[发明专利]燃料乙醇生产状态可视化在线监测方法

权利要求书

1.燃料乙醇生产状态可视化在线监测方法，其特征在于，根据燃料乙醇的发酵时间将乙醇的生产过程分为如下几个阶段：刚开始发酵时刻属于初始阶段，发酵到t1时间为第一阶段，发酵到t2时间为第二阶段，发酵到t3时间为第三阶段；初始阶段的模型输入变量为：

其中初始阶段辅助变量选择为：酒母罐出料时酒母醪的PH、干物、酒母数、出芽率、死亡率、DP4+、DP3、DP2、葡萄糖、果糖、琥珀酸、乳酸、甘油、乙酸、乙醇，以及液化醪中的PH、干物、粘度、DP4+、DP3、DP2、葡萄糖、果糖、琥珀酸、乳酸、甘油、乙酸和乙醇；

第一阶段的模型输入的变量为：

初始阶段的所有输入变量，并增加t1时的发酵醪的DP4+、DP3、DP2、葡萄糖、果糖、琥珀酸、乳酸、甘油、乙酸和乙醇，以及从初始到t1的平均发酵温度；

第二阶段的辅助变量选择为初始阶段和第一阶段的辅助变量，并增加t2时的发酵醪的成分离线分析值，以及从t1到t2的平均发酵温度；

第三阶段的辅助变量选择为初始阶段，第一阶段和第二阶段的辅助变量，并增加t3时的发酵醪的成分离线分析值，以及从t2到t3的平均发酵温度；

通过辅助变量分阶段逐级增强的方法对于每个阶段，基于样本数据，首先使用LDA对数据进行特征提取，然后将LDA提取的特征输入到SOM中进行投影，输出燃料乙醇生产状态分类的可视化结果和状态转移轨迹。

2.根据权利要求1所述的监测方法，其特征在于，所述t1是8小时，t2是24小时，t3是40小时。

3.根据权利要求1所述的监测方法，其特征在于，根据发酵终止时的乙醇体积比将燃料乙醇的生产状态进行可视化结果划分。

4.根据权利要求3所述的监测方法，其特征在于，所述可视化结果划分是当乙醇体积比大于15.8时为优，大于等于15.5并且小于等于15.8为中，小于15.5为差。

5.根据权利要求1所述的监测方法，其特征在于，对于初始、第一、第二和第三阶段分别建立燃料乙醇生产状态的可视化监测模型；后阶段模型的输入变量是前阶段模型输入变量的逐级增强。

6.根据权利要求1所述的监测方法，其特征在于，所述输入变量利用下式归一化处理：

其中，x_i是第i个输入变量的实际测量值，sx_i表示第i个输入变量归一化后的值，表示第i个输入变量的变化范围，归一化后的输入变量的变化范围为[a，d]。

7.根据权利要求1所述的监测方法，其特征在于，

设建模样本的样本容量为n，LDA的类内离散度矩阵(S_w)以及类间离散度矩阵(S_b)的定义见下式：

其中x_i,j代表第i个类别的数据集中的第j个样本，代表第i个类别数据集的均值，代表整个数据集的均值；LDA算法优化的目标函数J的形式如下，寻找投影矩阵W使得J最大：

将对应初始阶段的建模样本带入上面介绍的LDA模型中，则可得到降维后的样本z；接着将降维后的样本输入到SOM中；

(1)首先对SOM网络的权值w_ij在[0,1]之间随机初始化；

(2)对竞争层每一个输出神经元，计算各输入向量z＝[z₁,z₂,...,z_m]^T与连接权向量w_i＝[w_i1,w_i2,L,w_im]^T间的欧氏距离。距离最小的神经元为获胜神经元；

(3)根据下面公式更新获胜神经元以及邻域神经元的权值向量；

式中0＜α(t)＜1，为学习因子；

(4)输入下一个样本，转入到(2)中进行下一轮学习，直到所有样本的都学习完，则完成一次迭代。当迭代次数达到设置的总迭代次数时，完成SOM的训练。训练结束后，可输出训练数据的碰撞直方图；

(5)对测试数据不同状态进行标记，将测试数据输入到已经训练好的LDA和SOM中进行投影，输出测试数据的碰撞直方图，并在碰撞直方图的基础上做出状态转移轨迹，完成测试数据的状态可视化以及状态监测。