[发明专利]一种基于在线孪生支持向量回归机的发酵过程软测量方法

说明书

本发明提供一种基于在线孪生支持向量回归机的发酵过程软测量方法，属于工业发酵生产过程软测量建模和应用领域。该方法首先对青霉素生产过程中的辅助变量进行归一化处理，然后对辅助变量和产物青霉素浓度的非线性关系进行基于在线孪生支持向量回归机的软测量建模。通过发酵过程中易于测量的辅助变量对难测量的产物青霉素浓度进行在线软测量，并且该方法对于模型的更新十分高效，为青霉素发酵生产过程的产物青霉素浓度的在线实时测量提供一种方法。本软测量方法能够提高在线预测的实时性，减少模型更新的时间，且具有较高的预测精度，可有效用于指导青霉素生产。

技术领域

本发明属于工业发酵生产过程软测量建模和应用领域，涉及一种基于在线孪生支持向量回归机的发酵过程软测量方法。

背景技术

青霉素作为人类提纯的大规模用于临床的第一种抗生素，在医药领域已有着非常广泛的应用。其发酵过程是一种典型的生化反应，是具有严重非线性和时变的复杂动态系统。在实际的生产过程中，青霉素浓度是发酵过程中的一个重要的指标，但由于检测手段的局限性，目前常用的方法是通过湿化学法、高压液相色谱等方法进行离线测量。相比在线的实时测量方法，青霉素浓度的离线测量一般需要更多的时间，这对于青霉素发酵过程的质量控制来说是非常不利的。为了提高青霉素发酵过程的自动化程度和产品质量，通常需要对青霉素浓度进行在线软测量。

软测量是选择一些可以实时在线测量的辅助变量，建立和青霉素浓度之间的模型，经过模型选择过程确定模型的最终参数。后续将新采集的辅助变量直接输入到生成好的模型中，对青霉素浓度进行预测，可以实时获取青霉素浓度的在线值，这避免了传统方法的时滞性的缺点。

在线学习是一种得到广泛应用的知识发现技术。由于新样本的采集往往是不断积累的，经常会有新的样本加入，传统的算法每当新样本的加入时，需要所有的数据重新训练，因而大大影响了训练的速度。在线学习通过充分利用历史的训练结果，减少新增样本加入后的训练时间。

近年来，通过对孪生支持向量回归机引入核函数来处理非线性数据的方法得到了广泛使用。在线孪生支持向量回归机，结合最小二乘孪生支持向量回归机和约简孪生支持向量回归机，在保证泛化性能的同时，能够借助历史的训练数据，来高效地更新模型的参数，并且通过核矩阵在线约简，能够减小模型参数的规模，减少在线预测所需要的时间，提高模型的实时性，可实现对青霉素浓度的在线实时软测量。

发明内容

针对上述现有技术中存在的问题，本发明提供了一种基于在线孪生支持向量回归机的发酵过程软测量方法。该方法通过降低核矩阵的列相关性，来筛选构成核矩阵列向量的支持向量，在保持解的稀疏性，提高预测速度的同时，使核矩阵更好地近似原核矩阵，获得和离线算法更相近的泛化性能。并且通过矩阵求逆引理增量更新逆矩阵，保证了算法执行的效率。

本发明的技术方案：

一种基于在线孪生支持向量回归机的发酵过程软测量方法，包括以下步骤：

(1)通过集散控制系统的实时数据库收集m组不同时刻的青霉素发酵过程各个辅助变量的数据作为软测量建模样本的输入量，通过实验分析获取所对应的青霉素浓度值，作为软测量建模样本的输出量；

(2)对软测量建模样本的输入量进行归一化处理；

(3)选择多项式核函数，作为青霉素发酵过程软测量模型的核函数；设置参数C₁，C₂，ε₁，ε₂，λ，其中C₁＞0，C₂＞0为正则化参数，ε₁＞0，ε₂＞0为不敏感常数，λ∈(0,1)是用于控制约简程度的常数；

(4)采用m组不同时刻的软测量建模样本，建立基于在线孪生支持向量回归机的青霉素发酵过程软测量模型，并将由在线求解获得的模型参数和下一次在线更新模型所需的量存入实时数据库；