软测量技术在发酵过程中的应用.pdfVIP

摘要 发酵过程是极其复杂的生物化学反应过程，具有高度非线性和不确定性， 过程的重要变量如生物质浓度难以实现在线测量，离线分析导致测量滞后，难 以扶得令人满意的控制性能。近年来，由于人工神经网络的自适应能力和对非 线性函数的强大的逼近能力，使得神经网络在系统建模中的应用越来越，“泛， 而传统的网络基函数的性质却又限制了神经网络的性能。小波变换是一利t比傅 立nt‘变换更加灵活的信号处理工具，其灵活性、有效性和厂’泛的实川性使其得 到越来越广泛的应用。本文将小波理论与神经网络相结合，综合：二者的优越性， 对小波网络建模方法进行了研究，并将其应用于生化过程的建模和软测量r_|=Io 第一， 综合现有文献，概括总结了软测量技术、小波变换及人工神经网络 的发展和现状，介绍了软测量技术、小波分析和小波神经网络的基 本含义，简要叙述了发酵过程的建模方法和软测量技术在发酵过程 中的应用。 第二，本文首先对几种典型混合网络建模结构进行了比较分析，研究了… 种广义混合神经网络建模结构，并通过仿真实验，验证了其结构具 有比传统的混合网络结构更强的泛化能力、更高的精度和更强的通 用性。 第三，研究了小波神经网络建模方法，对于三种类型的小波网络进行了对 比实验和分析，并将小波网络用于对实际生化过程的建模。实验结 果证明该方法简单易行，精确度高。 第四，介绍了青霉素发酵过程工艺及过程特点，根据可在线测量过程变量 二氧化碳释放率CER，应用第二章提出的，’一义混合神经网络建模方 法，测量发酵过程的生物质浓度。仿真结果表明，该方法准确有效。 关键{司发酵过程软测量技术建模小波变换小波神经网络生物质浓度 ．1． ABSTRACT Fermentationakind is of biochemicalreactionandof process complex high and variablessuch nonlinearityuncertainty．Some asmicrobe importantprocess concentrationcannotbemeasuredonlinewhose offline willresultin analysis measurement wecannot satisfied lag，SO get control recent performance．In years artificialneural networkshavebeenused nlore in broadly systemmodeling becauseoftheir and function abiliti