基于混合模型的软测量方法研究及其在发酵过程中的应用

论文摘要

软测量技术是解决复杂测量任务、实现难测变量在线估计的有效方法，生物量是发酵过程中的重要过程参数之一，生物量在线测量对发酵工程的优化和控制具有重要意义，是典型的复杂测量对象。微生物发酵过程具有非线性、时变性、高维数、非结构化等特点，并且缺乏对生物过程机理的先验知识和相对有限的实验测量数据，研究软测量技术的理论、推动软测量技术在生物工程中的应用具有广泛的工程应用前景，是亟待解决的重要研究课题。传统软测量技术的主要内容之一是对象建模，目前的建模方法主要有基于机理分析的“白箱”模型，基于统计学习的“黑箱”模型，以及这两种模型的简单结合构成的“灰箱”模型。“白箱”模型在理论处理上进行了简化，适应性差，且很多未知微生物反应过程根本无法直接建模：“黑箱”模型没有有效地利用对象先验知识：而目前“灰箱”模型的结构存在很大的随意性，无法保证模型的有效性。本课题抓住这一前沿研究，从经验知识与经验数据的综合利用入手，对软测量模型的结构、模型构建方法以及软测量系统的关键技术进行深入研究。具有重要的理论意义和应用价值。课题主要从软测量模型结构、软测量统计建模、软测量系统滤波三个方面进行深入的理论研究，并对软测量系统的实现技术进行仿真实验研究。论文从广义信息论的角度对软测量技术进行了讨论，提出一种混合软测量模型结构。混合软测量模型能够充分地利用先验知识和实验数据的全部信息，构建出完整的软测量模型，并且该软测量模型具备与多种知识表达方式进行融合的能力。课题细致深入地讨论和研究了软测量模型的三个基本问题，首先是软测量模型的可实现性，即软测量模型存在唯一解的条件，以及知识利用的度量等一些相关的概念，体现出混合软测量模型在知识利用有效性上的优势；然后对模型不确定性的概念进行了讨论，研究了模型可靠性问题，得出测量精度与软测量模型可靠性之间的关系；最后讨论了软测量模型与传统软测量方法的关系，说明软测量模型是传统软测量方法的发展。在统计建模方面，集中研究基于统计学习理论的支持向量机技术。从全新的思考角度建立了支持向量分类和支持向量回归的统一表达形式，并重点研究了数据中包含噪声干扰时的支持向量回归问题，提出了两种误差加权支持向量机，试验说明使用加权法考虑不同取值范围内的噪声分布情况，可以获得更好的回归结果。最后，针对模一支持向量机重新推导了多乘子优化算法，并针对模二支持向量机引入了一种改进的Gilbert几何算法，成功地将其用于支持向量回归问题。在软测量系统的研究中，主要研究基于混合软测量模型的Kalman滤波器技术。论文重新考虑滤波器对模型的鲁棒性问题，研究了一类鲁棒Kalman滤波器，并证明强跟踪滤波器只是一种鲁棒Kalman滤波器的实现。进而提出一种全新的不敏变换鲁棒Kalman滤波器算法，采用不敏变换方法来处理期望和方差的非线性传播问题，并利用新息序列方差阵中所包含的大量模型摄动误差信息，通过补偿使得非线性系统的一步估计更加准确。最后，将该滤波算法应用于混合软测量模型，给出了完整的软测量系统，并将基于混合软测量模型构建的软测量系统应用于微生物发酵过程中生物量的测量，以Matlab形式实现了完整的软测量系统。仿真实验表明：基于误差加权的支持向量机算法具有较好的回归结果；基于不敏变换的鲁棒Kalman滤波器具有更好的滤波性能，对初值和模型都具有很强的鲁棒性；在知识缺失和数据缺失的情况下，基于混合模型的软测量系统能够充分地利用先验知识和数据，能够得到更可靠的测量估计。论文提出的软测量混合建模方法和所构建的软测量系统，能够充分地利用被测系统和被测变量的先验知识，充分地利用已有的实验数据，为实现微生物发酵过程中难测变量和参数的在线测量提供理论支撑，并为软测量系统的实用化提供了一种实现技术。

论文目录

• 摘要
• ABSTRACT
• 插图索引
• 表格索引
• 符号列表
• 第一章 绪论
• 1.1 课题研究背景
• 1.1.1 软测量技术回顾
• 1.1.2 软测量技术面临的新问题
• 1.1.3 软测量模型的复杂性问题
• 1.2 发酵过程参数软测量技术现状
• 1.2.1 基于机理分析的软测量
• 1.2.2 基于神经网络的软测量
• 1.2.3 基于统计回归的软测量
• 1.2.4 基于混合模型的软测量
• 1.3 研究的意义和贡献
• 1.4 论文结构
• 第二章 软测量模型理论研究
• 2.1 引言
• 2.2 软测量基本概念
• 2.2.1 软测量的定义
• 2.2.2 软测量模型实施条件
• 2.3 软测量模型可靠性分析
• 2.3.1 误差理论基础
• 2.3.2 模型的不确定性
• 2.3.3 模型的可靠性
• 2.4 实用软测量模型
• 2.4.1 传统代数软测量模型
• 2.4.2 状态空间软测量模型
• 2.4.3 人工智能软测量系统
• 2.5 小节
• 第三章 支持向量机建模方法
• 3.1 引言
• 3.2 统计学习理论
• 3.2.1 VC维
• 3.2.2 扩展性的界
• 3.2.3 结构风险最小化原则
• 3.3 支持向量机
• 3.3.1 线性可分问题
• 3.3.2 支持向量分类
• 3.3.3 支持向量回归
• 3.3.4 支持向量机规范形式
• 3.4 支持向量机学习算法
• 3.4.1 多乘子优化算法
• 3.4.2 Gilbert几何算法
• 3.5 小节
• 第四章 基于混合软测量模型的滤波算法研究
• 4.1 引言
• 4.2 基于状态方程的Kalman滤波器
• 4.2.1 基本Kalman滤波器
• 4.2.2 扩展Kalman滤波器
• 4.2.3 鲁棒Kalman滤波器
• 4.3 改进的非线性Kalman滤波器
• 4.3.1 有限差分Kalman滤波器
• 4.3.2 不敏变换Kalman滤波器
• 4.4 非线性方程组的迭代解法
• 4.4.1 Newton法
• 4.4.2 拟Newton法
• 4.5 基于软测量模型的滤波器
• 4.5.1 软测量模型的几种预处理策略
• 4.5.2 不敏变换鲁棒Kalman滤波器
• 4.5.3 状态参数联合估计
• 4.6 小节
• 第五章 混合软测量模型在发酵过程中生物量测量的应用
• 5.1 引言
• 5.2 谷胱甘肽流加发酵过程
• 5.2.1 发酵过程中的生物量测量
• 5.2.2 实验室高密度酵母流加发酵系统
• 5.2.3 酵母发酵过程的机理仿真模型
• 5.3 混合软测量模型的应用
• 5.3.1 酵母发酵生产谷胱甘肽的直观机理模型
• 5.3.2 建立完整的混合软测量模型
• 5.4 生物量软测量仿真试验
• 5.4.1 支持向量回归建立统计模型
• 5.4.2 不敏变换鲁棒Kalman滤波器应用
• 5.4.3 基于混合软测量模型的软测量系统
• 5.5 小节
• 第六章 结论、创新工作与展望
• 6.1 主要结论
• 6.2 创新工作
• 6.3 展望
• 附录
• 附录A 主要算法的源代码
• A.1 多乘子优化算法
• A.2 基于角度收敛的Gilbert算法
• A.3 基于混合软测量模型的鲁棒Kalman滤波器
• 附录B 仿真试验原始数据
• B.1 仿真系统参数
• B.2 仿真实验数据
• 参考文献
• 攻读博士学位期间发表的论文
• 致谢
• 博士研究生学位论文答辩委员会决议书