基于改进CS‑BPNN的食用菌发酵过程关键参量的软测量方法技术

本发明专利技术公开了基于改进CS‑BPNN的食用菌发酵过程关键参量的软测量方法，该方法首先对食用菌发酵过程工艺机理进行分析，选取合适的外部变量采用基于离散PSO的辅助变量选择算法来选取最适的外部变量作为软测量模型的辅助变量；根据历史罐批数据建立训练样本数据库，对其进行归一化处理；接着设计一个BP神经网络模型，利用改进的布谷鸟算法优化神经网络的权值与阈值；对优化后的神经网络进行训练，用优化好的模型对菌丝生物量进行预测。本发明专利技术采用改进的布谷鸟算法来优化BP神经网络，与标准的CS‑BP神经网络方法相比，收敛速度和局部搜索能力大大提升，实现了食用菌发酵过程关键变量的实时在线精确预测，对食用菌发酵过程的参数检测与优化控制具有重要意义。

【技术实现步骤摘要】
基于改进CS-BPNN的食用菌发酵过程关键参量的软测量方法
本专利技术是一种用于解决食用菌发酵过程中难以用物理传感器在线实时测量的菌丝生物量这个关键生化变量的在线估计问题，属于软测量及软仪表构造的

技术介绍
发酵是一类重要的工业生产工程，其典型特征是内在机理复杂、可重复性差、生产波动差，具有高度的非线性和时变特性；对其进行在线测量，是进行补料、供氧等动态控制的重要依据，同时也是进行优化调度的前提和基础。一般的，重要过程变量的测得是通过实验室周期性的采样、离线操作、分析测定。取样的周期对测得的变量数值有较大的影响，且时间上往往滞后，导致变量信息滞后，使得发酵过程难以进行实时闭环优化控制。因此，研究如何及时获得食用菌发酵过程中关键变量的状态信息，对发酵过程构建最优生长环境，进而实施优化控制，提高产品产量与质量均具有重要意义。BP神经网络软测量是近年来应用很广泛的一种数据驱动软测量方法，因其优良的非线性逼近能力，已被广泛地被用于非线性系统过程的软测量建模。在本专利技术中，针对食用菌发酵过程非线性、大滞后、易染菌且关键生化参数难以实时在线测量等问题，提出一种改进CS-BP神经网络的软测量建模方法。该方法使得CS算法在搜索前期保证全局寻优能力；在搜索后期，充分利用局部信息，提高搜索精度，缩短了学习时间。
技术实现思路
为了解决食用菌发酵过程中非常重要，但难以用物理传感器在线实时测量或实时测量代价非常高的状态量的测量方法之不足，本专利技术提出一种基于改进CS-BPNN的食用菌发酵过程关键变量软测量方法，通过常规在线测量仪表提供的输入变量的测量信号，给出当前关键状态变量的预测值，为食用菌发酵过程的参数检测和优化运行提供关键工艺指标。本专利技术的技术方案如下：基于改进的CS-BPNN食用菌发酵过程关键状态变量软测量方法，包括如下步骤：步骤1：辅助变量选择，选取能直接测量且与过程密切相关的外部变量，用基于离散PSO的辅助变量选择算法来选取最适的外部变量作为软测量模型的辅助变量；步骤2：建立训练数据库，采集相同工艺下若干历史罐批次的辅助变量和关键状态变量数据，构造输入输出向量对的集合，生成静态训练样本数据库；并对其进行归一化处理；其中输入向量是辅助变量，输出向量即关键状态变量；步骤3：设计BP神经网络模型，设置其输入、隐含层以及输出层的神经元个数；步骤4：利用改进的布谷鸟算法优化BP神经网络的权值与阈值，寻找预测效果最好的权值与阈值；训练优化后的神经网络得到软测量模型。步骤5：利用已经训练好的软测量模型，根据当前待预测罐批的最新输入向量，获得关键状态变量的预测值。进一步地，步骤1包括：步骤1.1，采集发酵过程外部变量数据：通过气体流量传感器、转速传感器、CO2气敏电极、液位探头、热电阻、溶氧电极、pH电极、蠕动泵采集空气流量q、电机搅拌转速r、CO2释放量u、发酵液体积v、发酵罐温度t、溶解氧DO、发酵液酸碱度pH、葡萄糖流加速率ρ、氨水流加速率η；发酵液经离心分离器分离后离线检测得到关键状态变量，包括菌丝生物量S；步骤1.2，基于离散PSO的辅助变量选择算法，找到最优位置和速度的粒子，将其离散化，得到最适辅助变量组合。具体实现包括：所述步骤1.2的具体过程包括：步骤1.2.1：初始化离散PSO的种群和参数，初始化种群数M＝22、惯性权重w＝0.8、加速常数c1＝c2＝0.7、最大限速Vmax＝4；随机产生元素0和1的M个粒子xi＝(xi1,xi2,...,xiD)，i＝1,...,M，组成初始群；随机产生(0,1)之间的随机数作为各粒子的初始速度vij，组成初始速度矩阵VM×D。每个粒子的历史最好位置pi和种群最好位置pg初始值都设为D维0向量；步骤1.2.2：评价每个粒子的适应值；根据PLS回归算法和式计算每个粒子的适应度函数，求其适应值；其中，yi,act为样本i的实际测量值，y-i,pred为用除掉第i个样本的数据建立的模型对yi,act的预测值，yavg为yi,act的平均值，h为取得最大值时的主元个数，越接近1说明模型的预测能力越好；步骤1.2.3：更新粒子最优位置。对每个粒子xi，将其适应值f(xi)与其经历过的最好位置pi对应的适应值f(pi)作比较，如果f(xi)优于f(pi)，则将xi替换为当前的最好位置；步骤1.2.4：更新种群最优位置。对当前种群(M个粒子)中最好位置pbest，将其对应的适应值f(pbest)与种群所经历过的最好位置pg对应的适应值f(pg)作比较，如果f(pbest)优于f(pg)，则将pbest替换为种群最优位置；为防止结果陷入局部优化，将种群最优位置pg记下后，再将其对应的那个粒子重新初始化；步骤1.2.5：在t+1时刻，粒子i在第d(d＝1,2,...,D)维空间的速度和位置的表达式为：vid(t+1)＝w×vid(t)+c1r1×(pid(t)-xid(t))+c2r2×(pgd(t)-xid(t))和xid(t+1)＝xid(t)+vid(t+1)；根据这两个公式调整当前粒子的位置和速度，并根据式将更新后的粒子离散化；步骤1.2.6：判断是否达到终止条件，若上述条件满足，终止迭代，否则返回步骤1.2.2。进一步地，步骤3的实现具体如下：选取的网络结构为三层神经网络结构，根据辅助变量的个数确定输入层设置为5个神经元，根据关键状态变量的个数确定输出层设置为1个神经元，根据构造法经验公式midn＝2inn+1设置隐含层的节点数，其中midn为隐含层节点数，inn为输入层节点数。进一步地，步骤4的实现包括如下步骤：步骤4.1，将BP神经网络看作是改进CS算法的适应度函数，那么可利用算法自身的全局寻优能力强的优势去寻觅最优的权值阈值组合。根据样本维数初步确定BP网络结构，依次确定权值和阈值总数，进而确定改进CS算法中布谷鸟个体的编码长度。随机产生n个鸟巢xi(i＝1,2,...,n)，每个鸟巢代表一组将要优化训练的神经网络的权值和阈值，设置种群规模n，最大迭代次数Nmax、最大发现概率pamax、最小发现概率pamin、发现概率pa；步骤4.2，根据适应度函数计算选出当前最优鸟巢其中n为样本总数，y'(i)第i个样本的实际训练输出值，y(i)为第i个样本的期望输出值。将保留至下一代，其他鸟巢按照公式进行位置更新，其中i＝1,2,...,n；表示第i个鸟巢在第t次迭代时的位置，a为步长比例因子、n为鸟巢数量、代表点乘；L(λ)服从Lévy分布，为随机飞行步长。即：其中，为第t代存储的最佳位置，μ和ξ均服从正态分布。同时计算这些鸟巢位置的适应度值，与上代做比较选取好的一组保留到下一代，得到一组较优的鸟巢位置；步骤4.3，按照公式对pa进行更新，其中pamax和pamin分别表示发现概率的最大和最小值；Nmax为最大迭代次数、Ni为当前迭代次数(1≤Ni≤Nmax)。产生服从均匀分布的随机数r∈(0，1)，与pa对比，若r＞pa，则对鸟窝位置进行随机改变，反之则不变，即随机改变发现概率较大的鸟窝位置，保留发现概率较小的鸟窝位置；步骤4.4，再测试改变后的鸟巢位置，并与上一代鸟巢对比。最终在测试结果较优的一组鸟巢中选出当代的全局最优位置并判断它的fmin是否达到精度要求。若符合要求本文档来自技高网...

【技术保护点】
基于改进CS‑BPNN的食用菌发酵过程关键参量的软测量方法，其特征在于，包括如下步骤：步骤1：辅助变量选择，选取能直接测量且与过程密切相关的外部变量，用基于离散PSO的辅助变量选择算法来选取最适的外部变量作为软测量模型的辅助变量；步骤2：建立训练数据库，采集相同工艺下若干历史罐批次的辅助变量和关键状态变量数据，构造输入输出向量对的集合，生成静态训练样本数据库；并对其进行归一化处理；其中输入向量是辅助变量，输出向量即关键状态变量；步骤3：设计BP神经网络模型，设置其输入、隐含层以及输出层的神经元个数；步骤4：利用改进的布谷鸟算法优化BP神经网络的权值与阈值，寻找预测效果最好的权值与阈值，得到优化的软测量模型；步骤5：利用已经训练得到的优化软测量模型，根据当前待预测罐批的最新输入向量，获得关键状态变量的预测值。

【技术特征摘要】
1.基于改进CS-BPNN的食用菌发酵过程关键参量的软测量方法，其特征在于，包括如下步骤：步骤1：辅助变量选择，选取能直接测量且与过程密切相关的外部变量，用基于离散PSO的辅助变量选择算法来选取最适的外部变量作为软测量模型的辅助变量；步骤2：建立训练数据库，采集相同工艺下若干历史罐批次的辅助变量和关键状态变量数据，构造输入输出向量对的集合，生成静态训练样本数据库；并对其进行归一化处理；其中输入向量是辅助变量，输出向量即关键状态变量；步骤3：设计BP神经网络模型，设置其输入、隐含层以及输出层的神经元个数；步骤4：利用改进的布谷鸟算法优化BP神经网络的权值与阈值，寻找预测效果最好的权值与阈值，得到优化的软测量模型；步骤5：利用已经训练得到的优化软测量模型，根据当前待预测罐批的最新输入向量，获得关键状态变量的预测值。2.根据权利要求1所述的基于改进CS-BPNN的食用菌发酵过程关键参量的软测量方法，其特征在于，步骤1的具体过程包括：步骤1.1，采集发酵过程外部变量数据：通过气体流量传感器、转速传感器、CO2气敏电极、液位探头、热电阻、溶氧电极、pH电极、蠕动泵采集空气流量q、电机搅拌转速r、CO2释放量u、发酵液体积v、发酵罐温度t、溶解氧DO、发酵液酸碱度pH、葡萄糖流加速率ρ、氨水流加速率η；发酵液经离心分离器分离后离线检测得到关键状态变量，所述关键状态变量包括菌丝生物量S；步骤1.2，基于离散PSO的辅助变量选择算法，找到最优位置和速度的粒子，将其离散化，得到最适辅助变量组合。3.根据权利要求2所述的基于改进CS-BPNN的食用菌发酵过程关键参量的软测量方法，其特征在于，所述步骤1.2的具体过程包括：步骤1.2.1：初始化离散PSO的种群和参数，初始化种群数M＝22、惯性权重w＝0.8、加速常数c1＝c2＝0.7、最大限速Vmax＝4；随机产生元素0和1的M个粒子xi＝(xi1,xi2,...,xiD)，i＝1,...,M，组成初始群；随机产生(0,1)之间的随机数作为各粒子的初始速度vij，组成初始速度矩阵VM×D。每个粒子的历史最好位置pi和种群最好位置pg初始值都设为D维0向量；步骤1.2.2：评价每个粒子的适应值；根据PLS回归算法和式计算每个粒子的适应度函数，求其适应值；其中，yi,act为样本i的实际测量值，y-i,pred为用除掉第i个样本的数据建立的模型对yi,act的预测值，yavg为yi,act的平均值，h为取得最大值时的主元个数，越接近1说明模型的预测能力越好；步骤1.2.3：更新粒子最优位置。对每个粒子xi，将其适应值f(xi)与其经历过的最好位置pi对应的适应值f(pi)作比较，如果f(xi)优于f(pi)，则将xi替换为当前的最好位置；步骤1.2.4：更新种群最优位置。对当前种群(M个粒子)中最好位置pbest，将其对应的适应值f(pbest)与种群所经历过的最好位置pg对应的适应值f(pg)作比较，如果f(pbest)优于f(pg)，则将pbest替换为种群最优位置；为防止结果陷入局部优化，将种群最优位置pg记下后，再将其对应的那个粒子重新初始化；步骤1.2.5：在t+1时刻，粒子i在第d(d＝1,2,...,D)维空间的速度和位置的表达式为：vid(t+1)＝w×vid(t)+c1r1×(pid(t)-xid(t))+c2r2×(pgd(t)-xid(t))和xid(t+1)＝xid(t)+vid(t+1)；根据这两个公式调整当前粒子的位置和速度，并根据式将更新后的粒子离散化；步骤1.2.6：判断是否达...

【专利技术属性】
技术研发人员：朱湘临，宋彦，丁煜函，王博，郝建华，华天争，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏,32