赖氨酸发酵过程关键参数的模糊神经网络逆软测量研究

针对微生物发酵关键生物量参数(基质浓度、菌丝浓度和产物浓度)难以直接测量的问题,以赖氨酸发酵过程为研究对象,采用基于"虚拟子系统"的模糊神经网络逆系统软测量方法对关键生物量参数进行在线估计.假定在发酵过程内部存在一个以不可直接测量参数为输入,直接可测参数为输出的"虚拟子系统",并建立 "虚拟子系统" 的数学模型.再构造"虚拟子系统"的模糊神经网络逆系统,将逆系统串接在"虚拟子系统"后构成复合伪线性系统,得到动态软测量模型,实现不可直接测量参数的在线估计.实验结果表明:该方法能很好地实时估算赖氨酸发酵过程关键参数,为进行赖氨酸发酵过程补料优化控制打下良好的基础.     

神经网络逆软测量方法的拓展及在生物浸出过程中的应用

在前期工作中,提出了基于"内含传感器"的逆软测量方法,其中逆软仪表的构造仅仅是基于直接可测的状态来实现的。对该方法进行了拓展,首先将用于构造逆软仪表的直接可测量由直接可测的状态拓展为函数变量,然后对逆软仪表的建模算法进行了改进。这种拓展和改进不仅增加了逆软仪表构造成功的可能性,而且可以降低构造逆软仪表所需的直接可测量的导数的阶数,便于工程实现和应用。另外,采用神经网络来逼近理论上存在的逆软仪表,并得到了神经网络逆软仪表,从而解决了解析逆软仪表难以实现的工程应用瓶颈。最后将神经网络逆软仪表应用于生物浸出过程,实现了其不直接可测状态的在线软测量。仿真结果表明神经网络逆软仪表的软测量值与真实值非常接近,从而验证了该方法的有效性。     

基于多"内在传感器"逆的诺西肽发酵过程生化参数软测量模型

针对诺西肽发酵过程中关键生化参数难以在线测量的问题,提出了一种基于多“内在传感器”逆的软测量模型。在诺西肽发酵过程非结构模型的基础上,建立了多个包含在原系统中的“内在传感器”子系统。经过数学推导证明了各子系统的可逆性,并利用神经网络分别拟合各子系统的逆,实现了诺西肽发酵过程中菌体浓度和基质浓度的软测量。实际应用表明,该软测量模型能够较好地预估菌体浓度和基质浓度,其平均相对误差都在5%以内,且所提软测量建模方法是有效的。     

基于CPSO与LSSVM融合的发酵过程软测量建模

发酵过程是一个复杂的时变、非线性、强耦合过程.发酵过程中的关键参量菌体浓度通常难以用传统物理传感器实时在线检测.为了测量该参数,将CPSO算法与LSSVM相结合构建发酵过程软测量模型.模型采用CPSO算法优化LSSVM软测量模型参数,克服了常规交叉验证法选取参数的耗时和盲目性.仿真结果表明,CPSO-LSSVM软测量模型较LSSVM软测量模型更能在较短的时间内获得较高的收敛精度,其平均误差为2.05％,说明该软测量模型可用于发酵过程不可在线测量的菌体浓度的实时在线软测量,并且预测精度高,预测速度快,预测能力强.该软测量建模方法也为发酵过程其他关键参量的实时在线测量提供了新的途径.     

基于PXI总线的发酵过程软测量系统研究

PXI总线是一种专为工业数据采集与自动测试应用度身定制的模块化仪器平台,而软测量方法是解决发酵过程中难以直接测量变量的有效方法.本文介绍了软测量技术在发酵过程中的应用,提出了将PXI总线数据采集系统应用到发酵过程变量检测,以及利用LabVIEW进行软测量建模以得到发酵过程待测变量最佳估计值的方法.实验表明,开发的基于PXI总线的发酵过程软测量系统实时性好、精度高并且具有广泛适应性.     

专家系统在发酵过程生物量智能检测中的应用

发酵过程是一个机理复杂的生化反应过程,对于其中无法在线检测而又起着关键作用的生物量参数,软测量技术是很好的解决途径.在生物量软测量建模的过程中,由于发酵过程分类繁杂,机理模型众多,因此适合用人工智能.专家系统来解决这类问题.本文给出了应用于发酵过程软测量混合模型划分的专家系统的结构,阐述了该专家系统知识库和推理机的构建,该系统为发酵过程软测量混合模型的划分提供了一种新的途径.     

基于最小二乘支持向量机左右逆协同的无人机解耦控制

针对无人机飞行控制系统存在非线性耦合的问题,提出了一种基于最小二乘支持向量机(LSSVM)的左右逆协同解耦控制方法。该方法根据Interactor算法,通过对无人机系统输出进行微分,构建右逆系统,从而证明其可逆性。由于无人机右逆系统中存在旋翼桨叶总距俯仰角不可直接测量的局限,因而采用基于内含传感器左逆的方法间接测量,然后将其代入右逆系统中,得到左右逆协同控制器。最后利用最小二乘支持向量机建立左右逆协同控制器模型,并将其串联在原系统之前,与积分器共同构成伪线性复合系统实现无人机线性化与解耦。仿真结果显示,该方法对无人机垂直飞行的速度和旋翼桨叶总距俯仰角具有较高的解耦控制性能,对外部扰动具有良好的鲁棒性。     

化工生产质量的推断控制

一引言 推断控制是利用过程的辅助输出，如温度、压力、流量等可测量信息，来推断不可直接测量的扰动对过程主要输出（如产品质量、成分等）的影响。然后基于这些推断估计量来确定控制输入，以消除不可直接测量的扰动对过程主要输出的影响，改善控制品质。     

软测量技术应用于磺化过程

针对磺化过程中存在的一些不可测量信号,而这些信号对于控制来说至关重要,本文提出了用软测量技术估计这些信号,以提高系统的控制性能。     

基于逆向学习的距离和位置精密测量系统

提出了一种通过逆向学习得到非线性传感器系统逆模型的方法，该模型对应一个由传感器输入样本点和希望输出值组成的线性表，再由该逆模型结合查表和插值的方法反演出测量点的位置。该方法可以有效地校正传感器的非线性，提高测量系统的精度。