青霉素发酵过程中的混合建模

由于微生物发酵过程机理的复杂性和高度非线性,建立发酵过程的精确模型具有一定难度。传统的动力学模型预测虽然会与实际输出有一定偏差,但它在某种程度上反映了过程机理;神经网络建模方法属于"黑箱"方法,建模过程中没有用到任何先验知识,有一定的预测效果;因此单一的建模方法往往会不具备其他建模方法的优势。本文以传统的发酵动力学模型为基础,结合RBF神经网络进行混合建模的"灰箱"建模方法是一种比较好的建模思路,可以取得较满意的软测量效果。     

基于工业色谱仪的精馏脱炔烃塔软测量建模

提出一种基于工业色谱仪的软测量建模方法,并针对碳五馏分分离过程中的精馏脱炔烃塔塔底成分估计问题,建立了合适的工业软测量模型。介绍了工业色谱仪在线质量检测原理和LM-BP神经网络模型的建立,并利用工业色谱仪在线检测的质量数据进行系统的在线和周期性模型更新,提高了软测量模型的在线估计精度。研究结果表明,基于工业色谱仪的LM-BP神经网络模型是一种有效的软测量建模方法。     

基于混合建模技术的聚氯乙烯粒径分布预测

针对聚氯乙烯粒径分布在线软测量问题,提出了一种基于机理分析和神经网络的混合建模方法,并将该建模方法应用于聚氯乙烯粒径分布建模研究中。混合模型由机理模型和误差补偿模型所组成。通过机理分析建立氯乙烯悬浮聚合过程的单体液滴群体平衡(Population Balance Equation,简称PBE)模型,由于聚氯乙烯成粒过程的复杂性和强非线性,单纯的机理模型预测与实际分析值相比仍存在一定偏差,因此利用人工神经网络建模方法建立了基于BP神经网络的单体液滴群体平衡模型修正模型,对单体液滴群体平衡模型的输出进行修正,由此建立起聚氯乙烯粒径分布混合模型。由于混合模型既能按照液滴分散与聚并机理对聚氯乙烯颗粒的成长过程进行描述,同时又充分利用了生产现场数据对模型误差进行修正,应用到聚氯乙烯生产过程的测试结果表明,与单纯机理模型相比,聚氯乙烯粒径分布混合模型具有更佳的预测效果。     

基于分阶段的LSSVM发酵过程建模

发酵过程建模是研究微生物发酵的重要课题,基于模型可实现被测参量的软测量、系统的优化控制。鉴于引入混合核函数的最小二乘支持向量机在过程建模中具有优良表现,采用基于混合核函数的最小二乘支持向量机建模。但由于发酵过程周期较长,最小二乘支持向量机的全局模型预测精度难以保证,算法复杂度很高,因此提出一种分阶段建模方法。首先,选择表征阶段特性的辅助变量,利用模糊C均值聚类算法对样本数据聚类,将发酵过程分成不同的阶段,然后为各个阶段分别建立最优混合核最小二乘支持向量机局部模型,最后将局部模型合成构成过程的完整模型。将此方法应用于青霉素发酵过程和重组大肠杆菌发酵过程中,验证了该方法的有效性。     

发酵过程酵母浓度的软测量

针时发酵过程酵母浓度的测量,提出一种基于支持向量机的软测量建模方法。仿真证明,该方法比典型的RBF神经网络软测量有着明显的优势,时于实现发酵过程自动控制和优化运行有着重大的意义。     

基于苯乙烯过程生产数据驱动的软测量模型研究

针对苯乙烯生产过程的特点,引入软测量技术在线预测苯乙烯生产过程的一些关键参数,介绍了人工智能BP神经网络和部分最小二乘方法的软测量建模方法,基于企业生产数据研究了乙苯脱氢转化率、第一脱氢反应器脱氢转化率、第二脱氢反应器脱氢转化率和苯乙烯选择性等关键变量的软测量方法,对比了BP神经网络和部分最小二乘方法建模优缺点,应用结果表明,基于BP神经网络所建立的关键参数的软测量模型可真实再现实际苯乙烯生产过程,为安全可靠监控苯乙烯生产过程及未来实施先进及优化控制技术奠定了基础。     

微生物发酵过程优化控制技术进展

微生物发酵过程优化控制技术是发酵工程的重要技术。综述了近年来微生物发酵过程优化控制技术的研究现状,讨论了机理分析建模、黑箱建模、混合建模等发酵过程建模方法,对基于模型的优化控制策略进行了分析。指出了基于混合模型和多目标优化策略建立动态优化控制器,是微生物发酵过程优化控制的有效方法,并给出了实现优化控制需要解决的关键问题。     

基于支持向量机的软测量建模方法的应用

利用基于最小二乘支持向量机(LS-SVM)的软测量建模方法,通过工业现场数据来对丁二烯精馏装置建立软测量模型.对于该软测量模型,支持向量机方法比BP神经网络方法具有更好的泛化能力.研究结果表明,基于最小二乘的支持向量机建模方法是一种有效的软测量建模方法.     

多频率系统动态插值神经网络软测量建模

针对某些化工过程关键变量难以在线测量的问题,提出了一种基于多采样率系统的时间序列神经网络的软测量建模方法,建立了动态插值神经网络模型,并利用增强粒子群算法实现了网络参数的优化。将此方法用于实验室模拟建模,实现了变量的在线预估,并对网络的训练效果和泛化性能进行了分析,表明其建模效果明显优于普通静态神经网络。     

一种基于混合建模技术的MIMO软测量建模方法

针对复合肥产品中几种养分含量需要同时预报的一类多输入/多输出(MIMO)软测量建模问题,提出一种基于混合建模方法的复合肥养分含量MIMO软测量模型。该混合模型首先对几个不能实时测量的关键辅助变量采用基于限定记忆部分最小二乘算法的数据驱动建模方法建立自适应软测量模型,然后采用简化机理模型实时计算三种养分含量。基于实际工业过程数据的仿真结果表明,所建模型运算速度快、预测精度高,可以满足复合肥养分含量在线预报的要求。     

基于支持向量机的发酵过程生物量在线估计

Biomass is a key factor in fermentation process, directly influencing the performance of the fermentation system as well as the quality and yield of the targeted product. Therefore, the on-line estimation of biomass is indispensable. The soft-sensor based on support vector machine （SVM） for an on-line biomass estimation was analyzed in detail, and the improved SVM called the weighted least squares support vector machine was presented to follow the dynamic feature of fermentation process. The model based on the modified SVM was developed and demonstrated using simulation experiments.     

基于改进Kalman滤波算法的多模型融合建模方法

针对聚合物生产过程重要质量控制指标或状态变量的软测量问题,提出了一种基于改进Kalman滤波算法的多模型融合建模方法。将混合核函数主元分析(K₂PCA)与人工神经网络(ANN)相结合,建立一种基于K₂PCA-ANN的数据驱动模型;利用改进Kalman滤波算法实现K₂PCA-ANN模型与机理模型融合,构建一种并联结构的混合模型;协调二次滤波(线性滑动平滑)和方差更新对混合模型进行优化处理,使混合模型的估计性能尽可能地达到最优,使混合模型的预测稳定性得到有效改善。将该多模型融合建模方法应用于氯乙烯聚合过程聚合速率软测量中,应用研究结果表明:与单一的机理模型或K₂PCA-ANN数据驱动模型的预测性能相比,该建模方法建立的聚合速率模型具有更佳的预测性能。该建模方法的运用为进一步开展聚合物生产过程优化与控制等研究提供基础条件。     

异构化机理软测量模型在工业装置中的在线应用

讨论芳烃异构化机理模型的性能及其在线应用。基于已开发的动力学模型,针对大量工业数据,进行离线模拟,结果发现模型的＂老化＂问题。为了兼顾模型的估计精度和计算效率,提出将软测量模型拆分成在线模拟计算模块和离线参数估计模块,实时更新模型参数。然后将模型应用于工业异构化装置,在线估计系统组分的浓度,结果表明,该软测量模型具有良好的性能。     

基于混合建模技术的复合肥养分含量MIMO软测量模型

In compound fertilizer production, several quality variables need to be monitored and controlled simultaneously. It is very difficult to measure these variables on-line by existing instruments and sensors. So, soft-sensor technique becomes an indispensable method to implement real-time quality control. In this article, a new model of multi-inputs multi-outputs (MIMO) soft-sensor, which is constructed based on hybrid modeling technique, is proposed for these interactional variables. Data-driven modeling method and simplified first principle modeling method are combined in this model. Data-driven modeling method based on limited memory partial least squares (LM-PLS) algorithm is used to build soft-senor models for some secondary variables; then, the simplified first principle model is used to compute three primary variables on line. The proposed model has been used in practical process; the results indicate that the proposed model is precise and efficient, and it is possible to realize on line quality control for compound fertilizer process.     

与机理杂交的支持向量机为发酵过程建模

针对生物发酵过程机理复杂、高度非线性的特点,采用基于结构风险最小的支持向量机为发酵过程建模,其算法规范,建模复杂度低于神经网络方法,所建模型的预测效果更好.还将生化过程的动力学机理与支持向量机相结合,采用串联和串并联结构,提出与机理杂交的支持向量机建模方法,并为间歇式酒精发酵过程中酵母菌体浓度变化建立了预测模型.原理分析与试验结果表明与机理杂交的支持向量机建模方法,相比于单一近似的动力学模型、单一的支持向量机模型,以及机理杂交的神经网络模型,它的预测精度高,泛化能力强,性能更为优越.     

基于混合建模技术的复合肥养分含量MIMO软测量模型

In compound fertilizer production, several quality variables need to be monitored and controlled simultaneously. It is very diifficult to measure these variables on-line by existing instruments and sensors. So, soft-sensor technique becomes an indispensable method to implement real-time quality control. In this article, a new model of multi-inputs multi-outputs （MIMO） soft-sensor, which is constructed based on hybrid modeling technique, is proposed for these interactional variables. Data-driven modeling method and simplified first principle modelingmethod are combined in this model. Data-driven modeling method based on limited memory partial least squares（LM-PLS） al.gorithm is used to build soft-senor models for some secondary variables.then, the simplified first principle model is used to compute three primary variables on line. The proposed model has been used in practicalprocess; the results indicate that the proposed model is precise and efficient, and it is possible to realize on line quality control for compound fertilizer process.     

基于D-FNN的聚合过程转化速率软测量建模及重构

引言以氯乙烯单体(VCM)为原料,采用悬浮法聚合工艺生产聚氯乙烯(PVC)树脂是一种典型的间歇式化工生产过程。VCM的转化率对PVC树脂产品质量有很大影响,不同转化率时对PVC     

基于PSO-SVM逆的赖氨酸发酵过程软测量

针对赖氨酸发酵过程非线性、大滞后、多变量动态耦合,关键生化参数难以实时在线测量等问题,提出一种改进的粒子群-支持向量机(PSO-SVM)逆发酵过程软测量建模方法。首先分析逆系统的存在性,并结合赖氨酸发酵过程,引入发酵特征信息和舍弃次要信息构造逆扩展模型;然后利用支持向量机离线辨识初始逆扩展模型,并根据系统输入与模型输出的偏差信号,采用粒子群算法对初始逆扩展模型进行在线校正;最后将校正后的逆扩展模型串联在原发酵过程之后构成复合伪线性系统,实现不直接可测关键生化参数的在线预测。以L-赖氨酸流加发酵过程为例,验证了所提算法能够对发酵过程关键生物量参数进行较准确的在线预测,较普通的SVM逆建模方法具有更高的预测精度。     

一种软测量模型性能监测评价及其自适应校正方法

工业过程对象特性变化会导致软测量的测量精度下降甚至失真,需要对软测量模型进行校正。首先构建软测量模型性能评价指标用于对模型性能进行监测。当性能评价指标超过统计限时,对过程特性变化类型进行诊断：若过程特性渐变,则对模型进行递推校正;若过程特性发生突变,则对模型进行重构校正。通过对连续搅拌釜式反应器和DAISY（database for identification of systems）数据库提供的蒸发器实际生产数据进行仿真实验,验证了本文方法的有效性。实验结果表明,该方法避免了传统校正方法存在的盲目校正、受离线分析噪声影响严重等问题,有效地提高了软测量模型对对象特性变化的适应能力。