輕工發(fā)酵過(guò)程軟測(cè)量技術(shù)的應(yīng)用.pdf

1、隨著我國(guó)輕工業(yè)迅速發(fā)展，對(duì)生產(chǎn)過(guò)程自動(dòng)化程度要求不斷提高。同時(shí)，由于輕工發(fā)酵過(guò)程的高度非線性以及生物傳感器的缺乏，使一些重要的過(guò)程變量無(wú)法進(jìn)行在線測(cè)量，以致難以實(shí)現(xiàn)發(fā)酵過(guò)程的優(yōu)化控制。因此，通過(guò)對(duì)發(fā)酵過(guò)程建模，對(duì)不可在線測(cè)量變量(基質(zhì)濃度、菌體濃度和產(chǎn)物濃度)進(jìn)行軟測(cè)量就顯得非常重要了。 首先，在綜合和大量文獻(xiàn)的基礎(chǔ)上，對(duì)發(fā)酵過(guò)程建模方法進(jìn)行了分析。 其次，在對(duì)最具代表性的誤差反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagat

2、ion，BP)用于發(fā)酵過(guò)程建模進(jìn)行分析的基礎(chǔ)上，將基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則(Structural Risk Minimization，SRM)的支持向量機(jī)(Support Vector Machine，SVM)建模方法用于發(fā)酵過(guò)程建模。仿真結(jié)果表明SVM解決了神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)的泛化能力弱等問(wèn)題，但同時(shí)也存在著抗噪能力弱和訓(xùn)練時(shí)間較長(zhǎng)的缺點(diǎn)。 再次，針對(duì)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(jī)(FuzzySVM，

3、FSVM)。仿真結(jié)果表明，F(xiàn)SVM能夠有效的提高過(guò)程量有較大變動(dòng)時(shí)的仿真精度。隨后，針對(duì)SVM及FSVM訓(xùn)練時(shí)間較長(zhǎng)的問(wèn)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(jié)果表明SMO算法訓(xùn)練時(shí)間明顯縮短。并且通過(guò)改進(jìn)訓(xùn)練時(shí)的閾值條件，提出了改進(jìn)型的SMO算法，進(jìn)一步提高了訓(xùn)練速度。 最后，在對(duì)輕工發(fā)酵過(guò)程建模方法研究基礎(chǔ)上，利用VB在界面設(shè)計(jì)方面的優(yōu)