[发明专利]一种基于ONLINE-RLSSVM的毕赤酵母发酵过程软测量方法

摘要

本发明公开了一种基于ONLINE‑RLSSVM的毕赤酵母发酵过程软测量方法，首先通过对毕赤酵母发酵过程的工艺机理进行分析，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；然后对样本数据预处理后进行归一化处理，并使用主元分析法对辅助变量进行降维，将这几个主元综合变量作为ONLINE‑RLSSVM的训练样本数据库；接着使用萤火虫‑果蝇混合优化算法在线优化惩罚系数c与宽度系数σ²，并使用训练样本数据库对ONLINE‑RLSSVM进行训练并建立软测量模型，最终获得菊粉酶浓度预测值。本发明使用萤火虫‑果蝇混合优化算法，提高了软测量模型的全局寻优能力和预测精度，可有效用于指导菊粉酶生产。

主权项

1.一种基于ONLINE‑RLSSVM的毕赤酵母发酵过程软测量方法，其特征在于，包括如下步骤：步骤1，选择辅助变量；根据毕赤酵母流加发酵过程的动力学模型，选取发酵时间、溶氧浓度、甲醇流加速率、氨水流加速率、发酵液体积、甲醇浓度、毕赤酵母浓度为辅助变量；进行毕赤酵母发酵，采集所选辅助变量的原始发酵数据；步骤2，对原始发酵数据进行归一化预处理，将数据归一化到[0,1]区间内，生成数据集并且进行分组，即训练集和测试集；步骤3，选择核函数，建立ONLINE‑RLSSVM模型；步骤4，优化ONLINE‑RLSSVM参数；利用萤火虫‑果蝇混合优化算法的全局搜索能力，对ONLINE‑RLSSVM的惩罚系数c与宽度系数σ2进行在线优化调整；步骤5，建立软测量模型；利用步骤2的训练集和测试集对步骤4得到的惩罚系数c与宽度系数σ2对在线自适应的鲁棒最小二乘支持向量机进行训练及测试，建立基于ONLINE‑RLSSVM的软测量模型；步骤6，关键状态变量预测；利用已训练好的ONLINE‑RLSSVM软测量模型，根据当前待预测罐批的最新输入向量，获得关键状态变量的预测值。