CN113444843A - 燃料乙醇生产状态可视化在线监测方法 - Google Patents
燃料乙醇生产状态可视化在线监测方法 Download PDFInfo
- Publication number
- CN113444843A CN113444843A CN202110717333.6A CN202110717333A CN113444843A CN 113444843 A CN113444843 A CN 113444843A CN 202110717333 A CN202110717333 A CN 202110717333A CN 113444843 A CN113444843 A CN 113444843A
- Authority
- CN
- China
- Prior art keywords
- stage
- ethanol
- fermentation
- fuel ethanol
- 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.)
- Pending
Links
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 title claims abstract description 247
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 53
- 239000000446 fuel Substances 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000000007 visual effect Effects 0.000 title claims abstract description 19
- 238000000855 fermentation Methods 0.000 claims abstract description 50
- 230000004151 fermentation Effects 0.000 claims abstract description 47
- 238000012800 visualization Methods 0.000 claims abstract description 11
- 230000007704 transition Effects 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims abstract description 3
- 238000000605 extraction Methods 0.000 claims abstract description 3
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 claims description 57
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 57
- KDYFGRWQOYBRFD-UHFFFAOYSA-N Succinic acid Natural products OC(=O)CCC(O)=O KDYFGRWQOYBRFD-UHFFFAOYSA-N 0.000 claims description 54
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 claims description 38
- 239000005715 Fructose Substances 0.000 claims description 19
- 229930091371 Fructose Natural products 0.000 claims description 19
- 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 description 19
- 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 description 19
- 240000004808 Saccharomyces cerevisiae Species 0.000 claims description 19
- 239000008103 glucose Substances 0.000 claims description 19
- 239000004310 lactic acid Substances 0.000 claims description 19
- 235000014655 lactic acid Nutrition 0.000 claims description 19
- 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 description 11
- 238000004458 analytical method Methods 0.000 claims description 11
- 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 description 11
- KDYFGRWQOYBRFD-NUQCWPJISA-N butanedioic acid Chemical compound O[14C](=O)CC[14C](O)=O KDYFGRWQOYBRFD-NUQCWPJISA-N 0.000 claims description 11
- 235000013405 beer Nutrition 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000001965 increasing effect Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000034303 cell budding Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 210000004205 output neuron Anatomy 0.000 claims description 2
- 230000000750 progressive effect Effects 0.000 claims 1
- 235000014680 Saccharomyces cerevisiae Nutrition 0.000 description 16
- 230000008569 process Effects 0.000 description 8
- 239000001384 succinic acid Substances 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 239000003502 gasoline Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000035784 germination Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 244000061456 Solanum tuberosum Species 0.000 description 2
- 235000002595 Solanum tuberosum Nutrition 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000012015 potatoes Nutrition 0.000 description 2
- 238000007781 pre-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
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 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
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000002551 biofuel Substances 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003398 denaturant Substances 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000011090 industrial biotechnology method and process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 235000013379 molasses Nutrition 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000010893 paper waste Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q3/00—Condition responsive control processes
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12P—FERMENTATION OR ENZYME-USING PROCESSES TO SYNTHESISE A DESIRED CHEMICAL COMPOUND OR COMPOSITION OR TO SEPARATE OPTICAL ISOMERS FROM A RACEMIC MIXTURE
- C12P7/00—Preparation of oxygen-containing organic compounds
- C12P7/02—Preparation of oxygen-containing organic compounds containing a hydroxy group
- C12P7/04—Preparation of oxygen-containing organic compounds containing a hydroxy group acyclic
- C12P7/06—Ethanol, i.e. non-beverage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Wood Science & Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Zoology (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Microbiology (AREA)
- Biotechnology (AREA)
- Genetics & Genomics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Medical Informatics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- General Chemical & Material Sciences (AREA)
- Preparation Of Compounds By Using Micro-Organisms (AREA)
- Micro-Organisms Or Cultivation Processes Thereof (AREA)
Abstract
本发明公开了燃料乙醇生产状态可视化在线监测方法，根据燃料乙醇的发酵时间将乙醇的生产过程分为如下几个阶段：刚开始发酵时刻属于初始阶段，发酵到t1时间为第一阶段，发酵到t2时间为第二阶段，发酵到t3时间为第三阶段；过辅助变量分阶段逐级增强的方法对于每个阶段，基于样本数据，首先使用LDA对数据进行特征提取，然后将LDA提取的特征输入到SOM中进行投影，输出燃料乙醇生产状态分类的可视化结果和状态转移轨迹。本发明方法用于指导燃料乙醇的生产操作。
Description
技术领域
本发明属于工业生物技术与过程控制交叉领域，主要是涉及基于辅助变量分阶段逐级增强的燃料乙醇生产状态可视化在线监测方法。
背景技术
面对传统化石能源日益枯竭、环境污染日益严重以及全球气候变暖的威胁，我国已经将关注目光转向了能源多元化发展和加快可再生能源开发上。燃料乙醇作为可再生能源的代表之一，已成为我国新兴能源研发的重点，当前，伴随着低碳之风席卷祖国大地，燃料乙醇的生产和利用在我国得到了迅速的发展。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。生产乙醇汽油是消化“问题粮食”的重要途径，既有利于保护土壤污染地区农民的利益，又有利于减少粮食储存企业的负担，减少国家因储量损失的财政补贴，还有利于减少对进口石油的依赖，更有利于我国的食品安全。在汽油中加入燃料乙醇，提高了汽油中的氧含量，使得汽油燃烧更加充分，减少了碳氢化合物、一氧化碳、二氧化碳、PM2.5的排放；同时降低了汽油中芳烃的含量，可减少次级PM2.5排放。在未来对能源的开发中，燃料乙醇将逐渐凸显，对燃料乙醇的应用将远不止是目前的冰山一角。燃料乙醇将有更大的舞台，在全球节能减排和低碳发展的道路中，将发挥越来越重要的作用。燃料乙醇必将为我国创造出巨大的经济效益和社会效益。然而现在工业中燃料乙醇的生产过程还不够智能化，生产效率低下。
近年来基于大数据驱动的智能算法在工业中取得了大量成功的应用。生物燃料乙醇的生产过程复杂，难以建立机理模型来指导和优化工业生产。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燃料乙醇生产状态的监测模型来指导生产操作。根据燃料乙醇的发酵时间可将乙醇的生产过程分为如下几个阶段：刚开始发酵时刻为初始阶段，发酵到第8小时为第一阶段，发酵到第24小时为第二阶段，发酵到第40小时为第三阶段。随着发酵时间的增加，可获取的自变量也会增多，即可获取更多的有用信息。本发明通过运用辅助变量分阶段逐级增强的方法对乙醇生产不同阶段的运行数据进行可视化，实现了对乙醇生产的优，中，差三个状态的可视化分类，并在此基础上通过数据进一步跟踪燃料乙醇生产状态的变化，为确定燃料乙醇的生产状态提供了可靠依据，对后续针对不同生产状态采取有针对性的处理措施提供了指导。
发明内容
本发明目的是提供一种辅助变量分阶段逐级增强的燃料乙醇生产状态可视化在线监测方法。根据燃料乙醇的发酵时间将乙醇的生产过程分为如下几个阶段：刚开始发酵时刻为初始阶段，发酵到第8小时为第一阶段，发酵到第24小时为第二阶段，发酵到第40小时为第三阶段。初始阶段选取的自变量有：酒母罐出料时酒母醪的PH(x1)，干物(x2，％)，酵母数(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；另外，液化醪也会被输入到发酵罐中，所以将液化醪的PH(x16)，干物(x17，％)，粘度(x18)，DP4+(x19，g/100ml)，DP3(x20，g/100ml)，DP2(x21，g/100ml)，葡萄糖(x22，g/100ml)，果糖(x23，g/100ml)，琥珀酸(x24，g/100ml)，乳酸(x25，g/100ml)，甘油(x26，g/100ml)，乙酸(x27，g/100ml)，乙醇(x28，g/100ml)也选取为初始阶段的自变量。发酵罐一边加料一边开始发酵产生乙醇，操作员在8h，24h，40h还对发酵醪进行采样离线分析。分析的成为包括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)。记这些成分发酵8h时为x29～x38，发酵24h时为x39～x48，发酵40h时为x49～x58。另外，发酵罐的温度也包含着重要的过程信息，将前40h每小时内的平均温度作为变量(记为x59～x98)。则第一阶段的辅助变量选择为初始阶段的辅助变量，并增加第8小时的发酵醪的成分离线分析值(x29～x38)，以及前8小时每个小时的平均发酵温度(x59～x66)。第二阶段的辅助变量选择为初始阶段和第一阶段的辅助变量，并增加第24小时的发酵醪的成分离线分析值(x39～x48)，以及第9到第24小时内每个小时的平均发酵温度(x67～x82)。第三阶段的辅助变量选择为初始阶段，第一阶段和第二阶段的辅助变量，并增加第40小时的发酵醪的成分离线分析值(x49～x58)，以及第25到第40小时内每个小时的平均发酵温度(x83～x98)。本发明通过辅助变量分阶段逐级增强的方法对于每个阶段，基于样本数据，首先使用LDA对数据进行特征提取，然后将LDA提取的特征输入到SOM中进行投影，输出燃料乙醇生产状态分类的可视化结果和状态转移轨迹。
1.输入变量和生产状态的构造
本发明根据发酵罐发酵终止时的乙醇体积比将生产状态分为优，中，差3类。当乙醇体积比大于15.8时为优，大于等于15.5并且小于等于15.8为中，小于15.5为差。
在生产乙醇过程中，影响发酵罐里乙醇生产状态的主要因素有：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，以及液化醪中的PH，干物，粘度，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，再者，发酵罐的温度也包含着重要的过程信息。
本发明的特点是：
(I)将液化醪中的分析值以及酒母罐放料时酒母醪的分析值(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)充分利用不同阶段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，乙醇也作为不同阶段的模型的输入变量。
(III)将发酵罐的不同阶段的发酵温度作为模型的输入变量。
(Ⅳ)在不同阶段分别建立燃料乙醇生产状态的可视化监测模型，使得模型能够及时为生产提供指导。
(Ⅴ)随着发酵阶段的递进，模型的自变量也逐级增强。
为此，辅助变量分阶段逐级增强的燃料乙醇生产状态可视化在线监测模型的输入变量选取如下：
初始阶段模型的输入变量：
(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)液化醪的PH(x16)，干物(x17，％)，粘度(x18)，DP4+(x19，g/100ml)，DP3(x20，g/100ml)，DP2(x21，g/100ml)，葡萄糖(x22，g/100ml)，果糖(x23，g/100ml)，琥珀酸(x24，g/100ml)，乳酸(x25，g/100ml)，甘油(x26，g/100ml)，乙酸(x27，g/100ml)，乙醇(x28，g/100ml)。
第一阶段模型的输入变量为：
(1)初始阶段的所有输入变量，以及发酵8h时的发酵醪的DP4+(x29，g/100ml)，DP3(x30，g/100ml)，DP2(x31，g/100ml)，葡萄糖(x32，g/100ml)，果糖(x33，g/100ml)，琥珀酸(x34，g/100ml)，乳酸(x35，g/100ml)，甘油(x36，g/100ml)，乙酸(x37，g/100ml)，乙醇(x38，g/100ml)；
(2)1h到8h的发酵罐平均温度(x59～x66)
第二阶段模型的输入变量为：
(1)初始阶段和第一阶段的所有输入变量，以及发酵24h时的发酵醪的DP4+(x39，g/100ml)，DP3(x40，g/100ml)，DP2(x41，g/100ml)，葡萄糖(x42，g/100ml)，果糖(x43，g/100ml)，琥珀酸(x44，g/100ml)，乳酸(x45，g/100ml)，甘油(x46，g/100ml)，乙酸(x47，g/100ml)，乙醇(x48，g/100ml)；
(2)9h到24h的发酵罐平均温度(x67～x82)
第三阶段模型分输入变量为：
(1)初始阶段，第一阶段和第二阶段的所有输入变量，以及发酵40h的发酵醪的DP4+(x49，g/100ml)，DP3(x50，g/100ml)，DP2(x51，g/100ml)，葡萄糖(x52，g/100ml)，果糖(x53，g/100ml)，琥珀酸(x54，g/100ml)，乳酸(x55，g/100ml)，甘油(x56，g/100ml)，乙酸(x57，g/100ml)，乙醇(x58，g/100ml)。
(2)25h到40h的发酵罐平均温度(x83～x98)
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]。
对于初始阶段的模型，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～x28)，经(1)式归一化后为[sx1,sx2,L,sx28]，记录其状态标签，形成建模样本。同理，可以得到其它阶段模型的建模样本。
3.辅助变量分阶段逐级增强的燃料乙醇生产状态可视化在线监测模型
对于初始阶段的可视化在线监测模型，假设建模样本的样本容量为n，首先对建模数据按照(1)式归一化，采用LDA建模方法，建立初始模型。LDA的类内离散度矩阵(Sw)以及类间离散度矩阵(Sb)的定义见下式：
其中xi,j代表第i个类别的数据集中的第j个样本，
代表第i个类别数据集的均值，
代表整个数据集的均值。LDA算法优化的目标函数J的形式如下，寻找投影矩阵W使得J最大：
将对应初始阶段的建模样本带入上面介绍的LDA模型中，则可得到降维后的样本z。接着将降维后的样本输入到SOM中。
(1)首先对SOM网络的权值wij在[0,1]之间随机初始化。
(2)对竞争层每一个输出神经元，计算各输入向量z＝[z1,z2,...,zm]T与连接权向量wi＝[wi1,wi2,L,wim]T间的欧氏距离。距离最小的神经元为获胜神经元。
(3)根据下面公式更新获胜神经元以及邻域神经元的权值向量。
式中0＜α(t)＜1，为学习因子。
(4)输入下一个样本，转入到(2)中进行下一轮学习，直到所有样本的都学习完，则完成一次迭代。当迭代次数达到设置的总迭代次数时，完成SOM的训练。训练结束后，可输出训练数据的碰撞直方图。
(5)对测试数据不同状态进行标记，将测试数据输入到已经训练好的LDA和SOM中进行投影，输出测试数据的碰撞直方图，并在碰撞直方图的基础上做出状态转移轨迹，完成测试数据的状态可视化以及状态监测。
以上描述了初始阶段的可视化监测模型的建模方法，其它阶段的建模方法和初始阶段的一样。
4.辅助变量分阶段逐级增强的乙醇生产状态可视化在线监测模型的在线计算
辅助变量分阶段逐级增强的乙醇生产状态可视化在线监测模型的在线计算流程如图1所示。输入变量都是通过在线仪表或者人工按时取样，进行离线分析直接或间接得到，通过(1)式，求得归一化后的值输入LDA和SOM得到监测模型。
附图说明
图1辅助变量分阶段逐级增强的乙醇生产状态可视化在线监测模型的计算流程图。
图2初始阶段乙醇生产状态的可视化监测图。
图3第一阶段乙醇生产状态的可视化监测图。
图4第二阶段乙醇生产状态的可视化监测图。
图5第三阶段乙醇生产状态的可视化监测图。
图6第三阶段乙醇生产的状态转移轨迹图。
具体实施方式
以下通过实施例来对本发明作进一步说明：
一种辅助变量分阶段逐级增强的燃料乙醇生产状态可视化在线监测方法。根据燃料乙醇的发酵时间将乙醇的生产过程分为如下几个阶段：刚开始发酵时刻为初始阶段，发酵到第8小时为第一阶段，发酵到第24小时为第二阶段，发酵到第40小时为第三阶段。其中初始阶段辅助变量选择为：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，以及液化醪中的PH、干物、粘度、DP4+、DP3、DP2、葡萄糖、果糖、琥珀酸、乳酸、甘油、乙酸和乙醇。第一阶段的辅助变量选择为初始阶段的辅助变量，并增加第8小时的发酵醪的DP4+、DP3、DP2、葡萄糖、果糖、琥珀酸、乳酸、甘油、乙酸和乙醇，以及前8小时每个小时的平均发酵温度。第二阶段的辅助变量选择为初始阶段和第一阶段的辅助变量，并增加第24小时的发酵醪的成分离线分析值，以及第9到第24小时内每个小时的平均发酵温度。第三阶段的辅助变量选择为初始阶段，第一阶段和第二阶段的辅助变量，并增加第40小时的发酵醪的成分离线分析值，以及第25到第40小时内每个小时的平均发酵温度。根据发酵终止时的乙醇体积比将乙醇生产状态划分为优，中和差3类。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。对于燃料乙醇生产的每一个阶段，采集工业样本数据，使用线性判别分析(LDA)提取特征，然后将特征输入到自组织映射网络(SOM)中，完成燃料乙醇生产状态的可视化监测。
本实施例采集180组自变量x1～x98，以及每个样本对应的状态标签形成模型的样本数据。下面以初始阶段的建模来进行说明。
(1)预处理样本
对上述采集的由180个样本构成的数据进行归一化处理。初始阶段对应的输入自变量为x1～x28，取a＝0，d＝1，利用(1)式对[x1,x2,L,x28]归一化后的值sx＝[sx1,sx2,L,sx28]。
(2)辅助变量分阶段逐级增强的可视化监测模型
根据(2)，(3)和(4)式计算得到LDA的投影矩阵W为:
然后使用投影矩阵W对180个样本进行降维，将降维得到的特征输入到SOM中，得到图2所示的可视化监测图。同样，对第一，第二和第三阶段进行同样的操作，得到图3，图4和图5所示的可视化监测图。当新来一个测试样本后，我们将其送入到训练好的LDA和SOM模型中，可以得到其投影点，如图5中的点A。图中网格里的字母G表示对应的生产状态为优，M表示生产状态为中，B表示生产状态为差。由于点A落在写有字母B的网格上，可以判断当前的燃料乙醇生产状态为差，将样本用有向箭头连接起来，则可以得到状态转移轨迹。
Claims (7)
1.燃料乙醇生产状态可视化在线监测方法，其特征在于，根据燃料乙醇的发酵时间将乙醇的生产过程分为如下几个阶段：刚开始发酵时刻属于初始阶段，发酵到t1时间为第一阶段，发酵到t2时间为第二阶段，发酵到t3时间为第三阶段；初始阶段的模型输入变量为：
其中初始阶段辅助变量选择为：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，以及液化醪中的PH、干物、粘度、DP4+、DP3、DP2、葡萄糖、果糖、琥珀酸、乳酸、甘油、乙酸和乙醇；
第一阶段的模型输入的变量为：
初始阶段的所有输入变量，并增加t1时的发酵醪的DP4+、DP3、DP2、葡萄糖、果糖、琥珀酸、乳酸、甘油、乙酸和乙醇，以及从初始到t1的平均发酵温度；
第二阶段的辅助变量选择为初始阶段和第一阶段的辅助变量，并增加t2时的发酵醪的成分离线分析值，以及从t1到t2的平均发酵温度；
第三阶段的辅助变量选择为初始阶段，第一阶段和第二阶段的辅助变量，并增加t3时的发酵醪的成分离线分析值，以及从t2到t3的平均发酵温度；
通过辅助变量分阶段逐级增强的方法对于每个阶段，基于样本数据，首先使用LDA对数据进行特征提取，然后将LDA提取的特征输入到SOM中进行投影，输出燃料乙醇生产状态分类的可视化结果和状态转移轨迹。
2.根据权利要求1所述的监测方法，其特征在于，所述t1是8小时，t2是24小时，t3是40小时。
3.根据权利要求1所述的监测方法，其特征在于，根据发酵终止时的乙醇体积比将燃料乙醇的生产状态进行可视化结果划分。
4.根据权利要求3所述的监测方法，其特征在于，所述可视化结果划分是当乙醇体积比大于15.8时为优，大于等于15.5并且小于等于15.8为中，小于15.5为差。
5.根据权利要求1所述的监测方法，其特征在于，对于初始、第一、第二和第三阶段分别建立燃料乙醇生产状态的可视化监测模型；后阶段模型的输入变量是前阶段模型输入变量的逐级增强。
6.根据权利要求1所述的监测方法，其特征在于，所述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]。
7.根据权利要求1所述的监测方法，其特征在于，
设建模样本的样本容量为n，LDA的类内离散度矩阵(Sw)以及类间离散度矩阵(Sb)的定义见下式：
其中xi,j代表第i个类别的数据集中的第j个样本，
代表第i个类别数据集的均值，
代表整个数据集的均值；LDA算法优化的目标函数J的形式如下，寻找投影矩阵W使得J最大：
将对应初始阶段的建模样本带入上面介绍的LDA模型中，则可得到降维后的样本z；接着将降维后的样本输入到SOM中；
(1)首先对SOM网络的权值wij在[0,1]之间随机初始化；
(2)对竞争层每一个输出神经元，计算各输入向量z＝[z1,z2,...,zm]T与连接权向量wi＝[wi1,wi2,L,wim]T间的欧氏距离。距离最小的神经元为获胜神经元；
(3)根据下面公式更新获胜神经元以及邻域神经元的权值向量；
式中0＜α(t)＜1，为学习因子；
(4)输入下一个样本，转入到(2)中进行下一轮学习，直到所有样本的都学习完，则完成一次迭代。当迭代次数达到设置的总迭代次数时，完成SOM的训练。训练结束后，可输出训练数据的碰撞直方图；
(5)对测试数据不同状态进行标记，将测试数据输入到已经训练好的LDA和SOM中进行投影，输出测试数据的碰撞直方图，并在碰撞直方图的基础上做出状态转移轨迹，完成测试数据的状态可视化以及状态监测。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2021106403044 | 2021-06-09 | ||
| CN202110640304 | 2021-06-09 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113444843A true CN113444843A (zh) | 2021-09-28 |
Family
ID=77813074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110717333.6A Pending CN113444843A (zh) | 2021-06-09 | 2021-06-28 | 燃料乙醇生产状态可视化在线监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113444843A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105229452A (zh) * | 2013-03-21 | 2016-01-06 | 国家科学和工业研究组织 | 改进的化学阻抗传感器 |
| CN107341359A (zh) * | 2017-08-11 | 2017-11-10 | 江苏科海生物工程设备有限公司 | 秸秆发酵生产乙醇过程关键参量的软测量方法 |
| CN111638707A (zh) * | 2020-06-07 | 2020-09-08 | 南京理工大学 | 基于som聚类和mpca的间歇过程故障监测方法 |
| WO2020192971A2 (de) * | 2019-03-25 | 2020-10-01 | Technische Universität Dortmund | Verfahren zur gesteuerten hefeproduktion |
| CN111783315A (zh) * | 2020-07-21 | 2020-10-16 | 华东理工大学 | 基于数据驱动的燃料乙醇发酵罐早停止方法 |
| CN112002379A (zh) * | 2020-08-03 | 2020-11-27 | 华东理工大学 | 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 |
-
2021
- 2021-06-28 CN CN202110717333.6A patent/CN113444843A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105229452A (zh) * | 2013-03-21 | 2016-01-06 | 国家科学和工业研究组织 | 改进的化学阻抗传感器 |
| CN107341359A (zh) * | 2017-08-11 | 2017-11-10 | 江苏科海生物工程设备有限公司 | 秸秆发酵生产乙醇过程关键参量的软测量方法 |
| WO2020192971A2 (de) * | 2019-03-25 | 2020-10-01 | Technische Universität Dortmund | Verfahren zur gesteuerten hefeproduktion |
| CN111638707A (zh) * | 2020-06-07 | 2020-09-08 | 南京理工大学 | 基于som聚类和mpca的间歇过程故障监测方法 |
| CN111783315A (zh) * | 2020-07-21 | 2020-10-16 | 华东理工大学 | 基于数据驱动的燃料乙醇发酵罐早停止方法 |
| CN112002379A (zh) * | 2020-08-03 | 2020-11-27 | 华东理工大学 | 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 |
Non-Patent Citations (4)
| Title |
|---|
| JIA ZHENG ET AL.: "Development of a Rapid Discrimination Tool for Luzhou-flavor Pit Mud Classification by the Kohonen Artificial Neural Network Model", 《FOOD ANALYTICAL METHODS》, pages 1734 - 299 * |
| LMIODRAG MILOVANOVIC ET AL.: "A novel method for classification of wine based on organic acids", 《FOOD CHEMISTRY》, pages 296 - 302 * |
| 尹梁: "面向软测量的发酵过程变量选择和数据降维研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 140 - 232 * |
| 赵明: "非线性过程故障检测与诊断方法比较研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 140 - 771 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mupondwa et al. | Status of Canada's lignocellulosic ethanol: Part II: Hydrolysis and fermentation technologies | |
| Neto et al. | Business models for commercial scale second-generation bioethanol production | |
| CN112949162B (zh) | 基于数据驱动的箱板纸机干燥部能量系统运行优化方法 | |
| 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 | |
| CN104462850A (zh) | 基于模糊高斯混合模型的多阶段间歇过程软测量方法 | |
| Velidandi et al. | State-of-the-art and future directions of machine learning for biomass characterization and for sustainable biorefinery | |
| CN115270872A (zh) | 雷达辐射源个体小样本学习识别方法、系统、装置及介质 | |
| Naveed et al. | Cellulosic biomass fermentation for biofuel production: Review of artificial intelligence approaches | |
| Priyadharshini et al. | Machine learning prediction of SCOBY cellulose yield from Kombucha tea fermentation | |
| Sanchez et al. | Analysis of historical total production costs of cellulosic ethanol and forecasting for the 2020-decade | |
| CN109886314B (zh) | 一种基于pnn神经网络的餐厨废弃油检测方法及其装置 | |
| CN113444843A (zh) | 燃料乙醇生产状态可视化在线监测方法 | |
| Yang | Research on financial credit evaluation and early warning system of internet of things driven by computer-aided technology | |
| Roell et al. | A comparative evaluation of machine learning algorithms for predicting syngas fermentation outcomes | |
| Mondal et al. | Production of blending quality bioethanol from broken rice: Optimization of process parameters and kinetic modeling | |
| 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 | |
| CN106326677B (zh) | 一种pta装置醋酸消耗的软测量方法 | |
| CN115910193A (zh) | Bp-miv预测木质纤维素原料同步糖化发酵乙醇过程的方法 | |
| CN116488151A (zh) | 一种基于条件生成对抗网络的短期风电功率预测方法 | |
| CN111553400A (zh) | 一种风力发电机组振动故障的精准诊断方法 | |
| CN116263814A (zh) | 一种油浸式变压器故障诊断方法 | |
| CN111783315B (zh) | 基于数据驱动的燃料乙醇发酵罐早停止方法 | |
| CN115579067A (zh) | 一种植物生长基因与发育阶段和细胞类型关系判定方法 | |
| Niaze et al. | Model construction and optimization for raising the concentration of industrial bioethanol production by using a data-driven ANN model | |
| CN114740713A (zh) | 一种湿法烟气脱硫过程的多目标优化控制方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210928 |
|
| WD01 | Invention patent application deemed withdrawn after publication |