一种基于特征空间的双核多向偏最小二乘的发酵过程质量预测方法

摘要

一种基于特征空间的双核多向偏最小二乘的发酵过程质量预测方法，既属于生物发酵领域，又属于信息科学领域，具体涉及在发酵过程中用于预测在线测量中难以及时取得的质量变量。具体步骤包括：获取训练数据，将数据展开并进行标准化，对标准化的测量数据和质量数据进行核空间中的特征提取，以提取后的特征空间为基进行高维投影，建立偏最小二乘模型，采集实时数据预测质量数据在高维空间中的投影，将高维空间中的质量数据处理为真实的预测值。本发明达到了降低整体模型非线性度，提高模型的预测精度的能力,对实现发酵过程的质量预测、控制和优化控制有重要意义。

主权项

一种基于特征空间的双核多向偏最小二乘的发酵过程质量预测方法，其特征在于包含以下步骤：步骤(1)：获取训练数据：采集发酵过程中可在线测量的测量变量和难以在线测量的质量变量形成训练数据，具体的一次数据采样表示形式如下：X＝(x₁,x₂,...,x_nx)    (1)Y＝(y₁,y₂,...,y_ny)    (2)其中，x₁,x₂,...,x_nx表示发酵过程中在线可实时测量的nx个测量变量，即测量点；同理，y₁,y₂,...,y_ny表示发酵过程中在线不可实时测量的ny个质量变量，经过多次采样形成数据X_p,nx,r和Y_p,ny,r，其中p表示批次代数，用以区分间歇过程不同的批次，即批次数；r表示采样数；经过测量的数据组成三维矩阵数据：X_3D和Y_3D，矩阵规格为批次数×测量点数×采样数；步骤(2)：将X_3D和Y_3D按照AT方法进行数据展开和标准化，记录取得的方差和均值，处理后的数据为X_2D和Y_2D；步骤(3)：分别对X_2D和Y_2D进行核空间中的特征提取，依次得到特征基S_X和S_Y；步骤(4)：计算测量数据X_2D和质量数据Y_2D到核空间中的投影：选取高斯核函数，利用核技巧将X_2D、Y_2D以S_X和S_Y为基分别投影到核空间中，得到K_X＝K(X_2D,S_X)和K_Y＝K(Y_2D,S_Y)；步骤(5)：利用得到的数据Kx和K_Y建立偏最小二乘预测模型：利用偏最小二乘算法建立数据K_X到K_Y的映射，并获得PLS映射系数B，具体表现形式为：K_Y＝K_XB    (3)步骤(6)：在线测量和处理数据，具体步骤为：步骤(6.1)：在线采集新的测量数据X_new，其数据格式与公式(1)中的X相同；步骤(6.2)：将采集到的新数据X_new按照建模时刻的AT处理方法进行处理和标准化；步骤(6.3)：利用核技巧将X_new以S_X为基投影到核空间中，得到K_Xnew＝K(X_new,S_X)；步骤(7)：将K_Xnew输入到已建立好的PLS模型中，利用公式(3)得到K_Ynew，即K_Ynew＝K_XnewB；步骤(8)：将K_Ynew进行逆映射重构，并逆标准化，得到预测值Y_new，具体步骤为：步骤(8.1)：利用S_Y构成新的矩阵数据,其中S_Y的数据格式为：其中，V_mn表示S_Y中的向量矩阵，一共有m个行向量，且每一个行向量的元素个数为n；其中m表示经过特征提取的特征基S_Y中行向量的个数，n＝ny；经过计算得到的K_Ynew的数据格式为：K_Ynew＝(Ky₁,Ky₂,...,Ky_m)    (5)令：L＝K_Ynew    (6)对于L中的每一个元素L_i，i为自然数且i∈[1,m]，L_i＝Ky_i；又令：$\mathrm{Lmi}=\left[\begin{array}{c}{L}_1-L_m\\ L_2-L_m\\ .\\ .\\ .\\ L_{m-1}-L_m\end{array}\right]---\left(8\right)$步骤(8.2)：计算公式Y_new＝‑0.5(Vmi^TVmi)^‑1Vmi^T(Lmi‑VmisI)    (10)其中V_mi^T为Vmi的转置，I为所有元素为1的n维列向量；步骤(8.3)：按照AT方法的数据处理方法逆向计算出Y_new在标准化之前的实际预测数据Y_pre；步骤(9)：若生产过程未结束，则重复步骤(6)至(8)。