基于KPCA-DFNN海洋微生物发酵过程软测量建模

基于KPCA-DFNN海洋微生物发酵过程软测量建模基于KPCA-DFNN海洋微生物发酵过程软测量建模摘要：海洋微生物发酵过程是一种重要的生物技术工艺，用于制备多种生物活性产物。然而，该过程的监测和控制一直存在困难，需要开发一种有效的软测量建模方法。本文基于核主成分分析（KPCA）和动态模糊神经网络（DFNN），提出了一种海洋微生物发酵过程软测量建模方法。首先，采集与海洋微生物发酵过程相关的传感器数据，并使用KPCA降维方法提取重要的过程特征。然后，使用DFNN构建软测量模型，并对发酵过程进行监测和控制。实验结果表明，所提出的方法能够准确、稳定地预测海洋微生物发酵过程的关键指标，具有较好的软测量性能。关键词：海洋微生物发酵；软测量建模；KPCA；DFNN1.引言海洋微生物发酵过程是一种利用海洋微生物进行生物转化的技术，广泛应用于制备多种生物活性产物，如抗生素、酶、多糖等。海洋微生物发酵过程的效益与控制直接相关，因此需要开发一种有效的软测量建模方法，实时监测和控制发酵过程的关键指标。传统的监测方法通常依赖于离线化验分析，存在时间延迟和操作成本高的问题。因此，基于数据驱动的软测量方法被引入用于海洋微生物发酵过程的监测和控制。2.相关工作许多研究已经探索了基于数据驱动的软测量方法在化学工艺中的应用。其中，主成分分析（PCA）是一种常用的降维方法，能够从高维传感器数据中提取出比较重要的过程特征。然而，对于非线性和非高斯分布的数据，PCA的性能可能会受到限制。为了克服这个问题，核主成分分析（KPCA）方法被引入，将非线性数据映射到更高维的特征空间中进行降维。此外，模糊神经网络（FNN）是一种强大的模型，能够处理非线性和模糊输入输出的问题。在动态模糊神经网络（DFNN）中，模糊推理的能力被引入到神经网络中，提高了模型的泛化能力和适应性。3.方法本文提出的基于KPCA-DFNN的软测量建模方法包括以下步骤：（1）数据采集：采集与海洋微生物发酵过程相关的传感器数据，如温度、pH值、溶氧度等。（2）KPCA降维：使用KPCA方法对传感器数据进行降维，提取出重要的过程特征。（3）数据预处理：对降维后的数据进行预处理，包括去除异常值、数据归一化等。（4）DFNN模型构建：使用降维后的数据训练DFNN模型，并进行模型参数的调优。（5）模型验证：对训练好的模型进行验证，评估模型的预测性能和稳定性。（6）软测量建模：将训练好的模型应用于实际的海洋微生物发酵过程，实时监测和控制发酵过程的关键指标。4.实验结果在实验中，我们采集了与海洋微生物发酵过程相关的传感器数据，并使用所提出的方法进行软测量建模。结果显示，所构建的KPCA-DFNN模型能够准确、稳定地预测发酵过程的关键指标，与传统的离线化验方法相比，具有更低的时间延迟和更低的操作成本。5.结论本文基于KPCA和DFNN方法，提出了一种海洋微生物发酵过程软测量建模方法。实验结果表明，所提出的方法能够准确、稳定地预测发酵过程的关键指标，具有较好的软测量性能。该方法为海洋微生物发酵过程的监测和控制提供了一种有效的解决方案，有助于提高发酵过程的效益和质量。参考文献：[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