基于模糊支持向量機的秸稈發(fā)酵燃料乙醇過程關(guān)鍵狀態(tài)變量軟測量方法
【專利摘要】本發(fā)明公開了基于模糊支持向量機的秸稈發(fā)酵燃料乙醇過程關(guān)鍵狀態(tài)變量軟測量方法,該方法依賴硬件平臺及測量儀表與計算機系統(tǒng)軟件進行智能計算,通過測量儀表獲得實時的過程數(shù)據(jù)進行在線實時估計。首先通過對秸稈發(fā)酵燃料乙醇過程工藝機理進行分析,選取合適的輔助變量并根據(jù)歷史罐批數(shù)據(jù)建立訓(xùn)練樣本數(shù)據(jù)庫,然后將訓(xùn)練樣本映射到高維核空間里,計算出核空間里每個樣本點對應(yīng)的模糊隸屬度;對模糊化后的訓(xùn)練樣本采用模糊支持向量機進行訓(xùn)練建立軟測量模型;最后根據(jù)待預(yù)測罐批的最新輸入向量,實現(xiàn)關(guān)鍵狀態(tài)變量的預(yù)測。本發(fā)明實現(xiàn)了秸稈發(fā)酵燃料乙醇過程關(guān)鍵狀態(tài)變量的在線實時預(yù)測,對秸稈發(fā)酵燃料乙醇過程的參數(shù)檢測與優(yōu)化控制具有重要意義。
【專利說明】
基于模糊支持向量機的秸稈發(fā)酵燃料乙醇過程關(guān)鍵狀態(tài)變量 軟測量方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于生物技術(shù)和信息科學(xué)交叉領(lǐng)域,主要涉及對秸桿發(fā)酵燃料乙醇過程中 難以用物理傳感器在線實時測量的三個關(guān)鍵狀態(tài)變量--纖維素酶活、乙醇濃度、總糖濃 度進行軟測量的方法。
【背景技術(shù)】
[0002] 隨著環(huán)境污染的日益嚴(yán)重和能源危機的不斷加劇,生物質(zhì)能源以其資源巨大、使 用方便、清潔無污染等特點,被世界各國譽為具有巨大經(jīng)濟潛力的朝陽產(chǎn)業(yè)。生物質(zhì)能源主 要有燃料乙醇、生物柴油、生物沼氣、生物制氫等形式,其中燃料乙醇作為世界上生產(chǎn)和使 用規(guī)模最大的生物質(zhì)能源,是從生物質(zhì)中提取的唯一能夠直接用于車用燃料的液態(tài)能源載 體,特別是以農(nóng)作物秸桿、柴草、木材加工廢棄物等這些工農(nóng)業(yè)大量存在的木質(zhì)纖維素為原 料發(fā)酵生產(chǎn)燃料乙醇,在實現(xiàn)資源高效綜合利用的同時,可以避免農(nóng)作物秸桿焚燒、廢棄等 帶來的環(huán)境污染,對實現(xiàn)經(jīng)濟可持續(xù)發(fā)展與生態(tài)環(huán)境保護起到重要作用。
[0003] 秸桿發(fā)酵燃料乙醇過程的典型特征是內(nèi)部機理復(fù)雜、可重復(fù)性差、生產(chǎn)波動大,具 有高度的非線性和時變特性;同時發(fā)酵燃料乙醇過程的很多關(guān)鍵狀態(tài)變量(如纖維素酶活、 乙醇濃度和總糖濃度等)反映了過程所處狀態(tài),對其進行在線測量,是進行補料、供氧等動 態(tài)控制的重要依據(jù),同時也是進行優(yōu)化調(diào)度的前提和基礎(chǔ)。但是在實際燃料乙醇生產(chǎn)過程 中,這些狀態(tài)變量通常采用離線取樣分析獲得,取樣時間間隔長、數(shù)據(jù)滯后且易染菌,難以 滿足實時控制和優(yōu)化的需要。因此,研究如何及時獲得發(fā)酵燃料乙醇過程中關(guān)鍵變量的狀 態(tài)信息,對發(fā)酵燃料乙醇過程構(gòu)建最優(yōu)生長環(huán)境,進而實施優(yōu)化控制,提高產(chǎn)品產(chǎn)量與質(zhì)量 均具重要意義。
[0004] 支持向量機(Support Vector Machine,簡稱為SVM)軟測量方法采用了結(jié)構(gòu)風(fēng)險 最小化原則和核函數(shù)技術(shù),具有比神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)建模方法更好的性能,在本發(fā)明中,考慮 到發(fā)酵過程不同時期以及不同區(qū)域樣本數(shù)據(jù)對軟測量模型所起的作用不一樣,將模糊隸屬 度的概念引入到輸入樣本中,提出了模糊支持向量機(Fuzzy Support Vector Machine,簡 稱為FSVM)軟測量建模方法。這種理論的運用提高了支持向量機抵抗噪聲的能力,避免了支 持向量機對于孤立點或者異常點過分敏感的特性,尤其適合生物發(fā)酵過程這種未能完全揭 示輸入樣本特性的情況。
【發(fā)明內(nèi)容】
[0005] 為了解決秸桿發(fā)酵燃料乙醇過程中非常重要但難以用物理傳感器在線實時測量 或?qū)崟r測量代價非常高的狀態(tài)量(如纖維素酶活、乙醇濃度和總糖濃度)的測量方法之不 足,本發(fā)明提供一種基于模糊支持向量機的秸桿發(fā)酵燃料乙醇過程關(guān)鍵狀態(tài)變量軟測量方 法,通過常規(guī)在線測量儀表提供的輸入變量的測量信號,給出當(dāng)前關(guān)鍵狀態(tài)變量的預(yù)測值, 為秸桿發(fā)酵燃料乙醇過程的參數(shù)檢測和優(yōu)化運行提供關(guān)鍵工藝指標(biāo)。
[0006] 本發(fā)明的技術(shù)方案如下:
[0007] 基于模糊支持向量機的秸桿發(fā)酵燃料乙醇過程關(guān)鍵狀態(tài)變量軟測量方法,包括如 下步驟:
[0008] 步驟1,選擇輔助變量:選取能直接測量且與過程密切相關(guān)的外部變量用一致相關(guān) 度法分析其與關(guān)鍵狀態(tài)變量的關(guān)聯(lián)度,取關(guān)聯(lián)度多0.7的外部變量作為軟測量模型的輔 助變量;
[0009] 步驟2,建立訓(xùn)練樣本數(shù)據(jù)庫:采集相同工藝下若干歷史罐批次的輔助變量和關(guān)鍵 狀態(tài)變量數(shù)據(jù),構(gòu)造輸入輸出向量對的集合,生成靜態(tài)訓(xùn)練樣本數(shù)據(jù)庫;其中輸入向量是輔 助變量,輸出向量即關(guān)鍵狀態(tài)變量;
[0010] 步驟3,確定樣本模糊隸屬度:將從步驟2得到的樣本數(shù)據(jù)映射到高維核空間里,并 計算每個樣本數(shù)據(jù)在核空間中的模糊隸屬度;
[0011] 步驟4,建立軟測量模型:用步驟3得到的模糊隸屬度結(jié)果對模糊支持向量機進行 訓(xùn)練,建立基于模糊支持向量機的軟測量模型;
[0012] 步驟5,預(yù)測關(guān)鍵狀態(tài)變量:利用步驟4訓(xùn)練好的模糊支持向量機軟測量模型,根據(jù) 當(dāng)前待預(yù)測罐批的最新輸入變量,獲得關(guān)鍵狀態(tài)變量的預(yù)測值。
[0013] 進一步地,步驟1包括:
[0014]步驟1.1,采集發(fā)酵過程的外部變量數(shù)據(jù):通過氣體流量傳感器、轉(zhuǎn)速傳感器、C02 氣敏電極、液位探頭、熱電阻、溶氧電極、pH電極、蠕動栗以及壓敏電阻采集空氣流量q、電機 攪拌轉(zhuǎn)速r、C02釋放率y、發(fā)酵液體積V、發(fā)酵罐溫度t、溶解氧D0、發(fā)酵液酸堿度pH、葡萄糖流 加速率P、氨水流加速率q數(shù)據(jù),發(fā)酵罐壓力p;發(fā)酵液經(jīng)離心分離器分離后離線檢測得到關(guān) 鍵狀態(tài)變量,包括纖維素酶活X、乙醇濃度P和總糖濃度S;
[0015] 步驟1.2,一致相關(guān)度分析:計算采集的外部變量數(shù)據(jù)與關(guān)鍵狀態(tài)變量的關(guān)聯(lián)度, 并設(shè)定關(guān)聯(lián)度值7的外部變量作為軟測量模型的輔助變量。
[0016] 進一步地,步驟3的實現(xiàn)包括:
[0017] 考慮到映射后的樣本數(shù)據(jù)在構(gòu)造超平面時所起的作用不同,對它們賦予不同的隸 屬度,對位于超平面上或位于超平面周圍的受到噪聲污染很小的樣本賦予最大的隸屬度; 對由于受到噪聲污染而位于超平面附近的樣本,根據(jù)一定規(guī)則賦予相應(yīng)大小的隸屬度;對 遠離超平面的異常樣本數(shù)據(jù),賦予相對較小的隸屬度。
[0018] 進一步地,所述步驟3的具體實現(xiàn)包括如下步驟:
[0019] (a)輸入訓(xùn)練樣本,并將其映射到高維核空間中:
[0020] S = {si | si= (xi,yi) ,XiGRn,yiGR, i = 1,2, . . . , 1}
[0021] (b)計算核空間中任意兩個樣本點的距離矩陣:
[0023] (c)取定一常數(shù)d,計算以任意樣本為球心,以d為半徑的超球所包含的樣本個 數(shù) Num〇(s,_)),即滿足dis(?}9(s,),,))< d 的樣本數(shù)目 NumOh)), D = 1,2,…,/;
[0024] (d)求滿足dis(爐(s,.),<p(sy)) < cM,y = 1,2,...,/的樣本數(shù)目的最大值:
[0025] N4axNurn=]VIax{Nuni(9?(s;))!,/,/ = 1,2,...,/ ;
[0026] (e)計算核空間每個樣本數(shù)據(jù)點的模糊隸屬度Vi:
[0029] (f)輸出帶模糊隸屬度的訓(xùn)練數(shù)據(jù)樣本:
[0030] S = {si | Si = (Xi,yi,vi),XiGRn,yiGR,〇^Xl,i = l ,2, ? ? ?,1} 〇
[0032] 進一步地,步驟4的具體實現(xiàn)包括如下步驟:
[0033]步驟4.1,設(shè)模糊化后的輸入樣本集為
[0034] S = {si | Si = (Xi,yi,Vi) jiGR'yiGRjSviSl,i = l,2, ? ? ?,1},m 為輸入向量個 數(shù),1為訓(xùn)練樣本數(shù);
[0035] 步驟4.2,建立最優(yōu)化問題的目標(biāo)函數(shù)為:
[0037] s.t.yi=wT<}) (xi)+b+Ci i = l,...,l
[0038] 其中,c是懲罰系數(shù),Vl代表相應(yīng)樣本數(shù)據(jù),Xl在高維核空間里的模糊隸屬度,1是 每個樣本的誤差因子, VlL2代表帶有不同權(quán)重的誤差因子,巾(Xl)為映射函數(shù);w, b分別表 示最優(yōu)回歸函數(shù)的線性系數(shù)和偏移量;
[0039] 步驟4.3,用拉格朗日方法求解步驟4.2的優(yōu)化問題,定義拉格朗日函數(shù)如下:
[0041]其中,&1是拉格朗日乘子,對應(yīng)于ai#0的拉格郎日乘子稱為支持向量;
[0042 ]步驟4.4,上述問題歸結(jié)為二次規(guī)劃問題,令
[0044]消除w,|,上式可寫成下列線性方程組的形式:
[0046] 其中 Qij = K(Xi,Xj),i,j = l,2,...,l,a=[ai,a2,...,ai]T,I = [l,l,...,l]T,y =
[yi,y2, ?…,yi]T,Vr是對角矩陣,Vr = diag((cvi)-\ (CV2)-\ (cvi)-工);
[0047] 步驟4.4,通過求解上述方程組確定系數(shù)b和a,得到軟測量模型為:
[0049] 式中Xl為樣本的輸入,即選取的輔助變量;y(x)為待預(yù)測的關(guān)鍵狀態(tài)變量;ai,b為 訓(xùn)練后的模型系數(shù),i = l,2,...,l。
[0050] 進一步地,處罰系數(shù)c取值為1000。
[0051] 進一步地,步驟5的具體實現(xiàn)包括:軟測量模型建立完畢后,嵌入到智能控制器里; 當(dāng)待預(yù)測罐批的輸入向量幻+:經(jīng)測量儀表讀入智能控制器后,智能控制器利用軟測量模型 計算得到關(guān)鍵狀態(tài)變量的預(yù)測值,
[0052]進一步地,所述軟測量模型采用嵌入式C語言編程實現(xiàn);所述智能控制器采用單片 機實現(xiàn);所述計算得到的關(guān)鍵狀態(tài)變量的預(yù)測值經(jīng)數(shù)據(jù)通道傳送到上位計算機并顯示。 [0053]本發(fā)明的有益效果為:
[0054] 1、本發(fā)明利用計算機系統(tǒng)和常規(guī)的檢測儀表提供的在線過程數(shù)據(jù),僅僅通過少量 的人工采樣,實現(xiàn)了秸桿發(fā)酵燃料乙醇過程關(guān)鍵狀態(tài)變量的模糊支持向量機軟測量,解決 了發(fā)酵過程中沒有變量在線檢測儀表從而難以在線檢測的難題。
[0055] 2、與人工取樣化驗相比,減少了現(xiàn)場操作人員的工作量,降低了發(fā)酵過程中人為 操作測量的不確定性,提高了測量時效性,減少了離線取樣帶來的數(shù)據(jù)滯后的問題。
[0056] 3、本發(fā)明將模糊隸屬度引入到支持向量機建模中,與傳統(tǒng)的支持向量機軟測量方 法相比,本發(fā)明的軟測量方法中克服了傳統(tǒng)支持向量機對噪聲點和異常點過于敏感,模型 容噪性能差的問題。
[0057] 4、本發(fā)明全面考慮了影響秸桿發(fā)酵燃料乙醇過程關(guān)鍵狀態(tài)變量的因素,大量采用 現(xiàn)有的常規(guī)檢測信號來實現(xiàn)關(guān)鍵狀態(tài)變量的在線預(yù)測,應(yīng)用簡單、容易、成本較低,軟測量 結(jié)果也較精確。該方法有助于實施秸桿發(fā)酵燃料乙醇過程的優(yōu)化控制和優(yōu)化運行。
【附圖說明】
[0058]圖1秸桿發(fā)酵燃料乙醇過程的流程、測量儀表及計算機配置圖;
[0059] 圖2基于模糊支持向量機的秸桿發(fā)酵燃料乙醇過程關(guān)鍵變量軟測量模型建立流程 圖。
[0060] 圖1中:1發(fā)酵罐,2蒸汽發(fā)生器,3空氣壓縮機,4空氣過濾器,5氣體流量傳感器,6轉(zhuǎn) 速傳感器,7C02氣敏電極,8液位探頭,9熱電阻,10溶氧電極,11 pH電極,12蠕動栗,14離心分 離器,15智能控制器,16上位計算機。
[0061] 圖1中,實線箭頭表示物流(發(fā)酵液,水、空氣和蒸汽)方向,虛線表示信號流。
【具體實施方式】
[0062] 本發(fā)明由硬件平臺及測量軟件組成,其中硬件平臺核心由發(fā)酵罐、蒸汽發(fā)生器、空 氣壓縮機、空氣過濾器、供水系統(tǒng)組成,同時配備了測量儀表、計算機系統(tǒng)以及進行軟件計 算的智能控制器。硬件的連接是發(fā)酵罐的輸入端通過管道與蒸汽發(fā)生器、空氣過濾器和供 水系統(tǒng)相接,空氣壓縮機與空氣過濾器、供水系統(tǒng)相接,軟測量軟件運行在智能控制器上, 得到的軟測量結(jié)果可經(jīng)數(shù)據(jù)通道傳送到監(jiān)控計算機上或獨立的計算機上。詳細結(jié)構(gòu)如圖1 所示。以發(fā)酵罐1、蒸汽發(fā)生器2、空氣壓縮機3、空氣過濾器4、供水系統(tǒng)組成的發(fā)酵系統(tǒng),其 中的測量儀表包括:
[0063] 在發(fā)酵罐罐體上分別安裝一個熱電阻9、一個溶氧電極10、一個液位探頭8和一個 pH電極11,用于在線測量罐內(nèi)發(fā)酵液溫度t、氧含量D0、體積v和酸堿度pH;
[0064] 在發(fā)酵罐環(huán)形法蘭上安裝一個壓敏電阻,用于在線測量罐內(nèi)壓力p;
[0065] 在發(fā)酵罐攪拌電機上安裝一個轉(zhuǎn)速傳感器6,用于在線測量電機攪拌速率r;
[0066] 在空氣過濾器和發(fā)酵罐相連的供氣管道上安裝一個氣體流量傳感器5,用于在線 測量進入發(fā)酵罐內(nèi)空氣流量q;
[0067] 在發(fā)酵罐尾氣排放管上安裝一個C02氣敏電極7,用來在線測量排放出的C02含量;
[0068] 在補料罐和發(fā)酵罐相連的進料管道上安裝兩個蠕動栗12,根據(jù)蠕動栗的開關(guān)時間 估計葡萄糖流加速率P、氨水流加速率h;
[0069] 該發(fā)酵系統(tǒng)同時配置了智能控制器15(微型計算機,例如單片機)和用于遠程監(jiān)測 與控制的工業(yè)控制計算機(IPC)。
[0070] 本發(fā)明的軟測量軟件運行在智能控制器15上,該軟件通過相關(guān)測量儀表獲得實時 的輸入數(shù)據(jù),并給出發(fā)酵過程關(guān)鍵狀態(tài)變量的預(yù)測結(jié)果;所述的軟測量軟件,是指實現(xiàn)本發(fā) 明方法的計算機程序。
[0071] 下面結(jié)合附圖和具體實施例對本發(fā)明作出詳細描述,如圖2所示,本發(fā)明方法包括 如下步驟:
[0072] 1.選擇輔助變量:選取能直接測量且與過程密切相關(guān)的外部變量,用一致相關(guān)度 法分析其與關(guān)鍵狀態(tài)變量的關(guān)聯(lián)度,取關(guān)聯(lián)度多0.7的外部變量作為軟測量模型的輔助 變量。具體實現(xiàn)如下:
[0073] (1)采集發(fā)酵過程數(shù)據(jù)
[0074] 猜桿發(fā)酵燃料乙醇過程以釀酒酵母(Saccharomyces cerevisiae CCTCC m206111)突變篩選和高溫馴化得到的耐高溫乙醇高產(chǎn)菌株為菌種,采用SF-500L型發(fā)酵監(jiān) 控系統(tǒng)進行發(fā)酵培養(yǎng)。如圖1所示監(jiān)控系統(tǒng)由發(fā)酵罐1、蒸汽發(fā)生器2、空氣壓縮機3、空氣過 濾器4和供水系統(tǒng)組成。秸桿發(fā)酵燃料乙醇過程中通過氣體流量傳感器5、轉(zhuǎn)速傳感器6、C0 2 氣敏電極7、液位探頭8、熱電阻9、溶氧電極10、pH電極11、壓敏電阻、蠕動栗12采集空氣流量 q、電機攪拌轉(zhuǎn)速r、C0 2釋放率、發(fā)酵液體積v、發(fā)酵罐溫度t、溶解氧D0、發(fā)酵液酸堿度pH、罐 內(nèi)壓力P、葡萄糖流加速率P和氨水流加速率數(shù)據(jù)h。發(fā)酵液經(jīng)離心分離器14分離后離線檢測 得到纖維素酶活X、乙醇濃度P和總糖濃度S。
[0075] (2) -致相關(guān)度分析
[0076]對于得到的外部變量數(shù)據(jù)(發(fā)酵罐溫度t、發(fā)酵罐壓力p、電機攪拌轉(zhuǎn)速r、發(fā)酵液體 積v、空氣流量q、C02釋放率y、葡萄糖流加速率P、氨水流加速率h、溶解氧D0、發(fā)酵液酸堿度 pH)用一致相關(guān)度法分析其與關(guān)鍵狀態(tài)變量(纖維素酶活X、乙醇濃度P和總糖濃度S)的關(guān)聯(lián) 度,取關(guān)聯(lián)度較大的外部變量作為軟測量模型的輔助變量。
[0077]以發(fā)酵罐溫度t,纖維素酶活X為例
,具體算法如下:
[0079] 其中vij(k)為變化率相關(guān)系數(shù),rij為關(guān)聯(lián)度,0為數(shù)據(jù)變化率對關(guān)聯(lián)度的影響,lij 為變量相關(guān)系數(shù),1為取樣個數(shù),A Xi(k)為k時刻的酶活性變化值,A Xi(k-l)為k-1時刻的酶 活性變化值,&為相對酶活變化值的平均值,A tj(k)為k時刻的溫度變化值,A tj(k-l)為k_ 1時刻的溫度變化值,\溫度變化值的平均值,Ik為符號因子。
[0080] 。對于發(fā)酵罐溫度t和纖維素酶活X,設(shè)有m個趨勢相同的點輯.,…,九,},!112個趨勢無 關(guān)聯(lián)的點},m 3個趨勢相反的點彳4,代入式(1)可得:
[0082]其中Pij,Zij,Nij分別表示正關(guān)聯(lián)度、零關(guān)聯(lián)度和負(fù)關(guān)聯(lián)度。當(dāng)|Pij |彡|Nij|時,發(fā)酵 罐溫度t和纖維素酶活X以正相關(guān)為主,它們的變化趨勢相似,相關(guān)程度由rij,P^兩因素的 大小來衡量;當(dāng)n」=Zi」=0時,發(fā)酵罐溫度t和纖維素酶活無關(guān);當(dāng)I Pi」I < IK」I時,發(fā)酵罐溫 度t和纖維素酶活以負(fù)相關(guān)為主,即它們的變化趨勢相反,相關(guān)程度由由rlj,p^兩因素的大 小來衡量。
[0083]外部變量與纖維素酶活X的關(guān)聯(lián)度計算結(jié)果如表1所示:
[0084]表1外部變量的關(guān)聯(lián)度計算值
[0086] 由計算結(jié)果可知,通過相關(guān)性分析和發(fā)酵過程經(jīng)驗,設(shè)定關(guān)聯(lián)度值rij多0.7的條件 下,可測外部變量一一發(fā)酵液體積V、空氣流量q、C0 2釋放率y、溶解氧D0、發(fā)酵液酸堿度pH與 秸桿發(fā)酵燃料乙醇過程的纖維素酶活X最為相關(guān),選擇上述五個變量作為軟測量模型的輔 助變量。
[0087] 2.建立訓(xùn)練樣本數(shù)據(jù)庫:采集相同工藝下若干歷史罐批次的輔助變量和關(guān)鍵狀態(tài) 變量數(shù)據(jù),構(gòu)造輸入輸出向量對的集合,生成靜態(tài)訓(xùn)練樣本數(shù)據(jù)庫;其中輸入向量是輔助變 量,輸出向量即關(guān)鍵狀態(tài)變量。具體實現(xiàn)如下:
[0088]秸桿發(fā)酵燃料乙醇過程按照如下的結(jié)構(gòu)組成樣本,并收集相同工藝下若干歷史罐 批次訓(xùn)練樣本數(shù)據(jù),本發(fā)明實施例中收集10批次的數(shù)據(jù),其中90 %數(shù)據(jù)作為樣本數(shù)據(jù)集, 10%作為驗證數(shù)據(jù)集。樣本表達為Ixk,yk},其中xk為樣本的輸入,即選取的輔助變量一一發(fā) 酵液體積 v、空氣流量q、C02釋放率y、溶解氧D0、發(fā)酵液酸堿度pH。樣本的輸出yk為待預(yù)測的 關(guān)鍵狀態(tài)變量(主導(dǎo)變量)一一纖維素酶活X、乙醇濃度P、總糖濃度S。
[0089] 訓(xùn)練樣本采集記錄結(jié)構(gòu)如表2,時間為發(fā)酵過程中的采樣周期,為減少主導(dǎo)變量離 線化驗誤差,根據(jù)同一樣本主導(dǎo)變量采用三次化驗結(jié)果進行樣本取舍,最后取平均值:
[0090] 表2樣本數(shù)據(jù)結(jié)構(gòu)
[0091]
[0092] 考慮到樣本數(shù)據(jù)應(yīng)該具有代表性,并且盡可能覆蓋范圍較寬,至少應(yīng)該包括發(fā)酵 過程正常工作范圍,通過手動調(diào)控發(fā)酵罐壓力、發(fā)酵罐溫度和電機攪拌轉(zhuǎn)速,在生產(chǎn)工藝允 許的范圍內(nèi)盡可能改變秸桿發(fā)酵燃料乙醇過程的工作點,每次操作條件改變需要等系統(tǒng)平 穩(wěn)后取樣化驗。
[0093] 3.確定樣本模糊隸屬度:將從步驟2得到的樣本數(shù)據(jù)映射到高維核空間里,并計算 每個樣本數(shù)據(jù)在核空間中的模糊隸屬度。具體實現(xiàn)如下:
[0094] 考慮到映射后的樣本數(shù)據(jù)在構(gòu)造超平面時所起的作用不同,本發(fā)明對它們賦予不 同的隸屬度,對位于超平面上或位于超平面周圍的受到噪聲污染很小的樣本(離超平面的 方差很小)賦予最大的隸屬度;對由于受到噪聲污染而位于超平面附近的樣本(離超平面的 方差較小)根據(jù)一定規(guī)則賦予相應(yīng)大小的隸屬度;對遠離超平面的異常樣本數(shù)據(jù)(離超平面 的方差較大)賦予相對較小的隸屬度。具體步驟如下:
[0095] (a)輸入訓(xùn)練樣本,并將其映射到高維核空間中:
[0096] S={si|si=(xi,yi),XiGRn,yiGR,i = l,2, . . . ,1}
[0097]其中,Xi,yi分別表示輸入量和輸出量,Rn表示n維空間向量,R表示實數(shù)。
[0098] (b)計算核空間中任意兩個樣本點的距離矩陣:
[0100] 式中,爐詠),例表示任意兩個樣本點,K〇表示核函數(shù)。
[0101] (c)取定一常數(shù)d,計算以任意樣本9(s,)為球心,以d為半徑的超球所包含的樣本個 數(shù)Num(識(s;)),即滿足dis(爐(s;.),爐(s7.)) S 的樣本數(shù)目 Num(爐(s,.)), j_ = 1,2,…,/。
[0102] (d)求滿足dis(<?>(sj,A〖V = 1,2,...,/的樣本數(shù)目的最大值:
[0103] MaxNnm=Max (Num(^>(s, = (4)
[0104] (e)計算核空間每個樣本數(shù)據(jù)點的模糊隸屬度Vi:
[0107] (f)輸出帶模糊隸屬度的訓(xùn)練數(shù)據(jù)樣本。
[0108] S = {si | si= (xi,yi,vi) ,XiGRn,yiGR,0^Vi^l, i = l ,2, . . . , 1}
[0109] 本發(fā)明中核函數(shù)取徑向基核函數(shù):
[0111]公式(3)可以轉(zhuǎn)換為:
[0113]由公式(7)得到:
[0116]因此在(c)中,超球半徑d的范圍為把d g萬,由于實際發(fā)酵過程中樣本數(shù)據(jù)一般 位于有限的幾個穩(wěn)定工作點附近,超球半徑d取0.2,最大模糊隸屬度ymax取VI,最小模糊隸 屬度y min取0.9。
[0117] 4.建立軟測量模型:用步驟3得到的模糊隸屬度結(jié)果對模糊支持向量機進行訓(xùn)練, 求出基于模糊支持向量機軟測量模型。該軟測量模型根據(jù)以下過程進行推導(dǎo):
[0118] 設(shè)模糊化后的輸入樣本集5={8山1 = ^,7以:〇^£1?111^£1?,〇彡%彡14 = 1, 2, ...,1},m為輸入向量個數(shù),1為訓(xùn)練樣本數(shù),
[0119] 最優(yōu)化問題的目標(biāo)函數(shù)為:
[0121] 其中,c是懲罰常數(shù),Vl代表相應(yīng)樣本數(shù)據(jù),Xl在高維核空間里的模糊隸屬度,1是 每個樣本的誤差因子, VlL2代表帶有不同權(quán)重的誤差因子,巾(Xl)為映射函數(shù);w, b分別表 示最優(yōu)回歸函數(shù)的線性系數(shù)和偏移量;
[0122] 用拉格朗日方法求解上述優(yōu)化問題,定義拉格朗日函數(shù)如下:
[0124]其中,&1是拉格朗日乘子,對應(yīng)于&1辛0的拉格朗日乘子稱為支持向量。上述問題歸 結(jié)為二次規(guī)劃問題,令
[0126]消除w,|,上式可寫成下列線性方程組的形式:
[0128] 其中 Qij = K(Xi,Xj),i、j = l,2, ? ? ?,l,a=[ai,a2, ? ? ?,ai]T,I = [l,l,? ? ?,l]T,y =
[yi,y2, ?…,yi]T,Vr 是對角矩陣,Vr = diag((cvi)-^(cv〗)-\ (cvi)-工)。
[0129] 通過求解上述方程組確定系數(shù)b和a,得到軟測量模型為:
[0131] 式中Xi為樣本的輸入,即選取的輸入向量發(fā)酵液體積V、空氣流量q、⑶2釋放率m、 溶解氧D0、發(fā)酵液酸堿度pH;x為待測罐批的最新輸入變量;y(x)為待預(yù)測的主導(dǎo)變量一一 纖維素酶活X、乙醇濃度P、總糖濃度S;
[0132] ai,b-一訓(xùn)練后的模型系數(shù),i = l,2, ? ? ?,1;
[0133] 本發(fā)明以采用徑向基(RBF)為例建立軟測量模型,該核函數(shù)形式為:
[0134] 印+'2)
[0135]其中〇為核參數(shù);
[0136] 本發(fā)明中處罰系數(shù)c取1000,核參數(shù)〇取0.28。
[0137] 5.預(yù)測關(guān)鍵狀態(tài)變量:利用步驟4訓(xùn)練好的模糊支持向量機軟測量模型,根據(jù)當(dāng)前 待預(yù)測罐批的最新輸入變量,獲得關(guān)鍵狀態(tài)變量的預(yù)測值。具體實現(xiàn)如下:
[0138] 軟測量模型建立完畢后,采用嵌入式C語言編程實現(xiàn),并嵌入到智能控制器15里, 所述智能控制器采用單片機實現(xiàn),當(dāng)待預(yù)測罐批的輸入向量Xl+1經(jīng)測量儀表讀入智能控制 器15后,智能控制器15利用軟測量程序計算得到關(guān)鍵狀態(tài)變量的預(yù)測值,并將預(yù)測結(jié)果經(jīng) 數(shù)據(jù)通道傳送到上位計算機16上顯示。
[0139] 本發(fā)明即基于模糊支持向量機的關(guān)鍵狀態(tài)變量軟測量模型在秸桿發(fā)酵燃料乙醇 過程正常運行期間,能夠根據(jù)發(fā)酵過程的最新輸入向量預(yù)測關(guān)鍵狀態(tài)變量。
[0140] 上述實施例用來解釋說明本發(fā)明,而不是對本發(fā)明進行限制,在本發(fā)明的精神和 權(quán)利要求的保護范圍內(nèi),對本發(fā)明作出的任何修改和改變,都落入本發(fā)明的保護范圍。
【主權(quán)項】
1. 基于模糊支持向量機的秸桿發(fā)酵燃料乙醇過程關(guān)鍵狀態(tài)變量軟測量方法,其特征在 于,包括如下步驟: 步驟1,選擇輔助變量:選取能直接測量且與過程密切相關(guān)的外部變量用一致相關(guān)度法 分析其與關(guān)鍵狀態(tài)變量的關(guān)聯(lián)度,取關(guān)聯(lián)度7的外部變量作為軟測量模型的輔助變 量; 步驟2,建立訓(xùn)練樣本數(shù)據(jù)庫:采集相同工藝下若干歷史罐批次的輔助變量和關(guān)鍵狀態(tài) 變量數(shù)據(jù),構(gòu)造輸入輸出向量對的集合,生成靜態(tài)訓(xùn)練樣本數(shù)據(jù)庫;其中輸入向量是輔助變 量,輸出向量即關(guān)鍵狀態(tài)變量; 步驟3,確定樣本模糊隸屬度:將從步驟2得到的樣本數(shù)據(jù)映射到高維核空間里,并計算 每個樣本數(shù)據(jù)在核空間中的模糊隸屬度; 步驟4,建立軟測量模型:用步驟3得到的模糊隸屬度結(jié)果對模糊支持向量機進行訓(xùn)練, 建立基于模糊支持向量機的軟測量模型; 步驟5,預(yù)測關(guān)鍵狀態(tài)變量:利用步驟4訓(xùn)練好的模糊支持向量機軟測量模型,根據(jù)當(dāng)前 待預(yù)測罐批的最新輸入變量,獲得關(guān)鍵狀態(tài)變量的預(yù)測值。2. 根據(jù)權(quán)利要求1所述的基于模糊支持向量機的秸桿發(fā)酵燃料乙醇過程關(guān)鍵狀態(tài)變量 軟測量方法,其特征在于,步驟1包括: 步驟1.1,采集發(fā)酵過程的外部變量數(shù)據(jù):通過氣體流量傳感器(5 )、轉(zhuǎn)速傳感器(6 )、C02 氣敏電極(7)、液位探頭(8)、熱電阻(9)、溶氧電極(10)、pH電極(11)、蠕動栗(12)以及壓敏 電阻采集空氣流量q、電機攪拌轉(zhuǎn)速r、C0 2釋放率y、發(fā)酵液體積V、發(fā)酵罐溫度t、溶解氧DO、 發(fā)酵液酸堿度PH、葡萄糖流加速率P、氨水流加速率n數(shù)據(jù),發(fā)酵罐壓力P;發(fā)酵液經(jīng)離心分離 器(14)分離后離線檢測得到關(guān)鍵狀態(tài)變量,包括纖維素酶活X、乙醇濃度P和總糖濃度S; 步驟1.2,一致相關(guān)度分析:計算采集的外部變量數(shù)據(jù)與關(guān)鍵狀態(tài)變量的關(guān)聯(lián)度,并設(shè) 定關(guān)聯(lián)度值7的外部變量作為軟測量模型的輔助變量。3. 根據(jù)權(quán)利要求1所述的基于模糊支持向量機的秸桿發(fā)酵燃料乙醇過程關(guān)鍵狀態(tài)變量 軟測量方法,其特征在于,步驟3的實現(xiàn)包括: 考慮到映射后的樣本數(shù)據(jù)在構(gòu)造超平面時所起的作用不同,對它們賦予不同的隸屬 度,對位于超平面上或位于超平面周圍的受到噪聲污染很小的樣本賦予最大的隸屬度;對 由于受到噪聲污染而位于超平面附近的樣本,根據(jù)一定規(guī)則賦予相應(yīng)大小的隸屬度;對遠 離超平面的異常樣本數(shù)據(jù),賦予相對較小的隸屬度。4. 根據(jù)權(quán)利要求3所述的基于模糊支持向量機的秸桿發(fā)酵燃料乙醇過程關(guān)鍵狀態(tài)變量 軟測量方法,其特征在于,所述步驟3的具體實現(xiàn)包括如下步驟: (a) 輸入訓(xùn)練樣本,并將其映射到高維核空間中: S= {si | si= (xi,yi) ,XiGRn,yiGR, i = 1,2, . . . , 1} (b) 計算核空間中任意兩個樣本點的距離矩陣:(C)取定一常數(shù)d,計算以任意樣本免(Sj為球心,以d為半徑的超球所包含的樣本個數(shù) Num(供(s,.)),即滿足dis(免(s,.),0(sy)) < d的樣本數(shù)目 Num(供(s,.)),/,y =1,2, ⑷求滿足爐(s,.))<心_.y = l,2…?,他樣本數(shù)目的最大值: MaxNum=Max{Num(??(s,}); ,/, / = 1,2,...,/; (e) 計算核空間每個樣本數(shù)據(jù)點的模糊隸屬度v1:(f) 輸出帶模糊隸屬度的訓(xùn)練數(shù)據(jù)樣本: S= {si | si= (xi,yi,Vi) ,XiGRn,yiGR,O^Vi^l,i = 1,2, . . . , 1} 〇5. 根據(jù)權(quán)利要求4所述的基于模糊支持向量機的秸桿發(fā)酵燃料乙醇過程關(guān)鍵狀態(tài)變量 軟測量方法,其特征在于,d取0.2,ymax取石,y min取0.9。6. 根據(jù)權(quán)利要求1所述的基于模糊支持向量機的秸桿發(fā)酵燃料乙醇過程關(guān)鍵狀態(tài)變量 軟測量方法,其特征在于,步驟4的具體實現(xiàn)包括如下步驟: 步驟4.1,設(shè)模糊化后的輸入樣本集為 S={si|si=(Xi,yi,Vi),XiGRm,yiGR,(XVi彡l,i = l,2, ? ? ?,l},m為輸入向量個數(shù),1 為訓(xùn)練樣本數(shù); 步驟4.2,建立最優(yōu)化問題的目標(biāo)函數(shù)為:s.t.yi=wT<}) (xi)+b+Ci i = l,...,l 其中,c是懲罰系數(shù),Vl代表相應(yīng)樣本數(shù)據(jù),Xl在高維核空間里的模糊隸屬度,L是每個 樣本的誤差因子,VlL2代表帶有不同權(quán)重的誤差因子,巾(Xl)為映射函數(shù);W,b分別表示最 優(yōu)回歸函數(shù)的線性系數(shù)和偏移量; 步驟4.3,用拉格朗日方法求解步驟4.2的優(yōu)化問題,定義拉格朗日函數(shù)如下:其中,ai是拉格朗日乘子,對應(yīng)于ai辛0的拉格郎日乘子稱為支持向量; 步驟4.4,上述問題歸結(jié)為二次規(guī)劃問題,令消除W,I,上式可寫成下列線性方程組的形式:其中 Qij = K(Xi,Xj),i,j = l,2, ? ? ?,l,a=[ai,a2, ? ? ?,ai]T,I = [l,l,? ? ?,l]T,y=[yi, y2, ? ? ?,yi]T,Vr是對角矩陣,Vr = diag((cvi)-(cv2)-? ? ?,(cvi)-工); 步驟4.4,通過求解上述方程組確定系數(shù)b和a,得到軟測量模型為:式中Xl為樣本的輸入,即選取的輔助變量;y(x)為待預(yù)測的關(guān)鍵狀態(tài)變量;ai,b為訓(xùn)練 后的模型系數(shù),i = l,2,...,l。7. 根據(jù)權(quán)利要求6所述的基于模糊支持向量機的秸桿發(fā)酵燃料乙醇過程關(guān)鍵狀態(tài)變量 軟測量方法,其特征在于,處罰系數(shù)c取值為1000。8. 根據(jù)權(quán)利要求1所述的基于模糊支持向量機的秸桿發(fā)酵燃料乙醇過程關(guān)鍵狀態(tài)變量 軟測量方法,其特征在于,步驟5的具體實現(xiàn)包括: 軟測量模型建立完畢后,嵌入到智能控制器(15)里;當(dāng)待預(yù)測罐批的輸入向量x1+1經(jīng)測 量儀表讀入智能控制器(15)后,智能控制器(15)利用軟測量模型計算得到關(guān)鍵狀態(tài)變量的 預(yù)測值。9. 根據(jù)權(quán)利要求8所述的基于模糊支持向量機的秸桿發(fā)酵燃料乙醇過程關(guān)鍵狀態(tài)變量 軟測量方法,其特征在于,所述軟測量模型采用嵌入式C語言編程實現(xiàn);所述智能控制器采 用單片機實現(xiàn);所述計算得到的關(guān)鍵狀態(tài)變量的預(yù)測值經(jīng)數(shù)據(jù)通道傳送到上位計算機(16) 并顯示。
【文檔編號】G01D21/02GK106052753SQ201610331760
【公開日】2016年10月26日
【申請日】2016年5月18日
【發(fā)明人】朱湘臨, 嵇小輔, 王博, 何??? 劉元清, 華天爭, 凌婧
【申請人】江蘇大學(xué)