论文部分内容阅读
青霉素发酵过程具有高度的非线性和时变性,其内在机理非常复杂。要实现对发酵过程的进一步优化和控制,必须获得足够的发酵过程信息,但是目前最关键的参数在线难以测量。因此,重点对发酵过程建模方法做研究。
发酵建模方法中,以神经网络最具代表性,但是由于其理论基于经验风险最小化原则,难免会出现过拟和、陷入局部最小等问题。基于结构风险最小化原则的支持向量机方法(SVM)克服了以往神经网络等方法的固有缺点,大大提高了模型的泛化能力。
首先,提出了利用支持向量机为青霉素发酵过程建立菌体浓度模型,分析了模型参数对模型性能的影响,并与传统的径向基(RBF)神经网络方法做了比较。指出了支持向量机方法的优越性和不足之处。
其次,针对标准支持向量机在算法速度上的弱势,提出利用最小二乘支持向量机(LSSVM)建立青霉素发酵过程的菌体浓度、青霉素浓度状态估计模型,并与标准支持向量机做了比较。结果表明LSSVM在保持SVM的建模性能的基础上,在算法的速度上优于标准SVM,LSSVM更利于在线建模预估。
接着,针对于SVM、LSSVM菌体浓度模型在发酵生长期存在的不足之处,提出了串联和串并联两种混合最小二乘支持向量机模型。混合模型结合了动力学模型对机理的反映和最小二乘支持向量机较强的泛化能力,与单一的SVM和LSSVM模型进行了比较。实验结果表明,提出的混合最小二乘支持向量机模型性能优良,能够解决单一SVM和LSSVM模型对菌体浓度建模所存在的问题。
最后,以某生化工程中心发酵控制系统项目为背景,采用现场总线技术,C/S结构技术设计了发酵过程控制系统,利用OPC技术、SQL技术、VB面向对象编程等方法编写了客户端的上位机监控软件。针对于目前SVM建模方法多数只是仿真研究的现状,利用动态链接库技术、VC、Matlab等软件技术,编写了SVM软测量软件预估模块。