CN117313516A - 一种基于时空图嵌入的发酵产物预测方法 - Google Patents

Abstract

一种基于时空图嵌入的发酵产物预测方法，所述方法包括以下步骤：1)数据的获取和处理：使用仿真平台PenSim获取不同工况下的青霉素发酵过程，并将数据进行收集、划分和处理；2)建模训练：构建发酵产物预测模型，利用构建的SGE模型对处理后的数据进行学习训练；3)模型预测和对比：将训练后的SGE模型用于青霉素发酵过程产物出口浓度预测，给出预测结果，并验证SGE性能的优越性。本发明方法利用局部时空相关性，融合空间边缘和时间边缘的信息，能够自主学习捕捉相关性，并构建独特的局部时空图，从而准确地刻画在相同时间点和不同时间点之间变量之间的关系；并在青霉素发酵过程中验证了该方法的有效性和可靠性。

Description

一种基于时空图嵌入的发酵产物预测方法

技术领域

本发明属于发酵过程软测量领域，具体涉及一种基于时空图嵌入的发酵产物预测方法。

背景技术

发酵过程是有生物参与并在合适的pH值、温度、搅拌等发酵条件下生成目标产物的过程，广泛的存在于各种工业过程中，有固有的强非线性和机理过程的复杂性。其理论建模和过程控制都存在较大困难，尤其是缺乏合适的在线传感器来在线分析关键产品质量，如青霉素发酵过程中的产物浓度和活性菌体浓度，只能离线化验分析，这在很大程度上限制了发酵过程的控制和优化。

随着数据驱动建模的方法在工业过程中体现出巨大优势，同时为了克服难以分析关键产品质量的问题，越来越多的人采用数据驱动建模的方法从其他可在线测量的变量中来估计关键产品质量。间歇发酵过程由于其产品质量和操作变量之间存在强非线性，因此不少研究采用深度学习数据驱动建模方法对其进行研究。基于深度学习的典型软测量模型可分为四类，其中包括自动编码器/堆叠式自动编码器、限制玻尔兹曼机、卷积神经网络和递归神经网络。

近期，图神经网络(Graph Neural Network，GNN)作为深度学习领域的一个重要分支，在众多应用领域展现出了出色的性能。在诸多传统GNN的变体中，图卷积网络(GraphConvolution Network，GCN)通过对结构化数据引入卷积运算，展现了强大的表征学习能力。为进一步增强其时序数据处理能力，研究者们还将门控循环单元(GatedRecurrentUnit，GRU)与GCN相结合，创造出一种软传感器模型。这种模型不仅能够处理工业过程中变量之间错综复杂的关系，还能够捕捉变量间的时间序列特性。尽管如此，在门控循环单元内部的相关性问题方面，研究相对较少，为了增加模型的可解释性，探究局部时空相关性对于理解软测量中这些复杂变量关系至关重要。

发明内容

针对现有技术中存在的上述问题，本发明的目的在于提出了一种基于时空图嵌入(Space-time Graph Embedding，SGE)的发酵产物预测方法，在本方法中，利用局部时空相关性，融合空间边缘和时间边缘的信息，能够自主学习捕捉相关性，并构建独特的局部时空图，从而准确地刻画在相同时间点和不同时间点之间变量之间的关系；并在青霉素发酵过程中验证了该方法的有效性和可靠性。

本发明解决其技术问题所采用的技术方案是：

一种基于时空图嵌入的发酵产物预测方法，包括以下步骤：

1)数据的获取和处理

使用仿真平台PenSim获取不同工况下的青霉素发酵过程，并且以一小时为一批次对数据进行收集、划分和处理。

2)建模训练

构建基于时空图嵌入的发酵产物预测方法SGE，模型的输入为经过选择保留的数据；然后利用SGE模型对所整合的数据进行学习训练。

3)模型预测和对比

将训练后的SGE模型用于青霉素发酵过程产物出口浓度预测，并给出预测结果，为验证SGE性能的优越性，将一系列基线方法与其作为比较，其中有偏最小二乘法(PartialLeast Squares，PLS)、持向量机(Support Vector Machine，SVM)、长短期记忆(LongShort-Term Memory，LSTM)网络、图卷积网络(Graph Convolution Networks，GCN)。

进一步，所述步骤1)的过程如下：

步骤1.1、设定PenSim仿真过程，获得仿真平台一组变量的输出数据。

步骤1.2、将数据按照比例划分成训练集、验证集和测试集。

步骤1.3、由于不同变量之间数据差异性较大，需要对数据进行标准化处理，以便于模型进行处理和运算，具体公式如下所示：

式中，X'表示经标准化处理后的数据，X表示未经标准化处理的原数据，μ表示数据的均值，σ表示数据的标准差。

进一步，所述步骤2)的过程如下：

步骤2.1、SGE基于最大信息系数(Maximum Information Coefficient，MIC)的变量选择。

MIC由互信息(Mutual Information，MI)推导而来，互信息表示引入另一个随机变量后，该随机变量的不确定性降低。这里只考虑两个离散变量之间的MI。给定两个离散变量j和u，可以得到联合概率分布p(j,u)和MI:

式中，I(j,u)表示为任意变量j与u间相互依赖性的量度。

接着，在训练集中计算每个变量针对目标变量的最大信息系数：

式中，B＝m^0.55，m为数据集的大小。MIC给出了每个变量相对于关键变量的重要性的完整说明。计算变量与目标之间的MIC后，选择合适的变量作为模型输入。

步骤2.2、SGE的时空卷积层(Spatial-temporalConvolutionalLayer，STCL)构建。

STCL分为局部时空相关模块(Localized Spatial-temporal CorrelationModule，LSCM)和时间卷积模块(Temporal Convolution Module，TCM)。LSCM可以直接捕获每个节点对它的邻居的影响，既属于当前的时间步长，也属于相邻的时间步长。实现这一目标的最直观的想法是在相邻的时间步长上将所有节点连接起来，可以得到一个局部时空图。根据局域时空图的拓扑结构，可以直接捕获每个节点与其时空邻接的节点之间的关系。LSCM的公式可以表示为：

LSCM(X′_G，A′)＝σ(D^-0.5A′D^-0.5X′_GQ) (4)

式中，Q∈R^(T-1)×T表示一个可学矩阵集，用于确保在LSCM之后维度保持不变；X'_G∈R^C×2V×(T-1)表示本地化的图信号矩阵，通过将图信号矩阵X_G∈R^C×V×T每个通道的矩阵{X₁,X₂，…，X_T}，X_i∈R^V×1，转化为{{X₁,X₂，…，X_T-1}，{X₁,X₂，…，X_T}}，X_i∈R^V×1可以得到X'_G。；A'∈R^2V×2V表示在两个连续空间图上构造的局部时空图的邻接矩阵；D^-0.5A'D^-0.5表示图卷积核；D_[i,i]表示A'的度矩阵；σ表示激活函数。

然后，用TCM对建立局部空间-时间相关性的数据进行编码，以捕获时间动态依赖性。所有模块之后都加有批量归一化层和激活函数。此外，选择均方根误差(Root MeanSquare Error，RMSE)作为模型损失，并用正则化项扩展，以减少损失为目的重复训练模型：

式中，Y和Y'分别表示标记和预测；T_m表示样本中的时间步长的数量；β表示正则化系数；H(·)表示熵。

进一步，所述步骤3)的过程如下：

步骤3.1、将训练数据输入训练后的PLS、SVR、LSTM、GCN和SGE中，分别得到它们在测试集上的预测值。

步骤3.2、计算测试集的预测值和真实值之间的RMSE，对各模型性能进行评估。计算公式如下：

式中，表示真实数据，y_i表示模型的输出，n表示测试集包含样本个数。一般来说，RMSE越小，意味着模型的预测值与真实值越接近，即模型的预测效果越好。

本发明的有益效果主要表现在：

本发明提出了一种基于时空图嵌入的发酵产物预测方法，该方法通过捕获局部时空相关性来表征变量之间的互相关系，变量被用作局部时空图的构造中的节点，并且网络以端到端的方式被训练；通过堆叠多个时空卷积层，模型以关系和局部矩阵的形式学习变量之间的潜在关系和时间相关性；克服了传统的软测量的局限性，有效地提高发酵过程关键产品质量的预测准确度。

附图说明

图1是本发明模型结构流程图；

图2是包含各模型的结果预测图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1，一种基于时空图嵌入的发酵产物预测方法，所述方法包括以下步骤：

1)获取青霉素发酵过程数据集

步骤1.1、设定PenSim仿真过程，获得仿真平台5个变量的输出数据。

步骤1.2、根据划分标准将数据按照4:3:3的比例分成为训练集、验证集和测试集。

步骤1.3、根据标准化公式对每个数据进行处理。

2)进行SGE模型训练，过程如下：

步骤2.1、将训练集输入模型，获得模型第一次预测值。

步骤2.2、根据预测值和输出值的差值，对模型的参数进行调整，使得预测值与真实值之间的差值减小。

步骤2.3、将验证集输入模型，获得模型对于验证集的输出结果。

步骤2.4、根据模型在验证集上的输出结果，对模型的超参数进行重新设定调参。

步骤2.5、重复步骤2.1～2.4，直到模型的预测值和真实值之间的差值达到允许误差之内。

3)使用测试数据对模型进行测试，过程如下：

步骤3.1、将训练数据输入训练后的PLS、SVR、LSTM、GCN和SGE各模型中，分别得到它们在测试集上的预测值，结果如图2所示。

步骤3.2、计算各模型在测试集上的预测值和真实值之间的RMSE，对各模型性能进行评估。评估结果如表1所示。

表1各模型的RMSE对比

从上述对比结果可以看出，本发明对于青霉素发酵过程的关键产品质量预测效果优于传统预测模型。

本发明采用基于时空图嵌入的发酵产物预测方法，提高了发酵过程关键产品质量的预测效果，具有普遍性和通用性。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (4)

1.一种基于时空图嵌入的发酵产物预测方法，其特征在于，包括以下步骤：

1)数据的获取和处理

使用仿真平台PenSim获取不同工况下的青霉素发酵过程，并将数据进行收集、划分和处理；

2)建模训练

构建基于时空图嵌入SGE的发酵产物预测模型，模型的输入为处理后的数据；利用构建的SGE模型对处理后的数据进行学习训练；

3)模型预测和对比

将训练后的SGE模型用于青霉素发酵过程产物出口浓度预测，给出预测结果，并验证SGE性能的优越性。

2.如权利要求1所述的一种基于时空图嵌入的发酵产物预测方法，其特征在于，所述步骤1)的过程为：

步骤1.1、设定PenSim仿真过程，获得仿真平台一组变量的输出数据；

步骤1.2、将数据划分成训练集、验证集和测试集；

步骤1.3、对数据进行标准化处理，以便于模型进行处理和运算，具体公式如下所示：

式中，X'是经标准化处理后的数据，X是未经标准化处理的原数据，μ是数据的均值，σ是数据的标准差。

3.如权利要求1所述的一种基于时空图嵌入的发酵产物预测方法，其特征在于，所述步骤2)的过程如下：

步骤2.1、SGE基于最大信息系数MIC的变量选择；具体如下：

步骤2.1.1、给定两个离散变量j和u，得到联合概率分布p(j,u)和MI:

式中，I(j,u)表示为任意变量j与u间相互依赖性的量度；

步骤2.1.2、在训练集中计算每个变量针对目标变量的最大信息系数：

式中，B＝m^0.55，m为数据集的大小，MIC给出了每个变量相对于关键变量的重要性的完整说明；

步骤2.1.3、计算变量与目标之间的MIC后，选择变量作为模型输入；

步骤2.2、SGE的时空卷积层STCL构建；具体如下：

步骤2.2.1、在STCL的局部时空相关模块LSC中，将相邻时间步长上的所有节点连接起来，得到一个局部时空图；根据局域时空图的拓扑结构，捕获每个节点与其时空邻接的节点之间的关系；LSCM的公式表示为：

LSCM(X′_G，A′)＝σ(D^-0.5A′D^-0.5X′_GQ) (4)

式中，Q∈R^(T-1)×T表示一个可学矩阵集，用于确保在LSCM之后维度保持不变；X'_G∈R^{C ×2V×(T-1)}表示本地化的图信号矩阵，通过将图信号矩阵X_G∈R^C×V×T每个通道的矩阵{X₁,X₂，…，X_T}，X_i∈R^V×1，转化为{{X₁,X₂，…，X_T-1}，{X₁,X₂，…，X_T}}，X_i∈R^V×1可以得到X'_G；A'∈R^2V×2V表示在两个连续空间图上构造的局部时空图的邻接矩阵；D^-0.5A'D^-0.5表示图卷积核；D_[i,i]表示A'的度矩阵；σ表示激活函数；

步骤2.2.2、用STCL的时间卷积模块TCM对建立局部空间-时间相关性的数据进行编码，以捕获时间动态依赖性；所有模块之后都加有批量归一化层和激活函数；

步骤2.2.3、选择均方根误差RMSE作为模型损失，并用正则化项扩展，以减少损失为目的重复训练模型：

式中，Y和Y'分别表示标记和预测；T_m表示样本中的时间步长的数量；β表示正则化系数；H(·)表示熵。

4.如权利要求1所述的一种基于时空图嵌入的发酵产物预测方法，其特征在于，所述步骤3)的过程如下：

步骤3.1、将训练数据输入训练后的PLS、SVR、LSTM、GCN和SGE中，分别得到它们在测试集上的预测值；

步骤3.2、计算测试集的预测值和真实值之间的RMSE，对各模型性能进行评估；计算公式如下：

式中，表示真实数据，y_i表示模型的输出，n表示测试集包含样本个数；其中，RMSE越小，则模型的预测值与真实值越接近，即模型的预测效果越好。