專利名稱:基于多傳感器信息融合的發(fā)酵過(guò)程狀態(tài)監(jiān)測(cè)與控制方法
技術(shù)領(lǐng)域:
本發(fā)明涉及發(fā)酵過(guò)程監(jiān)測(cè)與控制領(lǐng)域,具體地說(shuō),是一種基于多傳感器信息融合的發(fā)酵過(guò)程狀態(tài)監(jiān)測(cè)與控制方法。
背景技術(shù):
生物發(fā)酵作為現(xiàn)代生物技術(shù)工業(yè)的重要組成部分,已被廣泛用于食品、制藥等各個(gè)領(lǐng)域。由于發(fā)酵過(guò)程是一種極其復(fù)雜的生化反應(yīng)過(guò)程,不僅具有一般非線性系統(tǒng)的時(shí)變性、大慣性、關(guān)聯(lián)性、不確定性等特點(diǎn);另外,發(fā)酵過(guò)程中的一些重要過(guò)程狀態(tài)參數(shù)(如生物量濃度、產(chǎn)物濃度和底物濃度等)均不可在線測(cè)量,所以發(fā)酵過(guò)程的監(jiān)測(cè)與控制比一般的非線性系統(tǒng)更加復(fù)雜;且隨著發(fā)酵規(guī)模的不斷擴(kuò)大,對(duì)其自動(dòng)控制技術(shù)也提出了更高的要求。
目前,對(duì)發(fā)酵過(guò)程良好的控制和優(yōu)化操作,是建立在上述關(guān)鍵生物過(guò)程變量的準(zhǔn)確測(cè)量基礎(chǔ)之上,而這些關(guān)鍵過(guò)程變量的在線測(cè)量是相當(dāng)困難的。所以,基于它們的優(yōu)化控制實(shí)際上是很難實(shí)現(xiàn)的。雖然目前已試著努力開(kāi)發(fā)有關(guān)在線傳感器,但是可供使用的或具有好的性能可靠的儀器還是相當(dāng)有限的。因此,研究一種快速便捷軟儀表來(lái)對(duì)生物發(fā)酵過(guò)程控制所必需的變量信息進(jìn)行間接測(cè)量,以實(shí)現(xiàn)對(duì)整個(gè)發(fā)酵過(guò)程的實(shí)時(shí)監(jiān)測(cè)、優(yōu)化控制及保證發(fā)酵廣品品質(zhì)等都有著直接的現(xiàn)實(shí)意義。理論研究表明,機(jī)器視覺(jué)技術(shù)、近紅外光譜技術(shù)和電子鼻技術(shù)可以用于生物發(fā)酵過(guò)程狀態(tài)監(jiān)測(cè)和關(guān)鍵參數(shù)的軟測(cè)量。經(jīng)專利檢索表明,目前僅存在近紅外光譜技術(shù)應(yīng)用于液體發(fā)酵過(guò)程參數(shù)指標(biāo)檢測(cè)方面的國(guó)內(nèi)相關(guān)專利;機(jī)器視覺(jué)和電子鼻技術(shù)在發(fā)酵(液體發(fā)酵和固體發(fā)酵)過(guò)程監(jiān)測(cè)與控制上的應(yīng)用還僅僅停留在實(shí)驗(yàn)室階段,沒(méi)有相關(guān)的專利文獻(xiàn);且在發(fā)酵領(lǐng)域中的應(yīng)用所采用的都是單一技術(shù)或手段對(duì)發(fā)酵過(guò)程的某一個(gè)或多個(gè)關(guān)鍵參數(shù)指標(biāo)的進(jìn)行軟測(cè)量,這樣測(cè)量得到的參數(shù)指標(biāo)信息具有片面性。反映發(fā)酵過(guò)程的狀態(tài)信息指標(biāo)是多方面的,而通過(guò)某種單一的檢測(cè)手段往往不能全面地描述一個(gè)對(duì)象,只能反映其中的一個(gè)方面,這樣必然會(huì)影響到軟測(cè)量檢測(cè)結(jié)果精度和穩(wěn)定性,從而影響對(duì)其過(guò)程的優(yōu)化控制。
發(fā)明內(nèi)容
鑒于現(xiàn)有技術(shù)中單一傳感器技術(shù)在發(fā)酵過(guò)程狀態(tài)監(jiān)測(cè)中存在的局限性,本發(fā)明的目的是提供一種基于多傳感器信息融合的發(fā)酵過(guò)程狀態(tài)監(jiān)測(cè)與控制方法,能獲得結(jié)果更全面,更客觀的發(fā)酵過(guò)程信息,提高軟測(cè)量檢測(cè)結(jié)果的精度和穩(wěn)定性,優(yōu)化控制發(fā)酵進(jìn)程。本發(fā)明的目的是通過(guò)以下方案實(shí)現(xiàn)的包括以下步驟
(1)在線采集不同發(fā)酵批次、不同發(fā)酵時(shí)間、具有代表性的用于模型校正的發(fā)酵過(guò)程產(chǎn)物樣本;
(2)對(duì)用于模型校正的發(fā)酵過(guò)程產(chǎn)物樣本分別采用在線儀表、機(jī)器視覺(jué)、近紅外光譜、電子鼻采集獲取原始數(shù)據(jù),同時(shí)進(jìn)行常規(guī)理化分析獲取生化參數(shù)指標(biāo);將經(jīng)常規(guī)理化分析獲取的生化參數(shù)指標(biāo)結(jié)合在線儀表獲取的理化過(guò)程參數(shù)指標(biāo)共同組建一個(gè)標(biāo)準(zhǔn)數(shù)據(jù)庫(kù);(3)采用計(jì)算機(jī)對(duì)機(jī)器視覺(jué)、近紅外光譜和電子鼻采集獲取的原始數(shù)據(jù)信息分別進(jìn)行預(yù)處理,再分別提取能表征發(fā)酵過(guò)程關(guān)鍵狀態(tài)參數(shù)的各個(gè)有效特征信息;
(4)將各個(gè)有效特征信息組成特征向量,將特征向量分別與已建的所述標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)中的生化參數(shù)指標(biāo)和理化過(guò)程參數(shù)指標(biāo)進(jìn)行一一對(duì)應(yīng),通過(guò)人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)構(gòu)建關(guān)鍵狀態(tài)參數(shù)多傳感器信息融合模型;
(5)采用機(jī)器視覺(jué)、近紅外光譜和電子鼻分別在線采集待測(cè)發(fā)酵過(guò)程產(chǎn)物樣本的相應(yīng)數(shù)據(jù)信息,同時(shí)通過(guò)在線儀表直接測(cè)量得到實(shí)測(cè)結(jié)果;采用計(jì)算機(jī)對(duì)相應(yīng)數(shù)據(jù)信息進(jìn)行預(yù)處理和提取相應(yīng)特征信息,并代入所述關(guān)鍵狀態(tài)參數(shù)多傳感器信息融合模型得到發(fā)酵過(guò)程關(guān)鍵狀態(tài)參數(shù)的軟測(cè)量值;
(6)將軟測(cè)量值與實(shí)測(cè)結(jié)果進(jìn)行軟儀表診斷,依據(jù)診斷結(jié)果實(shí)時(shí)更新數(shù)據(jù)庫(kù),并對(duì)關(guān)鍵狀態(tài)參數(shù)多傳感器信息融合模型進(jìn)行在線自適應(yīng)修正,采用控制器根據(jù)軟儀表診斷結(jié)果執(zhí)行相應(yīng)控制。本發(fā)明的有益效果是
本發(fā)明將機(jī)器視覺(jué)、近紅外光譜和電子鼻三種傳感器的特征信息融合起來(lái)并與離線理化分析和在線儀表測(cè)得的結(jié)果進(jìn)行關(guān)聯(lián),建立發(fā)酵過(guò)程狀態(tài)參數(shù)的多傳感器信息融合模型以實(shí)現(xiàn)發(fā)酵過(guò)程的智能監(jiān)測(cè)和有效控制。利用不同的傳感器可以獲得描述同一對(duì)象不同品質(zhì)特征的大量信息,依據(jù)某種準(zhǔn)則對(duì)多種傳感器特征信息進(jìn)行分析、綜合和平衡,并與傳統(tǒng)理化分析方法和在線儀表獲得的結(jié)果進(jìn)行關(guān)聯(lián),利用合適的化學(xué)計(jì)量學(xué)方法構(gòu)建發(fā)酵過(guò)程關(guān)鍵參數(shù)的多傳感器信息融合模型,同時(shí)提出軟儀表的自適應(yīng)機(jī)制,有助于實(shí)現(xiàn)融合模型的在線實(shí)時(shí)診斷與自適應(yīng)更新,更加合理地控制和優(yōu)化發(fā)酵過(guò)程。本發(fā)明借鑒了多信息融合的思想,克服了單純依靠某種單一的技術(shù)檢測(cè)和監(jiān)測(cè)方法的不足,能從多個(gè)角度(即,圖像信息、光譜信息和氣體揮發(fā)物信息)獲取特定發(fā)酵過(guò)程的相關(guān)信息,并將多種傳感器信息融合起來(lái)進(jìn)行智能監(jiān)測(cè),利用上述三種信息的互補(bǔ)性和冗余性,各信息間互相進(jìn)行實(shí)證檢驗(yàn),相互彌補(bǔ),有助于實(shí)現(xiàn)對(duì)發(fā)酵進(jìn)程的實(shí)時(shí)監(jiān)控和優(yōu)化,可保證最終發(fā)酵產(chǎn)品質(zhì)量的一致性,進(jìn)而提高發(fā)酵過(guò)程狀態(tài)智能監(jiān)測(cè)與控制的精度及效率。本發(fā)明對(duì)發(fā)酵過(guò)程狀態(tài)監(jiān)測(cè)與控制具有通用性,可用于液體和固體發(fā)酵過(guò)程關(guān)鍵狀態(tài)參數(shù)指標(biāo)的在線實(shí)時(shí)監(jiān)控,能解決發(fā)酵工業(yè)生產(chǎn)過(guò)程中常規(guī)離線理化檢測(cè)方法成本高、耗時(shí)長(zhǎng)及效率低等缺陷,同時(shí)為相關(guān)發(fā)酵產(chǎn)品質(zhì)量的提升提供有力的技術(shù)保障。
圖I為本發(fā)明基于多傳感器信息融合的發(fā)酵過(guò)程狀態(tài)監(jiān)測(cè)與控制方法的流程圖。
具體實(shí)施例方式本發(fā)明首先利用機(jī)器視覺(jué)、近紅外光譜和電子鼻三種傳感器及在線儀表分別實(shí)時(shí)采集能夠反映發(fā)酵過(guò)程產(chǎn)物狀態(tài)參數(shù)指標(biāo)的各傳感器信息;然后,對(duì)各傳感器采集的原始數(shù)據(jù)進(jìn)行預(yù)處理并提取能表征發(fā)酵過(guò)程狀態(tài)參數(shù)指標(biāo)的各傳感器特征信息,并與離線理化分析和在線儀表測(cè)得的數(shù)據(jù)進(jìn)行關(guān)聯(lián),利用合適的化學(xué)計(jì)量學(xué)方法,通過(guò)適當(dāng)?shù)膶W(xué)習(xí)和訓(xùn)練在特征層構(gòu)建發(fā)酵過(guò)程關(guān)鍵狀態(tài)參數(shù)的多傳感器信息融合模型。在實(shí)際應(yīng)用時(shí),首先對(duì)待測(cè)樣本進(jìn)行各傳感器信息采集,并進(jìn)行相應(yīng)的數(shù)據(jù)預(yù)處理和特征提?。蝗缓蟠胍呀⒌亩鄠鞲衅餍畔⑷诤夏P途涂梢缘玫桨l(fā)酵過(guò)程關(guān)鍵狀態(tài)參數(shù)(在線儀表可測(cè)與需離線分析的參數(shù))的軟測(cè)量值,從而實(shí)現(xiàn)發(fā)酵過(guò)程關(guān)鍵狀態(tài)參數(shù)的在線實(shí)時(shí)監(jiān)測(cè);最后,將多傳感器信息融合模型對(duì)在線儀表可測(cè)過(guò)程參數(shù)的軟測(cè)量值與實(shí)際在線儀表測(cè)得結(jié)果進(jìn)行軟儀表診斷,從而實(shí)現(xiàn)對(duì)所構(gòu)建融合模型的在線監(jiān)控與自適應(yīng)更新,以便更加有效地對(duì)發(fā)酵過(guò)程實(shí)施相應(yīng)的優(yōu)化控制。具體實(shí)施過(guò)程如下
參閱圖I中的實(shí)線箭頭所示,首先在線采集不同發(fā)酵批次、不同發(fā)酵時(shí)間、具有代表性的用于模型校正的發(fā)酵過(guò)程產(chǎn)物樣本。然后采用各個(gè)傳感器,對(duì)用于模型校正的發(fā)酵過(guò)程產(chǎn)物樣本分別進(jìn)行原始數(shù)據(jù)采集和常規(guī)理化分析。其中,原始數(shù)據(jù)采集為在線儀表數(shù)據(jù)采集、機(jī)器視覺(jué)數(shù)據(jù)采集、近紅外光譜數(shù)據(jù)采集和電子鼻信號(hào)采集這四種采集方法,四種采集方法可同時(shí)進(jìn)行。在線儀表數(shù)據(jù)采集時(shí),通 過(guò)在線儀表獲得大多數(shù)用于模型校正的發(fā)酵過(guò)程產(chǎn)物樣本的理化過(guò)程參數(shù)指標(biāo),如溫度、壓力、CO2濃度、pH值、溶解氧濃度、攪拌速率等。機(jī)器視覺(jué)數(shù)據(jù)采集時(shí),將用于模型校正的發(fā)酵過(guò)程產(chǎn)物樣本放入培養(yǎng)皿中,并將其置于密閉光源箱內(nèi)進(jìn)行機(jī)器視覺(jué)信息采集。近紅外光譜數(shù)據(jù)采集時(shí),將用于模型校正的發(fā)酵過(guò)程產(chǎn)物樣本放入5_光程度石英比色皿中,并將其放入光譜儀配套的透射附件中通過(guò)透射的方式進(jìn)行近紅外光譜數(shù)據(jù)采集。電子鼻信號(hào)采集時(shí),將用于模型校正的發(fā)酵過(guò)程產(chǎn)物樣本置于電子鼻系統(tǒng)的采集杯中富集15分鐘,然后通過(guò)微量泵將富集后的氣體抽入電子鼻系統(tǒng)的傳感器陣列進(jìn)行電子鼻數(shù)據(jù)信號(hào)采集。常規(guī)理化分析,是為了獲取用于模型校正的發(fā)酵過(guò)程不可通過(guò)在線儀表直接采集并檢測(cè)到的生化參數(shù)指標(biāo),如菌體濃度、基質(zhì)濃度和產(chǎn)物濃度等屬性值。將經(jīng)常規(guī)理化分析獲取的生化參數(shù)指標(biāo)結(jié)合通過(guò)在線儀表測(cè)得的理化過(guò)程參數(shù)指標(biāo)(如上述溫度、壓力、CO2濃度、pH值、溶解氧濃度、攪拌速率等)共同組建一個(gè)標(biāo)準(zhǔn)數(shù)據(jù)庫(kù),該標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)反映了各狀態(tài)參數(shù)指標(biāo)理化分析與在線儀表測(cè)得的結(jié)果,為下一步的狀態(tài)參數(shù)監(jiān)測(cè)多傳感器信息融合模型建立服務(wù)。之后,采用計(jì)算機(jī)對(duì)機(jī)器視覺(jué)、近紅外光譜和電子鼻采集的原始數(shù)據(jù)信息分別進(jìn)行預(yù)處理,然后分別提取能表征發(fā)酵過(guò)程關(guān)鍵狀態(tài)參數(shù)的各個(gè)有效特征信息。具體為對(duì)于機(jī)器視覺(jué)數(shù)據(jù)信號(hào),主要進(jìn)行圖像的增強(qiáng)、背景分割等數(shù)據(jù)預(yù)處理,提取表征發(fā)酵產(chǎn)物色澤的顏色特征、紋理特征等變量有效特征信息,可采用常規(guī)的CIE L*a*b顏色體系。對(duì)于近紅外光譜數(shù)據(jù)信號(hào),首先進(jìn)行平滑、歸一化、求導(dǎo)及數(shù)據(jù)降維、信號(hào)濾噪等預(yù)處理,如主成分分析、獨(dú)立分量分析和小波分析等,然后再提取表征發(fā)酵過(guò)程關(guān)鍵狀態(tài)參數(shù)的光譜曲線特征及有用的光譜指數(shù)等有效特征信息。對(duì)于電子鼻數(shù)據(jù)信號(hào),主要進(jìn)行基線校正、信號(hào)濾澡等預(yù)處理,然后提取表征發(fā)酵產(chǎn)物整體品質(zhì)的氣體揮發(fā)物指紋譜等有效特征信息。再將提取的各個(gè)有效特征信息組成特征向量(融合模型輸入),將特征向量分別與已建的標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)中由理化分析和在線儀表測(cè)得的結(jié)果(模型輸出)進(jìn)行一一對(duì)應(yīng),通過(guò)人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等常規(guī)的化學(xué)計(jì)量學(xué)方法構(gòu)建發(fā)酵過(guò)程優(yōu)化控制所必須的關(guān)鍵狀態(tài)參數(shù)多傳感器信息融合模型。在關(guān)鍵狀態(tài)參數(shù)多傳感器信息融合模型建立好后,將其應(yīng)用于實(shí)際的發(fā)酵過(guò)程狀態(tài)監(jiān)測(cè)與控制中,在實(shí)際應(yīng)用時(shí),具體實(shí)施過(guò)程如圖I中的虛線箭頭所示
首先采用機(jī)器視覺(jué)、近紅外光譜和電子鼻三種傳感器分別在線采集待測(cè)發(fā)酵過(guò)程產(chǎn)物樣本的相應(yīng)數(shù)據(jù)信息,同時(shí)還在線采集部分可直接通過(guò)在線儀表直接測(cè)量的過(guò)程參數(shù)信息,得到實(shí)測(cè)結(jié)果。采用計(jì)算機(jī)對(duì)從各傳感器獲得的待測(cè)發(fā)酵過(guò)程產(chǎn)物樣本的相應(yīng)數(shù)據(jù)信息進(jìn)行預(yù)處理和相應(yīng)的特征信息提取,并代入已建立的發(fā)酵過(guò)程關(guān)鍵狀態(tài)參數(shù)的多傳感器信息融合模型,就可以得到發(fā)酵過(guò)程關(guān)鍵狀態(tài)參數(shù)的軟測(cè)量值(智能監(jiān)測(cè)分析結(jié)果)。將多傳感器信息融合模型對(duì)在線儀表可測(cè)過(guò)程參數(shù)的軟測(cè)量值與在線儀表實(shí)際測(cè)得結(jié)果進(jìn)行軟儀表診斷,依據(jù)診斷結(jié)果實(shí)時(shí)更新數(shù)據(jù)庫(kù),并對(duì)多傳感器信息融合模型進(jìn)行在線自適應(yīng)修正,同時(shí)發(fā)酵過(guò)程智能控制系統(tǒng)控制器根據(jù)軟儀表診斷結(jié)果執(zhí)行相應(yīng)控制操作,(例如發(fā)酵過(guò)程中,PH的變化對(duì)其發(fā)酵過(guò)程影響很大,偏高或偏低,均會(huì)影響菌體的生長(zhǎng)比速和產(chǎn)物的形成比速;發(fā)酵最佳PH值范圍,當(dāng)發(fā)酵液pH值偏離這個(gè)范圍時(shí),通過(guò)相
應(yīng)的控制操作進(jìn)行加糖或液氮,保證發(fā)酵過(guò)程中PH維持在最佳的范圍內(nèi)),以實(shí)現(xiàn)整個(gè)發(fā)酵進(jìn)程能在最優(yōu)環(huán)境條件下進(jìn)行,可保證最終產(chǎn)品的品質(zhì)。
權(quán)利要求
1.一種基于多傳感器信息融合的發(fā)酵過(guò)程狀態(tài)監(jiān)測(cè)與控制方法,其特征在于包括以下步驟 (1)在線采集不同發(fā)酵批次、不同發(fā)酵時(shí)間、具有代表性的用于模型校正的發(fā)酵過(guò)程產(chǎn)物樣本; (2)對(duì)用于模型校正的發(fā)酵過(guò)程產(chǎn)物樣本分別采用在線儀表、機(jī)器視覺(jué)、近紅外光譜、電子鼻采集獲取原始數(shù)據(jù),同時(shí)進(jìn)行常規(guī)理化分析獲取生化參數(shù)指標(biāo);將經(jīng)常規(guī)理化分析獲取的生化參數(shù)指標(biāo)結(jié)合在線儀表獲取的理化過(guò)程參數(shù)指標(biāo)共同組建一個(gè)標(biāo)準(zhǔn)數(shù)據(jù)庫(kù); (3)采用計(jì)算機(jī)對(duì)機(jī)器視覺(jué)、近紅外光譜和電子鼻采集獲取的原始數(shù)據(jù)信息分別進(jìn)行預(yù)處理,再分別提取能表征發(fā)酵過(guò)程關(guān)鍵狀態(tài)參數(shù)的各個(gè)有效特征信息; (4)將各個(gè)有效特征信息組成特征向量,將特征向量分別與已建的所述標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)中的生化參數(shù)指標(biāo)和理化過(guò)程參數(shù)指標(biāo)進(jìn)行一一對(duì)應(yīng),通過(guò)人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)構(gòu)建關(guān)鍵狀態(tài)參數(shù)多傳感器信息融合模型; (5)采用機(jī)器視覺(jué)、近紅外光譜和電子鼻分別在線采集待測(cè)發(fā)酵過(guò)程產(chǎn)物樣本的相應(yīng)數(shù)據(jù)信息,同時(shí)通過(guò)在線儀表直接測(cè)量得到實(shí)測(cè)結(jié)果;采用計(jì)算機(jī)對(duì)相應(yīng)數(shù)據(jù)信息進(jìn)行預(yù)處理和提取相應(yīng)特征信息,并代入所述關(guān)鍵狀態(tài)參數(shù)多傳感器信息融合模型得到發(fā)酵過(guò)程關(guān)鍵狀態(tài)參數(shù)的軟測(cè)量值; (6)將軟測(cè)量值與實(shí)測(cè)結(jié)果進(jìn)行軟儀表診斷,依據(jù)診斷結(jié)果實(shí)時(shí)更新數(shù)據(jù)庫(kù),并對(duì)關(guān)鍵狀態(tài)參數(shù)多傳感器信息融合模型進(jìn)行在線自適應(yīng)修正,采用控制器根據(jù)軟儀表診斷結(jié)果執(zhí)行相應(yīng)控制。
2.根據(jù)權(quán)利要求I所述一種基于多傳感器信息融合的發(fā)酵過(guò)程狀態(tài)監(jiān)測(cè)與控制方法,其特征是對(duì)于機(jī)器視覺(jué),提取表征發(fā)酵產(chǎn)物色澤的顏色特征、紋理特征有效特征信息,對(duì)于近紅外光譜,提取表征光譜曲線特征及有用的光譜指數(shù)有效特征信息,對(duì)于電子鼻,提取表征發(fā)酵產(chǎn)物整體品質(zhì)的氣體揮發(fā)物指紋譜有效特征信息。
全文摘要
本發(fā)明公開(kāi)一種基于多傳感器信息融合的發(fā)酵過(guò)程狀態(tài)監(jiān)測(cè)與控制方法,對(duì)用于模型校正的發(fā)酵過(guò)程產(chǎn)物樣本分別采用在線儀表、機(jī)器視覺(jué)、近紅外光譜、電子鼻采集獲取原始數(shù)據(jù),同時(shí)進(jìn)行常規(guī)理化分析獲取生化參數(shù)指標(biāo);將生化參數(shù)指標(biāo)結(jié)合在線儀表獲取的理化過(guò)程參數(shù)指標(biāo)共同組建一個(gè)標(biāo)準(zhǔn)數(shù)據(jù)庫(kù);分別提取各個(gè)有效特征信息;將各個(gè)有效特征信息組成特征向量,將特征向量分別與標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)中的生化參數(shù)指標(biāo)和理化過(guò)程參數(shù)指標(biāo)進(jìn)行一一對(duì)應(yīng),通過(guò)人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)構(gòu)建關(guān)鍵狀態(tài)參數(shù)多傳感器信息融合模型;將軟測(cè)量值與實(shí)測(cè)結(jié)果進(jìn)行軟儀表診斷,依據(jù)診斷結(jié)果實(shí)時(shí)更新數(shù)據(jù)庫(kù),并對(duì)模型進(jìn)行在線自適應(yīng)修正,根據(jù)軟儀表診斷結(jié)果執(zhí)行相應(yīng)控制。
文檔編號(hào)G06F17/30GK102876816SQ201210254760
公開(kāi)日2013年1月16日 申請(qǐng)日期2012年7月23日 優(yōu)先權(quán)日2012年7月23日
發(fā)明者劉國(guó)海, 江輝, 梅從立, 丁煜函, 于霜, 肖夏宏 申請(qǐng)人:江蘇大學(xué)