輕工發(fā)酵過程軟測量技術的應用.pdf

1、隨著我國輕工業(yè)迅速發(fā)展，對生產過程自動化程度要求不斷提高。同時，由于輕工發(fā)酵過程的高度非線性以及生物傳感器的缺乏，使一些重要的過程變量無法進行在線測量，以致難以實現(xiàn)發(fā)酵過程的優(yōu)化控制。因此，通過對發(fā)酵過程建模，對不可在線測量變量(基質濃度、菌體濃度和產物濃度)進行軟測量就顯得非常重要了。 首先，在綜合和大量文獻的基礎上，對發(fā)酵過程建模方法進行了分析。 其次，在對最具代表性的誤差反向傳播神經網絡(Back Propagat

2、ion，BP)用于發(fā)酵過程建模進行分析的基礎上，將基于結構風險最小化原則(Structural Risk Minimization，SRM)的支持向量機(Support Vector Machine，SVM)建模方法用于發(fā)酵過程建模。仿真結果表明SVM解決了神經網絡容易出現(xiàn)的泛化能力弱等問題，但同時也存在著抗噪能力弱和訓練時間較長的缺點。 再次，針對SVM在抗噪能力上的缺陷，提出了基于歐氏空間的模糊支持向量機(FuzzySVM，

3、FSVM)。仿真結果表明，F(xiàn)SVM能夠有效的提高過程量有較大變動時的仿真精度。隨后，針對SVM及FSVM訓練時間較長的問題，綜合比較了分解算法、分塊算法以及序列最小優(yōu)化算法(Sequential Minimal Optimization，SMO)，結果表明SMO算法訓練時間明顯縮短。并且通過改進訓練時的閾值條件，提出了改進型的SMO算法，進一步提高了訓練速度。 最后，在對輕工發(fā)酵過程建模方法研究基礎上，利用VB在界面設計方面的優(yōu)