一种基于知识复用的发酵过程菌体浓度预测方法及系统

1.本发明涉及生物技术和软测量技术领域，尤其涉及一种基于知识复用的发酵过程菌体浓度预测方法及系统。


背景技术：

2.在现有的发酵过程中，由于生物传感器的缺乏或工艺的复杂性，实现关键变量的在线测量是提高产品产率、增强产品质量的重要基础。
3.发酵过程中的菌体浓度在整个发酵进程中呈现出明显的多阶段特性，各阶段的动态特性存在差异，仅使用单一软传感器会导致模型泛化能力减弱，且对各阶段单独建立模型成本较高。


技术实现要素：

4.本发明实施例提出一种基于知识复用的发酵过程菌体浓度预测方法及系统，用于解决现有技术中菌体浓度软传感器模型泛化能力弱、各发酵阶段单独建立模型成本高的问题。
5.本发明实施例提供一种基于知识复用的发酵过程菌体浓度预测方法，该方法包括：
6.s1：构建发酵过程中菌体浓度软传感器通用模型，所述发酵过程按照时间顺序分为迟滞期、指数生长期、稳定期和衰退期四个阶段，对于连续发生的两阶段，定义前一阶段为发酵阶段a,后一阶段为发酵阶段b；
7.s2：采集并预处理发酵阶段a的过程数据；
8.s3：基于所述菌体浓度软传感器通用模型，结合预处理后的发酵阶段a的过程数据结果确定发酵阶段a的菌体浓度软传感器模型；
9.s4：采集发酵阶段b的过程数据，经过预处理后与发酵阶段a的菌体浓度软传感器模型设计发酵阶段b的菌体浓度在线软传感器；
10.s5：根据所述发酵阶段b的菌体浓度在线软传感器，对发酵阶段b的菌体浓度进行预测；
11.所述步骤s4中设计发酵阶段b的菌体浓度在线软传感器的方法为：
12.s41：设定发酵阶段b的菌体浓度软传感器模型的参数估计为：
[0013][0014]
其中，
[0015]yk+τ+1
＝[y
1+τ
,y
2+τ
…
,y
k+τ
,y
k+τ+1
]
t
＝[y
k+τ
；y
k+τ+1
]
[0016][0017]
其中，在k+τ+1时刻，发酵阶段b的菌体浓度软传感器模型的延迟τb＝τa，阶次pb＝pa,qb＝qa，参数估计，参数估计为发酵阶段a的参数估计，为k+τ+1时刻发酵阶段b的菌体浓度软传感器模型的增益矩阵，e
k+τ+1
为k+τ+1时刻新息向量，y
k+τ+1
为k+τ+1时刻发酵阶段b的菌体浓度矩阵，x
k+τ+1
为k+τ+1时刻发酵阶段b的输入矩阵；
[0018]
s42：计算步骤s41中发酵阶段b的菌体浓度软传感器模型的增益矩阵
[0019]
s43：基于发酵阶段b的菌体浓度软传感器模型的参数估计向量和增益矩阵设计发酵阶段b的菌体浓度在线软传感器。
[0020]
优选地，所述步骤s1中构建发酵过程中菌体浓度软传感器通用模型的方法为：
[0021]
s11：基于发酵过程的动态特性，选取稀释率作为辅助变量，设定菌体浓度软传感器模型为：
[0022]yk+τ
+a1y
k+τ-1
+
…
+a
pyk+τ-p
＝b0uk+b1u
k-1
+
…
+bqu
k-q
+v
k+τ
[0023]
其中，k为时刻，τ为软传感器模型的时延，p和q为软传感器模型的阶次，a，b为系数，y
k+τ
为k+τ时刻的菌体浓度，uk为k时刻的辅助变量，v
k+τ
为k+τ时刻的菌体浓度测量噪声，所述噪声的类型为服从高斯分布、t分布、泊松分布的白噪声中的任意一种；
[0024]
s12：将所述菌体浓度软传感器模型进行向量变换，得到菌体浓度软传感器通用模型：
[0025][0026]
其中，输入向量x
k+τ
＝[y
k+τ-1 y
k+τ-2
ꢀ…ꢀyk+τ-p ukꢀ…ꢀuk-q
]
t
，参数θ＝[a1，
…
，a
p
，b0，
…
，bq]
t
。
[0027]
优选地，所述步骤s2中对发酵阶段a的过程数据进行预处理方法为：
[0028]
剔除发酵阶段a的过程数据中的非数值样本点，并根据工况记录剔除异常工况数据；剔除发酵阶段a的过程数据中的离群点；填补发酵阶段a的过程数据中的缺失值；消除发酵阶段a辅助变量和质量变量的量纲差异。
[0029]
优选地，所述发酵阶段b的菌体浓度软传感器模型的增益矩阵计算方法为：
[0030]
步骤一：定义基于知识复用的软传感器模型的损失函数：
[0031][0032]
其中，θb为发酵阶段b的参数真实值，为k+τ+1时刻的发酵阶段b的参数估
计，e[
·
]为均值运算，trace{
·
}为矩阵的迹运算,j是关于的损失函数；
[0033]
步骤二：基于最小化损失函数的方法，计算增益矩阵
[0034][0035]
其中，
[0036][0037]fk+τ+1
为k+τ+1时刻发酵阶段b的软传感器模型的费舍尔信息矩阵，为k+1时刻发酵阶段b测量噪声协方差矩阵的逆，为k+τ+1时刻发酵阶段a和发酵阶段b的差异协方差矩阵,为k+τ+1时刻发酵阶段a和发酵阶段b的参数差异。
[0038]
优选地，所述基于发酵阶段b的菌体浓度软传感器模型的参数估计向量和增益矩阵设计在线软传感器的方法为：
[0039]
步骤一：在发酵阶段b的初始时刻，初始化g0和q0；
[0040]
其中，为发酵阶段a与发酵阶段b模型参数差异，和g0为(pb+qb)维零向量，q0为(pb+qb)
×
(pb+qb)维零矩阵；
[0041]
步骤二：求解得到发酵阶段b的菌体浓度在线软传感器，具体表示如下：
[0042][0043]
其中，
[0044][0045][0046][0047]
为发酵阶段a的参数估计，为k+τ+1时刻发酵阶段b的参数估计，为k+τ+1时刻发酵阶段b的菌体浓度的测量噪声方差，x
k+τ+1
为k+τ+1时刻发酵阶段b的输入向量，y
k+τ+1
为k+τ+1时刻发酵阶段b的菌体浓度，当获取新的测量数据，f
k+τ+1
更新了发酵阶段b的数据质量，g
k+τ+1
和p
k+τ+1
更新了发酵阶段a和b的差异；
[0048]
步骤三：在发酵阶段b结束前，当获取到新的测量数据，依次计算f
k+τ+1
，g
k+τ+1
，p
k+τ+1
，更新软传感器模型的参数
[0049]
优选地，所述步骤s5中根据所述发酵阶段b的菌体浓度软传感器，对发酵阶段b的菌体浓度进行预测的方法为：
[0050]
将软传感器估计参数代入到软传感器通用模型代入到软传感器通用模型中，得到发酵阶段b的菌体浓度预测值
[0051]
[0052]
优选地，所述最小化损失函数的方法为可行方向法、二次规划法、粒子群算法、贝叶斯优化和随机搜索或梯度下降法中任意一种。
[0053]
优选地，所述噪声协方差矩阵的逆的计算方法为卡尔曼滤波及其扩展形式、统计假设测试、回归分析中任意一种。
[0054]
优选地，所述发酵阶段a和发酵阶段b模型参数差异的计算方法为递推最小二乘法、递推增广最小二乘法、递推极大似然法、随机牛顿法、卡尔曼估计、预报误差法、长短时记忆网络中任意一种。
[0055]
本发明实施例还提供一种基于知识复用的发酵过程菌体浓度预测系统，该系统包括：
[0056]
构建软传感器通用模型单元，用于构建发酵过程中菌体浓度软传感器通用模型，所述发酵过程分为迟滞期、指数生长期、稳定期和衰退期四个阶段，对于连续发生的两阶段，定义前一阶段为发酵阶段a,后一阶段为发酵阶段b；
[0057]
数据采集、预处理单元，用于采集并预处理发酵阶段a的过程数据；
[0058]
确定发酵阶段a软传感器模型单元，用于基于所述菌体浓度软传感器通用模型，结合预处理后的发酵阶段a的过程数据结果确定发酵阶段a的菌体浓度软传感器模型；
[0059]
设计发酵阶段b软传感器单元，用于采集发酵阶段b的过程数据，经过预处理后与发酵阶段a的菌体浓度软传感器模型设计发酵阶段b的菌体浓度在线软传感器；
[0060]
菌体浓度预测单元，用于根据所述发酵阶段b的菌体浓度在线软传感器，对发酵阶段b的菌体浓度进行预测。
[0061]
从以上技术方案可以看出，本发明申请具有以下优点：
[0062]
本发明实施例提供一种基于知识复用的发酵过程菌体浓度预测方法及系统。本发明考虑了发酵过程的动态特性及菌体浓度的检测时延，同时采用知识复用技术借助发酵过程中前一阶段的软传感器模型，设计出下一阶段的菌体浓度在线软传感器，解决了菌体浓度软传感器模型泛化能力弱、各发酵阶段单独建立模型成本高的问题，提高了菌体浓度软传感器预测精度。
附图说明
[0063]
为了更清楚地说明本发明实施案例或现有技术中的技术方案，下边将对实施例中所需要使用的附图做简单介绍，通过参考附图会更清楚的理解本发明的特征和优点，附图是示意性的而不应该理解为对本发明进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。其中：
[0064]
图1为根据实施例中提供的一种基于知识复用的发酵过程菌体浓度预测方法的流程图；
[0065]
图2为发酵阶段a的稀释率和菌体浓度数据曲线；
[0066]
图3为发酵阶段a的菌体浓度预测曲线；
[0067]
图4为发酵阶段b的稀释率和菌体浓度数据曲线；
[0068]
图5为根据实施例中提供的构建基于知识复用的发酵阶段b软传感器的方法的示意图；
[0069]
图6为发酵阶段b的菌体浓度在线预测曲线；
[0070]
图7为根据实施例中提供的一种基于知识复用的发酵过程菌体浓度预测系统的框图。
[0071]
为具体实施方式
[0072]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0073]
实施例一
[0074]
本发明实施例提供一种基于知识复用的发酵过程菌体浓度预测方法，如图1所示，包括以下步骤：
[0075]
s101：构建发酵过程中菌体浓度软传感器通用模型，所述发酵过程按照时间顺序分为迟滞期、指数生长期、稳定期和衰退期四个阶段，对于连续发生的两阶段，定义前一阶段为发酵阶段a，后一阶段为发酵阶段b；
[0076]
s102：采集并预处理发酵阶段a的过程数据；
[0077]
s103：基于所述菌体浓度软传感器通用模型，结合预处理后的发酵阶段a的过程数据结果确定发酵阶段a的菌体浓度软传感器模型；
[0078]
s104：采集发酵阶段b的过程数据，经过预处理后与发酵阶段a的菌体浓度软传感器模型设计发酵阶段b的菌体浓度在线软传感器；
[0079]
s105：根据所述发酵阶段b的菌体浓度在线软传感器，对发酵阶段b的菌体浓度进行预测；
[0080]
所述步骤s104中设计发酵阶段b的菌体浓度在线软传感器的方法为：
[0081]
s1041：设定发酵阶段b的菌体浓度软传感器模型的参数估计为：
[0082][0083]
其中，
[0084]yk+τ+1
＝[y
1+τ
，y
2+τ
…
，y
k+τ
，y
k+τ+1
]
t
＝[y
k+τ
；y
k+τ+1
]
[0085][0086]
其中，在k+τ+1时刻，发酵阶段b的菌体浓度软传感器模型的延迟τb＝τa，阶次pb＝pa,qb＝qa，参数估计，参数估计为发酵阶段a的参数估计，为k+τ+1时刻发酵阶段b的菌体浓度软传感器模型的增益矩阵，e
k+τ+1
为k+τ+1时刻新息向量，y
k+τ+1
为k+τ+1时刻发酵阶段b的菌体浓度矩阵，x
k+τ+1
为k+τ+1时刻发酵阶段b的输入矩阵；
[0087]
s1042：计算步骤s41中发酵阶段b的菌体浓度软传感器模型的增益矩阵
[0088]
s1043：基于发酵阶段b的菌体浓度软传感器模型的参数估计向量和增益矩阵设计发酵阶段b的菌体浓度在线软传感器。
[0089]
本发明实施例提供一种基于知识复用的发酵过程菌体浓度预测方法，通过基于发酵过程的动态特性，本发明考虑了发酵过程的动态特性及菌体浓度的检测时延，同时采用知识复用技术借助发酵过程中前一阶段的软传感器模型，设计出下一阶段的菌体浓度在线软传感器，解决了菌体浓度软传感器模型泛化能力弱、各发酵阶段单独建立模型成本高的问题，提高了菌体浓度软传感器预测精度。
[0090]
进一步地，在步骤s101中构建发酵过程中菌体浓度软传感器通用模型的方法为：
[0091]
s1011：基于发酵过程的动态特性，选取稀释率作为辅助变量，设定菌体浓度软传感器模型为：
[0092]yk+τ
+a1y
k+τ-1
+
…
+a
pyk+τ-p
＝b0uk+b1u
k-1
+
…
+bqu
k-q
+v
k+τ
[0093]
其中，k为时刻，τ为软传感器模型的时延，p和q为软传感器模型的阶次，a，b为系数，y
k+τ
为k+τ时刻的菌体浓度，uk为k时刻的辅助变量，v
k+τ
为k+τ时刻的菌体浓度测量噪声，所述噪声的类型为服从高斯分布、t分布、泊松分布的白噪声中的任意一种；
[0094]
s1012：将所述菌体浓度软传感器模型进行向量变换，得到菌体浓度软传感器通用模型：
[0095][0096]
其中，输入向量x
k+τ
＝[y
k+τ-1 y
k+τ-2
ꢀ…ꢀyk+τ-p ukꢀ…ꢀuk-q
]
t
，参数θ＝[a1，
…
，a
p
，b0，
…
，bq]
t
。
[0097]
进一步地，在步骤s102中发酵阶段的过程数据预处理方法为：
[0098]
剔除发酵阶段的过程数据中的非数值样本点，并根据工况记录剔除异常工况数据；
[0099]
剔除发酵阶段的过程数据中的离群点，所述剔除发酵阶段的过程数据中的离群点的方法为聚类分析、3西格玛准则、近邻性方法和箱体图分析中任意一种；
[0100]
填补发酵阶段的过程数据中的缺失值，所述填补发酵阶段的过程数据中的缺失值的方法为均值填充、中位数填充、众数填充和机器学习算法填充中任意一种；
[0101]
消除发酵阶段辅助变量和质量变量的量纲差异，所述消除发酵阶段辅助变量和质量变量的量纲差异的方法为归一化、z-score标准化、中心化、hellinger转化、帕莱托标准化中任意一种。
[0102]
对发酵阶段a的过程数据进行处理后，得到稀释率及菌体浓度数据，如图2所示。
[0103]
进一步地，在步骤s103中基于所述菌体浓度软传感器通用模型，根据发酵阶段a的过程数据预处理结果确定发酵阶段a的菌体浓度软传感器模型的时延τa、阶次pa、qa和参数θa，可以得到发酵阶段a菌体浓度的预测结果，如图3所示。
[0104]
其中，确定发酵阶段a的菌体浓度软传感器模型的时延的方法为机理分析、实验研究和近似技巧中任意一种；
[0105]
确定发酵阶段a的菌体浓度软传感器模型的阶次的方法为hankel矩阵法、aic准则定阶法、bic准则定阶法、fpe准则定阶法、残差法和f检验法中任意一种；
[0106]
确定发酵阶段a的菌体浓度软传感器模型的参数的方法为最小二乘估计、最大似然估计、预报误差法、随机逼近法、支持向量回归、偏最小二乘和神经网络中任意一种。
[0107]
进一步地，发酵阶段a结束，发酵阶段b开始后，采集并预处理发酵阶段b的过程数据，得到处理后的稀释率及菌体浓度数据，如图4所示。
[0108]
进一步地，在步骤s104中设计发酵阶段b的菌体浓度软传感器的方法为：根据发酵阶段a的菌体浓度软传感器模型数据，构建基于知识复用的发酵阶段b软传感器，如图5所示，具体包括以下步骤：
[0109]
s1041：设定发酵阶段b的菌体浓度软传感器模型的参数估计为：
[0110][0111]
其中，
[0112]yk+τ+1
＝[y
1+τ
，y
2+τ
…
，y
k+τ
，y
k+τ+1
]
t
＝[y
k+τ
；y
k+τ+1
]
[0113][0114]
其中，在k+τ+1时刻，发酵阶段b的菌体浓度软传感器模型的延迟τb＝τa，阶次pb＝pa，qb＝qa，参数估计，参数估计为发酵阶段a的参数估计，为k+τ+1时刻发酵阶段b的菌体浓度软传感器模型的增益矩阵，e
k+τ+1
为k+τ+1时刻新息向量，y
k+τ+1
为k+τ+1时刻发酵阶段b的菌体浓度矩阵，x
k+τ+1
为k+τ+1时刻发酵阶段b的输入矩阵；
[0115]
s1042：计算步骤s1041中发酵阶段b的菌体浓度软传感器模型的增益矩阵
[0116]
s1043：基于发酵阶段b的菌体浓度软传感器模型的参数估计向量和增益矩阵设计发酵阶段b的菌体浓度在线软传感器。
[0117]
所述步骤s1042中发酵阶段b的菌体浓度软传感器模型的增益矩阵计算方法为：
[0118]
步骤一：定义基于知识复用的软传感器模型的损失函数：
[0119][0120]
其中，θb为发酵阶段b的参数真实值，为k+τ+1时刻的发酵阶段b的参数估计，e[
·
]为均值运算，trace{
·
}为矩阵的迹运算，j是关于的损失函数；
[0121]
步骤二：基于最小化损失函数的方法，计算增益矩阵
[0122][0123]
其中，
[0124][0125]fk+τ+1
为k+τ+1时刻发酵阶段b的软传感器模型的费舍尔信息矩阵，为k+1时刻发酵阶段b测量噪声协方差矩阵的逆，为k+τ+1时刻发酵阶段a和发酵阶段b的差异协方差矩阵,为k+τ+1时刻发酵阶段a和发酵阶段b的参数差异。
[0126]
所述步骤s1043中基于发酵阶段b的菌体浓度软传感器模型的参数估计向量和增益矩阵设计发酵阶段b的菌体浓度在线软传感器的方法为：
[0127]
步骤一：在发酵阶段b的初始时刻，初始化g0和q0；
[0128]
其中，为发酵阶段a与发酵阶段b模型参数差异，和g0为(pb+qb)维零向量，q0为(pb+qb)
×
(pb+qb)维零矩阵；
[0129]
步骤二：求解得到发酵阶段b的菌体浓度在线软传感器，具体表示如下：
[0130][0131]
其中，
[0132][0133][0134][0135]
为发酵阶段a的参数估计，为k+τ+1时刻的发酵阶段b的参数估计，为k+τ+1时刻发酵阶段b的菌体浓度的测量噪声方差，x
k+τ+1
为k+τ+1时刻发酵阶段b的输入向量，y
k+τ+1
为k+τ+1时刻发酵阶段b的菌体浓度，当获取新的测量数据，f
k+τ+1
更新了发酵阶段b的数据质量，g
k+τ+1
和p
k+τ+1
更新了发酵阶段a和b的差异；
[0136]
步骤三：在发酵阶段b结束前，当获取到新的测量数据，依次计算f
k+τ+1
，g
k+τ+1
，p
k+τ+1
，更新软传感器模型的参数
[0137]
所述步骤s1042中最小化损失函数的方法为可行方向法、二次规划法、粒子群算法、贝叶斯优化和随机搜索或梯度下降法中任意一种。
[0138]
所述步骤s1042中噪声协方差矩阵的逆的计算方法为卡尔曼滤波及其扩展形式、统计假设测试、回归分析中任意一种。
[0139]
所述步骤s1042中发酵阶段a和发酵阶段b模型参数差异的计算方法为递推最小二乘法、递推增广最小二乘法、递推极大似然法、随机牛顿法、卡尔曼估计、预报误差法、长短时记忆网络中任意一种。
[0140]
再进一步地，在步骤s5中根据所述发酵阶段b的菌体浓度软传感器，对发酵阶段b的菌体浓度进行预测的方法为：
[0141]
将软传感器参数代入到软传感器通用模型中，得到发酵阶段b的菌体浓度预测值
[0142][0143]
其中，θ为通用模型的参数，为k+τ+1时刻发酵阶段b的参数估计，x
k+τ
为k+τ时刻输入向量，v
k+τ
为k+τ时刻的菌体浓度测量噪声，为k+τ+1时刻发酵阶段b的菌体浓度预测值。
[0144]
下面我们将对上述设计的在线软传感器的性能进行验证，软传感器性能分析的指标可为均方误差、均方根误差、平均绝对误差、平均绝对百分比误差、均方误差对数、中位绝对误差中任意一种，此处选择均方误差(mse,mean squared error)作为辨识精度的评价指标，定义k+τ和k+τ+1时刻的软传感器模型的误差分别为和则有
[0145][0145]
成立，说明即随着时间的推移，软传感器模型参数估计值的误差逐渐减小，设计的软传感器性能优秀。
[0146]
根据所述设计的在线软传感器对发酵阶段b菌体浓度进行预测，得到发酵阶段b菌体浓度的预测结果，如图6所示。
[0147]
实施例二
[0148]
本发明实施例提供一种基于知识复用的发酵过程菌体浓度预测系统，如图7所示，包括以下单元：
[0149]
构建软传感器通用模型单元701，用于构建发酵过程中菌体浓度软传感器通用模型，所述发酵过程分为迟滞期、指数生长期、稳定期和衰退期四个阶段，对于连续发生的两阶段，定义前一阶段为发酵阶段a,后一阶段为发酵阶段b；
[0150]
数据采集、预处理单元702，用于采集并预处理发酵阶段a的过程数据；
[0151]
确定发酵阶段a软传感器模型单元703，用于基于所述菌体浓度软传感器通用模型，结合预处理后的发酵阶段a的过程数据结果确定发酵阶段a的菌体浓度软传感器模型；
[0152]
设计发酵阶段b软传感器单元704，用于采集发酵阶段b的过程数据，经过预处理后与发酵阶段a的菌体浓度软传感器模型设计发酵阶段b的菌体浓度在线软传感器；
[0153]
菌体浓度预测单元705，用于根据所述发酵阶段b的菌体浓度在线软传感器，对发酵阶段b的菌体浓度进行预测。
[0154]
所述系统，用以实现上述实施例一所述的一种基于知识复用的发酵过程菌体浓度预测方法，为了避免冗余，在此不再赘述。
[0155]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还
可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
[0156]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、15cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0157]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0158]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0159]
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

技术特征：
1.一种基于知识复用的发酵过程菌体浓度预测方法，其特征在于，包括：s1：构建发酵过程中菌体浓度软传感器通用模型，所述发酵过程按照时间顺序分为迟滞期、指数生长期、稳定期和衰退期四个阶段，对于连续发生的两阶段，定义前一阶段为发酵阶段a，后一阶段为发酵阶段b；s2：采集并预处理发酵阶段a的过程数据；s3：基于所述菌体浓度软传感器通用模型，结合预处理后的发酵阶段a的过程数据结果确定发酵阶段a的菌体浓度软传感器模型；s4：采集发酵阶段b的过程数据，经过预处理后与发酵阶段a的菌体浓度软传感器模型设计发酵阶段b的菌体浓度在线软传感器；s5：根据所述发酵阶段b的菌体浓度在线软传感器，对发酵阶段b的菌体浓度进行预测；所述步骤s4中设计发酵阶段b的菌体浓度在线软传感器的方法为：s41：设定发酵阶段b的菌体浓度软传感器模型的参数估计为：其中，y
k+τ+1
＝[y
1+τ
，y
2+τ
…
，y
k+τ
，y
k+τ+1
]
t
＝[y
k+τ
；y
k+τ+1
]其中，在k+τ+1时刻，发酵阶段b的菌体浓度软传感器模型的延迟τ
b
＝τ
a
，阶次p
b
＝p
a
，q
b
＝q
a
，参数估计，参数估计为发酵阶段a的参数估计，为k+τ+1时刻发酵阶段b的菌体浓度软传感器模型的增益矩阵，e
k+τ+1
为k+τ+1时刻新息向量，y
k+τ+1
为k+τ+1时刻发酵阶段b的菌体浓度矩阵，x
k+τ+1
为k+τ+1时刻发酵阶段b的输入矩阵；s42：计算步骤s41中发酵阶段b的菌体浓度软传感器模型的增益矩阵s43：基于发酵阶段b的菌体浓度软传感器模型的参数估计向量和增益矩阵设计发酵阶段b的菌体浓度在线软传感器。2.根据权利要求1所述的一种基于知识复用的发酵过程菌体浓度预测方法，其特征在于，所述步骤s1中构建发酵过程中菌体浓度软传感器通用模型的方法为：s11：基于发酵过程的动态特性，选取稀释率作为辅助变量，设定菌体浓度软传感器模型为：y
k+τ
+a1y
k+τ-1
+
…
+a
p
y
k+τ-p
＝b0u
k
+b1u
k-1
+
…
+b
q
u
k-q
+v
k+τ
其中，k为时刻，τ为软传感器模型的时延，p和q为软传感器模型的阶次，a，b为系数，y
k+τ
为k+τ时刻的菌体浓度，u
k
为k时刻的辅助变量，v
k+τ
为k+τ时刻的菌体浓度测量噪声，所述噪
声的类型为服从高斯分布、t分布、泊松分布的白噪声中的任意一种；s12：将所述菌体浓度软传感器模型进行向量变换，得到菌体浓度软传感器通用模型：其中，输入向量x
k+τ
＝[y
k+τ-1 y
k+τ-2
ꢀ…ꢀ
y
k+τ-p u
k
ꢀ…ꢀ
u
k-q
]
t
，参数θ＝[a1，
…
，a
p
，b0，
…
，b
q
]
t
。3.根据权利要求1所述的一种基于知识复用的发酵过程菌体浓度预测方法，其特征在于，所述步骤s2中对发酵阶段a的过程数据进行预处理方法为：剔除发酵阶段a的过程数据中的非数值样本点，并根据工况记录剔除异常工况数据；剔除发酵阶段a的过程数据中的离群点；填补发酵阶段a的过程数据中的缺失值；消除发酵阶段a辅助变量和质量变量的量纲差异。4.根据权利要求1所述的一种基于知识复用的发酵过程菌体浓度预测方法，其特征在于，所述步骤s42中发酵阶段b的菌体浓度软传感器模型的增益矩阵计算方法为：步骤一：定义基于知识复用的软传感器模型的损失函数：其中，θ
b
为发酵阶段b的参数真实值，为k+τ+1时刻的发酵阶段b的参数估计，e[
·
]为均值运算，trace{
·
}为矩阵的迹运算，j是关于的损失函数；步骤二：基于最小化损失函数的方法，计算增益矩阵步骤二：基于最小化损失函数的方法，计算增益矩阵其中，其中，f
k+τ+1
为k+τ+1时刻发酵阶段b的软传感器模型的费舍尔信息矩阵，为k+1时刻发酵阶段b测量噪声协方差矩阵的逆，为k+τ+1时刻发酵阶段a和发酵阶段b的差异协方差矩阵，为k+τ+1时刻发酵阶段a和发酵阶段b的参数差异。5.根据权利要求1所述的一种基于知识复用的发酵过程菌体浓度预测方法，其特征在于，所述步骤s43中基于发酵阶段b的菌体浓度软传感器模型的参数估计向量和增益矩阵设计发酵阶段b的菌体浓度在线软传感器的方法为：步骤一：在发酵阶段b的初始时刻，初始化g0和q0；其中，为发酵阶段a与发酵阶段b模型参数差异，和g0为(p
b
+q
b
)维零向量，q0为(p
b
+q
b
)
×
(p
b
+q
b
)维零矩阵；步骤二：求解得到发酵阶段b的菌体浓度在线软传感器，具体表示如下：其中，其中，
为发酵阶段a的参数估计，为k+τ+1时刻的发酵阶段b的参数估计，为k+τ+1时刻发酵阶段b的菌体浓度的测量噪声方差，x
k+τ+1
为k+τ+1时刻发酵阶段b的输入向量，y
k+τ+1
为k+τ+1时刻发酵阶段b的菌体浓度，当获取新的测量数据，f
k+τ+1
更新了发酵阶段b的数据质量，g
k+τ+1
和p
k+τ+1
更新了发酵阶段a和b的差异；步骤三：在发酵阶段b结束前，当获取到新的测量数据，依次计算f
k+τ+1
，g
k+τ+1
，p
k+τ+1
，更新软传感器模型的参数6.根据权利要求2或5所述的一种基于知识复用的发酵过程菌体浓度预测方法，其特征在于，所述步骤s5中根据所述发酵阶段b的菌体浓度在线软传感器，对发酵阶段b的菌体浓度进行预测的方法为：将软传感器参数估计代入到软传感器通用模型代入到软传感器通用模型中，得到发酵阶段b的菌体浓度预测值发酵阶段b的菌体浓度预测值其中，θ为通用模型的参数，为k+τ+1时刻发酵阶段b的参数估计，x
k+τ
为k+τ时刻输入向量，v
k+τ
为k+τ时刻的菌体浓度测量噪声，为k+τ+1时刻发酵阶段b的菌体浓度预测值。7.根据权利要求4所述的一种基于知识复用的发酵过程菌体浓度预测方法，其特征在于，所述最小化损失函数的方法为可行方向法、二次规划法、粒子群算法、贝叶斯优化和随机搜索或梯度下降法中任意一种。8.根据权利要求4所述的一种基于知识复用的发酵过程菌体浓度预测方法，其特征在于，所述噪声协方差矩阵的逆的计算方法为卡尔曼滤波及其扩展形式、统计假设测试、回归分析中任意一种。9.根据权利要求4所述的一种基于知识复用的发酵过程菌体浓度预测方法，其征在于，所述发酵阶段a和发酵阶段b模型参数差异的计算方法为递推最小二乘法、递推增广最小二乘法、递推极大似然法、随机牛顿法、卡尔曼估计、预报误差法、长短时记忆网络中任意一种。10.一种基于知识复用的发酵过程菌体浓度预测系统，其特征在于，包括：构建软传感器通用模型单元，用于构建发酵过程中菌体浓度软传感器通用模型，所述发酵过程分为迟滞期、指数生长期、稳定期和衰退期四个阶段，对于连续发生的两阶段，定义前一阶段为发酵阶段a，后一阶段为发酵阶段b；数据采集、预处理单元，用于采集并预处理发酵阶段a的过程数据；确定发酵阶段a软传感器模型单元，用于基于所述菌体浓度软传感器通用模型，结合预处理后的发酵阶段a的过程数据结果确定发酵阶段a的菌体浓度软传感器模型；设计发酵阶段b软传感器单元，用于采集发酵阶段b的过程数据，经过预处理后与发酵阶段a的菌体浓度软传感器模型设计发酵阶段b的菌体浓度在线软传感器；菌体浓度预测单元，用于根据所述发酵阶段b的菌体浓度在线软传感器，对发酵阶段b的菌体浓度进行预测。

技术总结
本发明实施例提供一种基于知识复用的发酵过程菌体浓度预测方法及系统，给方法包括：构建发酵过程中菌体浓度软传感器通用模型；采集并预处理发酵阶段A的过程数据；确定发酵阶段A的菌体浓度软传感器模型；设计发酵阶段B的菌体浓度在线软传感器；根据所述发酵阶段B的菌体浓度在线软传感器，对发酵阶段B的菌体浓度进行预测。本发明解决了菌体浓度软传感器模型泛化能力弱、各发酵阶段单独建立模型成本高的问题，提高了菌体浓度软传感器预测精度。提高了菌体浓度软传感器预测精度。提高了菌体浓度软传感器预测精度。


技术研发人员：栾小丽 平晓静 万海英 刘飞
受保护的技术使用者：江南大学
技术研发日：2022.07.26
技术公布日：2022/11/1