CN109554439A - 一种基于online-rlssvm的毕赤酵母发酵过程软测量方法 - Google Patents

Abstract

本发明公开了一种基于ONLINE‑RLSSVM的毕赤酵母发酵过程软测量方法，首先通过对毕赤酵母发酵过程的工艺机理进行分析，选取合适的辅助变量并根据历史罐批数据建立训练样本数据库；然后对样本数据预处理后进行归一化处理，并使用主元分析法对辅助变量进行降维，将这几个主元综合变量作为ONLINE‑RLSSVM的训练样本数据库；接着使用萤火虫‑果蝇混合优化算法在线优化惩罚系数c与宽度系数σ²，并使用训练样本数据库对ONLINE‑RLSSVM进行训练并建立软测量模型，最终获得菊粉酶浓度预测值。本发明使用萤火虫‑果蝇混合优化算法，提高了软测量模型的全局寻优能力和预测精度，可有效用于指导菊粉酶生产。

Description

一种基于ONLINE-RLSSVM的毕赤酵母发酵过程软测量方法

技术领域

本发明主要涉及微生物发酵过程的软测量领域，具体涉及一种毕赤酵母菌发酵过程中产物菊粉酶浓度的软测量方法。

背景技术

目前通过毕赤酵母发酵生成的内切型菊粉酶酶解菊粉是制备低聚果糖的主要途径之一。由于低聚果糖具有难消化性、低龋齿性以及改善脂质代谢等作用，因此在保健食品领域得到了广泛的应用。在毕赤酵母发酵生成菊粉酶过程中，产物菊粉酶的浓度是重要的生化参量之一。但由于目前检测手段的局限性，菊粉酶浓度还无法直接在线测量，只能通过离线取样分析菊粉酶酶活来大致估计。这一过程不仅造成信息获取滞后，影响操作人员对实时反应状态的正确判断和决策，同时也限制了优化控制策略的实施，因此迫切需要找到一种方法实现毕赤酵母发酵过程中菊粉酶浓度的最优估计。

随着计算机技术的发展，为了解决此类关键变量不可直接测量的问题，软测量技术得到了广泛的应用。基于支持向量机(Support Vector Machine，简称SVM)的软测量方法采用结构风险最小化原则和核函数技术，在降低经验风险的同时，尽量缩小置信范围，这样能够综合考虑模型的训练误差和泛化能力，因此表现出比传统建模方法更好的性能，在软测量建模中得到了广泛的应用。本发明为了提高模型对数据的适应性和抗噪声能力，采用ONLINE-RLSSVM模型。

发明内容

本发明的目的在于提供一种基于在线自适应的鲁棒最小二乘支持向量机(ONLINE-RLSSVM)的毕赤酵母发酵过程软测量方法。以解决毕赤酵母发酵过程中菊粉酶浓度无法精确测量的问题。通过常规在线测量仪器提供的输入变量的测量信号，经过基于ONLINE-RLSSVM的软测量模型在线获取菊粉酶浓度的预测值，为毕赤酵母发酵过程的在线操作和优化运行提供关键工艺指标。

为实现上述目的，本发明所采用的技术方案是一种基于ONLINE-RLSSVM的毕赤酵母发酵过程软测量方法，包括如下具体步骤：

步骤(1)：选择辅助变量，首先通过对毕赤酵母发酵过程工艺机理进行分析，选取发酵时间、溶氧浓度、甲醇流加速率、氨水流加速率、发酵液体积、甲醇浓度、毕赤酵母浓度为辅助变量，并进行毕赤酵母发酵实验，采集所选辅助变量的原始发酵数据；

进一步地，在原始发酵数据采集时，其中甲醇流加速率的计算方法为：

其中，g(τ)表示在τ时刻甲醇溶液的重量，单位g，ρ表示甲醇溶液密度，单位g/mL，Δτ表示距离τ时刻的时间间隔，g(τ-Δτ)表示τ-Δτ时刻甲醇溶液的重量。

进一步地，所述原始发酵数据的采样间隔为12小时。

步骤(2)：对原始发酵数据进行归一化预处理，将数据归一化到[0,1]区间内，生成数据集并且进行分组，即训练集和测试集；

进一步地，所述归一化处理方法为：

其中，x_i为任一样本数据，x_max为最大样本数据，x_min为最小样本数据，为归一化后的样本数据。

步骤(3)：选择核函数，建立ONLINE-RLSSVM模型；

进一步地，所述核函数设为径向基函数：

其中，σ为核函数宽度。

步骤(4)：优化ONLINE-RLSSVM参数，利用萤火虫-果蝇混合优化算法的全局搜索能力，对ONLINE-RLSSVM的惩罚系数c与宽度系数σ²进行在线优化调整；

进一步地，所述ONLINE-RLSSVM总的预报误差E_p为：

其中，A^-1为由KKT条件得到的线性方程组的系数矩阵，为A^-1的特征值个数。

步骤(5)：建立软测量模型，用从步骤(4)得到的惩罚系数c与宽度系数σ²对在线自适应的鲁棒最小二乘支持向量机进行训练，建立基于ONLINE-RLSSVM的软测量模型；

步骤(6)：关键状态变量预测，利用已训练好的ONLINE-RLSSVM软测量模型，根据当前待预测罐批的最新输入向量，获得关键状态变量的预测值。

本发明具有如下有益效果：

1.本发明利用计算机系统和常规的检测仪表提供的在线过程数据，仅仅通过少量的人工采样，实现了毕赤酵母发酵过程的关键状态变量的软测量。解决了发酵过程中状态变量难以在线检测的难题；与人工取样化验相比，减少了现场操作人员的工作量，降低了发酵过程中人为操作引入的测量的不确定性，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。

2.本发明将提出的萤火虫-果蝇混合混合优化算法用于ONLINE-RLSSVM，显著提高了模型的预测精度和寻优时间。

3.由于本发明将模糊隶属度引入到支持向量机建模中，与传统的支持向量机软测量方法相比本发明中软测量方法克服了支持向量机对噪声点和异常点过于敏感，模型容噪性能差的问题。同时设置了总的预报误差作为阈值，根据现场工况自适应更新参数，提高了模型对数据的适应性。

4.本发明全面考虑了影响毕赤酵母发酵过程关键状态变量的因素，在采用现有的常规检测信号的基础上来实现关键状态变量的在线预测，应用简单、成本较低、软测量结果较精确。该方法有助于毕赤酵母发酵过程的优化控制和优化运行。

5.本发明所提供的软测量方法不仅对毕赤酵母发酵过程有效，而且可推广到其它酵母菌发酵过程中产物浓度预测、生化反应过程中的关键状态变量预估等场合，具有广阔的应用前景。

附图说明

图1为基于ONLINE-RLSSVM软测量模型的基本结构示意图；

图2为毕赤酵母发酵生成菊粉酶过程的硬件示意图；

图3为萤火虫-果蝇混合优化算法流程图；

图4为基于预报误差的鲁棒最小二乘支持向量机模型在线矫正算法流程图；

图5为基于ONLINE-RLSSVM模型的总流程图。

具体实施方式

以下结合毕赤酵母发酵过程关键状态变量预测的实施例子和附图对本发明作出详细描述。

步骤1：确定毕赤酵母发酵过程的在线测量变量和离线测量变量

根据公式(1)所示的毕赤酵母流加发酵过程的动力学模型，结合实际毕赤酵母发酵过程情况，选择毕赤酵母发酵过程的在线直接可测变量为发酵时间(h)、溶氧浓度(％)、进气流量(L/h)、搅拌速率(L/h)、pH值、温度(℃)、甲醇流加速率(L/h)、氨水流加速率(L/h)和发酵液体积(L)，离线测量变量包括甲醇浓度(g/L)、毕赤酵母浓度(g/L)和菊粉酶浓度(g/L)。由于进气流量、搅拌速率、温度和pH值在整个诱导发酵阶段基本保持不变，因此本发明不将其作为软测量模型的辅助变量。

其中，X为毕赤酵母浓度(g/L)，r_x为毕赤酵母生长速率(g/(L·h))，r_d为毕赤酵母死亡速率(g/(L·h))，D_r为稀释速率(h^-1)，P为菊粉酶浓度(g/L)，r_p为菊粉酶生成速率(g/(L·h))，K_p菊粉酶降解速率(h^-1)，S为发酵罐内的甲醇浓度(g/L)，r_s为甲醇消耗速率(g/(L·h))，S_in为外部流加甲醇浓度(g/L)。

步骤2：毕赤酵母发酵过程数据采集

本发明的数据采集方法为：温度、进气流量和电机搅拌速率由发酵罐自带的测量仪表自动测量，甲醇浓度由外置的甲醇浓度控制仪直接测量，发酵液体积由人工采样时读取，pH值和溶氧浓度由发酵罐配套的pH电极和溶氧电极直接测量。菊粉酶浓度、甲醇流加速率、氨水流加速率、毕赤酵母浓度由离线测量得到。

其中，甲醇流加速率F_in的计算方法为：

毕赤酵母浓度的计算方法为：

X＝10.38+249·OD600 (3)

其中，OD600为某种溶液在600nm波长处的吸光值。

步骤3：数据预处理

对发酵过程历史数据库中的数据按照服从正态分布时的3δ准则剔除过失数据，并进行数字滤波和校正。3δ准则是指当测量次数足够大且测量数据服从正态分布时，若某次测量值所对应的剩余误差大于3δ时，则认为测量值为异常数据，予以剔除。其中，δ为正态分布的标准差。

步骤4：归一化与反归一化处理

为了更加直观地显示软测量模型的输出结果，对主导变量进行反归一化处理。

步骤5：主元分析

步骤5.1，输入标准化矩阵。

其中，代表标准化后的采集数据，X_i.j代表标准化前的采集数据，代表输入矩阵第j列采样数据的平均值，l₁为标准化矩阵的行数，l₂为标准化矩阵的列数，代表输入矩阵第j列采样数据的标准差。

步骤5.2，计算的协方差矩阵R。

其中表示输入矩阵的i列和j列的协方差。

步骤5.3，计算协方差矩阵R的特征单位向量和特征值。

步骤5.4，确定主元个数。

其中，为主元累计方差百分比，为协方差矩阵R的特征值。本发明选定期望值为90％，当CPV大于期望值90％时，对应的就是应当保留的主元个数。

步骤5.5，计算主元。

其中，为特征值对应的单位特征向量，主元为 E为误差矩阵。

步骤6：建立训练数据库

将经过主元分析得到的数据集分为10批数据，将其中9批进行训练，剩下一批作为测试样本，用来测试得到的非线性模型。

步骤7：建立基于ONLINE-RLSSVM的软测量模型

步骤7.1，选择核函数。本发明选择径向基函数为ONLINE-RLSSVM模型的核函数：

步骤7.2，建立LSSVM软测量模型，计算得到Lagrange乘子λ与偏置量b，定义滑动窗口大小为训练样本的个数ζ。

其中，LSSVM的输出方程为：

其中，λ_i为Lagrange乘子，K_b为维度。

步骤7.3，根据步骤7.1，得到的当前样本数据，计算预报误差为y为训练样本的实际值，为估计值。

步骤7.4，计算得到模型总的预报误差E_p和模糊隶属度υ_i。若E_p/m≤e成立，更新模型参数及模糊隶属度，否则不作处理，等待下次数据更新再做出判断。

其中，A^-1为由KKT条件得到的线性方程组的系数矩阵，为A^-1的特征值个数。

步骤8：用萤火虫-果蝇混合算法优化软测量模型中的惩罚系数c与宽度系数σ²的具体步骤是：

步骤8.1，初始化：在可行域中随机放置N个萤火虫，并赋予每个萤火虫的动态决策域为r₀，荧光素为l₀，初始化步长s，荧光素挥发系数ψ，领域阈值n_t，荧光素更新率γ，萤火虫感知域r_a，动态决策域更新率η，最大迭代次数F_max。

步骤8.2，更新萤火虫的荧光素l₀：

l_i(t)＝(1-ψ)l_i(t-1)+γJ(x_i(t)) (14)

其中x_i(t)为t时刻萤火虫i所在的位置，J(x_i(t))为对应的目标函数值，l_i(t)为对应t时刻的荧光素值，荧光素挥发系数ψ∈[0,1]，荧光素更新率γ∈[0,1]。

步骤8.3，确定萤火虫的领域集：

其中，N_i(t)为萤火虫i的领域集，表示萤火虫i在t时刻的动态决策域。

步骤8.4，选择概率：

其中，设j的选择概率在满足条件的同伴中最大，p_ij(t)表示萤火虫i的选择概率。

步骤8.5，更新萤火虫i的位置：

其中x_i(t+1)表示更新后的萤火虫位置，x_i(t)表示萤火虫i在t时刻的位置，x_j(t)表示萤火虫j在t时刻的位置，s为萤火虫移动步长。

步骤8.6，更新动态决策域半径。

其中，表示萤火虫i在t时刻的决策域半径，η表示动态决策域更新率，r_a表示萤火虫感知域，n_t表示感知范围内包含的萤火虫数目的阈值。

步骤8.7，迭代判断：若达到预定精度或迭代次数F_max，则停止迭代，否则，t＝t+1，返回步骤8.2。

步骤8.8，得到n个可行解，结束萤火虫优化寻优过程，将n个可行解生成n个果蝇种群，定义生成种群(u₁,u₂,...,u_n)。

步骤8.9，初始化第k个果蝇种群：设置种群规模为Sizepop，当前迭代次数为Gen，最大迭代次数为Genmax，果蝇群体位置初始位置为axis_X，axis_Y。

其中，和c₁和c₂为常数。

步骤8.10，赋予果蝇飞行步长Q和随机方向D，计算第k代果蝇种群第m个个体的位置：

其中，Q为步长值，R_X，R_Y为[-1,1]之间的一个随机数，分别为第k代果蝇种群中第m个个体距离原点的水平位置和垂直位置，表示第k代果蝇种群的初始位置。

步骤8.11，计算第k代果蝇种群中第m个个体的位置与远点的距离并计算味道浓度

步骤8.12，计算味道浓度：

其中为第k代果蝇种群中第m个个体的味道浓度，为味道浓度判定函数。

步骤8.13，获取第k代果蝇种群最优味道浓度并保存对应的味道浓度判定值

步骤8.14，果蝇种群通过视觉飞到上一步保存的位置，生成新的果蝇群聚位置：

步骤8.15，判断当前迭代次数Gen是否达到最大迭代次数Genmax。若是，则转入步骤8.16，否则返回步骤8.10。

步骤8.16，判断k是否达到最大迭代次数n。若是，输出全局最优解，否则，k＝k+1，并转到步骤8.9，直到完成第n次迭代。

步骤9：根据步骤6得到的训练样本数据库，对完成步骤8后所建立的ONLINE-LSSVM软测量模型进行训练及测试。

步骤10：关键生化参量预测。利用已经训练测试好的ONLINE-LSSVM软测量模型，根据当前待预测罐批的最新数据集，获得菊粉酶浓度的预测值。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (9)

1.一种基于ONLINE-RLSSVM的毕赤酵母发酵过程软测量方法，其特征在于，包括如下步骤：

步骤1，选择辅助变量；根据毕赤酵母流加发酵过程的动力学模型，选取发酵时间、溶氧浓度、甲醇流加速率、氨水流加速率、发酵液体积、甲醇浓度、毕赤酵母浓度为辅助变量；进行毕赤酵母发酵，采集所选辅助变量的原始发酵数据；

步骤2，对原始发酵数据进行归一化预处理，将数据归一化到[0,1]区间内，生成数据集并且进行分组，即训练集和测试集；

步骤3，选择核函数，建立ONLINE-RLSSVM模型；

步骤4，优化ONLINE-RLSSVM参数；利用萤火虫-果蝇混合优化算法的全局搜索能力，对ONLINE-RLSSVM的惩罚系数c与宽度系数σ²进行在线优化调整；

步骤5，建立软测量模型；利用步骤2的训练集和测试集对步骤4得到的惩罚系数c与宽度系数σ²对在线自适应的鲁棒最小二乘支持向量机进行训练及测试，建立基于ONLINE-RLSSVM的软测量模型；

步骤6，关键状态变量预测；利用已训练好的ONLINE-RLSSVM软测量模型，根据当前待预测罐批的最新输入向量，获得关键状态变量的预测值。

2.根据权利要求1所述的一种基于ONLINE-RLSSVM的毕赤酵母发酵过程软测量方法，其特征在于，步骤1中，所述毕赤酵母流加发酵过程的动力学模型为：

其中，X为毕赤酵母浓度(g/L)，r_x为毕赤酵母生长速率(g/(L·h))，r_d为毕赤酵母死亡速率(g/(L·h))，D_r为稀释速率(h^-1)，P为菊粉酶浓度(g/L)，r_p为菊粉酶生成速率(g/(L·h))，K_p菊粉酶降解速率(h^-1)，S为发酵罐内的甲醇浓度(g/L)，r_s为甲醇消耗速率(g/(L·h))，S_in为外部流加甲醇浓度(g/L)。

3.根据权利要求1所述的一种基于ONLINE-RLSSVM的毕赤酵母发酵过程软测量方法，其特征在于，步骤1中，甲醇流加速率的计算方法为：

其中，g(τ)表示在τ时刻甲醇溶液的重量，单位g，ρ表示甲醇溶液密度，单位g/mL，Δτ表示距离τ时刻的时间间隔，g(τ-Δτ)表示τ-Δτ时刻甲醇溶液的重量。

4.根据权利要求1所述的一种基于ONLINE-RLSSVM的毕赤酵母发酵过程软测量方法，其特征在于，步骤2中，所述归一化预处理方法为：

其中，x_i为任一样本数据，x_max为最大样本数据，x_min为最小样本数据，为归一化后的样本数据。

5.根据权利要求4所述的一种基于ONLINE-RLSSVM的毕赤酵母发酵过程软测量方法，其特征在于，步骤2中，还包括对发酵过程历史数据库中的数据按照服从正态分布时的3δ准则剔除过失数据的预处理、以及对主导变量的反归一化处理；

所述主导变量的反归一化处理方法为：

6.根据权利要求1所述的一种基于ONLINE-RLSSVM的毕赤酵母发酵过程软测量方法，其特征在于，步骤2中，所述预处理之后进行主元分析，并将经主元分析得到的数据划分为训练集和测试集；

所述主元分析的方法包括如下步骤：

步骤2.1，输入标准化矩阵

其中，代表标准化后的采集数据，X_i.j代表标准化前的采集数据，代表输入矩阵第j列采样数据的平均值，l₁为标准化矩阵的行数，l₂为标准化矩阵的列数，代表输入矩阵第j列采样数据的标准差；

步骤2.2，计算的协方差矩阵R

其中表示输入矩阵的i列和j的协方差；

步骤2.3，计算协方差矩阵R的特征单位向量和特征值

步骤2.4，确定主元个数

其中，为主元累计方差百分比，为协方差矩阵R的特征值，为特征值个数，本发明选定期望值为90％，当CPV大于期望值90％时，对应的就是应当保留的主元个数；

步骤2.5，计算主元

其中，为特征值对应的单位特征向量，主元为E为误差矩阵。

7.根据权利要求1所述的一种基于ONLINE-RLSSVM的毕赤酵母发酵过程软测量方法，其特征在于，步骤3中的实现包括如下步骤：

步骤3.1，选择核函数；本发明选择径向基函数为ONLINE-RLSSVM模型的核函数：

步骤3.2，建立LSSVM软测量模型，计算得到Lagrange乘子λ与偏置量b，定义滑动窗口大小为训练样本的个数ζ；

其中，LSSVM的输出方程为：

其中，λ_i为Lagrange乘子，K_b为维度；

步骤3.3，根据步骤3.1，得到的当前样本数据，计算预报误差为y为训练样本的实际值，为估计值。

步骤3.4，计算得到模型总的预报误差E_p和模糊隶属度υ_i。若E_p/m≤e成立，更新模型参数及模糊隶属度，否则不作处理，等待下次数据更新再做出判断。其中：

其中，A^-1为由KKT条件得到的线性方程组的系数矩阵，为A^-1的特征值个数；

8.根据权利要求1所述的一种基于ONLINE-RLSSVM的毕赤酵母发酵过程软测量方法，其特征在于，步骤4的实现包括如下步骤：

步骤4.1，初始化：在可行域中随机放置N个萤火虫，并赋予每个萤火虫的动态决策域为r₀，荧光素为l₀，初始化步长s，荧光素挥发系数ψ，领域阈值n_t，荧光素更新率γ，萤火虫感知域r_a，动态决策域更新率η，最大迭代次数F_max；

步骤4.2，更新萤火虫的荧光素l₀：

l_i(t)＝(1-ψ)l_i(t-1)+γJ(x_i(t))

其中x_i(t)为t时刻萤火虫i所在的位置，J(x_i(t))为对应的目标函数值，l_i(t)为对应的荧光素值，荧光素挥发系数ψ∈[0,1]，荧光素更新率γ∈[0,1]；

步骤4.3，确定萤火虫的领域集：

其中，N_i(t)为萤火虫i的领域集，r_i ^d(t)表示萤火虫i在t时刻的动态决策域。

步骤4.4，选择概率：

其中，设j的选择概率在满足条件的同伴中最大，p_ij(t)表示萤火虫i的选择概率。

步骤4.5，更新萤火虫i的位置：

其中x_i(t+1)表示更新后的萤火虫位置，x_i(t)表示萤火虫i在t时刻的位置，x_j(t)表示萤火虫j在t时刻的位置，s为萤火虫移动步长；

步骤4.6，更新动态决策域半径：

其中，表示萤火虫i在t时刻的决策域半径，η表示动态决策域更新率，r_a表示萤火虫感知域，n_t表示感知范围内包含的萤火虫数目的阈值；

步骤4.7，迭代判断：若达到预定精度或迭代次数F_max，则停止迭代，否则，t＝t+1，返回步骤4.2。

步骤4.8，得到n个可行解，结束萤火虫优化寻优过程，将n个可行解生成n个果蝇种群，定义生成种群(u₁,u₂,...,u_n)；

步骤4.9，初始化第k个果蝇种群：设置种群规模为Sizepop，当前迭代次数为Gen，最大迭代次数为Genmax，果蝇群体位置初始位置为axis_X，axis_Y

其中，和c₁和c₂为常数。

步骤4.10，赋予果蝇飞行步长Q和随机方向D，计算第k代果蝇种群第m个个体的位置：

其中，Q为步长值，R_X，R_Y为[-1,1]之间的一个随机数，分别为第k代果蝇种群中第m个个体距离原点的水平位置和垂直位置，表示第k代果蝇种群的初始位置。

步骤4.11，计算第k代果蝇种群中第m个个体的位置与远点的距离并计算味道浓度

步骤4.12，计算味道浓度：

其中为第k代果蝇种群中第m个个体的味道浓度，为味道浓度判定函数。

步骤4.13，获取第k代果蝇种群最优味道浓度并保存对应的味道浓度判定值

步骤4.14，果蝇种群通过视觉飞到上一步保存的位置，生成新的果蝇群聚位置：

步骤4.15，判断迭代次数Gen是否达到最大迭代次数Genmax。若是，则转入步骤4.16，否则返回步骤4.10；

步骤4.16，判断是否达到最大迭代次数n。若是，输出全局最优解，否则，k＝k+1，并转到步骤4.9，直到完成第n次迭代。

9.根据权利要求1-8任一项所述的一种基于ONLINE-RLSSVM的毕赤酵母发酵过程软测量方法，其特征在于，所述软测量方法能够适用于其他酵母菌发酵过程产物浓度预测、生化反应过程中的关键状态变量预估。