基于动态模糊神经网络的青霉素发酵过程软测量建模方法

摘要

本发明公开一种基于动态模糊神经网络的青霉素发酵过程软测量建模方法，先确定青霉素发酵过程的在线可测变量、过程输入变量和为需离线化验的不直接可测变量；再将不直接可测变量作为主导变量，对过程输入变量、在线可测变量用一致相关度算法分析其与主导变量的关联度，进行二次变量选择确定辅助变量，最后将确定的辅助变量作为软测量模型的输入变量，主导变量作为输出变量，采用动态模糊神经网络建立软测量模型并对其参数进行优化，本发明克服了传统模糊神经网络在初始模型的建立、规则数的确定等方面严重依赖于经验选择的不足，使得软测量模型的复杂度降低，进一步提高模型稳定性，有着良好的建模精度。

主权项

一种基于动态模糊神经网络的青霉素发酵过程软测量建模方法，其特征是采用如下步骤：1)确定青霉素发酵过程的溶解氧、pH值和发酵液体积为在线可测变量，葡萄糖、玉米浆、麸质粉、磷酸二氢钾和氨水流加速率为过程输入变量，菌丝浓度X、基质浓度S、产物浓度P为需离线化验的不直接可测变量；2)将三个不直接可测变量作为主导变量，对于过程输入变量、在线可测变量用一致相关度算法分析其与主导变量的关联度，进行二次变量选择，设定关联度阈值为0.7，在关联度大于0.7条件下确认关联度较大的外部变量中的葡萄糖流加速率、氨水流加速率、溶解氧、pH值这四个变量作为软测量模型的辅助变量；3)将确定的辅助变量作为软测量模型的输入变量，主导变量作为软测量模型的输出变量，采用动态模糊神经网络建立软测量模型，利用训练样本集对该软测量模型进行训练确定软测量模型的结构和参数，通过验证集验证软测量模型的精度，对软测量模型的参数进行优化。