CN107766880B

CN107766880B - 基于ba-lssvm的光合细菌发酵过程关键参量的软测量方法

Info

Publication number: CN107766880B
Application number: CN201710928139.6A
Authority: CN
Inventors: 朱湘临; 陈威; 丁煜函; 王博; 郝建华; 华天争
Original assignee: Jiangsu University
Current assignee: HUISEN BIOLOGICAL EQUIPMENT ZHENJIANG CO.,LTD.
Priority date: 2017-10-09
Filing date: 2017-10-09
Publication date: 2020-08-28
Anticipated expiration: 2037-10-09
Also published as: CN107766880A

Abstract

本发明公开了基于BA‑LSSVM的光合细菌发酵过程关键参量的软测量方法，该方法基于硬件平台及测量仪表与计算机系统软件进行智能计算，通过测量仪表获得实时的过程数据进行实时在线估计。该方法首先依据关联度值选取合适的辅助变量；然后采集历史罐批数据，将发酵数据集分成训练数据集与测试数据集；接着设计一个最小二乘支持向量机模型，利用蝙蝠算法优化最小二乘支持向量机核参数与惩罚参数，获得最优的BA‑LSSVM模型；最终用优化好的模型对关键参量进行预测。实现了对光合细菌发酵过程关键变量的实时在线预测，其中基于蝙蝠算法的最小二乘支持向量机克服了收敛速度和局部搜索能力上有所欠缺的问题，利于对光合细菌发酵的优化控制，提升产品产量与质量。

Description

基于BA-LSSVM的光合细菌发酵过程关键参量的软测量方法

技术领域

本发明是一种用于解决光合细菌发酵过程中难以用物理传感器实时在线测量的关键参量的在线估计问题，属于软测量的技术领域。

背景技术

目前，如何控制光合细菌的发酵条件，尽可能多提升产品产量与质量是研究重点。发酵过程复杂多变，影响光合细菌微生长的因素(温度、光照强度、pH值、菌体浓度等参数)相互之间影响大，内在联系复杂。传统的传感器可以进行温度、压力、pH值等物理量的实时在线测量。但菌体浓度缺乏实时在线测量的设备，一般在发酵现场是采用人工离线取样检测，但离线检测滞后时间长、测量误差大，严重影响了控制系统的设计和优化，给生产效率、产品质量与产量的提高带来了巨大障碍。因此，研究如何及时获得光合细菌发酵过程中关键参量的状态信息具有重要意义。

最小二乘支持向量机(LS-SVM)建模方法采用结构风险最小化原则和核技术，由于其适用于有限样本、非线性问题，所以其在软测量领域的应用所形成的基于最小二乘支持向量机的软测量方法，为生化、化工过程的关键生化变量的软测量问题的解决，提供了强有力的手段。实践表明，LS-SVM模型过程中核参数和惩罚参数对建模性能影响很大。蝙蝠算法(BA)算法拥有全局搜索能力强、控制参数少、较快的收敛速度等优点，是优化LS-SVM模型参数的一种合适的方法。因此针对光合细菌发酵过程的复杂非线性系统，本发明提供一种基于蝙蝠算法优化最小二乘支持向量机(BA-LSSVM)的光合细菌发酵过程关键参量的软测量方法。

发明内容

为了解决光合细菌发酵过程中难以用物理传感器实时在线测量或实时测量代价昂贵的关键参量(如菌体浓度)的不足，本发明提供一种基于蝙蝠算法优化最小二乘支持向量机(BA-LSSVM)的光合细菌发酵过程关键参量的软测量方法，通过常规的传感器获得温度、pH值等物理参量的数据，使用软测量方法实现对关键参量的实时在线估计。具体的步骤包括如下：

步骤1：辅助变量选择，选取能直接测量且与发酵过程密切相关的外部变量用一致相关度法分析其与关键参量的关联度，设定关联度值r_ij≥0.7的外部变量作为软测量模型的辅助变量；

步骤2：发酵数据集分类，采集相同工艺下若干历史罐批次的辅助变量和关键参量数据，发酵数据集随机分成两部分，一部分为训练数据集，一部分为测试数据集，训练数据集用来训练LS-SVM，测试数据集不参与训练，测试数据集占总发酵数据集的10％左右；

步骤3：构建LS-SVM模型，确定核函数；

步骤4：利用蝙蝠算法优化LS-SVM模型的核参数与惩罚参数，获得最优的BA-LSSVM软测量模型；

步骤5：关键参量的预测，利用已训练好的软测量模型，根据当前待预测罐批的最新输入向量，获得关健参量的预测值。

进一步地，步骤1中所述的外部变量是发酵罐温度T、发酵罐压力p、电机搅拌转速r、发酵液体积V、空气流量q、葡萄糖补加速率ρ、氨水补加速率η、溶解氧DO、发酵液酸碱度pH、光照强度E。依据相关性分析和发酵过程经验可设定关联度值r_ij≥0.7的外部变量为辅助变量。在实践中，不同的发酵菌株所选取到的辅助变量不一定完全相同。

进一步地，步骤4具体包括如下：

步骤4.1：设置蝙蝠算法的主要参数：蝙蝠种群大小n，最大迭代次数N，蝙蝠的响度A，搜索频率范围[f_min,f_max]，脉冲频率r，蝙蝠位置向量z，速度向量v；

步骤4.2：由下面公式初始化由核参数与惩罚参数构成的每个蝙蝠位置(C，σ)

z＝z_min+rand(1,d)×(z_max-z_min)，

其中，种群的维数d＝2，rand()为[0，1]的随机数，z_max与z_min分别表示径向基核函数参数(C，σ)的上、下限值向量；

步骤4.3：利用LS-SVM模型训练原始数据，以预测值与真实值的均方误差作为蝙蝠算法的适应度值，计算种群适应度，找出当前最佳解，同时更新蝙蝠的飞行速度、脉冲频率和位置；

步骤4.4：如果有随机数rand＞r_i，则对当前种群中最优蝙蝠z^*进行随机扰动，产生新的蝙蝠个体，如果rand＜A_i，且满足f(z)＞f(z^*)，则接受产生的新蝙蝠，并更新响度A_i和脉冲频率r_i；

步骤4.5：对种群的所有蝙蝠的适应度值进行排序，找出当前最优解，重复步骤4.2至4.4，直到最大迭代次数终止，输出全局最优参数。得到最优的惩罚系数C和径向基宽度σ构建最优的BA-LSSVM软测量模型。

本发明的有益效果：

1.本发明利用物理传感器测量与发酵过程相关的外部变量，再通过少量的离线采样，建立了光合细菌发酵过程关键参量的BA-LSSVM软测量模型，解决了发酵过程中关键参量难以实时在线检测的难题。

2.与传统的离线采样相比，减少了现场操作人员的工作量，提高了测量的时效性，减少了离线取样带来的数据滞后的问题，利于对发酵过程的有效控制，提高光合细菌的产量与质量。

3.本发明采用蝙蝠算法来优化最小二乘支持向量机，与标准的最小二乘支持向量机相比，本发明提出的基于蝙蝠算法的最小二乘支持向量机克服了标准的最小二乘支持向量机收敛速度和局部搜索能力上有所欠缺的问题。

附图说明

图1为光合细菌发酵过程的流程、测量仪表及计算机配置图；

图2为光合细菌发酵过程关键参量软测量模型建立流程图。

图1中：1带有光源装置的生物发酵罐，2净化空气装置，3供水系统，4气体流量传感器，5转速传感器，6压力仪，7液位探头，8热电阻，9溶氧电极，10pH电极，11照度仪，12蠕动泵，13蠕动泵，14离心分离器，15智能控制器，16上位计算机。

图1中所用标记符号如下：

发酵罐温度—T、机搅拌转速—r、发酵液体积—V、

空气流量—q、葡萄糖补加速率—ρ、氨水补加速率—η、

溶解氧—DO、发酵液酸碱度—pH、光照强度—E。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

以下结合光合细菌发酵过程关键参量预测的实施例子和图2所示的实施流程图，对本发明实施例子作出详细描述：

1.辅助变量选择

选取能直接测量且与发ρ酵过程密切相关的外部变量，用一致相关度分析法来选取最适的外部变量作为软测量模型的辅助变量。

(1)发酵过程数据的获得

光合细菌以球形红杆菌为例，发酵过程中温度控制在34±0.5℃，电机搅拌转速为400r/min，罐压保持在0.05Mpa，通气量为0.4L/min，pH控制在7.0±0.5，光照强度控制在2000-5000Lux，发酵周期为48小时。

机械搅拌发酵罐规格为公称容积50L，罐体Φ400x750cm，装料系数镇70％，设计压力能力0.35MPa，可承受0.11MPa的负压，蒸汽发生器电热功率为11KW，产汽量12Kg/h，空气过滤器采用高效空气除菌过滤器，2级过滤效率99.99％。

以智能控制器(单片机)实现基础控制回路的自动控制，并根据模型需要滤波，计算得到光照强度E、空气流量q、溶解氧DO和发酵液酸碱度pH。

读取上述的过程数据，在监控计算机中以微软公司的VisualC++软件实现监控人机界面。

软测量模型是用C语言编程实现，数据存储在DB模块中，在监测系统提供模型数据的修改接口，用于离线分析更改模型参数。软测量软件在智能控制器上运行，有效的保证了模型输出的时效性，方便了系统的过程监控。

如图1所示，监控系统由生物发酵罐1、净化空气装置2和供水系统组成。光合细菌发酵过程中通过气体流量传感器4、转速传感器5、压力仪6、液位探头7、热电阻8、溶氧电极9、pH电极10、照度仪11、蠕动泵12和蠕动泵13分别采集空气流量、电机搅拌转速、发酵罐压力、发酵液体积、发酵罐温度、溶解氧、发酵液酸碱度、光照强度、葡萄糖补加速率和氨水补加速率数据，发酵液经离心分离器14分离后离线检测得到菌体浓度的离线分析值。

(2)一致相关度分析

对于得到的外部变量数据(发酵罐温度T、发酵罐压力p、电机搅拌转速r、发酵液体积V、空气流量q、葡萄糖补加速率ρ、氨水补加速率η、溶解氧DO、发酵液酸碱度pH、光照强度E)用一致相关度法分析其与关键参量(菌体浓度X)的关联度，取关联度较大的外部变量作为软测量模型的辅助变量。

以发酵罐温度T，菌体浓度X为例，具体算法如下：

式中：X_i与T_j为经过初始化处理后的俩变量序列，ΔX_i(k)为X_i序列的k时刻与k-1时刻的差值，ΔT_j(k)为T_j序列的k时刻与k-1时刻的差值，

分别为X_i与T_j所有时刻差值的平均值，k为序列编号，l为样本数，ξ_k为符号因子，v_ij(k)为变化率关联系数，r_ij为关联度，β为数据变化率对关联度的影响，ξ_ij为变量相关系数。设俩变量序列X_i与T_j有m₁个趋势相同的点

m₂个趋势无关联的点

m₃个趋势相反的点

代入上式可得：

其中P_ij，Z_ij，N_ij。分别表示正关联度、零关联度和负关联度。当|P_ij|≥|N_ij|时，发酵罐温度T和菌体浓度X以正相关为主，它们的变化趋势相似，相关程度由r_ij，P_ij两因素的大小来决定。当r_ij＝Z_ij＝0时，发酵罐温度T和菌体浓度X无关；|P_ij|≤|N_ij|发酵罐温度T和菌体浓度X相关为主，即它们的变化趋势相反，相关程度由由r_ij，P_ij两因素大小决定。外部变量与菌体浓度X的关联度计算结果如表1所示。

表1 外部变量的关联度计算值

外部变量	关联度
		发酵罐温度T	0.918
发酵罐压力p	0.324
		电机搅拌转速r	0.141
发酵液体积V	0.608
		空气流量q	0.487
氨水补加速率η	0.578
		葡萄糖补加速率ρ	0.762
发酵液酸碱度pH	0.791
		溶解氧DO	0.276
光照强度E	0.897

由上计算结果可知，通过相关性分析和发酵过程经验设定关联度值r_ij≥0.7的条件下，可测外部变量(发酵罐温度T、光照强度E、葡萄糖补加速率ρ、发酵液酸碱度pH)与光合细菌发酵过程中的菌体浓度X最为相关，选择上述四个变量作为软测量模型的辅助变量。

2.发酵数据集分类

采集相同工艺下若干历史罐批次的辅助变量和关键参量数据，发酵数据集随机分成两部分，一部分为训练数据集，一部分为测试数据集，训练数据集用来训练LS-SVM，测试数据集不参与训练，测试数据集占总发酵数据集的10％左右；

光合细菌发酵过程按照如下的结构组成样本，样本表达为{x_k,y_k}，其中x_k为样本的输入，即选取的辅助向量——发酵罐温度T、光照强度E、葡萄糖补加速率ρ、发酵液酸碱度pH。样本的输出为待预测的主导变量——菌体浓度X。训练样本采集记录结构如表2，时间为发酵过程中采样周期：

表2 样本数据结构

考虑到样本数据应该具有代表性，并且尽可能覆盖范围较宽，至少应该包括发酵过程正常工作范围，通过手动调控发酵罐压力、发酵罐温度和电机搅拌转速，在生产工艺允许的范围内尽可能改变发酵过程的工作点，每次操作条件改变，待系统平稳后取样化验。

3.构建LS-SVM模型，确定核函数

在给定一组样本集{(x_i,y_i)|i＝1，2，3....l}，x_i∈Rⁿ为n维样本输入，y_i∈R为样本输出。通过对样本数据逼近，函数拟合问题可以描述为最优化问题：

式中，C为惩罚系数，e为允许误差，J(w,e)是一个关于C与e的函数，w为权值向量，φ(x)为核函数，b为常数。构造拉格朗日函数，并对其中各变量求偏导并整理得到线性方程组：

式中：Q＝[1,…,1]^T，a＝[a₁,a₂,…,a_l]^T，a_i为拉格朗日乘子，y＝[y₁,y₂,…,y_l]^T。

K为核函数矩阵。根据Mercer条件可以得核函数为：

K(x_i,x_j)＝φ(x_i)^Tφ(x_j) (5)

用最小二乘法求得式(4)中的a和b，综上，可以得到最小二乘支持向量机的输出为：

常用的核函数有多项式、径向基函数(RBF)、Sigmoid等多种，本发明采用径向基函数(RBF)作为核函数：

其中σ为径向基宽度。

4.利用蝙蝠算法优化LS-SVM的核参数与惩罚参数，获得最优的BA-LSSVM软测量模型；

本发明选取发酵罐温度T、光照强度E、葡萄糖补加速率ρ、发酵液酸碱度pH作为预测菌体浓度的输入变量。利用LS-SVM模型训练原始数据，以预测值与真实值的均方误差作为蝙蝠算法的适应度值；然后通过蝙蝠算法(BA)寻找LS-SVM的最优模型参数。基于BA算法的LS-SVM的参数优化步骤如下：

4.1参数设置。设置蝙蝠算法的主要参数：蝙蝠种群大小n，最大迭代次数N，蝙蝠的响度A，搜索频率范围[f_min,f_max]，脉冲频率r，蝙蝠位置向量z，速度向量v。

4.2种群初始化。初始化蝙蝠种群的位置，每一个蝙蝠位置由LS-SVM参数组合(C，σ)构成，公式如下：

z＝z_min+rand(1,d)×(z_max-z_min) (8)

式中：种群的维数d＝2，rand为[0，1]上的随机数，z_max与z_min分别表示径向基核函数参数的上、下限值向量。

4.3更新参数。计算种群适应度，找出当前最佳解，同时更新蝙蝠的飞行速度、脉冲频率和位置，方法如下：

f_i＝f_min+(f_max-f_min)β (9)

式中：β∈[0,1]是均匀分布的随机数；f_i∈[f_min,f_max]是蝙蝠的搜索脉冲频率；

分别表示蝙蝠i在t和t－1时刻的速度；

分别表示当前蝙蝠i在t和t－1时刻的位置；z^*表示当前所有全局最优解。

4.4更新蝙蝠个体。如果有rand＞r_i，则对当前种群中最优蝙蝠z^*进行随机扰动，产生新的蝙蝠个体；如果rand＜A_i，且满足f(z)＞f(z^*)，则接受产生的新蝙蝠，并根据公式(12)和(13)更新响度A_i和脉冲频率r_i。

式中：α表示脉冲音强衰减系数，0＜α＜1。

式中：γ表示脉冲频度增加系数，γ＞0。

4.5输出全局最优参数。对种群的所有蝙蝠的适应度值进行排序，找出当前最优解，重复步骤4.2-4.4，直到最大迭代次数终止，输出全局最优参数。得到最优的惩罚系数C和径向基宽度σ构建最优的BA-LSSVM软测量模型。

5.预测关键参量

软测量模型建立完毕后，采用嵌入式C语言编程实现，并嵌入到智能控制器15里，当待预测罐批的输入向量x_i+1，经测量仪表读入智能控制器15后，智能控制器15利用软测量程序计算得到关键参量的预测值，并将预测结果经数据通道传送到上位计算机16上显示。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims

1.基于BA-LSSVM的光合细菌发酵过程关键参量的软测量方法，其特征在于，包括如下步骤：

步骤1，辅助变量选择：选取能直接测量且与发酵过程密切相关的外部变量，用一致相关度法分析其与关键参量的关联度，设定关联度值r_ij大于某阈值时的外部变量作为软测量模型的辅助变量；关联度值r_ij≥0.7的外部变量作为软测量模型的辅助变量，所述关联度值的计算表达式：

分别为X_i与T_j所有时刻差值的平均值，k为序列编号，l为样本数，ξ_k为符号因子，v_ij(k)为变化率关联系数，r_ij为关联度，β为数据变化率对关联度的影响，ξ_ij为变量相关系数，对于发酵罐温度T和菌体浓度X，设有m₁个趋势相同的点

m₂个趋势无关联的点

m₃个趋势相反的点

代入上式可得：

其中P_ij，Z_ij，N_ij分别表示正关联度、零关联度和负关联度；当|P_ij|≥|N_ij|时，发酵罐温度T和菌体浓度X以正相关为主，它们的变化趋势相似，相关程度由r_ij，P_ij两因素的大小来决定；当r_ij＝Z_ij＝0时，发酵罐温度T和菌体浓度X无关；|P_ij|≤|N_ij|发酵罐温度T和菌体浓度X相关为主，即它们的变化趋势相反，相关程度由由r_ij，P_ij两因素大小决定；

步骤2，发酵数据集分类：采集相同工艺下若干历史罐批次的辅助变量和关键参量数据，发酵数据集随机分成两部分，一部分为训练数据集，另一部分为测试数据集；训练数据集用来训练LS-SVM；

步骤3，构建LS-SVM模型，确定核函数；具体过程包括：

在给定一组样本集{(x_i,y_i)|i＝1，2，3....l}，x_i∈Rⁿ为n维样本输入，y_i∈R为样本输出；通过对样本数据逼近，函数拟合问题描述为最优化问题：

式中，C为惩罚系数，e为允许误差，J(w,e)是一个关于C与e的函数，w为权值向量，φ(x)为核函数，b为常数，构造拉格朗日函数，并对其中各变量求偏导并整理得到线性方程组：

式中：Q＝[1,…,1]^T，a＝[a₁,a₂,…,a_l]^T，a_i为拉格朗日乘子，y＝[y₁,y₂,…,y_l]^T，

K为核函数矩阵；根据Mercer条件可以得核函数为：

K(x_i,x_j)＝φ(x_i)^Tφ(x_j)

用最小二乘法求得式

中的a和b，得到最小二乘支持向量机的输出为：

步骤4，利用蝙蝠算法优化LS-SVM模型的核参数与惩罚参数，获得最优的BA-LSSVM软测量模型；具体地：

步骤4.1，参数设置：设置蝙蝠算法的主要参数：蝙蝠种群大小n，最大迭代次数N，蝙蝠的响度A，搜索频率范围[f_min,f_max]，脉冲频率r，蝙蝠位置向量z，速度向量v；

步骤4.2，种群初始化：初始化蝙蝠种群的位置，每一个蝙蝠位置由LS-SVM参数组合(C，σ)构成，公式如下：

z＝z_min+rand(1,d)×(z_max-z_min)

式中：种群的维数d＝2，rand()为[0，1]的随机数，z_max与z_min分别表示径向基核函数参数(C，σ)的上、下限值向量；

步骤4.3，更新参数：计算种群适应度，找出当前最佳解，同时更新蝙蝠的飞行速度、脉冲频率和位置，计算表达式如下：

f_i＝f_min+(f_max-f_min)β

分别表示蝙蝠i在t和t－1时刻的速度；

分别表示当前蝙蝠i在t和t－1时刻的位置；z^*表示当前所有全局最优解；

步骤4.4，更新蝙蝠个体，如果有rand＞r_i，则对当前种群中最优蝙蝠z^*进行随机扰动，产生新的蝙蝠个体；如果rand＜A_i，且满足f(z)＞f(z^*)，则接受产生的新蝙蝠，并根据下面两个表达式更新响度A_i和脉冲频率r_i：

A_i ⁱ⁺¹＝αA_i ^t

r_i ⁱ⁺¹＝r_i ⁰[1-exp(-γt)]

式中：α表示脉冲音强衰减系数，0＜α＜1，γ表示脉冲频度增加系数，γ＞0；

4.5输出全局最优参数：对种群的所有蝙蝠的适应度值进行排序，找出当前最优解，重复步骤4.2-4.4，直到最大迭代次数终止，输出全局最优参数，得到最优的惩罚系数C和径向基宽度σ构建最优的BA-LSSVM软测量模型；

步骤5，关键参量的预测：利用已训练好的软测量模型，根据当前待预测罐批的最新输入向量，获得关健参量的预测值；

2.根据权利要求1所述的基于BA-LSSVM的光合细菌发酵过程关键参量的软测量方法，其特征在于，所述步骤1中的外部变量包括：发酵罐温度T、发酵罐压力p、电机搅拌转速r、发酵液体积V、空气流量q、葡萄糖补加速率ρ、氨水补加速率η、溶解氧DO、发酵液酸碱度pH、光照强度E。

3.根据权利要求1所述的基于BA-LSSVM的光合细菌发酵过程关键参量的软测量方法，其特征在于，所述步骤2中：测试数据集占总发酵数据集的10％左右。

4.根据权利要求1所述的基于BA-LSSVM的光合细菌发酵过程关键参量的软测量方法，其特征在于，所述核函数采用径向基函数作为核函数，即：

5.根据权利要求1所述的基于BA-LSSVM的光合细菌发酵过程关键参量的软测量方法，其特征在于，所述步骤5的具体实现包括：采用嵌入式C语言编程实现，并嵌入到智能控制器里，当待预测罐批的输入向量x_i+1，经测量仪表读入智能控制器后，智能控制器利用软测量程序计算得到关键参量的预测值，并将预测结果经数据通道传送到上位计算机上显示。