[发明专利]基于BA-LSSVM的光合细菌发酵过程关键参量的软测量方法

说明书

本发明公开了基于BA‑LSSVM的光合细菌发酵过程关键参量的软测量方法，该方法基于硬件平台及测量仪表与计算机系统软件进行智能计算，通过测量仪表获得实时的过程数据进行实时在线估计。该方法首先依据关联度值选取合适的辅助变量；然后采集历史罐批数据，将发酵数据集分成训练数据集与测试数据集；接着设计一个最小二乘支持向量机模型，利用蝙蝠算法优化最小二乘支持向量机核参数与惩罚参数，获得最优的BA‑LSSVM模型；最终用优化好的模型对关键参量进行预测。实现了对光合细菌发酵过程关键变量的实时在线预测，其中基于蝙蝠算法的最小二乘支持向量机克服了收敛速度和局部搜索能力上有所欠缺的问题，利于对光合细菌发酵的优化控制，提升产品产量与质量。

技术领域

本发明是一种用于解决光合细菌发酵过程中难以用物理传感器实时在线测量的关键参量的在线估计问题，属于软测量的技术领域。

背景技术

目前，如何控制光合细菌的发酵条件，尽可能多提升产品产量与质量是研究重点。发酵过程复杂多变，影响光合细菌微生长的因素(温度、光照强度、pH值、菌体浓度等参数)相互之间影响大，内在联系复杂。传统的传感器可以进行温度、压力、pH值等物理量的实时在线测量。但菌体浓度缺乏实时在线测量的设备，一般在发酵现场是采用人工离线取样检测，但离线检测滞后时间长、测量误差大，严重影响了控制系统的设计和优化，给生产效率、产品质量与产量的提高带来了巨大障碍。因此，研究如何及时获得光合细菌发酵过程中关键参量的状态信息具有重要意义。

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模型过程中核参数和惩罚参数对建模性能影响很大。蝙蝠算法(BA)算法拥有全局搜索能力强、控制参数少、较快的收敛速度等优点，是优化LS-SVM模型参数的一种合适的方法。因此针对光合细菌发酵过程的复杂非线性系统，本发明提供一种基于蝙蝠算法优化最小二乘支持向量机(BA-LSSVM)的光合细菌发酵过程关键参量的软测量方法。

发明内容

为了解决光合细菌发酵过程中难以用物理传感器实时在线测量或实时测量代价昂贵的关键参量(如菌体浓度)的不足，本发明提供一种基于蝙蝠算法优化最小二乘支持向量机(BA-LSSVM)的光合细菌发酵过程关键参量的软测量方法，通过常规的传感器获得温度、pH值等物理参量的数据，使用软测量方法实现对关键参量的实时在线估计。具体的步骤包括如下：

步骤1：辅助变量选择，选取能直接测量且与发酵过程密切相关的外部变量用一致相关度法分析其与关键参量的关联度，设定关联度值r_ij≥0.7的外部变量作为软测量模型的辅助变量；

步骤2：发酵数据集分类，采集相同工艺下若干历史罐批次的辅助变量和关键参量数据，发酵数据集随机分成两部分，一部分为训练数据集，一部分为测试数据集，训练数据集用来训练LS-SVM，测试数据集不参与训练，测试数据集占总发酵数据集的10％左右；

步骤3：构建LS-SVM模型，确定核函数；

步骤4：利用蝙蝠算法优化LS-SVM模型的核参数与惩罚参数，获得最优的BA-LSSVM软测量模型；

步骤5：关键参量的预测，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，获得关健参量的预测值。

进一步地，步骤1中所述的外部变量是发酵罐温度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、葡萄糖补加速率ρ、氨水补加速率η、溶解氧DO、发酵液酸碱度pH、光照强度E。依据相关性分析和发酵过程经验可设定关联度值r_ij≥0.7的外部变量为辅助变量。在实践中，不同的发酵菌株所选取到的辅助变量不一定完全相同。

进一步地，步骤4具体包括如下：