CN115719040B - 一种青霉素发酵过程关键变量软测量方法及系统 - Google Patents
一种青霉素发酵过程关键变量软测量方法及系统 Download PDFInfo
- Publication number
- CN115719040B CN115719040B CN202211470316.8A CN202211470316A CN115719040B CN 115719040 B CN115719040 B CN 115719040B CN 202211470316 A CN202211470316 A CN 202211470316A CN 115719040 B CN115719040 B CN 115719040B
- Authority
- CN
- China
- Prior art keywords
- model
- soft measurement
- dbn
- elm
- module
- 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.)
- Active
Links
- 229930182555 Penicillin Natural products 0.000 title claims abstract description 75
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 title claims abstract description 75
- 229940049954 penicillin Drugs 0.000 title claims abstract description 75
- 238000000855 fermentation Methods 0.000 title claims abstract description 46
- 230000004151 fermentation Effects 0.000 title claims abstract description 46
- 238000000691 measurement method Methods 0.000 title claims description 9
- 238000005259 measurement Methods 0.000 claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 241000282461 Canis lupus Species 0.000 claims description 32
- 241000282421 Canidae Species 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 238000013178 mathematical model Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005311 autocorrelation function Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种青霉素发酵过程关键变量软测量方法及系统,包括如下步骤:实时收集青霉素发酵过程中产生的变量;对采集到的输入变量利用集成经验模态分解EEMD进行去噪处理;对去噪处理后的变量利用PACF算法进行特征选择,构建最优输入特征集合;利用最优输入特征集合建立软测量模型,将处理好的输入变量送入构建的软测量模型中进行训练;软测量模型为基于深度信念神经网络DBN和极限学习机模型ELM的DBN‑ELM模型;引入AGWO算法对软测量模型的参数进行优化,利用优化后的软测量模型进行预测,输出青霉素浓度预测结果。与现有技术相比,本发明建立的青霉素浓度软测量模型能够实现青霉素浓度的在线预测,具有计算速度快、准确性高的优点。
Description
技术领域
本发明涉及软测量领域,特别地,涉及一种青霉素发酵过程关键变量软测量方法及系统。
背景技术
青霉素作为一种重要的抗生素,有着非常广泛的应用。青霉素发酵过程具有非线性、时变性和不确定性的特点。为了实现对青霉素发酵过程的优化控制和产品质量的提高,迫切需要对青霉素发酵过程进行在线软测量。青霉素浓度是发酵过程中重要的质量指标之一,准确测量青霉素浓度对青霉素发酵过程的优化控制和产量的提高有着重要的作用和指导意义。
然而,目前对青霉素浓度的在线分析测量很难做到,一方面是青霉素浓度传感器测量成本很高,离线化验耗时较长,另一方面是生产环境复杂,测量到的数据存在很多污染和干扰,这些难点导致给青霉素发酵过程的优化控制和产量的提高带来了困难,成为青霉素发酵过程中急需解决的一个瓶颈问题。从而对青霉素浓度的在线软测量仪表及方法研究成为了学术界和工业界的一个研究热点。
发明内容
发明目的:针对上述现有技术中存在的问题,本发明提供了一种青霉素发酵过程关键变量软测量方法及系统,利用增强型灰狼优化算法(AGWO)对深度学习模型深度信念极限学习机软测量模型进行优化,计算速度快、准确度高。
技术方案:本发明提供一种青霉素发酵过程关键变量软测量方法,包括如下步骤:
步骤1:实时收集青霉素发酵过程中产生的变量,建立数据库;
步骤2:从数据库中获取输入变量利用集成经验模态分解EEMD进行去噪处理;
步骤3:对去噪处理后的变量利用PACF算法进行特征选择,构建最优输入特征集合;
步骤4:利用步骤3中最优输入特征集合建立软测量模型,将处理好的输入变量送入构建的软测量模型中进行训练;所述软测量模型为基于深度信念神经网络DBN和极限学习机模型ELM的DBN-ELM模型;
步骤5:引入增强型灰狼优化算法AGWO对软测量模型的参数进行优化,输出最优参数,利用优化后的软测量模型进行预测,输出青霉素浓度预测结果。
进一步地,所述步骤2利用集成经验模态分解EEMD进行去噪处理,包括如下步骤:
步骤2.1:在原始信号x(t)中加入均值为0、方差为常数的高斯白噪声n(t),得到新的信号如下式:
xm(t)=x(t)+nm(t) (1)
式中,xm(t)表示第m次加入的高斯白噪声的信号,nm(t)表示第m次加入的高斯白噪声;
步骤2.2:对xm(t)分别进行EMD分解,得到一系列IMF分量和残差分量,分别记其为kmn和rm(t);其中,kmn表示第m次加入高斯白噪声后,分解所得到的第n个IMF分量;
步骤2.3:每次加入不同的白噪声,重复上述步骤2.1和2.2,得到下式:
步骤2..4:对上述结果进行总体平均运算,消除多次加入高斯白噪声对真实IMF分量的影响,最后得到IMF分量表达式如下:
进一步地,所述步骤3利用PACF算法进行特征选择的具体过程如下:
步骤3.1:假设ym(t)为输出变量,如果第s个延时时刻的PACF值在95%置信区间之外,则ym-s(t)取其中一个为输入变量;如果所有延时时刻的PACF值均在95%置信区间内,则取ym-1(t)作为输入变量;
步骤3.2:对于长度为N的IMF子序列{y1(t),y2(t),...,yN(t)},由协方差γs得延时s协方差得估计值:
步骤3.4:基于式(4)和(5),PACF计算式如下:
根据PACF值,判断不同辅助变量与关键变量得相关性,构建最优输入特征集合。
进一步地,所述步骤4中建立软测量模型的具体步骤如下:
步骤4.1:建立深度信念神经网络DBN,DBN神经网络由多个受限玻尔兹曼机RBN堆叠组成,通过无监督逐层贪婪训练,将数据映射到高维空间;RBN由可见层v和隐藏层h组成,其中可见层v负责接收输入数据,隐含层h提取特征;
步骤4.2:构建ELM极限学习机模型,ELM由输入层、隐藏层和输出层构成;
步骤4.3:整合DBN神经网络与ELM,建立DBN-ELM模型;在所使用的DBN-ELM模型中,DBN模型由四层受限玻尔兹曼机RBM组成,采用无监督的贪婪方式对数据集训练后提取特征,然后将第四层的RBM中的隐藏层输出作为ELM输入层,训练DBN-ELM模型。
进一步地,所述步骤4.1中使用RBM训练过程如下:
步骤4.1.1:采用无监督逐层贪婪方式初始化RBM层之间的连接权重和偏移量,然后每层RBM从下到上训练,累计多个RBM形成DBN神经网络模型;
步骤4.1.2:假设RBM的可见层v和隐藏层h的神经元均为二进制,则其能量函数定义如下:
式中,θ={wij,ai,bj},为RBM的参数,由实数表示;a和b分别表示可见层v和隐藏层h的偏置,w是权重矩阵;
步骤4.1.3:计算联合概率分布函数p(v,h)如下式:
式中,zθ=∑∑e-E(v,h|θ),表示归一化因子;
步骤4.1.4:每个可见层v变量和隐藏层h变量被激活的条件概率如下式所示:
p(vi=1|h)=σ(ai+∑jwijhj) (9)
p(hj=1|v)=σ(bj+∑iwijvi) (10)
式中,σ为sigmoid函数,计算式如下:
步骤4.1.5:通过求解训练集的最大对数似然估计函数可以得到参数的估计,并利用对比散度(CD)算法得到RBM参数更新准则,具体计算式如下:
Δwij=ε(<vihj>E-<vihj>R) (12)
Δai=ε(<vi>E-<vi>R) (13)
Δbj=ε(<hj>E-<hj>R) (14)
式中,ε表示学习率,<·>E表示训练数据的数学期望,<·>R表示重构模型的数学期望。
进一步地,所述步骤4.2中构建ELM极限学习机模型具体步骤为:
其中,wl为第l个隐含层神经元和输入层的权重,bl表示第l个隐含节点的偏差,βl为连接第1隐含层神经元和输出层的权值;
步骤4.2.2:对极限学习机数学模型进行简写,得到下式:
Hβ=o (16)
其中,H为隐含层输出层矩阵,具体表达式如下:
步骤4.2.3:由输出权值的求解是保证损失函数取得最小值,则有下式:
其中输出权值β可由下式得到:
进一步地,所述步骤5中AGWO算法具体实现步骤如下:
步骤5.1:设置GWO算法的初始参数,包括训练次数种群大小和迭代次数,搜索空间的上下边界;
步骤5.2:包围猎物阶段,GWO算法数学模型为:
步骤5.3:狩猎阶段,灰狼个体跟踪猎物的数学模型描述如下:
区域的猎物;
步骤5.5:对位置更新进行改进,位置更新公式如下所示:
改进后的GWO算法,其搜索由α狼和β狼决定。
进一步地,所述步骤5中利用AGWO算法优化软测量模型的参数,具体实现步骤如下:
步骤6.1:设置DBN-ELM模型和AGWO算法的初始参数,包括训练次数,训练样本大小,节点数,种群大小和迭代次数,搜索空间的上下边界;
步骤6.2:将DBN-ELM模型的节点数量作为AGWO算法优化的对象,计算初始每只灰狼的适应度值,将该适应度值与α狼和β狼进行比较,如果适应度值优于α狼和β狼,更新α狼和β狼的适应度值和位置;否则,保留原来α狼和β狼的适应度值和位置,并利用ELM极限学习机模型公式(15)至公式(18)对α狼和β狼的位置和距离进行更新;
步骤6.3:判断是否达到最大迭代次数,如果达到,则输出DBN-ELM模型的最优节点个数,否则,继续步骤6.3;
步骤6.4:将数据送入到含有优化参数的DBN-ELM软测量模型进行预测,利用公式(19)输出青霉素浓度预测结果。
本发明还公开一种青霉素发酵过程关键变量软测量系统,包括上位机和下位机;所述上位机包括显示和监测模块、数据处理模块、特征选择模块、软测量模块、AGWO优化模块,所述下位机包括ZigBee终端模块;
所述ZigBee终端模块基于ZigBee的嵌入式芯片设计,包括传感器模块、通信模块和主控模块,所述传感器模块为DS18B20数字传感器、T113压阻式压力传感器、RF无线传输的PH值传感器,用于收集青霉素发酵过程产生的变量并将收集的变量通过通信模块传送到上位机;所述通信模块用于联通上位机与下位机;所述主控模块用于给ZigBee终端模块的硬件下达指示命令;
所述数据处理模块,用于利用集成经验模态分解EEMD对输入变量进行去噪处理;
所述特征选择模块,用于对去噪处理后的变量利用PACF算法进行特征选择,构建最优输入特征集合;
所述软测量模块,用于构建基于深度信念神经网络DBN和极限学习机模型ELM的DBN-ELM模型,并利用所述DBN-ELM模型进行预测;
所述AGWO优化模块,用于对软测量模型的参数进行优化,输出最优节点个数。
优选地,所述显示和监测模块包括图形交互界面和触摸屏,用于将预测得到的青霉素浓度值传输到上位机并在图形交互界面进行实时显示,通过触摸屏进行控制。
与现有技术相比,本发明的有益效果:
1、本发明针对青霉素过程数据在收集过程中存在的干扰和污染,采用EEMD技术进行去噪处理;2、针对霉素过程数据的非线性和高维性特点,使用PACF算法进行特征选择,选择合适辅助变量与青霉素浓度构建软测量模型;3、建立了青霉素浓度的软测量模型,可以在线预测青霉素浓度;4、使用AGWO算法对软测量模型的节点数进行优化,计算速度快、准确度高。
附图说明
图1是本发明所提出的方法流程图;
图2是本发明青霉素发酵过程数据采集图;
图3是本发明所提出的系统结构图;
图4是基于深度信念极限学习机的青霉素发酵过程关键变量软测量模型的预测结果;
图5是基于深度信念极限学习机的青霉素发酵过程关键变量软测量模型的预测误差曲线图。
具体实施方式
下面结合附图和具体实施例,对本发明的实施方式作进一步详细描述。
本发明公开一种青霉素发酵过程关键变量软测量方法及系统,所述青霉素发酵过程关键变量软测量方法包括如下步骤:
步骤1:实时收集青霉素发酵过程中产生的变量,建立数据库。
步骤2:从数据库中获取输入变量利用集成经验模态分解EEMD进行去噪处理。
步骤2.1:在原始信号x(t)中加入均值为0、方差为常数的高斯白噪声n(t),得到新的信号如下式:
xm(t)=x(t)+nm(t) (1)
式中,xm(t)表示第m次加入的高斯白噪声的信号,nm(t)表示第m次加入的高斯白噪声;
步骤2.2:对xm(t)分别进行EMD分解,得到一系列IMF分量和残差分量,分别记其为kmn和rm(t);其中,kmn表示第m次加入高斯白噪声后,分解所得到的第n个IMF分量;
步骤2.3:每次加入不同的白噪声,重复上述步骤2.1和2.2,得到下式:
步骤2..4:对上述结果进行总体平均运算,消除多次加入高斯白噪声对真实IMF分量的影响,最后得到IMF分量表达式如下:
步骤3:对去噪处理后的变量利用PACF算法进行特征选择,构建最优输入特征集合。
步骤3.1:假设ym(t)为输出变量,如果第s个延时时刻的PACF值在95%置信区间之外,则ym-s(t)取其中一个为输入变量;如果所有延时时刻的PACF值均在95%置信区间内,则取ym-1(t)作为输入变量;
步骤3.2:对于长度为N的IMF子序列{y1(t),y2(t),...,yN(t)},由协方差γs得延时s协方差得估计值:
步骤3.4:基于式(4)和(5),PACF计算式如下:
根据PACF值,判断不同辅助变量与关键变量得相关性,构建最优输入特征集合。
步骤4:利用步骤3中最优输入特征集合建立软测量模型,将处理好的输入变量送入构建的软测量模型中进行训练;所述软测量模型为基于深度信念神经网络DBN和极限学习机模型ELM的DBN-ELM模型。
步骤4.1:建立深度信念神经网络DBN,DBN神经网络由多个受限玻尔兹曼机RBN堆叠组成,通过无监督逐层贪婪训练,将数据映射到高维空间;RBN由可见层v和隐藏层h组成,其中可见层v负责接收输入数据,隐含层h提取特征。
所述步骤4.1中使用RBM训练过程如下:
步骤4.1.1:采用无监督逐层贪婪方式初始化RBM层之间的连接权重和偏移量,然后每层RBM从下到上训练,累计多个RBM形成DBN神经网络模型。
步骤4.1.2:假设RBM的可见层v和隐藏层h的神经元均为二进制,则其能量函数定义如下:
式中,θ={wij,ai,bj},为RBM的参数,由实数表示;a和b分别表示可见层v和隐藏层h的偏置,w是权重矩阵。
步骤4.1.3:计算联合概率分布函数p(v,h)如下式:
式中,zθ=∑∑e-E(v,h|θ),表示归一化因子。
步骤4.1.4:每个可见层v变量和隐藏层h变量被激活的条件概率如下式所示:
p(vi=1|h)=σ(ai+∑jwijhj) (9)
p(hj=1|v)=σ(bj+∑iwijvi)(10)
式中,σ为sigmoid函数,计算式如下:
步骤4.1.5:通过求解训练集的最大对数似然估计函数可以得到参数的估计,并利用对比散度(CD)算法得到RBM参数更新准则,具体计算式如下:
Δwij=ε(<vihj>E-<vihj>R) (12)
Δai=ε(<vi>E-<vi>R) (13)
Δbj=ε(<hj>E-<hj>R) (14)
式中,ε表示学习率,<·>E表示训练数据的数学期望,<·>R表示重构模型的数学期望。
步骤4.2:构建ELM极限学习机模型,ELM由输入层、隐藏层和输出层构成。
其中,wl为第1个隐含层神经元和输入层的权重,bl表示第1个隐含节点的偏差,βl为连接第l隐含层神经元和输出层的权值。
步骤4.2.2:对极限学习机数学模型进行简写,得到下式:
Hβ=o (16)
其中,H为隐含层输出层矩阵,具体表达式如下:
步骤4.2.3:由输出权值的求解是保证损失函数取得最小值,则有下式:
其中输出权值β可由下式得到:
步骤4.3:整合DBN神经网络与ELM,建立DBN-ELM模型;在所使用的DBN-ELM模型中,DBN模型由四层受限玻尔兹曼机RBM组成,采用无监督的贪婪方式对数据集训练后提取特征,然后将第四层的RBM中的隐藏层输出作为ELM输入层,训练DBN-ELM模型。
步骤5:引入AGWO算法对软测量模型的参数进行优化,输出最优参数,利用优化后的软测量模型进行预测,输出青霉素浓度预测结果。
步骤5.1:设置GWO算法的初始参数,包括训练次数种群大小和迭代次数,搜索空间的上下边界。
步骤5.2:包围猎物阶段,GWO算法数学模型为:
步骤5.3:狩猎阶段,灰狼个体跟踪猎物的数学模型描述如下:
区域的猎物。
步骤5.5:对位置更新进行改进,位置更新公式如下所示:
改进后的GWO算法,其搜索由α狼和β狼决定。
利用AGWO算法优化软测量模型的参数,具体实现步骤如下:
步骤6.1:设置DBN-ELM模型和AGWO算法的初始参数,包括训练次数,训练样本大小,节点数,种群大小和迭代次数,搜索空间的上下边界。
步骤6.2:将DBN-ELM模型的节点数量作为AGWO算法优化的对象,计算初始每只灰狼的适应度值,将该适应度值与α狼和β狼进行比较,如果适应度值优于α狼和β狼,更新α狼和β狼的适应度值和位置;否则,保留原来α狼和β狼的适应度值和位置,并利用ELM极限学习机模型公式(15)至公式(18)对α狼和β狼的位置和距离进行更新。
步骤6.3:判断是否达到最大迭代次数,如果达到,则输出DBN-ELM模型的最优节点个数,否则,继续步骤6.3。
步骤6.4:将数据送入到含有优化参数的DBN-ELM软测量模型进行预测,利用公式(19)输出青霉素浓度预测结果。
步骤6:将软测量模型预测得到的青霉素浓度值传输到上位机并在图形交互界面进行实时显示,通过触摸屏进行控制。
针对上述的青霉素发酵过程关键变量软测量方法,本发明还公开一种青霉素发酵过程关键变量软测量系统,包括上位机和下位机。上位机包括显示和监测模块、数据处理模块、特征选择模块、软测量模块、AGWO优化模块,下位机包括ZigBee终端模块。
ZigBee终端模块基于ZigBee的嵌入式芯片设计,包括传感器模块、通信模块和主控模块,传感器模块为DS18B20数字传感器、T113压阻式压力传感器、RF无线传输的PH值传感器,用于收集青霉素发酵过程产生的变量并将收集的变量通过通信模块传送到数据处理模块;通信模块用于联通上位机与下位机;主控模块用于给ZigBee终端模块的硬件下达指示命令,确保硬件正常工作和创造无线局域网。
数据处理模块,用于利用集成经验模态分解EEMD对输入变量进行去噪处理,得到去除干扰和污染的输入数据。
特征选择模块,用于对去噪处理后的变量利用PACF算法进行特征选择,构建最优输入特征集合。
软测量模块,用于构建基于深度信念神经网络DBN和极限学习机模型ELM的DBN-ELM模型,并利用所述DBN-ELM模型进行预测。
AGWO优化模块,用于对软测量模型的参数进行优化,输出最优节点个数。
显示和监测模块包括图形交互界面和触摸屏,用于将预测得到的青霉素浓度值传输到上位机并在图形交互界面进行实时显示,通过触摸屏进行控制。
ZigBee终端模块上电运行后搜索区域的软测量模块并加入网络,ZigBee终端模块的主要功能是通过传感器收集青霉素发酵过程产生的数据,利用通信模块传输至上位机,在上位机进行软测量后,将控制信息通过通信模块传输至下位机,以维持整个发酵过程的常态运行。
本发明拟采用Pensim2.0平台进行青霉素发酵过程的仿真实验,Pensim2.0平台是基于Birol内核的青霉素发酵仿真平台,Pensim2.0平台可以通过调整设置不通过的初始条件获得不同的发酵工况,发酵过程主要有17个变量,如表1所示。本发明选取物青霉素浓度作为输出变量,其余变量经过EEMD技术进行去噪处理后,通过PACF算法进行特征选择,从中选取10个变量作为输入变量。利用Pensim2.0平台设定批次1的反应时间为400h,采样间隔时间为1h,共生成10组数据,按照7∶3的比例进行划分为训练集和测试集。其实验结果如表2所示。从表2可以看出,所提出的基于深度信念极限学习机的青霉素发酵过程混合软测量模型有着优异的性能,能够实现青霉素浓度的在线实时测量。
表1青霉素发酵数据变量名称
表2不同软测量方法精度对比
注:进行实验的青霉素发酵过程数据使用过EEMD技术去噪和PACF算法特征选择。
参见图4与图5,图4是基于深度信念极限学习机的青霉素发酵过程关键变量软测量模型的预测结果,图5是基于深度信念极限学习机的青霉素发酵过程关键变量软测量模型的预测误差曲线图。从图4和图5可以看出软测量模型有着优异的性能,能够实现青霉素浓度的在线实时测量,并且误差值小,精确度更高。
本发明并不局限于上述具体实施案例,在本领域技术人员所具备的知识范围内,任何根据本发明的技术方案及其发明构思加以等同替换或改变,均应包含在本发明保护范围之内。
Claims (5)
1.一种青霉素发酵过程关键变量软测量方法,其特征在于,包括如下步骤:
步骤1:实时收集青霉素发酵过程中产生的变量,建立数据库;
步骤2:从数据库中获取输入变量利用集成经验模态分解EEMD进行去噪处理;
步骤3:对去噪处理后的变量利用PACF算法进行特征选择,构建最优输入特征集合;
步骤4:利用步骤3中最优输入特征集合建立软测量模型,将处理好的输入变量送入构建的软测量模型中进行训练;所述软测量模型为基于深度信念神经网络DBN和极限学习机模型ELM的DBN-ELM模型;
步骤4.1:建立深度信念神经网络DBN,DBN神经网络由多个受限玻尔兹曼机RBN堆叠组成,通过无监督逐层贪婪训练,将数据映射到高维空间;RBN由可见层v和隐藏层h组成,其中可见层v负责接收输入数据,隐含层h提取特征;
步骤4.1.1:采用无监督逐层贪婪方式初始化RBM层之间的连接权重和偏移量,然后每层RBM从下到上训练,累计多个RBM形成DBN神经网络模型;
步骤4.1.2:假设RBM的可见层v和隐藏层h的神经元均为二进制,则其能量函数定义如下:
式中,θ={wij,ai,bj},为RBM的参数,由实数表示;a和b分别表示可见层v和隐藏层h的偏置,w是权重矩阵;
步骤4.1.3:计算联合概率分布函数p(v,h)如下式:
式中,zθ=∑∑e-E(v,h|θ),表示归一化因子;
步骤4.1.4:每个可见层v变量和隐藏层h变量被激活的条件概率如下式所示:
p(vi=1|h)=σ(ai+∑jwijhj) (9)
p(hj=1|v)=σ(bj+∑iwijvi) (10)
式中,σ为sigmoid函数,计算式如下:
步骤4.1.5:通过求解训练集的最大对数似然估计函数可以得到参数的估计,并利用对比散度CD算法得到RBM参数更新准则,具体计算式如下:
Δwij=ε(<vihj>E-<vihj>R) (12)
Δai=ε(<vi>E-<vi>R) (13)
Δbj=ε(<hj>E-<hj>R) (14)
式中,ε表示学习率,<·>E表示训练数据的数学期望,<·>R表示重构模型的数学期望;
步骤4.2:构建ELM极限学习机模型,ELM由输入层、隐藏层和输出层构成;
步骤4.3:整合DBN神经网络与ELM,建立DBN-ELM模型;在所使用的DBN-ELM模型中,DBN模型由四层受限玻尔兹曼机RBM组成,采用无监督的贪婪方式对数据集训练后提取特征,然后将第四层的RBM中的隐藏层输出作为ELM输入层,训练DBN-ELM模型;
步骤5:引入增强型灰狼优化算法AGWO对软测量模型的参数进行优化,输出最优参数,利用优化后的软测量模型进行预测,输出青霉素浓度预测结果;
步骤5.1:设置GWO算法的初始参数,包括训练次数种群大小和迭代次数,搜索空间的上下边界;
步骤5.2:包围猎物阶段,GWO算法数学模型为:
步骤5.3:狩猎阶段,灰狼个体跟踪猎物的数学模型描述如下:
式中,和/>分别表示当前种群α,β,δ的位置向量;/> 和/>分别表示当前候选灰狼与最优三条狼之间的距离向量;当|A|>1时,灰狼之间尽量分散在各区域并搜寻猎物;当|A|<1时,灰狼将集中搜索某个或某些区域的猎物;
步骤5.5:对位置更新进行改进,位置更新公式如下所示:
改进后的GWO算法,其搜索由α狼和β狼决定;
利用AGWO算法优化软测量模型的参数,具体实现步骤如下:
步骤6.1:设置DBN-ELM模型和AGWO算法的初始参数,包括训练次数,训练样本大小,节点数,种群大小和迭代次数,搜索空间的上下边界;
步骤6.2:将DBN-ELM模型的节点数量作为AGWO算法优化的对象,计算初始每只灰狼的适应度值,将该适应度值与α狼和β狼进行比较,如果适应度值优于α狼和β狼,更新α狼和β狼的适应度值和位置;否则,保留原来α狼和β狼的适应度值和位置,并利用ELM极限学习机模型公式(15)至公式(18)对α狼和β狼的位置和距离进行更新;
步骤6.3:判断是否达到最大迭代次数,如果达到,则输出DBN-ELM模型的最优节点个数,否则,继续步骤6.3;
步骤6.4:将数据送入到含有优化参数的DBN-ELM软测量模型进行预测,利用公式(19)输出青霉素浓度预测结果。
2.根据权利要求1所述的一种青霉素发酵过程关键变量软测量方法,其特征在于,所述步骤2利用集成经验模态分解EEMD进行去噪处理,包括如下步骤:
步骤2.1:在原始信号x(t)中加入均值为0、方差为常数的高斯白噪声n(t),得到新的信号如下式:
xm(t)=x(t)+nm(t) (1)
式中,xm(t)表示第m次加入的高斯白噪声的信号,nm(t)表示第m次加入的高斯白噪声;
步骤2.2:对xm(t)分别进行EMD分解,得到一系列IMF分量和残差分量,分别记其为kmn和rm(t);其中,kmn表示第m次加入高斯白噪声后,分解所得到的第n个IMF分量;
步骤2.3:每次加入不同的白噪声,重复上述步骤2.1和2.2,得到下式:
步骤2.4:对上述结果进行总体平均运算,消除多次加入高斯白噪声对真实IMF分量的影响,最后得到IMF分量表达式如下:
3.根据权利要求1所述的一种青霉素发酵过程关键变量软测量方法,其特征在于,所述步骤3利用PACF算法进行特征选择的具体过程如下:
步骤3.1:假设ym(t)为输出变量,如果第s个延时时刻的PACF值在95%置信区间之外,则ym-s(t)取其中一个为输入变量;如果所有延时时刻的PACF值均在95%置信区间内,则取ym-1(t)作为输入变量;
步骤3.2:对于长度为N的IMF子序列{y1(t),y2(t),...,yN(t)},由协方差γs得延时s协方差得估计值:
步骤3.4:基于式(4)和(5),PACF计算式如下:
根据PACF值,判断不同辅助变量与关键变量得相关性,构建最优输入特征集合。
4.一种基于权利要求1所述的青霉素发酵过程关键变量软测量方法的青霉素发酵过程关键变量软测量系统,其特征在于,包括上位机和下位机;所述上位机包括显示和监测模块、数据处理模块、特征选择模块、软测量模块、AGWO优化模块,所述下位机包括ZigBee终端模块;
所述ZigBee终端模块基于ZigBee的嵌入式芯片设计,包括传感器模块、通信模块和主控模块,所述传感器模块为DS18B20数字传感器、T113压阻式压力传感器、RF无线传输的PH值传感器,用于收集青霉素发酵过程产生的变量并将收集的变量通过通信模块传送到上位机;所述通信模块用于联通上位机与下位机;所述主控模块用于给ZigBee终端模块的硬件下达指示命令;
所述数据处理模块,用于利用集成经验模态分解EEMD对输入变量进行去噪处理;
所述特征选择模块,用于对去噪处理后的变量利用PACF算法进行特征选择,构建最优输入特征集合;
所述软测量模块,用于构建基于深度信念神经网络DBN和极限学习机模型ELM的DBN-ELM模型,并利用所述DBN-ELM模型进行预测;
所述AGWO优化模块,用于对软测量模型的参数进行优化,输出最优节点个数。
5.根据权利要求4所述的青霉素发酵过程关键变量软测量系统,其特征在于,所述显示和监测模块包括图形交互界面和触摸屏,用于将预测得到的青霉素浓度值传输到上位机并在图形交互界面进行实时显示,通过触摸屏进行控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211470316.8A CN115719040B (zh) | 2022-11-22 | 2022-11-22 | 一种青霉素发酵过程关键变量软测量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211470316.8A CN115719040B (zh) | 2022-11-22 | 2022-11-22 | 一种青霉素发酵过程关键变量软测量方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115719040A CN115719040A (zh) | 2023-02-28 |
CN115719040B true CN115719040B (zh) | 2023-05-26 |
Family
ID=85256295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211470316.8A Active CN115719040B (zh) | 2022-11-22 | 2022-11-22 | 一种青霉素发酵过程关键变量软测量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115719040B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085732A (zh) * | 2017-05-12 | 2017-08-22 | 淮阴工学院 | 基于无线传感器网络的牛舍环境氨气智能监测系统 |
CN108090500A (zh) * | 2017-11-22 | 2018-05-29 | 江苏大学 | 食用菌发酵生产过程关键参量的软测量方法 |
CN110619176A (zh) * | 2019-09-18 | 2019-12-27 | 福州大学 | 一种基于dbn-rlssvm的航煤闪点预测方法 |
CN112163632A (zh) * | 2020-10-14 | 2021-01-01 | 无锡新松机器人自动化有限公司 | 基于蝙蝠算法的半监督极限学习机在工业检测中的应用 |
CN113190931A (zh) * | 2021-05-28 | 2021-07-30 | 辽宁大学 | 一种改进灰狼优化dbn-elm的亚健康状态识别方法 |
CN114169110A (zh) * | 2022-02-10 | 2022-03-11 | 中国人民解放军海军工程大学 | 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法 |
-
2022
- 2022-11-22 CN CN202211470316.8A patent/CN115719040B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085732A (zh) * | 2017-05-12 | 2017-08-22 | 淮阴工学院 | 基于无线传感器网络的牛舍环境氨气智能监测系统 |
CN108090500A (zh) * | 2017-11-22 | 2018-05-29 | 江苏大学 | 食用菌发酵生产过程关键参量的软测量方法 |
CN110619176A (zh) * | 2019-09-18 | 2019-12-27 | 福州大学 | 一种基于dbn-rlssvm的航煤闪点预测方法 |
CN112163632A (zh) * | 2020-10-14 | 2021-01-01 | 无锡新松机器人自动化有限公司 | 基于蝙蝠算法的半监督极限学习机在工业检测中的应用 |
CN113190931A (zh) * | 2021-05-28 | 2021-07-30 | 辽宁大学 | 一种改进灰狼优化dbn-elm的亚健康状态识别方法 |
CN114169110A (zh) * | 2022-02-10 | 2022-03-11 | 中国人民解放军海军工程大学 | 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
Power quality disturbance classification under noisy conditions using adaptive wavelet threshold and DBN-ELM hybrid model;Yunpeng Gao 等;《Electric Power Systems Research》;1-10 * |
基于DBN-ELM的球磨机料位软测量方法研究;康岩 等;《仪表技术与传感器》(第4期);73-75、92 * |
基于改进PCA-ELM的煤与瓦斯突出软测量研究;侯福营;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》(第3期);B021-453 * |
基于改进的GWO-LSSVM磨矿粒度软测量模型;张燕 等;《计算机仿真》;第37卷(第6期);298-304 * |
Also Published As
Publication number | Publication date |
---|---|
CN115719040A (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033021B (zh) | 一种基于一维多路卷积神经网络的故障分类方法 | |
CN109060001B (zh) | 一种基于特征迁移学习的多工况过程软测量建模方法 | |
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
US20070185825A1 (en) | Learning system and method, recognition device and method, creation device and method, recognition and creation device and method, and program | |
US20080101705A1 (en) | System for pattern recognition with q-metrics | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN110766060B (zh) | 基于深度学习的时间序列相似度的计算方法、系统及介质 | |
CN112885415A (zh) | 基于分子表面点云的雌激素活性快速筛查方法 | |
CN111208483B (zh) | 基于贝叶斯支持向量数据描述的雷达库外目标识别方法 | |
CN112014790A (zh) | 基于因子分析的近场源定位方法 | |
Patil et al. | Rainfall prediction using linear approach & neural networks and crop recommendation based on decision tree | |
CN113821724B (zh) | 一种基于时间间隔增强的图神经网络推荐方法 | |
JPH0934863A (ja) | ニューラルネットワークによる情報統合処理方法 | |
CN115719040B (zh) | 一种青霉素发酵过程关键变量软测量方法及系统 | |
CN115083511A (zh) | 基于图表示学习与注意力的外围基因调控特征提取方法 | |
CN115512214A (zh) | 一种基于因果注意力的室内视觉导航方法 | |
CN115630566A (zh) | 一种基于深度学习和动力约束的资料同化方法和系统 | |
CN112949599B (zh) | 基于大数据的候选内容推送方法 | |
CN111160464B (zh) | 基于多隐层加权动态模型的工业高阶动态过程软测量方法 | |
CN110826184B (zh) | 一种在时变时滞下narx模型结构和参数的变分贝叶斯辨识方法 | |
Bakumenko et al. | Synthesis method of robust neural network models of systems and processes | |
Saleh et al. | Multi-objective differential evolution of evolving spiking neural networks for classification problems | |
CN117272244B (zh) | 一种融合特征提取和自适应构图的软测量建模方法 | |
CN116405368B (zh) | 一种高维不平衡数据条件下的网络故障诊断方法、系统 | |
CN117497038B (zh) | 一种基于核方法的快速优化培养基配方的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240110 Address after: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd. Address before: 223000 No.1, Meicheng East Road, Huaian Economic and Technological Development Zone, Jiangsu Province Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |