基于机器学习算法的海洋蛋白酶发酵过程的软传感器建模

作     者：Khalil Ur Rehman 

作者单位：江苏大学 

学位级别：硕士

导师姓名：朱湘临

授予年度：2021年

学科分类：12[管理学] 081703[工学-生物化工] 08[工学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080202[工学-机械电子工程] 0817[工学-化学工程与技术] 0835[工学-软件工程] 0802[工学-机械工程] 0836[工学-生物工程] 0811[工学-控制科学与工程] 082203[工学-发酵工程] 0822[工学-轻工技术与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：发酵过程 海洋蛋白酶 软测量 最小二乘支持向量机 模糊c-means聚类法 优化算法 

摘      要：根据海洋蛋白酶发酵工艺的独特特点,它被广泛应用于洗涤工业、环保、食品加工和医疗工程中。然而,发酵过程是一个高度非线性的、时变的、多变量的、强耦合的复杂生化反应过程。由于生物体的生长和繁殖,其内部机制非常复杂。一些直接反映发酵过程质量的关键变量（如细胞浓度、基质浓度和酶活性）很难通过传统的测量方法进行实时测量。离线测试具有较大的时间滞后性,不能满足现场实时优化控制的需要。特别是在实际发酵过程中,为了提高酶制剂的生产效率和产品质量,降低经济成本,发酵过程的环境变量应控制在一个特定的范围内。然而,细胞的生长、繁殖和代谢酶的产生过程却受到外界环境的极大影响。发酵过程的各种状态变量之间存在复杂的非线性动态关系,难以解耦,反映发酵质量的关键变量在测量稳定性和价格方面存在严重的缺陷,已成为影响发酵过程实时优化控制的瓶颈问题。采用软传感器建模是解决上述测量问题的一种有效方法。软测量建模可以将生产过程经验知识与自动控制理论有机地结合起来,通过数学计算和估计方法推断出需要测量的过程变量。利用软测量方法分析关键过程变量,不仅降低了生产成本,而且加快了动态响应,实现了关键参量的在线实时预估。实现这一点的一个强大工具就是软传感器,它使用过程中的在线信号来获取新的信息。传感器和测量技术可能非常有用,但软测量建模过程最好应使用已有的传感器,同时软测量建模过程不仅限于使用一些专用的物理传感器,还可以使用最适合用于传递关键参数估计值的不同传感器。本文主要包括以下研究内容:本文首先介绍了海洋蛋白酶研究目的和意义,指出在发酵过程存在某些难以在线测量的关键变量。其次,分析了国内外各种软测量建模方法,并分析总结了它们的优缺点。对现有的数据预处理方法、变量选择方法、软传感器建模方法和优化技术进行了全面审查。对各种软传感器模型的综合分析以表格的形式呈现,突出了发酵领域中使用的重要方法。然后对海洋蛋白酶的发酵过程进行了分析,详细介绍了具体的液体发酵过程,阐述了过程变量对发酵的影响和发酵过程变量的检测方法,这些都有助于辅助变量的选择,并有效地采集样本数据,为软测量模型的建立做好准备。第三,介绍了软测量技术的原理,提出了基于支持向量回归（SVR）的新型软测量模型。为了进一步提高模型的预测精度,采用灰狼算法（GWO）对关键参数（核函数宽度σ、惩罚系数c）SVR模型进行了优化。为了研究辅助变量的选择对软测量建模的影响,采用连续投影算法（SPA）来确定特征变量,并与灰色关联分析算法（GRA）进行比较。最后,通过MATLAB编程调用Excel电子表格数据,建立SPA-GWO-SVR软测量模型,预测发酵过程关键生物变量。仿真结果表明,SPA-GWO-SVR模型比传统的SPA-SVR模型具有更高的预测精度和泛化能力。复用MATLAB软件对海洋蛋白酶发酵过程进行实时监测,满足海洋蛋白酶发酵过程优化控制的要求。第四,提出了一种基于最小二乘支持向量机（LSSVM）的新型软测量模型中。采用改进的粒子群优化算法（IPSO）对LSSVM模型的超参数进行优化,该模型采用指数递减惯性权（EDIW）策略来提高标准粒子群优化（PSO）算法的搜索质量。这种改进的主要目的通过实验得以证明,如果EDIW策略下的PSO算法的参数被适当地设置,那么其PSO算法是非常有效的。采用模糊c均值聚类（FCM）算法对样本数据进行聚类,将发酵过程分为三个阶段,并利用IPSO-LSSVM算法分别针对三个阶段建立相应的局部子模型,然后将子模型组合得到最终的多阶段软传感器模型。通过MATLAB仿真,与PSO-LSSVM模型相比,基于FCM和IPSO-LSSVM的多阶段软测量模型具有较高的预测精度和稳定性,为解决同类工业生产过程中难以测量的变量提供了参考方法。最后,总结了论文的主要研究内容和结果,提出了论文的不足和今后相关研究的改进方向。