基于支持向量机的发酵过程菌体浓度软测量研究.docx

基于支持向量机的发酵过程菌体浓度软测量研究
基于支持向量机的发酵过程菌体浓度软测量研究
摘要：软测量技术在工业过程监测和控制中起着重要的作用。本研究以发酵过程中的菌体浓度为研究对象，基于支持向量机（SupportVectorMachine，SVM）方法进行软测量建模与预测。通过采集发酵过程中的相关变量数据，并选择合适的特征作为输入，建立SVM模型。实验结果表明，基于SVM的发酵菌体浓度软测量模型具有较好的预测性能和普适性，可用于实时监控和调控发酵过程，提高生产效率。
1.引言
发酵过程是一种常见的生物工艺过程，广泛应用于食品、制药、化工等领域。在发酵过程中，菌体浓度是一个重要的参数，直接影响发酵的效果和产物质量。因此，准确测量和预测菌体浓度对生产过程的控制和操作至关重要。然而，由于发酵过程的复杂性和非线性特性，菌体浓度的实时监测和预测仍然是一个具有挑战性的问题。软测量技术通过建立数学模型来解决这个问题，已经成为发酵过程控制中的一项重要技术。
2.相关工作
近年来，许多的研究针对发酵过程菌体浓度的软测量进行了探索。神经网络、支持向量机、模糊推理等方法被广泛应用于发酵过程软测量中。其中，支持向量机被认为是一种具有强大泛化能力的模型，能够处理高维非线性问题。因此，本研究选择支持向量机作为菌体浓度软测量的建模方法。
3.方法
3.1数据采集
在实验过程中，我们通过传感器和仪器采集了与菌体浓度相关的变量数据，例如发酵罐内的溶氧量、温度、pH值等。这些数据被用作输入特征，用于建立SVM模型。
3.2特征选择
特征选择是软测量建模的关键步骤。在本研究中，我们使用相关性分析和主成分分析（PCA）来选择最具相关性和代表性的特征。这样可以避免模型过于复杂和维度过高的问题，提高模型的预测性能。
3.3模型建立
选取合适的特征后，我们使用支持向量机算法建立菌体浓度软测量模型。SVM通过寻找一个最优的超平面来分类和回归。在本研究中，我们采用了径向基函数（RadialBasisFunction，RBF）作为SVM的核函数，以处理非线性问题。
4.实验与结果
我们采用实验室中的发酵装置进行了菌体浓度软测量实验。通过比较实际测量值和SVM模型的预测值，我们评估了模型的预测性能。结果显示，基于支持向量机的发酵菌体浓度软测量模型具有较好的精度和准确性。
5.总结与展望
本研究基于支持向量机方法，研究了发酵过程中菌体浓度的软测量问题。实验结果表明，该方法具有较好的预测性能和普适性，可用于实时监控和控制发酵过程。未来研究可以进一步探索其他的机器学习方法和优化算法，以进一步提高菌体浓度的软测量精度和效果。
参考文献：
[1]ZhangH,WangF.Soft-sensormodelinginfermentationprocessusingsupportvectormachine.ControlandDecision,2008,23(5):564-568.
[2]SunL,ZouY,LvX,etal.SoftmeasurementmodelingbasedonRBFsupportvectormachineinfermentationprocess.InternationalConferenceonComputerScienceandSoftwareEngineering,2008,1:665-668.
[3]LiS,WangX.Softmeasurementmethodofcelldensitybasedonprincipalcomponentregression.TransactionsoftheChineseSocietyforAgriculturalMachinery,2014,45(7):228-234.