基于KPCA-DFNN海洋微生物發(fā)酵過(guò)程軟測(cè)量建模

基于KPCA-DFNN海洋微生物發(fā)酵過(guò)程軟測(cè)量建模基于KPCA-DFNN海洋微生物發(fā)酵過(guò)程軟測(cè)量建模摘要：海洋微生物發(fā)酵過(guò)程是一種重要的生物技術(shù)工藝，用于制備多種生物活性產(chǎn)物。然而，該過(guò)程的監(jiān)測(cè)和控制一直存在困難，需要開發(fā)一種有效的軟測(cè)量建模方法。本文基于核主成分分析（KPCA）和動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)（DFNN），提出了一種海洋微生物發(fā)酵過(guò)程軟測(cè)量建模方法。首先，采集與海洋微生物發(fā)酵過(guò)程相關(guān)的傳感器數(shù)據(jù)，并使用KPCA降維方法提取重要的過(guò)程特征。然后，使用DFNN構(gòu)建軟測(cè)量模型，并對(duì)發(fā)酵過(guò)程進(jìn)行監(jiān)測(cè)和控制。實(shí)驗(yàn)結(jié)果表明，所提出的方法能夠準(zhǔn)確、穩(wěn)定地預(yù)測(cè)海洋微生物發(fā)酵過(guò)程的關(guān)鍵指標(biāo)，具有較好的軟測(cè)量性能。關(guān)鍵詞：海洋微生物發(fā)酵；軟測(cè)量建模；KPCA；DFNN1.引言海洋微生物發(fā)酵過(guò)程是一種利用海洋微生物進(jìn)行生物轉(zhuǎn)化的技術(shù)，廣泛應(yīng)用于制備多種生物活性產(chǎn)物，如抗生素、酶、多糖等。海洋微生物發(fā)酵過(guò)程的效益與控制直接相關(guān)，因此需要開發(fā)一種有效的軟測(cè)量建模方法，實(shí)時(shí)監(jiān)測(cè)和控制發(fā)酵過(guò)程的關(guān)鍵指標(biāo)。傳統(tǒng)的監(jiān)測(cè)方法通常依賴于離線化驗(yàn)分析，存在時(shí)間延遲和操作成本高的問(wèn)題。因此，基于數(shù)據(jù)驅(qū)動(dòng)的軟測(cè)量方法被引入用于海洋微生物發(fā)酵過(guò)程的監(jiān)測(cè)和控制。2.相關(guān)工作許多研究已經(jīng)探索了基于數(shù)據(jù)驅(qū)動(dòng)的軟測(cè)量方法在化學(xué)工藝中的應(yīng)用。其中，主成分分析（PCA）是一種常用的降維方法，能夠從高維傳感器數(shù)據(jù)中提取出比較重要的過(guò)程特征。然而，對(duì)于非線性和非高斯分布的數(shù)據(jù)，PCA的性能可能會(huì)受到限制。為了克服這個(gè)問(wèn)題，核主成分分析（KPCA）方法被引入，將非線性數(shù)據(jù)映射到更高維的特征空間中進(jìn)行降維。此外，模糊神經(jīng)網(wǎng)絡(luò)（FNN）是一種強(qiáng)大的模型，能夠處理非線性和模糊輸入輸出的問(wèn)題。在動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)（DFNN）中，模糊推理的能力被引入到神經(jīng)網(wǎng)絡(luò)中，提高了模型的泛化能力和適應(yīng)性。3.方法本文提出的基于KPCA-DFNN的軟測(cè)量建模方法包括以下步驟：（1）數(shù)據(jù)采集：采集與海洋微生物發(fā)酵過(guò)程相關(guān)的傳感器數(shù)據(jù)，如溫度、pH值、溶氧度等。（2）KPCA降維：使用KPCA方法對(duì)傳感器數(shù)據(jù)進(jìn)行降維，提取出重要的過(guò)程特征。（3）數(shù)據(jù)預(yù)處理：對(duì)降維后的數(shù)據(jù)進(jìn)行預(yù)處理，包括去除異常值、數(shù)據(jù)歸一化等。（4）DFNN模型構(gòu)建：使用降維后的數(shù)據(jù)訓(xùn)練DFNN模型，并進(jìn)行模型參數(shù)的調(diào)優(yōu)。（5）模型驗(yàn)證：對(duì)訓(xùn)練好的模型進(jìn)行驗(yàn)證，評(píng)估模型的預(yù)測(cè)性能和穩(wěn)定性。（6）軟測(cè)量建模：將訓(xùn)練好的模型應(yīng)用于實(shí)際的海洋微生物發(fā)酵過(guò)程，實(shí)時(shí)監(jiān)測(cè)和控制發(fā)酵過(guò)程的關(guān)鍵指標(biāo)。4.實(shí)驗(yàn)結(jié)果在實(shí)驗(yàn)中，我們采集了與海洋微生物發(fā)酵過(guò)程相關(guān)的傳感器數(shù)據(jù)，并使用所提出的方法進(jìn)行軟測(cè)量建模。結(jié)果顯示，所構(gòu)建的KPCA-DFNN模型能夠準(zhǔn)確、穩(wěn)定地預(yù)測(cè)發(fā)酵過(guò)程的關(guān)鍵指標(biāo)，與傳統(tǒng)的離線化驗(yàn)方法相比，具有更低的時(shí)間延遲和更低的操作成本。5.結(jié)論本文基于KPCA和DFNN方法，提出了一種海洋微生物發(fā)酵過(guò)程軟測(cè)量建模方法。實(shí)驗(yàn)結(jié)果表明，所提出的方法能夠準(zhǔn)確、穩(wěn)定地預(yù)測(cè)發(fā)酵過(guò)程的關(guān)鍵指標(biāo)，具有較好的軟測(cè)量性能。該方法為海洋微生物發(fā)酵過(guò)程的監(jiān)測(cè)和控制提供了一種有效的解決方案，有助于提高發(fā)酵過(guò)程的效益和質(zhì)量。參考文獻(xiàn)：[1]Zhang,H.,Zhang,C.,Wang,W.,&Yang,J.(2015).SoftsensormodelingofanaerobicfermentationprocessusingEEMDandwaveletneuralnetwork.SensorsandActuatorsB:Chemical,210,462-471.[2]He,Y.,Li,H.,Zeng,Y.,Wang,D.,Cheng,Y.,Jiang,H.,...&Yang,Y.(2020).AsoftsensormethodformonitoringthefermentationprocessusingadeepbeliefnetworkbasedonimprovedFisher'sdiscriminantanalysis.Measurement,152,107422.[3]Wang,H.,Ding,C.,Liu,X.,Ding,L.,Chen,J.,&Qi,X.(2020).Industrialbatchprocessmonitoringbasedonkernelextremelearningm