[发明专利]一种基于动态贝叶斯网络的青霉素发酵过程软测量方法

权利要求书

1.一种基于动态贝叶斯网络的青霉素发酵过程软测量方法，其特征在于，包括以下步骤：

步骤1，收集青霉素发酵过程数据，数据包括正常工况下青霉素发酵过程中质量变量青霉素的含量和与青霉素含量密切相关的11个过程变量：通风率、搅拌机功率、基质进给速率、基质进给温度、底物浓度、吸收氧浓度、生物量浓度、装液量、二氧化碳浓度、PH值和发酵罐浓度；

步骤2，构建青霉素发酵过程用于软测量建模的训练样本集及用来验证软测量建模效果的查询样本集，对单个查询样本选取用于训练动态贝叶斯网络的训练数据；

步骤3，构建动态贝叶斯网络，定义动态贝叶斯网络的输入层、隐藏层和输出层节点：输入层X为连续节点，节点为模型输入，对应的变量为过程变量X＝[x₁,x₂,...,x₁₁]；隐藏层Z为离散节点，节点表示隐藏状态，在模型训练时其没有观测值；输出层Y为连续节点，节点为模型输出，对应的变量为质量变量Y；

步骤4，利用动态贝叶斯网络输出层的估计概率，从而计算得到质量变量青霉素含量的值；

步骤5，所有查询样本预测完毕后，衡量软测量模型对青霉素含量的预测效果。采用均方根误差RMSE来衡量预测结果的准确性，用R²衡量预测结果对数据的跟踪能力，计算方法如下：

其中y_real即每个查询样本x_q对应的y_q，为y_real的均值，y_pred为每个查询样本对应的预测值，n为查询样本的个数。

2.如权利要求1所述的一种基于动态贝叶斯网络的青霉素发酵过程软测量方法，其特征在于：所述步骤2中，具体过程如下：

步骤2-1，将步骤1中收集到的数据分为训练样本集[X,Y]和查询样本集[X_query,Y_query]，训练样本集中，11个过程变量记为X＝[x₁,x₂,...,x₁₁]∈R^11×n，质量变量记为Y∈R^1×n，将用于软测量建模，其中n是数据集中包含的样本个数，查询样本集中，过程变量X_query为包含11个过程变量的待预测样本，Y_query用于验证软测量预测效果；

步骤2-2，对于每一个查询样本x_q∈X_query从训练样本集中取出T个大小为t的时间切片，即每个时间切片中包含t个训练样本，第t个训练样本表示时刻t变量的值，T个时间切片共同构成x_q∈X_query对应的训练数据。

3.如权利要求1所述的一种基于动态贝叶斯网络的青霉素发酵过程软测量方法，其特征在于：所述步骤4中，具体过程如下：

步骤4-1,按对应节点输入步骤2所述x_q∈X_query对应训练数据中的过程变量和质量变量。对应的完整数据的对数似然为：

上式x_t,z_t和y_t分别为t时刻的输入，隐藏状态和观测即输，其中Θ是一个数组，包含三组未知参数：初始概率参数θ_in，过渡模型参数θ_tr，发射模型参数θ_em，由于l_c(Θ,y,x)依赖于隐藏状态变量，它不能直接最大化。

步骤4-2，引入辅助函数并迭代以下两个步骤来求解MLE优化k＝1,2,…，第一步为估计，计算第二步为最大化：根据将参数更新为

步骤4-3，预测输出：

其中，Θ_i和σ_i表示当隐藏状态为i时，经步骤4-2得到的线性模型的系数和标准差。