基于相关向量机的生物反应过程软测量建模与应用

摘要

微生物发酵过程是一个大滞后、多变量、强耦合的复杂非线性系统，内部反应机理十分复杂。为了构建最佳的发酵环境，提高生产效率，就要对发酵过程中的各种过程参量进行监测，以便能使各种先进的优化控制方法得以应用。然而在实际的发酵生产过程中，由于工艺和技术条件的限制，能实现自动检测的参量主要集中在一些现有传感器可以直接测量、容易测量的物理化学量上，如温度、pH、溶解氧、罐压、搅拌电机转速等，而其它一些重要的、影响发酵过程品质的关键生化参量如基质浓度、菌体浓度和产物浓度等则必须用离线分析的方法才能得到。但离线分析滞后性大、且容易造成发酵染菌，从而影响发酵效率和产品质量，软测量技术是解决上述问题的有效途径之一。
　　 本文针对上述问题，以赖氨酸发酵过程为研究对象，在研究了多种软测量建模方法的基础上，采用了一种基于稀疏贝叶斯理论的相关向量机(RVM)回归理论，建立了一种组合核RVM生物反应过程软测量模型，并对赖氨酸发酵过程的三个关键生物量进行了预估。论文所做的主要工作如下:
　　 (1)针对赖氨酸发酵过程关键生物量难以直接在线测量的问题，在研究软测量技术和稀疏贝叶斯理论的基础上，建立了基于高斯核RVM的赖氨酸发酵过程软测量模型，利用软测量模型对发酵过程的三个关键生物量（基质浓度、菌体浓度、产物浓度）进行预测，并与基于SVM的软测量模型进行了研究对比。
　　 (2)为了提高高斯核RVM软测量模型的预测精度，利用RVM核函数的构建不受Mercer条件的限制，对高斯核函数进行了改进，构造了一种组合核函数，并建立了基于该组合核的RVM软测量模型。仿真研究表明，组合核RVM既能保持高斯核RVM高稀疏性的优点，又能使所建立软测量模型的预测精度进一步提高。
　　 (3)针对组合核RVM软测量模型中核参数难以选择的问题，采用粒子群算法(PSO)优化组合核参数，避免了传统的参数选择算法（如交叉验证法、网格搜索法等）选择核参数时盲目和耗时的缺点。
　　 (4)对软测量辅助变量的选取进行了研究，文中采用核主元分析法(KPCA)减少实验数据中的噪声和冗余信息，降低了数据维度，确定了软测量的辅助变量。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．1．1 课题研究背景

1．1．2 课题研究意义

1．2 国内外研究现状

1．3 软测量技术的发展趋势

1．4 论文主要内容和结构安排

第2章 软测量理论及其建模方法

2．1 引言

2．2 软测量技术

2．2．1 软测量概述

2．2．2 软测量的数学描述

2．3 软测量建模方法

2．3．1 常用软测量建模方法

2．3．2 基于核的机器学习软测量建模方法

2．4 软测量的实施步骤

2．5 小结

第3章 基于核的机器学习理论

3．1 引言

3．2 支持向量机

3．2．1 支持向量机概述

3．2．2 支持向量机与最小二乘支持向量机回归

3．2．3 支持向量机的缺点

3．3 相关向量机

3．3．1 相关向量机概述

3．3．2 相关向量机回归

3．3．3 一种快速的RVM超参数优化算法

3．3．4 相关向量机回归预测

3．4 仿真示例

3．5 小结

第4章 基于粒子群优化核参数的组合核RVM软测量

4．1 引言

4．2 核函数类型及特性

4．2．1 高斯局部核函数

4．2．2 多项式全局核函数

4．3 组合核函数的构建

4．4 基于PSO优化核参数的组合核RVM软测量模型

4．4．1 粒子群优化算法

4．4．2 组合核RVM软测量模型的PSO优化

4．5 小结

第5章 基于组合核RVM的生物反应过程软测量

5．1 引言

5．2 赖氨酸发酵概述

5．2．1 赖氨酸发酵工艺流程

5．2．2 赖氨酸发酵过程关键生物量

5．2．3 赖氨酸的实验室发酵

5．3 数据预处理

5．3．1 过失数据剔除

5．3．2 数据归一化

5．4 辅助变量的选择

5．4．1 核主成分分析

5．4．2 实验数据的KPCA特征提取

5．5 基于组合核RVM的赖氨酸发酵软测量模型

5．5．1 赖氨酸发酵软测量模型的构建

5．5．2 组合核核参数PSO优化

5．6 仿真结果与分析

5．7 小结

第6章 总结与展望

6．1 总结

6．2 展望

参考文献

致谢

攻读硕士学位期间发表的学术论文

附录 30L-WKT型赖氨酸发酵生物反应器