基于NIRS技术的乙醇固态发酵过程检测方法研究及其应用

摘要

为有效提高固态发酵过程的监测效率，本研究以乙醇固态发酵过程为研究对象，开展了基于近红外光谱（near-infrared spectroscopy, NIRS）分析技术的固态发酵过程快速检测方法研究及其应用。具体研究如下： 研究一：探讨了酵母菌培养过程的NIRS检测方法研究。首先利用标准正态变量变换（standard normal variate transformation, SNV）法对试验获取的光谱数据进行预处理，然后采用竞争性自适应重加权采样（competitive adaptive reweighted sampling, CARS）法对预处理后的光谱进行特征提取，最后利用高斯混合回归（Gaussian mixture regression, GMR）对酵母菌生长过程进行定量描述。试验结果显示，经CARS特征提取后，参与最佳GMR模型建立的特征变量个数为30，该模型在测试集中的预测均方根误差（ root mean square error of prediction, RMSEP）和相关系数（correlation coefficient, R2）分别为0.073和0.988。研究结果表明，利用 NIRS 分析技术实现酵母菌生长过程的定量描述是可行的；此外，在模型建立前，借助CARS提取光谱特征信息不仅有助于提高模型的预测精度，还能降低建模的复杂度。 研究二：探讨了乙醇固态发酵过程参数的NIRS定量检测方法研究。首先采用常规理化分析手段获取样本中乙醇和葡萄糖的参考值，然后利用SNV法对采集的原始光谱进行预处理，接着将深度学习方法——堆栈降噪自编码神经网络（stacked denoising auto-encoder neural network, SDAE-NN）和偏最小二乘法（partial least squares，PLS）进行有效融合，实现光谱特征学习和精确检测模型的构建。试验结果显示，基于 SDAE-NN 的 PLS 混合模型在测试集上对葡萄糖含量的预测结果有：RMSEP, 2PR 和相对分析误差(residual predictive deviation, RPD)分别为 1.651, 0.978 和 6.776; 对酒精含量的预测结果为：RMSEP, 2PR 和RPD分别为1.382, 0.969和5.734。研究结果表明，利用NIRS技术实现乙醇固态发酵过程参数的快速检测是可行的；此外SDAE-NN在光谱数据学习时，可挖掘出更深层次的特征信息，能大大提升检测模型的预测精度。 研究三：探讨了乙醇固态发酵过程状态的NIRS定性识别研究。试验在研究 二的基础上增加了异常乙醇固态发酵试验，并将两类光谱数据混合后利用深度融合算法——堆栈极限学习机自编码（stack extreme learning machine auto-coder, SELM-AE）网络实现乙醇固态发酵正、异常状态的定性识别。试验结果显示， SELM-AE模型在训练集中的准确率高达97.222%，在测试集中的准确率为100%，且该模型训练用时仅为2.652秒。研究结果表明，将NIRS和SELM-AE进行有效融合可实现乙醇固态发酵过程状态的高精度判别。 本研究为固态发酵过程的NIRS在线监测模型构建提供新的方法借鉴，旨在提高乙醇固体发酵过程监测的准确度和时效性，研究成果可为乙醇固态发酵过程NIRS便携式监测仪器装备的研发提供技术基础。

目录

第一个书签之前