[发明专利]基于PSO‑FSVM的赖氨酸发酵过程关键变量软测量方法及系统

摘要

本发明公开了一种基于PSO‑FSVM的赖氨酸发酵过程关键变量软测量方法及系统，该方法依赖硬件平台、测量仪表和进行智能计算的计算机系统软件。该方法首先通过对赖氨酸发酵过程工艺机理进行分析，选取合适的辅助变量并根据历史罐批数据建立训练样本数据库，然后将训练样本映射到高维核空间里，计算出核空间里每个样本点所对应的模糊隶属度；接着使用粒子群算法在线优化核函数参数和惩罚系数并对模糊化后的训练样本采用模糊支持向量机进行训练建立软测量模型；最后根据待预测罐批的最新输入向量，实现关键状态变量的预测。本发明实现了赖氨酸发酵过程关键状态变量的在线实时预测，对实现赖氨酸发酵过程的参数预测与优化控制具有重要意义。

主权项

一种基于PSO‑FSVM的赖氨酸发酵过程关键变量软测量方法，其特征在于，具体步骤如下：步骤一：辅助变量选择，选取能直接测量且与过程密切相关的外部变量用一致相关度法分析其与关键状态变量的关联度，取关联度rij≥0.7的外部变量作为软测量模型的辅助变量；步骤二：建立训练数据库，采集相同工艺下若干历史罐批次的辅助变量和关键状态变量数据，构造输入输出向量对的集合，生成静态训练样本数据库，其中输入向量是辅助变量，输出向量即待测的关键状态变量；步骤三：确定样本模糊隶属度，将从步骤二得到训练样本映射到高维核空间中，计算每个样本在核空间中的模糊隶属度；步骤四：优化模糊支持向量机参数，利用粒子群优化算法的全局搜索能力，对模糊支持向量机的关键参数进行在线优化调整；步骤五：建立软测量模型，用从步骤三得到的模糊隶属度和步骤四得到的优化参数对模糊支持向量机进行训练，建立基于模糊支持向理机软测量模型；步骤六：关键状态变量预测，利用已训练好的PSO‑FSVM软测量模型，根据当前待预测罐批的最新输入向量，获得关健状态变量的预测值。