本發(fā)明屬于生物技術(shù)和信息科學(xué)交叉領(lǐng)域，主要涉及對賴氨酸發(fā)酵過程中難以用物理傳感器在線實時測量的三個關(guān)鍵狀態(tài)變量——菌絲濃度、基質(zhì)濃度、產(chǎn)物濃度進行軟測量的方法及系統(tǒng)構(gòu)造方法。

背景技術(shù)：

生物發(fā)酵是一類重要的工業(yè)生產(chǎn)工程，提供了與國計民生密不可分的藥品(抗生素、基因工程重級藥物、疫苗、維生素等)、各種氨基酸(核酸)及其他產(chǎn)品(酒精飲料、醬油醋、生物保健品等)。其典型特征是內(nèi)在機理復(fù)雜、可重復(fù)性差、生產(chǎn)波動差，具有高度的非線性和時變特性；同時發(fā)酵過程的許多關(guān)鍵參數(shù)(如菌絲濃度、基質(zhì)濃度和產(chǎn)物濃度等)反應(yīng)了過程所處狀態(tài)，對其進行在線測量，是進行補料、供氧等動態(tài)控制的重要依據(jù)，同時也是進行優(yōu)化調(diào)度的前提和基礎(chǔ)。因此研究賴氨酸的生產(chǎn)有著很高的價值。

賴氨酸是人體不能自身合成但又十分需要的8種氨基酸之一，廣泛應(yīng)用于食品添加劑、飼料添加劑、氨基酸輸液等方面。由于賴氨酸發(fā)酵過程是一個高度非線性的強耦合動態(tài)過程，具有一般非線性系統(tǒng)的時變性、關(guān)聯(lián)性、不確定性等特點；同時發(fā)酵過程中直接反映發(fā)酵品質(zhì)的某些關(guān)鍵生物量參數(shù)(如菌體濃度、基質(zhì)濃度、產(chǎn)物濃度等)無法在線實時測量，且沒有準(zhǔn)確的機理模型可利用，因此，研究如何及時獲得發(fā)酵過程的狀態(tài)信息，對賴氨酸發(fā)酵過程實施優(yōu)化控制，構(gòu)建微生物最優(yōu)生長軌跡，提高產(chǎn)品產(chǎn)量與質(zhì)量均具有重要意義。

支持向量機(Support Vector Machine，簡稱為SVM)軟測量方法采用了結(jié)構(gòu)風(fēng)險最小化原則和核函數(shù)技術(shù)，具有比神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)建模方法更好的性能，在發(fā)酵過程的軟測量建模中得到了廣泛應(yīng)用。在本發(fā)明中，針對賴氨酸發(fā)酵過程非線性、大滯后、多變量動態(tài)耦合，關(guān)鍵生化參數(shù)難以實時在線測量等問題，提出一種PSO-FSVM軟測量建模方法。這種理論的運用大幅提升了支持向量機建模的精度，同時避免了支持向量機對于孤立點或者異常點過分敏感的特性，提高了支持向量機抵抗噪聲的能力，尤其適合生物發(fā)酵過程這種未能完全揭示輸入樣本特性的情況。

技術(shù)實現(xiàn)要素：

為了解決賴氨酸發(fā)酵過程中非常重要但難以用物理傳感器在線實時測量或?qū)崟r測量代價非常高的狀態(tài)量(如菌體濃度、基質(zhì)濃度和產(chǎn)物濃度)測量方法之不足，本發(fā)明提供一種基于PSO-FSVM的賴氨酸發(fā)酵過程軟測量建模方法，通過常規(guī)在線測量儀表提供的輸入變量的測量信號，給出當(dāng)前關(guān)鍵狀態(tài)變量的預(yù)測值，為賴氨酸發(fā)酵過程的參數(shù)檢測和優(yōu)化運行提供關(guān)鍵工藝指標(biāo)。

本發(fā)明由硬件平臺及測量軟件組成，其中硬件平臺核心由發(fā)酵罐、蒸汽發(fā)生器、空氣壓縮機、空氣過濾器、供水系統(tǒng)組成，同時配備了測量儀表、計算機系統(tǒng)以及進行軟件計算的智能控制器。硬件的連接是發(fā)酵罐的輸入端通過管道與蒸汽發(fā)生器、空氣過濾器和供水系統(tǒng)相接，空氣壓縮機與空氣過濾器相接，軟測量軟件運行在智能控制器上，得到的軟測量結(jié)果可經(jīng)數(shù)據(jù)通道傳送到監(jiān)控制計算機上或獨立的計算機上。詳細(xì)結(jié)構(gòu)如圖1所示。以發(fā)酵罐、蒸汽發(fā)生器、空氣壓縮機、空氣過濾器、供水系統(tǒng)組成的發(fā)酵系統(tǒng)，其測量儀表包括：

在發(fā)酵罐罐體上分別安裝一個熱電偶t、一個溶氧電極、一個液位探頭和一個pH電極，用于在線測量罐內(nèi)發(fā)酵液溫度t、氧含量DO、體積v和酸堿度pH；

在發(fā)酵罐環(huán)形法蘭上安裝一個壓敏電阻，用于在線測量罐內(nèi)壓力p；

在發(fā)酵罐攪拌電機上安裝一個轉(zhuǎn)速傳感器，用于在線測量電機攪拌速率r；

在空氣過濾器和發(fā)酵罐相連的供氣管道上安裝一個氣體流量傳感器，用于在線測量進入發(fā)酵罐內(nèi)空氣流量q；

在發(fā)酵罐尾氣排放管上安裝一個CO2氣敏電極，用來在線測量排放出的CO2含量；

在補料罐和發(fā)酵罐相連的進料管道上安裝兩個蠕動泵，根據(jù)蠕動泵的開關(guān)時間估計葡萄糖流加速率ρ、氨水流加速率μ；

該發(fā)酵系統(tǒng)同時配置了智能控制器(微型計算機)和用于遠程監(jiān)測與控制的工業(yè)控制計算機(IPC)。

本發(fā)明的軟測量軟件運行在智能控制器上，該軟件通過相關(guān)測量儀表獲得實時的輸入數(shù)據(jù)，并給出發(fā)酵過程關(guān)鍵狀態(tài)變量的預(yù)測結(jié)果；所說的軟測量軟件，是指實現(xiàn)本發(fā)明方法的計算機程序。

本發(fā)明方法包括以下步驟：(1)選擇輔助變量，(2)建立樣本數(shù)據(jù)庫，(3)確定模糊隸屬度，(4)優(yōu)化支持向量機變量，(5)建立軟測量模型，(6)關(guān)鍵狀態(tài)變量預(yù)測。

步驟一：輔助變量選擇，選取能直接測量且與過程密切相關(guān)的外部變量用一致相關(guān)度法分析其與關(guān)鍵狀態(tài)變量的關(guān)聯(lián)度，取關(guān)聯(lián)度r_ij≥0.7的外部變量作為軟測量模型的輔助變量，

步驟二：建立訓(xùn)練數(shù)據(jù)庫，采集相同工藝下若干歷史罐批次的輔助變量和關(guān)鍵狀態(tài)變量數(shù)據(jù)，構(gòu)造輸入輸出向量對的集合，生成靜態(tài)訓(xùn)練樣本數(shù)據(jù)庫；其中輸入向量是輔助變量，輸出向量即關(guān)鍵狀態(tài)變量；

步驟三：確定樣本模糊隸屬度，將從步驟二得到訓(xùn)練樣本映射到高維核空間中，計算每個樣本在核空間中的模糊隸屬度；

步驟四：優(yōu)化模糊支持向量機參數(shù)，利用粒子群優(yōu)化算法的全局搜索能力，對模糊支持向量機的關(guān)鍵參數(shù)核函數(shù)和懲罰系數(shù)進行在線優(yōu)化調(diào)整；

步驟五：建立軟測量模型，用從步驟三得到的模糊隸屬度和步驟四得到的參量優(yōu)化結(jié)果對模糊支持向量機進行訓(xùn)練，建立基于模糊支持向理機軟測量模型；

步驟六：關(guān)鍵狀態(tài)變量預(yù)測，利用已訓(xùn)練好的模糊支持向量機軟測量模型，根據(jù)當(dāng)前待預(yù)測罐批的最新輸入向量，獲得關(guān)鍵狀態(tài)變量的預(yù)測值。

上述步驟一中所述的外部變量是發(fā)酵罐溫度t、發(fā)酵罐壓力p、電機攪拌轉(zhuǎn)速r、發(fā)酵液體積v、空氣流量q、CO₂釋放率μ、葡萄糖流加速率ρ、氨水流加速率η、溶解氧DO、發(fā)酵液酸堿度pH。依據(jù)相關(guān)性分析和發(fā)酵過程經(jīng)驗可設(shè)定關(guān)聯(lián)度值r_ij≥0.7的外部變量為輔助變量。

本發(fā)明的有益效果為：利用計算機系統(tǒng)和常規(guī)的檢測儀表提供的在線過程數(shù)據(jù)，僅僅通過少量的人工采樣，實現(xiàn)了賴氨酸發(fā)酵過程關(guān)鍵狀態(tài)變量的PSO-FSVM軟測量，解決了發(fā)酵過程中沒有變量在線檢測儀表從而難以在線檢測的難題；與人工取樣化驗相比，減少了現(xiàn)場操作人員的工作量，降低了發(fā)酵過程中人為操作測量的不確定性，提高了測量時效性，減少了離線取樣帶來的數(shù)據(jù)滯后的問題。本發(fā)明將模糊隸屬度引入到支持向量機建模中，與傳統(tǒng)的支持向量機軟測量方法相比，本發(fā)明中軟測量方法中克服了支持向量機對噪聲點和異常點過于敏感，模型容噪性能差的問題。另外，本發(fā)明使用了粒子群在線優(yōu)化的方法，提高了支持向量機建模的精度。最后，本發(fā)明全面考慮了影響賴氨酸發(fā)酵過程關(guān)鍵狀態(tài)變量的因素，大量采用現(xiàn)有的常規(guī)檢測信號來實現(xiàn)關(guān)鍵狀態(tài)變量的在線預(yù)測，應(yīng)用簡單、容易、成本較低，軟測量結(jié)果也較精確。該方法有助于實于秸稈發(fā)酵燃料乙醇過程的優(yōu)化控制和優(yōu)化運行。

附圖說明

圖1賴氨酸發(fā)酵過程的流程、測量儀表及計算機配置圖；

圖2基于粒子群算法(PSO)模糊支持向量機的賴氨酸發(fā)酵過程關(guān)鍵變量軟測量模型建立流程圖；

圖1中：1發(fā)酵罐，2蒸汽發(fā)生器，3空氣壓縮機，4空氣過濾器，5氣體流量傳感器，6轉(zhuǎn)速傳感器，7CO₂氣敏電極，8液位探頭，9熱電阻，10溶氧電極，11pH電極，12蠕動泵，13蠕動泵，14離心分離器，15智能控制器(單片機)，16上位計算機

圖1中所用標(biāo)記符號如下：

發(fā)酵罐溫度——t、機攪拌轉(zhuǎn)速——r、發(fā)酵液體積——v

空氣流量——q、CO₂釋放率——μ、葡萄糖流加速率——ρ、

氨水流加速率——η、溶解氧DO、發(fā)酵液酸堿度——pH。

圖1中，實線箭頭表示物流(發(fā)酵液，水、空氣和蒸汽)方向，虛線表示信號流。

具體實施方式

以下結(jié)合賴氨酸發(fā)酵過程關(guān)鍵狀態(tài)變量預(yù)測的實施例子和圖2所示的實施流程圖，對本發(fā)明實施例子作出詳細(xì)描述：

1.選擇輔助向量：選取能直接測量且與過程密切相關(guān)的外部變量用一致相關(guān)度法分析其與關(guān)鍵狀態(tài)變量的關(guān)聯(lián)度，取關(guān)聯(lián)度r_ij≥0.7的外部變量作為軟測量模型的輔助變量。

(1)發(fā)酵過程數(shù)據(jù)的獲得

賴氨酸發(fā)酵過程以北京棒桿菌(Corynebacterium pekinense)為菌種，采用WKT-30L型發(fā)酵監(jiān)控系統(tǒng)進行發(fā)酵培養(yǎng)。如圖1所示監(jiān)控系統(tǒng)由發(fā)酵罐1、蒸汽發(fā)生器2、空氣壓縮機3、空氣過濾器4和供水系統(tǒng)組成。賴氨酸發(fā)酵過程中通過氣體流量傳感器5、轉(zhuǎn)速傳感器6、CO₂氣敏電極7、液位探頭8、熱電阻9、溶氧電極10、pH電極11、蠕動泵12和蠕動泵13采集空氣流量、電機攪拌轉(zhuǎn)速、CO₂釋放率、發(fā)酵液體積、發(fā)酵罐溫度、溶解氧、發(fā)酵液酸堿度、葡萄糖流加速率和氨水流加速率數(shù)據(jù)。發(fā)酵液經(jīng)離心分離器14分離后離線檢測得到菌絲濃度、基質(zhì)濃度和產(chǎn)物濃度。

(2)一致相關(guān)度分析

外部變量作為輸入變量，關(guān)鍵狀態(tài)變量作為輸出變量。對于得到的外部變量數(shù)據(jù)(發(fā)酵罐溫度t、發(fā)酵罐壓力p、電機攪拌轉(zhuǎn)速r、發(fā)酵液體積v、空氣流量q、CO₂釋放率μ、葡萄糖流加速率ρ、氨水流加速率η、溶解氧DO、發(fā)酵液酸堿度pH)用一致相關(guān)度法分析其與關(guān)鍵狀態(tài)變量(菌絲濃度X、基質(zhì)濃度P和產(chǎn)物濃度S)的關(guān)聯(lián)度，取關(guān)聯(lián)度較大的外部變量作為軟測量模型的輔助變量。

以發(fā)酵罐溫度t，菌絲濃度X為例，具體算法如下：

式中，v_ij(k)為變化率相關(guān)系統(tǒng)，r_ij為關(guān)聯(lián)度，β為數(shù)據(jù)變化率對關(guān)聯(lián)度的影響，ξ_ij為變量相關(guān)系數(shù)。對于發(fā)酵罐溫度t和菌絲濃度X，設(shè)有m₁個趨勢相同的點m₂個趨勢無關(guān)聯(lián)的點m₃個趨勢相反的點代入式(1)可得：

式中，P_ij，Z_ij，N_ij分別表示正關(guān)聯(lián)度、零關(guān)聯(lián)度和負(fù)關(guān)聯(lián)度。當(dāng)|P_ij|≥|N_ij|時，發(fā)酵罐溫度t和菌絲濃度X以正相關(guān)為主，它們的變化趨勢相似，相關(guān)程度由r_ij，P_ij兩因素的大小來衡量；當(dāng)r_ij＝Z_ij＝0時，發(fā)酵罐溫度t和菌絲濃度無關(guān)；當(dāng)|P_ij|≤|N_ij|時，發(fā)酵罐溫度t和菌絲濃度相關(guān)為主，即它們的變化趨勢相反，相關(guān)程度由由r_ij，P_ij兩因素的大小來衡量。

外部變量與菌絲濃度X的關(guān)聯(lián)度計算結(jié)果如表1所示：

表1外部變量的關(guān)聯(lián)度計算值

由計算結(jié)果可知，通過相關(guān)性分析和發(fā)酵過程經(jīng)驗設(shè)定關(guān)聯(lián)度值r_ij≥0.7的條件下，可測外部變量——發(fā)酵液體積v、空氣流量q、CO₂釋放率μ、溶解氧DO、發(fā)酵液酸堿度pH與賴氨酸發(fā)酵過程的菌絲濃度X最為相關(guān)，選擇上述五個變量作為軟測量模型的輔助變量。

2.建立訓(xùn)練樣本數(shù)據(jù)庫：采集相同工藝下若干歷史罐批次的輔助變量和關(guān)鍵狀態(tài)變量數(shù)據(jù)，構(gòu)造輸入輸出向量對的集合，生成靜態(tài)訓(xùn)練樣本數(shù)據(jù)庫，其中輸入向量是輔助變量，輸出向量即待測的關(guān)鍵狀態(tài)變量。

賴氨酸發(fā)酵過程按照如下的結(jié)構(gòu)組成樣本，并收集相同工藝下若干歷史罐批次訓(xùn)練樣本數(shù)據(jù)。樣本表達為{x_k，y_k}，其中x_k為樣本的輸入，即選取的輔助向量-發(fā)酵液體積v、空氣流量q、CO₂釋放率μ、溶解氧DO、發(fā)酵液酸堿度pH。樣本的輸出為待預(yù)測的主導(dǎo)變量-菌絲濃度X、基質(zhì)濃度P、產(chǎn)物濃度S。訓(xùn)練樣本采集記錄結(jié)構(gòu)如表2，時間為發(fā)酵過程中的采樣周期，為減少主導(dǎo)變量離線化驗誤差，根據(jù)同一樣本主導(dǎo)變量采用三次化驗結(jié)果進行樣本取舍，最后取平均值：

表2樣本數(shù)據(jù)結(jié)構(gòu)

考慮到樣本數(shù)據(jù)應(yīng)該具有代表性，并且盡可能覆蓋范圍較寬，至少應(yīng)該包括發(fā)酵過程正常工作范圍，通過手動調(diào)控發(fā)酵罐壓力、發(fā)酵罐溫度和電機攪拌轉(zhuǎn)速，在生產(chǎn)工藝允許的范圍內(nèi)盡可能改變賴氨酸發(fā)酵過程的工作點，每次操作條件改變系統(tǒng)平穩(wěn)后取樣化驗。

3.確定樣本模糊隸屬度：將從步驟2得到訓(xùn)練樣本映射到高維核空間中，計算每個樣

本在核空間中的模糊隸屬度。

將從步驟二得到的樣本數(shù)據(jù)映射到高維核空間里，并計算每個樣本數(shù)據(jù)在核空間中的模糊隸屬度。

考慮到映射后的樣本數(shù)據(jù)在構(gòu)造超平面時所起的作用是不同的，本發(fā)明對它們賦予不同的隸屬度，對位于超平面上或位于超平面周圍的受到噪聲污染很小的樣本(離超平面的方差很小)賦予最大的隸屬度(如v_i)；對由于受到噪聲污染而位于超平面附近的樣本(離超平面的方差較小)根據(jù)一定規(guī)則賦予相應(yīng)大小的隸屬度v_i＝μ_i；對遠離超平面的異常樣本數(shù)據(jù)(離超平面的方差較大)賦予相對較小的隸屬度v_i＝μ^low。具體步驟如下：

(a)輸入訓(xùn)練樣本，并將其映射到高維核空間中：

S＝{s_i|s_i＝(x_i，y_i)，x_i∈Rⁿ，y_i∈R，i＝1，2，...，l}

(b)計算核空間中任意兩個樣本點的距離矩陣：

(c)取定一常數(shù)d，計算以任意樣本為球心，以d為半徑的超球所包含的樣本個數(shù)即滿足的樣本數(shù)目

(d)求滿足的樣本數(shù)目的最大值：

(e)計算核空間每個樣本數(shù)據(jù)點的模糊隸屬度v_i：

式中，

(f)輸出帶模糊隸屬度的訓(xùn)練數(shù)據(jù)樣本。

S＝{s_i|s_i＝(x_i，y_i，v_i)，x_i∈Rⁿ，y_i∈R，0≤v_i≤1，i＝1，2，...，l}

本發(fā)明中核函數(shù)取徑向基核函數(shù)：

公式(3)可以轉(zhuǎn)換為：

由公式(7)得到：

||s_i-s_j||→∞時，

||s_i-s_j||→0時，

因此在(c)中，超球半徑d的范圍為由于實際發(fā)酵過程中樣本數(shù)據(jù)一般位于有限的幾個穩(wěn)定工作點附近，超球半徑d取0.2，最大模糊隸屬度μ^max取0.9，最小模糊隸屬度μ^min取

4.優(yōu)化模糊支持向量機參數(shù)：利用粒子群優(yōu)化算法的全局搜索能力，對模糊支持向量機的關(guān)鍵參數(shù)(核函數(shù)和懲罰系數(shù))進行在線優(yōu)化調(diào)整。

利用粒子群優(yōu)化算法的全局搜索能力，對模糊支持向量機的關(guān)鍵參數(shù)核函數(shù)和懲罰系數(shù)進行在線優(yōu)化調(diào)整。

從軟測量模型的目標(biāo)函數(shù)可以看出，懲罰系數(shù)c的大小會直接影響最優(yōu)值的大小，從而導(dǎo)致模型出現(xiàn)較大誤差；同時由于本發(fā)明采用的是徑向基(BRF)核函數(shù)，核函數(shù)的值完全取決于核寬度σ，因此核寬度和懲罰系數(shù)與模型的精度密不可分。

設(shè)訓(xùn)練樣本數(shù)為l，每個樣本在D維空間中的當(dāng)前坐標(biāo)位置為X_i[σ，c]，第i個樣本的速度為V_i，速度調(diào)整方程為：

V_i(t+1)＝wV_i(t)+c₁rand₁(t)[P_ibest(t)-X_i(t)]+c₂rand(t)[P_Gbest(t)-X_i(t)]

位置調(diào)整方程為：

X_i(t+1)＝X_i(t)+V_i(t+1)

式中，σ是核寬度，它反應(yīng)了邊界包含的半徑。c為懲罰系數(shù)。w為慣性權(quán)值，一般是非負(fù)數(shù)。c₁，c₂為加速系數(shù)，是非負(fù)常數(shù)，通常根據(jù)經(jīng)驗取c₁＝c₂＝2。V_i(t)是第i個粒子的速度，i＝1，2，…，l；V_i(t)∈[-V_max，V_max]常數(shù)，由用戶設(shè)定用來限制粒子的速度。P_ibest稱為個體極值，是第i個粒子最好的位置，P_Gbest稱為全局極值，是所有粒子中最好的位置。rand(t)是介于(0，1)之間的隨機數(shù)。

每次進行位置和速度更新后判斷其與上一次最有位置之間的差，滿足結(jié)束條件為：

(1)粒子飛行達到邊界，即V_i(t)＝±V_max

(2)滿足式中，ε₁，ε₂是一個非常小的正數(shù)，在本發(fā)明中取ε₁＝ε₂＝0.01。ε的取值與精度有關(guān)，ε越小優(yōu)化效果越明顯。

5.建立軟測量模型

用步驟三得到的模糊隸屬度結(jié)果和步驟四得到的優(yōu)化參數(shù)對模糊支持向量機進行訓(xùn)練，求出基于PSO-FSVM的軟測量模型。

該軟測量模型根據(jù)以下過程進行推導(dǎo)：

模糊化后的輸入樣本集S＝{s_i|s_i＝(x_i，y_i，v_i)，x_i∈R^m，y_i∈R，0≤v_i≤1，i＝1，2，...，l}，m為輸入向量個數(shù)，l為訓(xùn)練樣本數(shù)，最優(yōu)化問題的目標(biāo)函數(shù)為：

s.t.y_i＝w^Tφ(x_i)+b+ξ_i i＝1，...，l

式中，c為處罰系數(shù)，v_i代表相應(yīng)樣本數(shù)據(jù)，x_i在高維核空間里的模糊隸屬度，ξ_i是每個樣本的誤差因子，v_iξ_i²代表帶有不同權(quán)重的誤差因子，φ(x_i)為映射函數(shù)；w，b分別表示最優(yōu)回歸函數(shù)的線性系數(shù)和偏移量；用拉格朗日方法求解上述優(yōu)化問題，定義拉格朗日函數(shù)如下：

式中，a_i是拉格郞日乘子，對應(yīng)于a_i≠0的拉格郞日乘子稱為支持向量。上述問題歸結(jié)為二次規(guī)劃問題，令

消除w，ξ，上式可寫成下列線性方程組的形式：

式中，Ω_ij＝K(x_i，x_j)，i，j＝1，2，...，l，a＝[a₁，a₂，...，a_l]^T，I＝[1，1，...，1]^T，y＝[y₁，y₂，...，y_l]^T，V_r是對角矩陣，V_r＝diag((cv₁)^-1，(cv₂)^-1，...，(cv_l)^-1)。

通過上式確定系數(shù)b和a，得到軟測量模型為：

式中，x_i為樣本的輸入，即選取的輸入向量發(fā)酵液體積v、空氣流量q、CO₂釋放率μ、溶解氧DO、發(fā)酵液酸堿度pH；

y(x)為待預(yù)測的主導(dǎo)變量——菌絲濃度X、基質(zhì)濃度P、產(chǎn)物濃度S；

a_i，b——訓(xùn)練后的模型系數(shù)，i＝1，2，...，l；

本發(fā)明以采用徑向基(RBF)為例建立軟測量模型，該核函數(shù)形式為：

式中，σ為核參數(shù)；

本發(fā)明中處罰系數(shù)c的初值取1000，核參數(shù)σ的初值取0.28。

5.預(yù)測關(guān)鍵狀態(tài)變量：利用已訓(xùn)練好的PSO-FSVM軟測量模型，根據(jù)當(dāng)前待預(yù)測罐批的最新輸入向量，獲得關(guān)健狀態(tài)變量的預(yù)測值。

軟測量模型建立完畢后，采用嵌入式C語言編程實現(xiàn)，并嵌入到智能控制器15里，當(dāng)待預(yù)測罐批的輸入向量x_l+1經(jīng)測量儀表讀入智能控制器15后，智能控制器15利用軟測量程序計算得到關(guān)鍵狀態(tài)變量的預(yù)測值，并將預(yù)測結(jié)果經(jīng)數(shù)據(jù)通道傳送到上位計算機16上顯示。

本發(fā)明即基于模糊支持向量機的關(guān)鍵狀態(tài)變量軟測量模型在賴氨酸發(fā)酵過程正常運行期間，能夠根據(jù)發(fā)酵過程的最新輸入向量預(yù)測關(guān)鍵狀態(tài)變量。

綜上，本發(fā)明的一種基于PSO-FSVM的賴氨酸發(fā)酵過程關(guān)鍵變量軟測量方法及系統(tǒng)，該方法依賴硬件平臺、測量儀表和進行智能計算的計算機系統(tǒng)軟件，該軟件通過測量儀表獲得實時的過程數(shù)據(jù)進行在線實時估計。該方法首先通過對賴氨酸發(fā)酵過程工藝機理進行分析，選取合適的輔助變量并根據(jù)歷史罐批數(shù)據(jù)建立訓(xùn)練樣本數(shù)據(jù)庫，然后將訓(xùn)練樣本映射到高維核空間里，計算出核空間里每個樣本點所對應(yīng)的模糊隸屬度；接著使用粒子群算法在線優(yōu)化核函數(shù)參數(shù)和懲罰系數(shù)并對模糊化后的訓(xùn)練樣本采用模糊支持向量機進行訓(xùn)練建立軟測量模型；最后根據(jù)待預(yù)測罐批的最新輸入向量，實現(xiàn)關(guān)鍵狀態(tài)變量的預(yù)測。本發(fā)明實現(xiàn)了賴氨酸發(fā)酵過程關(guān)鍵狀態(tài)變量的在線實時預(yù)測，對實現(xiàn)賴氨酸發(fā)酵過程的參數(shù)預(yù)測與優(yōu)化控制具有重要意義。

在本說明書的描述中，參考術(shù)語“一個實施例”、“一些實施例”、“示意性實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中，對上述術(shù)語的示意性表述不一定指的是相同的實施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點可以在任何的一個或多個實施例或示例中以合適的方式結(jié)合。

盡管已經(jīng)示出和描述了本發(fā)明的實施例，本領(lǐng)域的普通技術(shù)人員可以理解：在不脫離本發(fā)明的原理和宗旨的情況下可以對這些實施例進行多種變化、修改、替換和變型，本發(fā)明的范圍由權(quán)利要求及其等同物限定。