基于高斯过程回归的海洋酶发酵过程软测量方法研究

发布时间：2020-06-15 00:57

【摘要】：在工业生产过程中,一些关键变量的参数难以通过在线实时检测得到,使生产过程的控制和优化受到了巨大的限制。软测量技术的出现是解决该问题的有效方法之一。目前,软测量建模多采用神经网络、最小二乘、径向基函数网络、支持向量机等方法建立软测量模型。这类模型通常不能给出软测量结果的精度参数和置信度区间,影响了其在实际生产控制中的应用。同时,海洋酶发酵过程是一种内部机理复杂的非线性生化反应过程,直接建立软测量模型不仅会提高模型的复杂度引入大量噪声,而且难以保证软测量结果的可靠性。另外,能得到置信度信息的高斯过程回归(Gaussian Process Regression,GPR)软测量模型本身也存在寻优效率低、模型稳定性差等问题。针对以上问题,本文将多种模型优化算法与高斯过程回归软测量模型相结合,以工业海洋蛋白酶发酵过程为研究对象,对所提软测量方法进行验证和评估。具体工作如下:(1)针对一般软测量建模方法不能给出置信度区间的问题,以海洋蛋白酶发酵过程为对象,建立了GPR软测量模型。与传统建模方法相比,所建立的模型不仅可以实现对主导变量海洋蛋白酶活性的软测量,同时给出了软测量结果的置信度区间,且能够对输入变量传感器异常做出合理反映。(2)针对海洋酶发酵过程中辅助变量多、变量之间存在冗余,导致建模困难、软测量精度低等问题,提出一种基于平均影响值的神经网络(NN-MIV)变量选择方法。该方法综合考虑了辅助变量对主导变量的内部贡献率和外部贡献率,结合两种贡献率指标作为筛选辅助变量的依据,获得最优辅助变量,优化了GPR软测量模型。通过海洋酶发酵过程软测量实验,结果表明,该方法降低了计算量、简化了模型、软测量精度得到了提高。(3)针对NN-MIV方法筛选变量过程中,因简化模型而舍弃太多变量使信息丢失严重导致变量利用率低的问题,提出一种基于NNMIV-PCA的变量选择方法。NNMIV方法表征了辅助变量对主导变量的特征权重,通过动态设置一次筛选阈值,获得特征权重较大的若干个变量;然后利用主成分分析法(PCA)对特征权重较小的剩余变量进行二次筛选,动态设置二次筛选阈值,获得贡献率最大的若干个主成分;综合两次变量筛选依据,确定最终辅助变量。实验结果表明,该方法在保证具有较高贡献率的同时,变量信息的利用率也得到了提高。(4)针对GPR软测量模型在求解过程中存在寻优效率低、模型稳定性差的问题,引入启发式算法,提出一种基于万有引力搜索算法的高斯过程回归软测量模型(GSA-GPR)。万有引力搜索算法(Gravitational Search Algorithm,GSA)根据牛顿运动学定律,假设每个粒子之间通过万有引力而相互吸引,适应度值越大的粒子惯性质量越大,所有粒子就会朝着惯性质量大的粒子移动,通过设置最佳寻优参数来逼近问题的最优解,从而提高寻优效率,同时也避免了陷入局部极值的问题。利用多组工业海洋酶发酵过程数据,对GSA-GPR模型进行验证,实验结果表明,该方法具有较好的泛化能力和稳定性。
【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TQ920.6;O212.1

【参考文献】