[发明专利]一种基于深度学习的青霉素发酵过程在线软测量方法和装置

说明书

本发明提供了一种基于深度学习的青霉素发酵过程在线软测量方法和装置，涉及工业发酵生产过程软测量建模与应用的技术领域，包括：通过改变青霉素发酵过程中的控制参数和状态量的初始值，建立青霉素发酵过程数据集；对青霉素发酵过程数据集进行标准化操作，完成时间窗切片操作，并按比例划分软测量深度学习网络所需的训练集与测试集；利用训练后的软测量深度学习网络，预测每个时间窗对应菌体浓度值，以缓解了现有技术中无法广泛适应生物发酵软测量应用的技术问题。

技术领域

本发明涉及工业发酵生产过程软测量建模与应用的技术领域，尤其是涉及一种基于深度学习的青霉素发酵过程在线软测量方法和装置。

背景技术

在发酵过程中，作为过程行为基本指标的一些关键变量往往难以在线测量。这些变量通常是在实验室用离线样品分析仪测量的。这类分析程序的成本很高，通常需要高昂且频繁的维护成本。此外，由于实验室测试和分析的显著延迟，这些变量的测量值不能作为控制系统的反馈信号。为了解决这一问题，软传感器被广泛应用于对这些重要的过程关键变量进行可靠的在线估计。软传感器通过将难以测量的关键变量与容易获得的辅助变量相关联，进而预测关键变量。

在青霉素发酵生产等生物发酵领域，已经形成了一些比较成熟的软测量方法，但是由于生物反应过程涉及高度变化和复杂生物化学反应，体现出非线性、强耦合等特点，同时由于高通量技术的发展，发酵过程数据呈现指数性增长，上述方法目前无法适应生物发酵软测量所面对的现状。

发明内容

本发明的目的在于提供一种基于深度学习的青霉素发酵过程在线软测量方法和装置，以缓解了现有技术中无法广泛适应生物发酵软测量应用的技术问题。

第一方面，本发明实施例提供了一种基于深度学习的青霉素发酵过程在线软测量方法，所述方法包括：

通过改变青霉素发酵过程中的控制参数和状态量的初始值，建立青霉素发酵过程数据集；

对所述青霉素发酵过程数据集进行标准化操作，完成时间窗切片操作，并按比例划分软测量深度学习网络所需的训练集与测试集；

利用训练后的软测量深度学习网络，预测每个时间窗对应菌体浓度值。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述方法还包括：

依据均方误差、平均绝对误差和平均绝对百分比误差，对预测的所述每个时间窗对应菌体浓度值进行评估。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，对所述青霉素发酵过程数据集进行标准化操作，完成时间窗切片操作，并按比例划分软测量深度学习网络所需的训练集与测试集的步骤，包括：

将所述青霉素发酵过程数据集划分为作为用于软测量深度学习网络输入的辅助变量数据与对应的菌体浓度数据，并分别进行0-1标准化处理；

对所述辅助变量数据划分时间窗，每个所述时间窗对应输出一个关键变量数据，同时对起始阶段的所述辅助变量数据进行补0操作；

将处理操作后的辅助变量数据按照预设比例，划分为训练集和测试集。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，在利用训练后的软测量深度学习网络，预测每个时间窗对应菌体浓度值的步骤之前，还包括：

基于所述训练集和测试集，确定训练后的软测量深度学习网络，其中，所述训练后的软测量深度学习网络用于输出为所述时间窗对应的菌体浓度。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，基于所述训练集和测试集，确定训练后的软测量深度学习网络的步骤，包括：