基于改进核模糊聚类算法与软测量建模研究[J].docVIP

基于改进核模糊聚类算法的软测量建模研究* 徐海霞，刘国海，周大为，梅从立 （江苏大学电气信息工程学院　镇江　212013） 摘　要：针对发酵过程软测量建模采用单模型存在计算量大和精度较差的问题，提出一种基于改进核模糊聚类算法的多模型神经网络软测量建模方法。该方法首先使用主元分析方法对样本数据进行数据处理，主元变量作为模型的输入变量，然后使用基于粒子群优化算法的核模糊聚类算法（P）对数据集作聚类划分，针对每个聚类建立神经网络模型，多个神经网络模型估计结果融合即为软测量模型的输出。将所提建模方法应用于红霉素发酵过程生物量浓度软测量建模，结果表明所具有精度和泛化能力。核模糊聚类粒子群优化多模型神经网络发酵过程TP273　　文献标识码：A　　国家标准学科分类代码：510.8020 Soft sensor modeling based on modified kernel fuzzy clustering algorithm Xu Haixia, Liu Guohai, Zhou Dawei, Mei Congli （School of Electrical and Information Engineering, Jiangsu University, Zhenjiang 212013, China） Abstract：With massive data of a fermentation process, a single data-based soft sensor modeling method suffers from heavy burden calculation and poor accuracy. A novel soft sensor using multi-model neural network (MNN) based on modified kernel fuzzy clustering is proposed. Firstly, the features of sample data are extracted and the secondary variables are determined by principal component analysis (PCA). Secondly, a kernel fuzzy c-means clustering algorithm based on particle swarm optimization (PSO) is applied to group the principal data into overlapping clusters, and neural network (NN) is used to construct sub-models based on the clusters. Finally, the estimation of every sub-model is fused by computing the weighted sum of the local models. The proposed modeling method is used to construct a novel soft sensor model for an erythromycin fermentation process. Case studies show that the peoposed approach has better performance compared with conventional single model. Key words：soft sensor; kernel fuzzy c-means clustering (KFCM); particle swarm optimization (PSO); multi-mode neural network (MNN); fermentation process 1　引　　言 生物量浓度是微生物发酵过程中的关键过程参数。由于受生物传感技术发展水平的限制，一直没有很好地解决生物量浓度在线测量问题，导致先进优化控制算法只能停留在理论探讨上，难以在工业实际中得到应用。因此，一种“软测量”模型被提出并应用于生物发酵过程[1]。 近几年，利用神经网络（NN）对生物过程辨识以及在线估计已经受到广大学者的关注[24]。然而，由于生物发酵过程的复杂性和过程测量数据中离群点的存在，采用单一模型进行软测量建模时生物量浓度在线估计结果往往不尽人意。如对大量样本仅用一个NN建立软测量模型，会导致网络结构过于庞大，训练时间较长。因此，Bates和Granger[5]借鉴分解合成的思想通过将几