[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

说明书

本发明公开了一种基于动态贝叶斯网络的青霉素发酵过程软测量方法。该方法设计了动态贝叶斯网络的结构，充分发挥动态贝叶斯网络在时变过程的优势，通过将训练样本划分成一定数量的时间切片输入动态贝叶斯网络，实现针对青霉素发酵过程的软测量建模。本发明针对青霉素发酵过程的时变特性，将传统的贝叶斯网络在时间上进行扩展，提高了青霉素发酵过程中青霉素含量的预测精度，为其他具有时变特性的复杂化工生产过程质量变量的软测量建模提供了方法参考。

技术领域

本发明属于连续化工过程控制和软测量领域，具体涉及一种基于动态贝叶斯网络的青霉素发酵过程软测量方法。

背景技术

生物发酵过程通常是具有严重非线性和时变性的复杂动态系统，由于一些涉及到生产安全、质量和效率的质量变量无法在线测量，对其建立机理模型往往十分困难且耗时。如在青霉素发酵过程中，尽管大多数化学参数与物理参数都可以直接在线测量和监控，但对于一些生物参数，如菌体浓度,基质浓度与产物浓度等，对测量条件的要求较高,开发这类传感器的成本较高，测量精度也无法保证，因此仍然难以直接进行在线监测,由此发展了软测量建模方法来测量这些生物参数。

在青霉素生产等生物发酵软测量建模领域，目前已经形成了一些比较成熟的建模方法，如PLS、SVM及其改进方法在青霉素发酵过程中已有应用。但大多数方法是假设青霉素发酵过程是静态的，即认为该过程是一个运行平稳的环境，因此建模使用的样本是与时间无关的离散数据，由此获得的模型是静态软测量模型。但是实际的青霉素发酵过程是动态变化的，当该过程的动态变化比较明显时，静态软测量模型的估计精度会大大下降，甚至造成模型失效。因此，针对青霉素发酵过程的软测量建模可以使用如动态贝叶斯网络的动态模型，从而提高软测量精度。

发明内容

为了解决背景技术中存在的技术问题，本发明提供了一种基于动态贝叶斯网络的青霉素发酵过程软测量方法，利用动态贝叶斯网络对发酵过程中青霉素含量进行预测，提高了软测量模型精度。

本发明采用的技术方案是：

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。

所述步骤2中具体包括：