CN112002379A - 基于数据驱动燃料乙醇发酵罐中乙醇浓度的在线预测方法 - Google Patents
基于数据驱动燃料乙醇发酵罐中乙醇浓度的在线预测方法 Download PDFInfo
- Publication number
- CN112002379A CN112002379A CN202010766032.8A CN202010766032A CN112002379A CN 112002379 A CN112002379 A CN 112002379A CN 202010766032 A CN202010766032 A CN 202010766032A CN 112002379 A CN112002379 A CN 112002379A
- Authority
- CN
- China
- Prior art keywords
- ethanol
- ethanol concentration
- model
- fermentation tank
- variables
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 title claims abstract description 344
- 238000000855 fermentation Methods 0.000 title claims abstract description 73
- 230000004151 fermentation Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000000446 fuel Substances 0.000 title claims abstract description 24
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 claims abstract description 48
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims abstract description 48
- KDYFGRWQOYBRFD-UHFFFAOYSA-N Succinic acid Natural products OC(=O)CCC(O)=O KDYFGRWQOYBRFD-UHFFFAOYSA-N 0.000 claims abstract description 44
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 claims abstract description 32
- 240000004808 Saccharomyces cerevisiae Species 0.000 claims abstract description 21
- NRDGOJQPHWAEES-RKDXNWHRSA-N (2r)-2,6-diamino-n-[(2r)-1-amino-5-[[amino(nitramido)methylidene]amino]-1-oxopentan-2-yl]hexanamide Chemical compound NCCCC[C@@H](N)C(=O)N[C@@H](C(N)=O)CCCN=C(N)N[N+]([O-])=O NRDGOJQPHWAEES-RKDXNWHRSA-N 0.000 claims abstract description 16
- 229930091371 Fructose Natural products 0.000 claims abstract description 16
- 239000005715 Fructose Substances 0.000 claims abstract description 16
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 claims abstract description 16
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims abstract description 16
- 239000008103 glucose Substances 0.000 claims abstract description 16
- 239000004310 lactic acid Substances 0.000 claims abstract description 16
- 235000014655 lactic acid Nutrition 0.000 claims abstract description 16
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 claims abstract description 10
- KDYFGRWQOYBRFD-NUQCWPJISA-N butanedioic acid Chemical compound O[14C](=O)CC[14C](O)=O KDYFGRWQOYBRFD-NUQCWPJISA-N 0.000 claims abstract description 10
- 235000013405 beer Nutrition 0.000 claims abstract description 9
- 230000034303 cell budding Effects 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 2
- 235000014680 Saccharomyces cerevisiae Nutrition 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 10
- 230000001419 dependent effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 239000001384 succinic acid Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000035784 germination Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000003208 petroleum Substances 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 244000061456 Solanum tuberosum Species 0.000 description 2
- 235000002595 Solanum tuberosum Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 235000012015 potatoes Nutrition 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 235000016068 Berberis vulgaris Nutrition 0.000 description 1
- 241000335053 Beta vulgaris Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 244000017020 Ipomoea batatas Species 0.000 description 1
- 235000002678 Ipomoea batatas Nutrition 0.000 description 1
- 240000003183 Manihot esculenta Species 0.000 description 1
- 235000016735 Manihot esculenta subsp esculenta Nutrition 0.000 description 1
- 229920001131 Pulp (paper) Polymers 0.000 description 1
- 240000000111 Saccharum officinarum Species 0.000 description 1
- 235000007201 Saccharum officinarum Nutrition 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000003398 denaturant Substances 0.000 description 1
- 235000013325 dietary fiber Nutrition 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 235000013379 molasses Nutrition 0.000 description 1
- 239000010893 paper waste Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E50/00—Technologies for the production of fuel of non-fossil origin
- Y02E50/10—Biofuels, e.g. bio-diesel
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Micro-Organisms Or Cultivation Processes Thereof (AREA)
- Preparation Of Compounds By Using Micro-Organisms (AREA)
Abstract
本发明涉及基于数据驱动燃料乙醇发酵罐中乙醇浓度的在线预测方法。选取酒母罐出料时酒母醪的PH，干物，酒母数，出芽率，死亡率，DP4+，DP3，DP2，葡萄糖，果糖，琥珀酸，乳酸，甘油，乙酸，乙醇；以及t1,t2,t3的发酵醪的DP4+，DP3，DP2，葡萄糖，果糖，琥珀酸，乳酸，甘油，乙酸，乙醇作为自变量。最终的选取输入变量为，以t4时间内各个时刻的发酵罐乙醇浓度为输出变量；然后使用支持向量回归来建立输入变量与t4时间内各个时刻的发酵罐乙醇浓度的关联模型，并在线确定t4内的各个时刻对应的发酵罐乙醇浓度。通过相关测量仪表值，直接测量或间接计算得到各个自变量的值。
Description
技术领域
本发明属于生物技术与过程控制交叉领域，主要是在生产燃料乙醇过程中对发酵罐内的乙醇浓度在线测量的方法。
背景技术
燃料乙醇又称为汽油醇，是基于石油危机和控制大气污染所产生的新兴产物。燃料乙醇是以薯类(甘薯、木薯、马铃薯等)、糖类(废糖蜜、甜菜、甘蔗等)或纤维类(农作物秸秆、废木材、废纸浆等)等为原料，经发酵、蒸馏制得的99.5％的乙醇，将脱水后的乙醇加入变性剂，形成变性燃料乙醇。燃料乙醇是一种绿色并且可再生的能源，伴随着科学技术日新月异的发展，淀粉类、糖类和各类食物纤维都将成为其丰富的原料来源，它可以部分代替不可再生的石油能源。这在一定程度上是国家能源的一种有效的生产储备，同时，燃料乙醇的开发与应用有利于国家能源安全。随着煤、石油等不可再生化石燃料的不断消耗，人类迫切需要新的能源和能源替代品来解决能源危机。此外，工业的发展和人口的增加，环保越来越成为迫切需要解决的问题，而燃料乙醇以可再生的生物质为原料，用发酵法制备可以有效缓解能源危机，不仅不会对环境造成污染，相反可以改善大气环境。然而在发酵法制备乙醇的工业过程中，发酵罐里的乙醇浓度通常是通过人工取样分析然后计算得到的，这比较耗时且不方便，降低了工业生产效率。
近年来软测量技术在工业中获得了大量成功的应用。软测量技术通过检测某些可以直接获取的过程变量并根据其和待检测变量之间的数学模型，来估计用仪表较难直接检测的待测变量。对于机理模型尚不清楚的过程对象，可以采用数据驱动的建模方法来建立其软测量模型。该方法从历史的输入和输出数据提取有用信息，构建因变量和自变量间的数学关系，无需了解太多的过程知识，是种通用的软测量建模方法。随着计算机技术的发展，乙醇生产过程中的大量过程数据和离线分析数据被保存了下来。这些数据包含了丰富的过程信息，因此可以基于数据驱动的方法建立发酵罐中乙醇浓度的软测量模型。本发明开发了一种发酵罐乙醇浓度在线软仪表。它利用支持向量回归(Support VectorRegression，SVR)对相应时刻的乙醇浓度都建立一个数学模型，从而可以通过相应的SVR模型对相应时刻的乙醇浓度进行在线预测。
发明内容
本发明目的是提供一种在线确定燃料乙醇发酵罐内乙醇浓度的预测方法。
本发明的具体技术方案如下：
基于数据驱动燃料乙醇发酵罐中乙醇浓度的在线预测方法，选取选取酒母罐出料时酒母醪的PH，干物，酒母数，出芽率，死亡率，DP4+，DP3，DP2，葡萄糖，果糖，琥珀酸，乳酸，甘油，乙酸，乙醇依次分别作为自变量x1～x15；以及t1，t2和t3时间的发酵醪的DP4+，DP3，DP2，葡萄糖，果糖，琥珀酸，乳酸，甘油，乙酸，乙醇依次分别作为自变量；记发酵醪里的变量在发酵t1时为，发酵t2时为，发酵t3时为；
最终的选取输入变量为，以t4时间内各个时刻的发酵罐乙醇浓度为输出变量；然后使用支持向量回归来建立输入变量与t4时间内各个时刻的发酵罐乙醇浓度的关联模型，并在线确定t4内的各个时刻对应的发酵罐乙醇浓度。
进一步的，所述t1＝8h；t2＝24h；t3＝40h；t4＝64～74h。
进一步的，所述关联模型是建立11个SVR模型。
进一步的，对于t4内缺少乙醇浓度值的输出变量，使用线性插值法补全输出变量的值。
进一步的，选取的自变量有：酒母罐出料时酒母醪的PH(x1)，干物(x2，％)，酒母数(x3，亿/ml)，出芽率(x4，％)，死亡率(x5，％)，DP4+(x6，g/100ml)，DP3(x7，g/100ml)，DP2(x8，g/100ml)，葡萄糖(x9，g/100ml)，果糖(x10，g/100ml)，琥珀酸(x11，g/100ml)，乳酸(x12，g/100ml)，甘油(x13，g/100ml)，乙酸(x14，g/100ml)，乙醇(x15，g/100ml)。酒母罐出来的酒母醪被送入到发酵罐中；操作员只在8h，24h，40h和放罐时对发酵醪进行采样分析。放罐时间一般在64～74h之间，此时间段内一般有一两次的发酵醪取样分析，具体取样时间不固定。本发明的目标就是要预测64～74h之间各个时刻的乙醇浓度。为此，选取的自变量还有8h，24h，40h的发酵醪的DP4+(g/100ml)，DP3(g/100ml)，DP2(g/100ml)，葡萄糖(g/100ml)，果糖(g/100ml)，琥珀酸(g/100ml)，乳酸(g/100ml)，甘油(g/100ml)，乙酸(g/100ml)，乙醇(g/100ml)。我们记这些发酵醪里的变量发酵8h时为x16～x25，发酵24h时为x26～x35，发酵40h时为x36～x45。最终的选取输入变量为x1～x45，基于样本数据，用SVR来建立输入变量与64～74h内各个时刻的发酵罐乙醇浓度的关联模型，则需要建立11个SVR模型。利用相关测量仪表值，直接或间接计算获得x1～x45的值；基于模型，可以在线确定64～74h内的各个时刻对应的发酵罐乙醇浓度。
1.输入变量和因变量的构造
在生产乙醇过程中，影响发酵罐里乙醇浓度的主要因素：酒母罐出料时酒母醪的PH,干物，酒母数，出芽率，死亡率，DP4+，DP3，DP2，葡萄糖，果糖，琥珀酸，乳酸，甘油，乙酸，乙醇；另外，也可以从8h，24h，和40h的发酵醪的DP4+，DP3，DP2，葡萄糖，果糖，琥珀酸，乳酸，甘油，乙酸，乙醇中获取重要过程信息。
本发明的目标是在线预测64～74h之间各个时刻的发酵罐乙醇浓度。因此对每个时刻都建立一个SVR模型，总共有11个时刻，需要建立11个模型，因此有11个因变量。而一般操作员只计算了其中两个时刻的乙醇浓度，本发明根据这两个时刻的乙醇浓度然后通过线性插值法来补全其它时刻的乙醇浓度；从而确保11个因变量都有值。
本发明的特点是：
(I)将酒母罐出来时酒母醪的分析值(PH,干物，酒母数，出芽率，死亡率，DP4+，DP3，DP2，葡萄糖，果糖，琥珀酸，乳酸，甘油，乙酸，乙醇)作为输入变量。
(II)充分利用前几个时刻发酵醪的分析值来获取过程信息。即将8h，24h，和40h的发酵醪的DP4+，DP3，DP2，葡萄糖，果糖，琥珀酸，乳酸，甘油，乙酸，乙醇也作为模型输入变量。
(III)对需要预测的每一个时刻都建立一个SVR模型。
(IV)对于64～74h内缺少乙醇浓度的时刻，使用线性插值法来补全数据。
为此，燃料乙醇发酵罐乙醇浓度在线软仪表的输入变量选取如下：
(1)酒母罐放罐时酒母醪的PH(x1)，干物(x2，％)，酒母数(x3，亿/ml)，出芽率(x4，％)，死亡率(x5，％)，DP4+(x6，g/100ml)，DP3(x7，g/100ml)，DP2(x8，g/100ml)，葡萄糖(x9，g/100ml)，果糖(x10，g/100ml)，琥珀酸(x11，g/100ml)，乳酸(x12，g/100ml)，甘油(x13，g/100ml)，乙酸(x14，g/100ml)，乙醇(x15，g/100ml)。
(2)发酵8h的发酵醪的DP4+(x16，g/100ml)，DP3(x17，g/100ml)，DP2(x18，g/100ml)，葡萄糖(x19，g/100ml)，果糖(x20，g/100ml)，琥珀酸(x21，g/100ml)，乳酸(x22，g/100ml)，甘油(x23，g/100ml)，乙酸(x24，g/100ml)，乙醇(x25，g/100ml)；
(3)发酵24h的发酵醪的DP4+(x26，g/100ml)，DP3(x27，g/100ml)，DP2(x28，g/100ml)，葡萄糖(x29，g/100ml)，果糖(x30，g/100ml)，琥珀酸(x31，g/100ml)，乳酸(x32，g/100ml)，甘油(x33，g/100ml)，乙酸(x34，g/100ml)，乙醇(x35，g/100ml)；
(4)发酵40h的发酵醪的DP4+(x36，g/100ml)，DP3(x37，g/100ml)，DP2(x38，g/100ml)，葡萄糖(x39，g/100ml)，果糖(x40，g/100ml)，琥珀酸(x41，g/100ml)，乳酸(x42，g/100ml)，甘油(x43，g/100ml)，乙酸(x44，g/100ml)，乙醇(x45，g/100ml)。
x1～x45都是通过人工取样，进行离线分析直接或者间接计算得到的。
燃料乙醇发酵罐乙醇浓度在线软仪表的因变量如下：
(1)发酵64h的发酵罐乙醇浓度(y1，g/100ml)。
(2)发酵65h的发酵罐乙醇浓度(y2，g/100ml)。
(3)发酵66h的发酵罐乙醇浓度(y3，g/100ml)。
(4)发酵67h的发酵罐乙醇浓度(y4，g/100ml)。
(5)发酵68h的发酵罐乙醇浓度(y5，g/100ml)。
(6)发酵69h的发酵罐乙醇浓度(y6，g/100ml)。
(7)发酵70h的发酵罐乙醇浓度(y7，g/100ml)。
(8)发酵71h的发酵罐乙醇浓度(y8，g/100ml)。
(9)发酵72h的发酵罐乙醇浓度(y9，g/100ml)。
(10)发酵73h的发酵罐乙醇浓度(y10，g/100ml)。
(11)发酵74h的发酵罐乙醇浓度(y11，g/100ml)。
2.建模样本的预处理
为了消除量纲的影响，对采集的样本数据进行归一化预处理。输入变量利用式(1)进行归一化处理：
(1)式中，xi是第i个输入变量的实际测量值，sxi表示第i个输入变量归一化后的值，
表示第i个输入变量的变化范围，归一化后的输入变量的变化范围为[a，d]。
输出变量利用式(2)进行归一化处理：
(2)式中，yi是第i个SVR模型的输出变量，syi表示第i个SVR模型的输出变量归一化后的值，
表示第i个模型输出变量的变化范围，归一化后的输出值的变化范围为[a，d]。
对于第一个SVR模型，也就是发酵罐内发酵64h的乙醇浓度模型，采集到n组代表性的工业样本数据，其中每组数据包含输入变量(x1～x45)与相应时刻的发酵罐乙醇浓度(y1)，经(1)式，(2)式归一化后为[sx1,sx2,…,sx45,sy1]，形成建模样本。同理，可以得到其它时刻发酵罐乙醇浓度模型的建模样本[sx1,sx2,…,sx45,syi]i＝2,…,11。
3.基于SVR的燃料乙醇发酵罐乙醇浓度模型
假设建模样本的样本容量为n，首先对建模数据按照(1)式，(2)式归一化，采用SVR建模方法，建立初始模型。SVR模型的原问题如式(3)。
其中ξi和
是松弛变量，ε是不敏感损失系数，C是惩罚系数，w是权系数，b是偏置。(3)式的对偶问题为(4)式。
其中ai和
是拉格朗日乘子，
是RBF径向基核函数；σ是RBF径向基核函数的宽度。SVR的回归方程如式(5)。
可通过网格搜索法确定惩罚系数C，径向基核函数的宽度σ，和不敏感损失系数ε。然后将它们带入(4)式，最终可求解出ai，
和b。
将对应发酵罐发酵64h的乙醇浓度的建模样本带入上面介绍的SVR模型中，则可得到发酵罐发酵64h的乙醇浓度的模型，设为：
sy1＝f1(sx1,…,sx45)，设sx＝[sx1,…,sx45]，
则有
这里f1(·)为建模样本sx＝[sx1,…,sx45]与sy1之间的SVR模型。
同理我们获得其它10个时刻的模型，这11个模型可用(7)式来表示。
对模型(7)计算结果syk进行反归一化，就可以得到发酵罐乙醇浓度模型的乙醇浓度计算值syk，即
4.燃料乙醇发酵罐乙醇浓度软仪表的在线计算
燃料乙醇发酵罐乙醇浓度软仪表的在线计算流程如图1所示。x1～x45都是通过人工按时取样，进行离线分析直接或间接计算得到的。通过(1)式，求得[x1,x2,…,x45]归一化后的值sx＝[sx1,sx2,…,sx45]；通过(7)式，求得模型输出值syk；通过(8)式，反归一化求得发酵罐乙醇浓度模型的乙醇浓度计算值
即燃料乙醇发酵罐乙醇浓度软仪表的在线计算值。
附图说明
图1基于数据驱动燃料乙醇发酵罐中乙醇浓度的在线预测方法的流程图。
具体实施方式
以下通过实施例来对本发明作进一步说明：
采集25组自变量x1～x45，以及发酵罐64～74h内各个时刻乙醇浓度形成各个模型的样本数据。
1.预处理样本
对上述采集的由25个样本构成的数据进行归一化处理。取a＝0，d＝1，利用(1)式对[x1,x2,…,x45]归一化后的值sx＝[sx1,sx2,…,sx45]。对因变量利用(2)式归一化处理：y1的变化范围为[12,13.22]，进行归一化计算，即
其它因变量y2～y11同理计算。
2.基于SVR的燃料乙醇发酵罐乙醇浓度模型
总共有11个SVR模型，我们以第一个SVR模型(发酵64h的乙醇浓度模型)的计算来举例，其它模型的计算类似。
(1)通过网格搜索得到SVR的最佳参数为：惩罚系数C＝0.7071，径向基核函数的宽度σ2＝0.0625，和不敏感损失系数ε＝0.01。
(2)偏置值b＝mean(bi)i＝1,2,…,20＝0.6724。
(3)权系数w1～w20分别为：
将上述参数，代入(7)式中得到最终的模型(发酵64h的乙醇浓度模型)：
其它10个SVR模型的求解同第一个SVR模型的求解一样，它们最终模型如(10)～(19)式所示。
对上面模型的输出值进行反归一化处理就可以得到相应的发酵罐内乙醇浓度的预测值。在训练样本的因变量归一化时，y1的变化范围为[12，13.22]，y2的变化范围为[12.08，13.30]，y3的变化范围为[12.16，13.37]，y4的变化范围为[12.24，13.45]，y5的变化范围为[12.32，13.53]，y6的变化范围为[12.39，13.60]，y7的变化范围为[12.47，13.68]，y8的变化范围为[12.55，13.75]，y9的变化范围为[12.57，13.83]，y10的变化范围为[12.59，13.91]，y11的变化范围为[12.61，13.98]。因为取了a＝0，d＝1，则上面模型输出值的反归一化值如(20)～(30)式所示。
y1＝12+(13.22-12)×sy1 (20)
y2＝12.08+(13.30-12.08)×sy2 (21)
y3＝12.16+(13.37-12.16)×sy3 (22)
y4＝12.24+(13.45-12.24)×sy4 (23)
y5＝12.32+(13.53-12.32)×sy5 (24)
y6＝12.39+(13.60-12.39)×sy6 (25)
y7＝12.47+(13.68-12.47)×sy7 (26)
y8＝12.55+(13.75-12.55)×sy8 (27)
y9＝12.57+(13.83-12.57)×sy9 (28)
y10＝12.59+(13.91-12.59)×sy10 (29)
y11＝12.61+(13.98-12.61)×sy11 (30)
上述通过实例描述了燃料乙醇发酵罐乙醇浓度软仪表，通过离线分析直接或间接计算得到x1～x45，在线预测发酵罐乙醇浓度。
由上述例子得到的模型，下面是一组数据用于预测64～74h发酵罐内乙醇浓度：
[x1,x2,…,x45]＝[4.24 26.24 2.10 19.00 10.00 8.08 1.63 6.08 9.030.020.03 0.02 0.11 0.03 1.15 6.94 0.81 4.344.91 0.03 0.06 0.09 0.42 0.02 4.874.51 0.44 0.82 4.04 0.03 0.08 0.12 0.62 0.02 8.44 1.25 0.27 0.25 0.86 0.030.11 0.15 0.80 0.04 12.28]
经归一化计算得到：
[sx1,sx2,…,sx45]＝[0.4815 0.6572 0.2012 0.7143 1.0000 0.5059 0.52671.0000 0.5881 0.3333 1.0000 0.08330.0000 0.4286 0.1655 0.3017 0.6429 0.77300.3289 0.6000 1.0000 0.3750 0.4800 1.0000 0.6548 0.7618 0.8537 1.0000 0.42130.5000 0.7500 0.2000 0.0000 0.4000 0.0782 0.6190 1.0000 0.8750 0.3110 0.13040.6667 0.1500 0.1579 0.3333 0.7424]
通过(9)～(30)计算得到模型的最终预测值，也就是64～74内发酵罐乙醇浓度的在线预测值：
[y1,y2,y3,y4,y5,y6,y7,y8,y9,y10,y11]＝[12.86,12.88,12.91,12.94,12.97,13.00,13.02,13.05,13.08,13.11,13.14]。
Claims (6)
1.基于数据驱动燃料乙醇发酵罐中乙醇浓度的在线预测方法，其特征在于，选取选取酒母罐出料时酒母醪的PH，干物，酒母数，出芽率，死亡率，DP4+，DP3，DP2，葡萄糖，果糖，琥珀酸，乳酸，甘油，乙酸，乙醇依次分别作为自变量x1～x15；以及t1，t2和t3时间的发酵醪的DP4+，DP3，DP2，葡萄糖，果糖，琥珀酸，乳酸，甘油，乙酸，乙醇依次分别作为自变量；记发酵醪里的变量在发酵t1时为x16～x25，发酵t2时为x26～x35，发酵t3时为x36～x45；
最终的选取输入变量为x1～x45，以t4时间内各个时刻的发酵罐乙醇浓度为输出变量；然后使用支持向量回归来建立输入变量与t4时间内各个时刻的发酵罐乙醇浓度的关联模型，并在线确定t4内的各个时刻对应的发酵罐乙醇浓度。
2.根据权利要求1所述的基于数据驱动燃料乙醇发酵罐中乙醇浓度的在线预测方法，其特征在于，所述t1＝8h；t2＝24h；t3＝40h；t4＝64～74h。
3.根据权利要求1所述的基于数据驱动燃料乙醇发酵罐中乙醇浓度的在线预测方法，其特征在于，所述关联模型是建立11个SVR模型。
4.根据权利要求1所述的基于数据驱动燃料乙醇发酵罐中乙醇浓度的在线预测方法，其特征在于，对于t4内缺少乙醇浓度值的输出变量，使用线性插值法补全输出变量的值。
5.根据权利要求1所述的基于数据驱动燃料乙醇发酵罐中乙醇浓度的在线预测方法，其特征在于，所述使用支持向量回归来建立输入变量与t4时间内各个时刻的发酵罐乙醇浓度的关联模型，是输入变量利用下式归一化处理：
其中，xi是第i个输入变量的实际测量值，sxi表示第i个输入变量归一化后的值，
表示第i个输入变量的变化范围，归一化后的输入变量的变化范围为[a，d]；
输出变量利用下式进行归一化处理：
其中，yi是第i个SVR模型的输出变量，syi表示第i个SVR模型的输出变量归一化后的值，
表示第i个模型输出变量的变化范围，归一化后的输出值的变化范围为[a，d]；
采集工业数据，经归一化后，采用SVR建立[sx1,sx2,…,sx45]与syk k＝1,…,11的关联模型：
通过对模型输出syk反归一化，求得发酵罐乙醇浓度的模型计算值：
6.根据权利要求3所述的基于数据驱动燃料乙醇发酵罐中乙醇浓度的在线预测方法，其特征在于，所述SVR模型的方程如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010766032.8A CN112002379B (zh) | 2020-08-03 | 2020-08-03 | 基于数据驱动燃料乙醇发酵罐中乙醇浓度的在线预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010766032.8A CN112002379B (zh) | 2020-08-03 | 2020-08-03 | 基于数据驱动燃料乙醇发酵罐中乙醇浓度的在线预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112002379A true CN112002379A (zh) | 2020-11-27 |
| CN112002379B CN112002379B (zh) | 2024-04-02 |
Family
ID=73462643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010766032.8A Active CN112002379B (zh) | 2020-08-03 | 2020-08-03 | 基于数据驱动燃料乙醇发酵罐中乙醇浓度的在线预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112002379B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113444843A (zh) * | 2021-06-09 | 2021-09-28 | 华东理工大学 | 燃料乙醇生产状态可视化在线监测方法 |
| CN113449866A (zh) * | 2021-06-28 | 2021-09-28 | 华东理工大学 | 燃料乙醇发酵过程工业知识图谱构建方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080167852A1 (en) * | 2006-10-31 | 2008-07-10 | Bartee James F | Nonlinear Model Predictive Control of a Biofuel Fermentation Process |
| CN106052753A (zh) * | 2016-05-18 | 2016-10-26 | 江苏大学 | 基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法 |
| CN109142574A (zh) * | 2018-08-29 | 2019-01-04 | 广东药科大学 | 基于svr研究葛根芩连汤改善胰岛素抵抗的物质基础的方法 |
| US20200199555A1 (en) * | 2018-12-05 | 2020-06-25 | The Broad Institute, Inc. | Cas proteins with reduced immunogenicity and methods of screening thereof |
-
2020
- 2020-08-03 CN CN202010766032.8A patent/CN112002379B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080167852A1 (en) * | 2006-10-31 | 2008-07-10 | Bartee James F | Nonlinear Model Predictive Control of a Biofuel Fermentation Process |
| CN106052753A (zh) * | 2016-05-18 | 2016-10-26 | 江苏大学 | 基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法 |
| CN109142574A (zh) * | 2018-08-29 | 2019-01-04 | 广东药科大学 | 基于svr研究葛根芩连汤改善胰岛素抵抗的物质基础的方法 |
| US20200199555A1 (en) * | 2018-12-05 | 2020-06-25 | The Broad Institute, Inc. | Cas proteins with reduced immunogenicity and methods of screening thereof |
Non-Patent Citations (2)
| Title |
|---|
| 蒋建兰;宣建邦;张凯旋;范海柳;赵腾飞;冯佳;: "数学模型在QbD理念实施中的应用及推广", 中国新药杂志, no. 04 * |
| 陈明忠;: "一种新的赖氨酸发酵过程软测量建模方法", 中国酿造, no. 11 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113444843A (zh) * | 2021-06-09 | 2021-09-28 | 华东理工大学 | 燃料乙醇生产状态可视化在线监测方法 |
| CN113449866A (zh) * | 2021-06-28 | 2021-09-28 | 华东理工大学 | 燃料乙醇发酵过程工业知识图谱构建方法 |
| CN113449866B (zh) * | 2021-06-28 | 2024-03-29 | 华东理工大学 | 燃料乙醇发酵过程工业知识图谱构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112002379B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kucharska et al. | Key issues in modeling and optimization of lignocellulosic biomass fermentative conversion to gaseous biofuels | |
| Saucedo-Castaneda et al. | On-line automated monitoring and control systems for CO2 and O2 in aerobic and anaerobic solid-state fermentations | |
| CN112002379B (zh) | 基于数据驱动燃料乙醇发酵罐中乙醇浓度的在线预测方法 | |
| Germec et al. | Ethanol production from acid-pretreated and detoxified tea processing waste and its modeling | |
| CN107238638A (zh) | 基于大曲各成分理化指标与产酒量和酒质联系的测定方法 | |
| Rivera et al. | A procedure for estimation of fermentation kinetic parameters in fed-batch bioethanol production process with cell recycle | |
| Jiménez-Islas et al. | Modelling of ethanol production from red beet juice by Saccharomyces cerevisiae under thermal and acid stress conditions | |
| Martín et al. | Evaluation of the effect of the dilute acid hydrolysis on sugars release from olive prunings | |
| CN109490393B (zh) | 大曲中理化指标特征值提取方法曲料品质分析方法及系统 | |
| Mondal et al. | Production of blending quality bioethanol from broken rice: Optimization of process parameters and kinetic modeling | |
| Zentou et al. | Developing an integrated mathematical model of fermentation-pervaporation system for bioethanol production | |
| Singh et al. | A comparative overview of Bioethanol production from Organic Residues of Agro waste Materials | |
| Ge et al. | Impacts of yeast floc size distributions on their observed rates for substrate uptake and product formation | |
| CN111060477A (zh) | 厌氧共发酵原料生化甲烷势近红外光谱快速检测方法 | |
| Thygesen et al. | SSF fermentation of rape straw and the effects of inhibitory stress on yeast | |
| Moya et al. | Fermentation of acid hydrolysates from olive-tree pruning debris by Pachysolen tannophilus | |
| Kumar et al. | Ethanol yield calculation method–“an unaccounted factor” responsible for yield variations | |
| Castelló et al. | Bioethanol industrial production optimization | |
| CN115389703A (zh) | 发酵罐乙醇出罐浓度的预测方法、控制装置、及存储介质 | |
| Canseco Grellet et al. | A modified indirect mathematical model for evaluation of ethanol production efficiency in industrial‐scale continuous fermentation processes | |
| Krieg | Real-time monitoring of continuous fermentation by Raman spectroscopy | |
| Sipos et al. | Development of a non-linear dynamic mathematical model for the alcoholic fermentation | |
| Htway et al. | Bioethanol production from office waste paper | |
| Piyohu et al. | Study on characteristics of bioethanol based liquid waste results of sago processing | |
| Schweiger et al. | Plant-wide optimization of an ethanol plant using parametric hybrid models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |