complexity of the soft sensor.Therefore,a dynamic soft sensor based on Gaussian mixture regression (GMR) was proposed to overcome the problems.Two structure parameters,the number of Gaussian components and the order of the model,are crucial to the soft sensor model.To achieve a simple and effective soft sensor,an iterative strategy was proposed to optimize the two structure parameters synchronously.For the aim of comparisons,the proposed dynamic GMR soft sensor and the existing dynamic GPR soft sensor were both investigated to estimate biomass concentration in a Penicillin simulation process and an industrial Erythromycin fermentation process.Results show that the proposed dynamic GMR soft sensor has higher prediction accuracy and is more suitable for dynamic multiphase/multimode fermentation processes.     

基于证据合成的高斯过程回归多模型软测量方法

针对生物发酵过程,提出了一种基于证据理论的高斯过程回归多模型软测量方法,其中多模型融合策略同时考虑了数据聚类特性和软测量子模型统计特性。首先,对聚类后的各子类建立高斯过程回归子模型;然后,基于聚类隶属度函数和高斯过程回归子模型后验概率分别设计子模型权值,并利用证据合成规则将两类权值进行证据合成得到融合权值;最后,将该融合权值作为加权因子对子模型进行融合。通过青霉素发酵过程仿真数据和红霉素发酵过程工业数据研究表明, 相比单一模型和传统多模型高斯过程回归软测量方法,本文所提方法具有较高的预测精度和较小的预测不确定度。     

基于支持向量机的发酵过程生物量在线估计

Biomass is a key factor in fermentation process, directly influencing the performance of the fermentation system as well as the quality and yield of the targeted product. Therefore, the on-line estimation of biomass is indispensable. The soft-sensor based on support vector machine （SVM） for an on-line biomass estimation was analyzed in detail, and the improved SVM called the weighted least squares support vector machine was presented to follow the dynamic feature of fermentation process. The model based on the modified SVM was developed and demonstrated using simulation experiments.     

基于改进PSO-RBFNN的海洋蛋白酶发酵过程软测量

针对海洋蛋白酶（marine protease,MP）发酵过程中某些关键参量难以在线检测,离线测量存在大滞后、易染菌的问题,提出了一种基于改进的粒子群-径向基神经网络（PSO-RBFNN）的MP发酵过程软测量建模方法。首先采用指数下降惯性权重（exponential decreasing inertia weight,EDIW）策略对粒子群算法进行改进,克服了固定惯性权重和自适应惯性权重的粒子群算法易于陷入局部极小,进化后期收敛速度慢以及全局搜索能力弱的缺点;然后,采用改进后的粒子群算法对径向基神经网络连接权值进行在线优化,确定RBFNN拓扑结构;最后,根据MP发酵过程的输入/输出向量构建RBFNN软测量模型。实验仿真结果表明,EDIW策略改进的PSO-RBFNN软测量模型训练时间缩短了40%左右,模型预测精度提高了3%以上。     

基于高斯过程和贝叶斯决策的组合模型软测量

为了提高化工生产过程中软测量建模的估计精度,提出了一种基于高斯过程和贝叶斯决策的组合模型建模方法。该方法在对原始数据进行分类的基础上,利用高斯过程对每个子类建立软测量子模型,通过贝叶斯决策方法实现模型的联合估计输出。将该建模方法应用于某双酚A装置的软测量建模中,仿真结果表明,相比于传统的开关切换或加权组合多模型,该组合模型能在实际生产中充分利用样本信息,使得具有更高的估计精度和更强的泛化性能。     

基于聚类多模型建模的多模态预测控制

多模型预测控制(MMPC)是解决非线性控制问题的重要手段,本文针对多模态控制器设计中模态匹配准则的选取问题,利用当前样本状态与各聚类建模子空间距离差异,提出了一种基于距离匹配的多模型控制器加权算法。然后,基于模态融合思想,提出了模态加权构建实时预测模型的控制策略。通过对pH中和过程进行仿真,结果表明：两种方法都提高了非线性系统的暂态响应,跟踪特性优良,体现了它们对非线性系统大范围控制的有效性。     

基于改进DPC的青霉素发酵过程多模型软测量建模

青霉素发酵过程具有较强的非线性、时变性、阶段性和不确定性,基于单一的软测量模型对产物浓度进行在线估计,难以满足系统对模型精度的要求。针对上述问题,提出一种改进密度峰值聚类的多模型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,引入相似度函数代替欧氏距离计算样本点的k近邻,并且计算样本点与其k近邻之间的共享近邻,进而利用样本点的k近邻及共享近邻重新定义样本点的局部密度。其次,利用样本点之间的k近邻关系来重新定义样本点的分配策略;通过改进的聚类算法得到各聚类子集,分别建立基于最小二乘支持向量机的软测量模型。Pensim仿真平台的验证结果表明,改进的聚类算法能够更加准确地对样本数据进行聚类,从而有效提高青霉素发酵过程软测量模型的估计精度。     

Melt index prediction by weighted least squares support vector machines

Melt index is considered an important quality variable determining product specifications. Reliable prediction of melt index (MI) is crucial in quality control of practical propylene polymerization processes. In this paper a least squares support vector machines (LS‐SVM) soft‐sensor model of propylene polymerization process is developed to infer the MI of polypropylene from other process variables. Considering the use of a SSE cost function without regularization might lead to less robust estimates; the weighted least squares support vector machines (weighted LS‐SVM) approach of propylene polymerization process is further proposed to obtain a robust estimation of melt index. The performance of standard SVM model is taken as a basis of comparison. A detailed comparison research among the standard SVM, LS‐SVM, and weighted LS‐SVM models is carried out. The research results confirm the effectiveness of the presented methods. © 2006 Wiley Periodicals, Inc. J Appl Polym Sci 101: 285–289, 2006     

Deep learning for quality prediction of nonlinear dynamic processes with variable attention-based long short-term memory network

Industrial processes are often characterized with high nonlinearities and dynamics. For soft sensor modelling, it is important to model the nonlinear and dynamic relationship between input and output data. Thus, long short-term memory (LSTM) networks are suitable for quality prediction of soft sensor modelling. However, they do not consider the relevance of different input variables with the quality variable. To address this issue, a variable attention-based long short-term memory (VA-LSTM) network is proposed for soft sensing in this paper. In VA-LSTM, variable attention is designed to identify important input variables according to their relevance with quality prediction. After that, different attention weights are calculated and assigned to further obtain a weighted input sample at each time step. Finally, the LSTM network is exploited to capture the long-term dependencies of the weighted input time series to predict the quality variable. The performance of the proposed modelling method is validated on an industrial debutanizer column and a hydrocracking process.