[发明专利]秸秆发酵生产乙醇过程关键参量的软测量方法

说明书

技术领域

本发明是一种用于解决秸秆发酵生产乙醇过程中难以用物理传感器在线实时测量的乙醇浓度、总糖浓度、菌体浓度这三个关键生化变量的在线估计问题，属于软测量及软仪表构造的技术领域。

背景技术

在许多工业控制场合，存在一大类这样的变量：它们与产品质量密切相关，需要严格控制，但由于技术或者经济的原因，目前尚难以或者无法通过物理传感器直接进行检测。典型的例子有精馏塔的产物组分浓度、化学反应器的反应物浓度和产品分布，以及生物发酵罐中生化变量等等。为了解决这类变量的测量问题，软测量技术应运而生。所谓软测量就是根据某种准则，选择一组既与被估计变量(即被测量或主导变量)有密切联系又容易测量的直接可测变量(即辅助变量)，通过构造一定的函数关系，用计算机软件实现对被测量的估计。目前采用的软测量方法，多数基于线性系统理论，对于化工、生化过程这样的非线性特性严重的复杂过程，这种方法只能在很小的工作区域内有效，不能解决整个工作区域的被测变量的软测量问题。

最小二乘支持向量机(LS-SVM)建模方法采用结构风险最小化原则和核技术，由于其适用于有限样本、非线性问题，所以其在软测量领域的应用所形成的基于最小二乘支持向量机的软测量方法，为生化、化工过程的关键生化变量的软测量问题的解决，提供了强有力的手段。实践表明，LS-SVM模型过程中径向基宽度和惩罚系数对建模性能影响很大。简单的试验定参法费时。差分进化(DE)算法拥有全局搜索能力强、控制参数少、易于使用，是优化LS-SVM模型参数的一种合适的方法。

在处理秸秆发酵过程中，随着发酵过程的进行，发酵参数随之改变，单一回归模型不再适应新的工况。因此，必须寻求新的方法，该方法可以根据发酵不同的阶段对软测量模型进行校正。

因此本发明利用核模糊c均值聚类算法将采集的发酵样本数据进行分类，与DE-LSSVM相结合，建立一种多模型(KFCM-DE-LSSVM)秸秆发酵软测量模型，并设计与之配套的软仪表构造。

发明内容

技术问题：本发明的目的是提供一种秸秆发酵生产乙醇过程关键参量的软测量方法。即一种秸秆发酵过程非常重要但是难以用物理传感器在线实时测量或者实时测量代价非常高的生化变量(如菌体浓度、总糖浓度和乙醇浓度)的在线估计方法及相应的软仪表的构造方法。

技术方案：本发明的一种秸秆发酵生产乙醇过程关键参量的软测量方法具体步骤如下:

步骤一，辅助变量选择：选取能直接测量且与过程密切相关的外部变量，用一致相关度法分析外部变量与关键状态变量的关联度,取关联度r_ij≥0.7的外部变量作为软测量模型的辅助变量；

步骤二，建立训练数据库：采集相同工艺下若干历史罐批次的辅助变量和关键状态变量数据，构造输入输出向量对的集合，生成静态训练样本数据库；其中输入向量是辅助变量，输出向量即关键状态变量；

步骤三，采用步骤二得到训练样本，利用核模糊c均值聚类进行聚类划分选取聚类数k＝3,计算每个样本在核空间中的隶属度；

步骤四，对每个聚类的样本运用基于差分进化的最小二乘支持向量机DE-LSSVM进行建模，得到秸秆发酵关键参量软测量子模型通过隶属度矩阵更新公式U：得到每个子模型的隶属度u_ij，最终结合隶属度和子模型得到多模型秸秆发酵软测量模型其中，x是输入变量，a_i是拉格朗日乘子，K(x,x_i)是正定核函数，b为阈值，i表示第i个数据，u_ij为数据x_i对第j个聚类中心的隶属度值，v_j为聚类中心，m为加权数,k为聚类个数，K(x_i,v_j)是高斯核函数；

步骤五，关键状态变量预测：利用已训练好的软测量模型，根据当前待预测罐批的最新输入向量，软测量模型建立完毕后,采用嵌入式C语言编程实现，并嵌入到智能控制器中，当待预测罐批的输入向量，经测量仪表读入智能控制器后，智能控制器利用软测量程序计算得到关键状态变量的预测值，并将预测结果经数据通道传送到上位计算机上显示。

其中：

所述与过程密切相关的外部变量为发酵罐温度t、发酵罐压力p、电机搅拌转速r、发酵液体积v、空气流量q、CO₂释放率u、葡萄糖流加速率ρ、氨水流加速率η、溶解氧DO、发酵液酸碱度pH，关键状态变量为乙醇浓度X、总糖含量P和菌体浓度S。