賴氨酸發(fā)酵過(guò)程關(guān)鍵變量多模型軟測(cè)量建模及其在線監(jiān)控系統(tǒng)設(shè)計(jì)

朱熀秋， 王星宇， 王 博

(江蘇大學(xué) 電氣信息工程學(xué)院， 江蘇 鎮(zhèn)江 212013)

人類機(jī)體正常運(yùn)轉(zhuǎn)需要多種必備氨基酸，賴氨酸正是其中之一，但是人類必須通過(guò)消化食物來(lái)吸收賴氨酸.賴氨酸具有諸多積極的營(yíng)養(yǎng)意義，如促進(jìn)人類身體健康發(fā)育生長(zhǎng)、提高免疫力、提高抗病毒能力等.然而，賴氨酸營(yíng)養(yǎng)價(jià)值極高卻只少量存在于肉類和豆類中[1].目前，利用發(fā)酵法制取賴氨酸是獲取賴氨酸的主要途徑，但是，利用發(fā)酵法制取賴氨酸的過(guò)程中存在著耦合性極強(qiáng)、時(shí)變性極大、非線性極強(qiáng)等諸多弊端，而且缺少能夠?qū)崟r(shí)檢測(cè)發(fā)酵過(guò)程中關(guān)鍵變量(產(chǎn)物、基質(zhì)、菌體的質(zhì)量濃度)的儀器.針對(duì)上述問(wèn)題，軟測(cè)量技術(shù)應(yīng)運(yùn)而生，其基本思想是通過(guò)建立目標(biāo)變量與輔助變量之間的關(guān)系模型達(dá)到間接測(cè)量目標(biāo)變量的目的，不會(huì)對(duì)菌群造成任何污染，且軟測(cè)量方法功能強(qiáng)大、性價(jià)比高[2].因此，研究出能夠?qū)崟r(shí)在線檢測(cè)發(fā)酵過(guò)程中關(guān)鍵變量的軟測(cè)量模型對(duì)于實(shí)現(xiàn)復(fù)雜發(fā)酵過(guò)程參數(shù)的實(shí)時(shí)檢測(cè)具有重大現(xiàn)實(shí)意義.

從理論上而言，在全局樣本空間上建立軟測(cè)量模型確實(shí)能夠在任何數(shù)據(jù)集上以任意精度描述任何非線性函數(shù)；但是，微生物發(fā)酵過(guò)程是滯后性強(qiáng)、耦合強(qiáng)度大且非線性程度高的復(fù)雜過(guò)程，若采用單一全局軟測(cè)量模型對(duì)非線性發(fā)酵過(guò)程進(jìn)行建模，會(huì)造成模型結(jié)構(gòu)過(guò)于復(fù)雜、模型精度不高、計(jì)算量偏大、難以充分挖掘樣本數(shù)據(jù)中的有效信息等弊端.因此，未來(lái)軟測(cè)量技術(shù)發(fā)展的必然趨勢(shì)是采用“分而治之”的建模策略，構(gòu)建基于微生物發(fā)酵過(guò)程的多局部軟測(cè)量模型.進(jìn)行多模型軟測(cè)量建模的首要工作就是對(duì)樣本數(shù)據(jù)先進(jìn)行聚類，但傳統(tǒng)的聚類算法如模糊c均值聚類算法(fuzzyc-means algorithm, FCM)本身存在著易收斂早熟的缺陷，因此文中提出一種改進(jìn)的滿意聚類算法(improved satisfactory clustering algorithm, ISCA).ISCA算法以模糊c均值聚類算法為基礎(chǔ)，首先設(shè)定好1個(gè)評(píng)價(jià)每次聚類的優(yōu)劣標(biāo)準(zhǔn)和1個(gè)初始聚類數(shù)c，隨后按照標(biāo)準(zhǔn)不斷循環(huán)尋找最優(yōu)聚類數(shù)，最終能夠快速且合理地計(jì)算出系統(tǒng)的最優(yōu)聚類數(shù)c[3].文中將使用最小二乘支持向量回歸機(jī)(least square support vector regression, LSSVR)建模算法在每個(gè)子集上分別建模，并將子模型輸出通過(guò)加權(quán)方式組合得到整體系統(tǒng)輸出.為了使LSSVR多模型擁有最佳預(yù)測(cè)性能，需要對(duì)模型中的各個(gè)參數(shù)進(jìn)行優(yōu)化.將粒子群優(yōu)化算法(particle swarm optimization, PSO)和模擬退火算法(simulated annealing，SA)結(jié)合起來(lái)使用，將PSO算法局搜索能力強(qiáng)和收斂速度快的優(yōu)點(diǎn)和SA算法有效跳出局部最優(yōu)的能力有機(jī)結(jié)合在一起，利用2者對(duì)LSSVR進(jìn)行協(xié)同優(yōu)化，力求模型預(yù)測(cè)性能達(dá)到最優(yōu)[4-5].

綜上所述，文中利用改進(jìn)的滿意聚類算法ISCA對(duì)樣本空間進(jìn)行聚類，并在每個(gè)子空間上分別建立LSSVR模型，再利用PSO與SA算法協(xié)同優(yōu)化各LSSVR子模型參數(shù)，最終對(duì)子模型輸出加權(quán)組合得到系統(tǒng)輸出.采用試驗(yàn)仿真驗(yàn)證該方法的有效性.

1 改進(jìn)的滿意聚類算法描述

多模型軟測(cè)量建模的第1步是利用聚類算法劃分?jǐn)?shù)據(jù)集，然后在聚類子集上構(gòu)建子模型，將所有子模型結(jié)合之后得到基于全局的軟測(cè)量多模型.文中采用ISCA聚類算法劃分樣本數(shù)據(jù)集，具體實(shí)現(xiàn)步驟如下.

ISCA聚類算法劃分?jǐn)?shù)據(jù)集的詳細(xì)步驟如下：

1) 令初始聚類數(shù)c=2，循環(huán)次數(shù)L=int(N/m).

2) 利用FCM算法計(jì)算隸屬度矩陣U=[ui,j]c×N.FCM的目標(biāo)函數(shù)為

(1)

式中：U=[ui,j]c×N；V=(v1,v2,…,vc)；g>1為常數(shù)，表征聚類模糊程度的可調(diào)參數(shù)，g越大各參數(shù)之間的重疊越多，通常取g=2.

約束條件為

(2)

在約束式(2)下優(yōu)化式(1)得

(3)

(4)

即可得隸屬度矩陣U=[ui,j]c×N，再根據(jù)U分配每組樣本到各自隸屬度最大的子集當(dāng)中去，最終將T分為c個(gè)子集{T1,T2,…,Tc}.

3) 在聚類后生成的每個(gè)子集上分別建模，基于各聚類中心的子模型輸出由yi(i=1,2,…,c)表示.

4) 最終的系統(tǒng)輸出是由各子模型的輸出加權(quán)后得到的，因此將隸屬度矩陣U=[ui,j]c×N作為連接各子模型的權(quán)系數(shù)，則系統(tǒng)輸出為

(5)

5) 計(jì)算聚類性能指標(biāo)，計(jì)算式為

(6)

若c

6) 在樣本集中，根據(jù)隸屬度矩陣U找出1個(gè)與各子集最不相似的樣本xn(n=1,2,…,N)做新的聚類中心vc+1，不相似性可按下式給出：

(7)

為避免產(chǎn)生誤差，可以通過(guò)選取幾個(gè)相似的樣本并取其平均值作為新的聚類中心vc+1.

7) 令c=c+1,以v1,v2,…,vc+1為新的聚類中心，根據(jù)式(3)重新計(jì)算新的隸屬度矩陣U，再重新劃分?jǐn)?shù)據(jù)集，轉(zhuǎn)步驟3).

8) 將聚類性能指標(biāo)最小時(shí)所對(duì)應(yīng)的c的值作為最優(yōu)聚類.

2 最小二乘支持向量回歸機(jī)

在前文中，已經(jīng)將樣本空間劃分成了c個(gè)局部空間，為了在每個(gè)局部空間上分別建立模型，需要選取合適的建模算法.而LSSVR算法是一種經(jīng)典建模算法，可以很好地處理樣本容量小、高維數(shù)據(jù)等問(wèn)題，且將標(biāo)準(zhǔn)SVR算法與最小二乘法結(jié)合起來(lái)，加快了模型訓(xùn)練速度[6].因此，將LSSVR算法應(yīng)用于構(gòu)建各聚類子集的模型中.

LSSVR的核心思想是假設(shè)某個(gè)局部訓(xùn)練樣本集{(x1,y1), (x2,y2),…,(xn,yn)}，y∈R尋找最優(yōu)回歸超平面wTx+b=0，讓1個(gè)集合的所有數(shù)據(jù)到該平面的距離最近，即解決以下優(yōu)化問(wèn)題：

s.t.yk=wTφ(xk)+b+ek,k=1,2,…,N,

(8)

式中：φ(·):Rn→RnH是將輸入數(shù)據(jù)映射到高維特征空間的函數(shù)；權(quán)值向量w∈RnH；誤差變量和偏置值滿足ek∈R及b∈R；γ>0為權(quán)重系數(shù)，能夠使得偏差量最小的同時(shí)還能最快尋找到最優(yōu)超平面.

引入Lagrange函數(shù)，式(8)轉(zhuǎn)變成

L(w,b,e;α)=J(w,e)-

式中：αk≥0為L(zhǎng)agrange乘子；xk為支持向量.

對(duì)上式中的w、b、ek、αk分別求導(dǎo)，整理能夠得到以下關(guān)于α和b的線性方程組：

(9)

式中：Ω被稱作核矩陣，其子項(xiàng)表達(dá)式為

Ωi,j=(φ(xi))Tφ(xj)=K(xi,xj),i,j=1,2,…,N.

求解上述方程組(9)，可得LSSVR回歸函數(shù)：

(10)

采用核函數(shù)代替目標(biāo)函數(shù)中的點(diǎn)積進(jìn)行計(jì)算，K(·,·)必須滿足Mercer條件，文中采用高斯徑向基核函數(shù).

3 基于PSO與SA的協(xié)同優(yōu)化算法

為增強(qiáng)ISCA-LSSVR多模型的預(yù)測(cè)精度，將一種典型現(xiàn)代集群優(yōu)化算法—PSO算法與一種隨機(jī)優(yōu)化算法—SA算法結(jié)合起來(lái)協(xié)同優(yōu)化ISCA-LSSVR多模型參數(shù).PSO優(yōu)化算法定義簡(jiǎn)單并且操作方便，易于實(shí)現(xiàn)，其獨(dú)到之處在于全局搜索能力極強(qiáng)且計(jì)算速度極快，而SA算法具有局部最優(yōu)突跳能力、尋優(yōu)效率高等優(yōu)勢(shì).所以常用這2種優(yōu)化算法優(yōu)化規(guī)模較大的數(shù)學(xué)問(wèn)題.同時(shí)，二者也廣泛應(yīng)用在模糊系統(tǒng)控制、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、函數(shù)優(yōu)化等領(lǐng)域[7-8].

在標(biāo)準(zhǔn)PSO算法中，集群里的任意1個(gè)個(gè)體都被看作1個(gè)在D維搜索空間中沒(méi)有體積的粒子，并用其當(dāng)前位置來(lái)表示.所有粒子在搜索空間里按照一定的速度飛行，相互配合進(jìn)行優(yōu)化，粒子的速度可以根據(jù)自身和同伴的飛行經(jīng)驗(yàn)動(dòng)態(tài)調(diào)整.

若第i個(gè)粒子的當(dāng)前速度和位置分別為

Vi=(vi,1,vi,2,…,vi,D)，Pi=(pi,1,pi,2,…,pi,D)，

該粒子自身以及全體粒子經(jīng)歷過(guò)的最好位置為

則對(duì)于第t+1代粒子，它的第j維(1≤j≤D)速度和位置按照以下公式變化，即

(11)

pi,j(t+1)=pi,j(t)+vi,j(t+1),

(12)

式中：w為慣性權(quán)重；c1和c2為加速常數(shù)；r1,i和r2,i為2個(gè)在[0,1]范圍內(nèi)變化的隨機(jī)函數(shù).

為了避免出現(xiàn)收斂早熟的情況，保證優(yōu)化算法收斂到全局最優(yōu)，文中引入具有突跳能力的SA算法對(duì)PSO進(jìn)一步處理，以此防止出現(xiàn)局部收斂、無(wú)法收斂到全局的現(xiàn)象.利用PSO得到粒子的適應(yīng)度函數(shù)值f(Pi)以及最優(yōu)粒子的適應(yīng)度為f(Pg)，通過(guò)式(13)得到新的適應(yīng)度函數(shù)，即

(13)

式中：f(·)為算法構(gòu)建的適應(yīng)度函數(shù)；S(·)用于更新目前溫度t下粒子i的適應(yīng)度.

當(dāng)粒子的當(dāng)前適應(yīng)度比以前更差時(shí)，更新將以一定的概率li被接受，如式(14)所示：

(14)

(15)

式中：Te0表示初始溫度.當(dāng)?shù)螖?shù)逐漸增加時(shí)，退火溫度逐漸減小.

基于退火模擬更新位置步驟如下：

1) 根據(jù)式(13)計(jì)算粒子i的適應(yīng)值.

2) 若新適應(yīng)值優(yōu)于以往，那么粒子i的位置將被更新，否則跳到步驟3).

3) 生成1個(gè)介于0和1之間的隨機(jī)數(shù)，記為r.

4) 用式(14)計(jì)算粒子i的概率li.

5) 如果li大于r，那么粒子i的位置將被更新.否則將被拒絕.

6) 重復(fù)步驟1)至5)，直到所有粒子都被計(jì)算一次.

7) 通過(guò)式(15)更新退火溫度.

4 子模型的連接方法

在每個(gè)子集上分別建立基于LSSVR算法的軟測(cè)量子模型之后，需要對(duì)子模型輸出進(jìn)行處理以得到最終的系統(tǒng)輸出.通過(guò)如圖1所示的權(quán)連接方式對(duì)各子模型進(jìn)行加權(quán)連接，即文中所建立的多模型軟測(cè)量模型是通過(guò)若干個(gè)各自獨(dú)立、相互協(xié)調(diào)的局部子模型共同組成的.最終的系統(tǒng)輸出則通過(guò)對(duì)每個(gè)子模型輸出加權(quán)得到.

圖1 基于改進(jìn)滿意聚類的多模型連接結(jié)構(gòu)

各子模型與多模型之間的權(quán)連接關(guān)系由下式給出：

Y=uTyi=u1y1+u2y2+…+ucyc，

(16)

式中：Y是多模型的輸出；yi是第i個(gè)子模型的輸出；u為權(quán)值向量，取為式(3)聚類時(shí)計(jì)算出的模糊聚類隸屬度矩陣.

5 算法流程圖

總結(jié)上述各算法論述，ISCA-LSSVR多模型軟測(cè)量建模流程圖如圖2所示.

圖2 ISCA-LSSVR算法流程圖

6 仿真試驗(yàn)與分析

6.1 數(shù)據(jù)采集

發(fā)酵仿真試驗(yàn)使用WKT-30L型液態(tài)發(fā)酵設(shè)備.賴氨酸發(fā)酵過(guò)程變量如空氣流量q、CO2排放率

μ、pH、罐內(nèi)壓強(qiáng)p、發(fā)酵液溫度t、槳葉攪拌速率v

等實(shí)時(shí)采集.各批次發(fā)酵時(shí)間大約維持在72 h，分批投菌發(fā)酵.采樣周期為15 min.發(fā)酵罐的溫度控制在50±0.5 ℃，罐內(nèi)壓強(qiáng)需穩(wěn)定在0.25 MPa，pH需穩(wěn)定在6.5～7.5，攪拌速率穩(wěn)定在400 r·min-1.在開始發(fā)酵之前，校準(zhǔn)溶解氧電極參考讀數(shù).

菌體、基質(zhì)、產(chǎn)物的質(zhì)量濃度ρX、ρS和ρP為發(fā)酵過(guò)程中無(wú)法在線實(shí)時(shí)檢測(cè)的3個(gè)關(guān)鍵變量，而通過(guò)這3個(gè)變量能夠直接判斷最終發(fā)酵品質(zhì)的優(yōu)劣與否.針對(duì)這3個(gè)參數(shù)，本次發(fā)酵試驗(yàn)分別采用細(xì)胞干重法、PAL-1型數(shù)字顯示糖度計(jì)離線測(cè)定法和茚三酮比色法對(duì)其進(jìn)行離線測(cè)量.發(fā)酵液的取樣周期為每2 h一次.在采樣過(guò)程中，需每15 min對(duì)在線檢測(cè)到的數(shù)據(jù)進(jìn)行多項(xiàng)式插值，不斷重復(fù)此操作，最終可構(gòu)建賴氨酸發(fā)酵數(shù)據(jù)庫(kù).

在完善發(fā)酵數(shù)據(jù)庫(kù)之后，共篩選出6批發(fā)酵數(shù)據(jù)作為構(gòu)建軟測(cè)量多模型的原始數(shù)據(jù)集.通過(guò)各批次初始條件的差異以及相應(yīng)投料策略的改變，可以得到差異較大的各批次數(shù)據(jù).首先選取前5批發(fā)酵數(shù)據(jù)，以此來(lái)訓(xùn)練基于ISCA-LSSVR的軟測(cè)量多模型；而最后1批發(fā)酵數(shù)據(jù)被用于測(cè)試軟測(cè)量多模型的預(yù)測(cè)精度與泛化性能.

6.2 輔助變量的選擇

發(fā)酵過(guò)程中的直接可測(cè)參數(shù)p、t和v等與不可測(cè)參量的ρX、ρP、ρS之間存在著密不可分的關(guān)系，將這些直接可測(cè)參數(shù)稱為軟測(cè)量建模的輔助變量.然而這些輔助變量對(duì)關(guān)鍵參數(shù)的影響程度不一，若是將其全部應(yīng)用于軟測(cè)量模型的構(gòu)建中會(huì)造成模型結(jié)構(gòu)復(fù)雜、計(jì)算量巨大等問(wèn)題，因此需要篩選出影響因子較大的輔助變量.文中選用主元分析算法來(lái)篩選出關(guān)鍵的輔助變量[9].最終篩選得到發(fā)酵液溫度t、空氣流量q、溶解氧質(zhì)量濃度DO和pH的影響因子都在90%以上，故選取這4個(gè)變量作為輔助變量.關(guān)鍵參量與輔助變量之間的關(guān)系可用下式表述：

Y=f(DO,t,pH,q)，

(17)

式中：Y是輸出變量(ρX，ρP，ρS)；f(·)描述了關(guān)鍵參量與輔助變量之間的非線性關(guān)系.

6.3 結(jié)果與分析

將ISCA-LSSVR算法與傳統(tǒng)LSSVR算法進(jìn)行比較以驗(yàn)證ISCA-LSSVR算法的性能.試驗(yàn)仿真結(jié)果見(jiàn)圖3-5.

圖3 產(chǎn)物質(zhì)量濃度預(yù)測(cè)比較圖

由圖3-5可見(jiàn)，在所有3個(gè)輸出變量的預(yù)測(cè)精度方面，所提出的ISCA-LSSVR方法均優(yōu)于傳統(tǒng)的單一LSSVR方法.尤其從圖3可見(jiàn)，不管在發(fā)酵初期、中期還是后期，基于LSSVR算法的軟測(cè)量模型預(yù)測(cè)曲線波動(dòng)明顯較大，誤差明顯，預(yù)測(cè)精度明顯不如ISCA-LSSVR模型.同樣，從圖4-5明顯可見(jiàn)，基于ISCA-LSSVR的軟測(cè)量模型性能更加優(yōu)越，它的穩(wěn)定性更強(qiáng)、模型預(yù)測(cè)精度更高且泛化性能更強(qiáng).表1給出了2種算法的均方差比較.

圖4 基質(zhì)質(zhì)量濃度預(yù)測(cè)比較圖

圖5 菌體質(zhì)量濃度預(yù)測(cè)比較圖

表1 均方差比較表 %

由表1可見(jiàn)，在3批數(shù)據(jù)中，就預(yù)測(cè)均方差值大小而言，LSSVR軟測(cè)量模型明顯更加遜色于ISCA-LSSVR模型；而就穩(wěn)定性而言，LSSVR軟測(cè)量模型均方差值處于不斷波動(dòng)狀態(tài)，且波動(dòng)范圍較大，與之相反，ISCA-LSSVR模型均方差值相對(duì)穩(wěn)定，波動(dòng)較小.

為了進(jìn)一步直觀地對(duì)比2個(gè)軟測(cè)量模型的性能，分別計(jì)算2個(gè)軟測(cè)量模型對(duì)產(chǎn)物、基質(zhì)、菌體的質(zhì)量濃度預(yù)測(cè)結(jié)果的平均絕對(duì)百分比誤差.對(duì)比結(jié)果如表2所示.

表2 平均絕對(duì)百分比誤差對(duì)比表

從表2可直觀看出ISCA-LSSVR軟測(cè)量模型的預(yù)測(cè)精度明顯高于LSSVR模型.

7 發(fā)酵過(guò)程監(jiān)控系統(tǒng)

7.1 總體方案

文中設(shè)計(jì)的賴氨酸在線監(jiān)控系統(tǒng)由上位機(jī)數(shù)據(jù)處理模塊和下位機(jī)數(shù)據(jù)采集模塊共同組成.先通過(guò)下位機(jī)即通過(guò)普通傳感器設(shè)備測(cè)量出可測(cè)參量，然后將獲得的樣本數(shù)據(jù)信息傳輸至上位機(jī)，通過(guò)ISCA-LSSVR多模型軟測(cè)量方法獲得不可測(cè)的主導(dǎo)變量，并在上位機(jī)人機(jī)界面上顯示出來(lái)，最終可實(shí)現(xiàn)在線監(jiān)控賴氨酸發(fā)酵過(guò)程[10].

7.2 下位機(jī)硬件系統(tǒng)設(shè)計(jì)

下位機(jī)系統(tǒng)主要通過(guò)各硬件傳感器設(shè)備完成發(fā)酵過(guò)程樣本數(shù)據(jù)的采集，根據(jù)上位機(jī)反饋的信息對(duì)發(fā)酵過(guò)程中的關(guān)鍵參數(shù)進(jìn)行控制，并將獲得的可測(cè)量參數(shù)傳輸至上位機(jī)；用ISCA-LSSVR多模型軟測(cè)量算法模塊進(jìn)行預(yù)測(cè)并在人機(jī)交互界面進(jìn)行顯示，一方面可將實(shí)時(shí)數(shù)據(jù)通過(guò)LCD模塊顯示出來(lái)，另一方面可以通過(guò)網(wǎng)絡(luò)通信模塊，將數(shù)據(jù)上傳到互聯(lián)網(wǎng)，實(shí)現(xiàn)多發(fā)酵平臺(tái)的資源共享.

將S3C44B0X芯片作為數(shù)據(jù)處理單元，如圖6所示，同時(shí)利用通訊模塊，把通過(guò)各種傳感器獲得的過(guò)程變量在上位機(jī)監(jiān)控界面顯示出來(lái).

圖6 監(jiān)控系統(tǒng)的總體硬件結(jié)構(gòu)圖

功能較為完備的數(shù)字監(jiān)控系統(tǒng)主要由人機(jī)交互、輸出控制、信號(hào)采集模塊和數(shù)字控制模塊等部分組成.

7.3 上位機(jī)軟件系統(tǒng)開發(fā)

將從下位機(jī)接收到的數(shù)據(jù)信息進(jìn)行預(yù)處理，同時(shí)通過(guò)基于ISCA-LSSVR的軟測(cè)量多模型實(shí)時(shí)在線預(yù)測(cè)發(fā)酵過(guò)程的關(guān)鍵變量是上位機(jī)軟件最主要的任務(wù).

該系統(tǒng)的主要設(shè)計(jì)步驟如下：① 初始化系統(tǒng)并具體配置一些必要的參數(shù)；② 將ISCA-LSSVR模型制成COM組件，并將其嵌入到系統(tǒng)軟件中以在線預(yù)測(cè)賴氨酸發(fā)酵過(guò)程的關(guān)鍵變量；③ 通過(guò)遠(yuǎn)程人工處理對(duì)數(shù)據(jù)進(jìn)行采集與管理；④ 植入軟測(cè)量模塊，完成不可測(cè)測(cè)量參量在線估計(jì)；⑤ 設(shè)計(jì)優(yōu)秀的人機(jī)交互界面滿足不同人群的需求，并通過(guò)人機(jī)交互界面將關(guān)鍵信息實(shí)時(shí)傳遞給操作人員.

7.3.1系統(tǒng)初始化

進(jìn)行賴氨酸發(fā)酵過(guò)程軟件設(shè)計(jì)時(shí)，在使用前必須對(duì)所設(shè)計(jì)的監(jiān)測(cè)系統(tǒng)軟件進(jìn)行初始化，具體配置如下：

1) 注冊(cè)表配置.為合理配置注冊(cè)表信息，需要在進(jìn)行賴氨酸發(fā)酵工業(yè)生產(chǎn)之前根據(jù)發(fā)酵過(guò)程的相關(guān)信息合理配置.需要配置的關(guān)鍵參數(shù)主要有以下幾種：離線分析過(guò)程參量、算法參數(shù)、在線采樣過(guò)程參量、數(shù)據(jù)下載及存儲(chǔ)位置等.

2) 訓(xùn)練數(shù)據(jù)庫(kù)生成.在賴氨酸發(fā)酵過(guò)程投入運(yùn)行前，必須做好準(zhǔn)備工作，首先要解析好歷史發(fā)酵數(shù)據(jù)并備份好，作為構(gòu)建軟測(cè)量模型的備用數(shù)據(jù)庫(kù).在首次生產(chǎn)過(guò)程中需要調(diào)用訓(xùn)練集數(shù)據(jù).在生產(chǎn)過(guò)程中，為確保數(shù)據(jù)的穩(wěn)定性與真實(shí)性以及防止數(shù)據(jù)庫(kù)中的一些數(shù)據(jù)參數(shù)隨著生產(chǎn)過(guò)程的進(jìn)行而不斷發(fā)生變化，需要不斷調(diào)用數(shù)據(jù)庫(kù)更新模塊對(duì)數(shù)據(jù)進(jìn)行更新.

7.3.2COM組件構(gòu)建

通過(guò)MATLAB搭建功能組件的過(guò)程由以下幾個(gè)部分組成：

1) 創(chuàng)建工程.首先，打開MATLAB軟件，找到命令窗口并輸入“comtool”，點(diǎn)擊“文件”菜單并左擊“新建工程”按鈕，該系統(tǒng)會(huì)出現(xiàn)“新建工程設(shè)置”窗口，然后在“元件名稱”窗口給組件(DLL文件)命名，則生成器自動(dòng)在“類名”窗口鍵入同一名稱.“工程目錄”選項(xiàng)用于在編譯和集成模型時(shí)設(shè)置項(xiàng)目和相關(guān)文件的存儲(chǔ)路徑.當(dāng)前目錄和組件名稱會(huì)自動(dòng)組合以生成項(xiàng)目目錄.在“編譯”窗口，可以在C和C++之間切換.用C語(yǔ)言編寫的組件運(yùn)行更穩(wěn)定，而C++語(yǔ)言可以增強(qiáng)代碼的可讀性，更好地升級(jí)和維護(hù).MATLAB中的“使用手柄圖形庫(kù)”選項(xiàng)具有調(diào)用手柄圖形的功能.設(shè)置操作完成后，選擇“OK”按鈕，則新建項(xiàng)目即成為工程工作空間的一部分，并與新增到工程中的M文件等一起被保存至指定位置.

2) 管理M文件.將步驟1)生成的用來(lái)完成賴氨酸軟測(cè)量功能的M文件利用“新建工程設(shè)置”窗口中“添加文件”按鈕添加至工程，并通過(guò)系統(tǒng)的功能選項(xiàng)對(duì)其調(diào)試.

3) 生成組件.上述操作完成后，利用“COM對(duì)象”調(diào)用編譯器，將必要的輸出文件存儲(chǔ)至D:projectdistrib中，源文件存儲(chǔ)至D:projectsrc中，并利用“生成狀態(tài)”頁(yè)面瀏覽生成過(guò)程的輸出.

4) 打包和分發(fā)組件.上述操作完成后，經(jīng)調(diào)試及測(cè)試好即可打包分發(fā).在“元件”選項(xiàng)中單擊“封裝元件”，即得到1個(gè)可執(zhí)行程序，從而實(shí)現(xiàn)ISCA-LSSVR多模型軟測(cè)量方法的程序包的建立.

7.3.3人機(jī)交互界面

本系統(tǒng)使用帶有豐富顯示模塊的Measurement Studio軟件來(lái)對(duì)人機(jī)交互界面進(jìn)行設(shè)計(jì).

系統(tǒng)軟件主要界面是由用戶登錄界面、系統(tǒng)主窗體界面、系統(tǒng)輸入與軟測(cè)量界面、數(shù)據(jù)預(yù)處理界面等構(gòu)成，并且可以通過(guò)主界面來(lái)實(shí)現(xiàn)各界面之間來(lái)回切換.

通過(guò)用戶名及密碼等賬號(hào)信息可以在用戶登錄界面進(jìn)行登錄.且該系統(tǒng)設(shè)計(jì)了用戶信息登錄錯(cuò)誤次數(shù)限制，多次信息錯(cuò)誤后即鎖定一段時(shí)間.

登錄成功進(jìn)入系統(tǒng)后，主窗體界面包括系統(tǒng)設(shè)置、參數(shù)設(shè)置、遠(yuǎn)程監(jiān)控、實(shí)時(shí)預(yù)測(cè)、歷史曲線、報(bào)警顯示及幫助等菜單.且單擊每個(gè)菜單按鈕均可查看相關(guān)選項(xiàng).

在系統(tǒng)初始狀態(tài)信息輸入界面，需要由工作人員手動(dòng)設(shè)置種子罐以及罐批次編號(hào)、接種量、發(fā)酵時(shí)間、初始狀態(tài)下的X、P、S值等的初始值,以保證賴氨酸處于適宜的發(fā)酵環(huán)境.

在實(shí)時(shí)在線預(yù)測(cè)界面中，還需要根據(jù)發(fā)酵過(guò)程的環(huán)境參數(shù)及各營(yíng)養(yǎng)液的補(bǔ)料情況輸入當(dāng)前數(shù)據(jù).同時(shí)該系統(tǒng)還具有自糾錯(cuò)功能，系統(tǒng)若出現(xiàn)異常數(shù)據(jù)，則立即將出錯(cuò)信息發(fā)送給工作人員，以確保輸入數(shù)據(jù)準(zhǔn)確無(wú)誤.

為避免數(shù)據(jù)噪聲和數(shù)據(jù)冗余等問(wèn)題，需要在數(shù)據(jù)預(yù)處理界面對(duì)數(shù)據(jù)進(jìn)行加工，從而使數(shù)據(jù)能被COM組件功能模塊所用.數(shù)據(jù)預(yù)處理的具體步驟如下：

1) 數(shù)據(jù)剔除.一些數(shù)據(jù)噪聲和明顯異常的數(shù)據(jù)在輸入模型時(shí)會(huì)出現(xiàn)壞點(diǎn)和偏差，該選項(xiàng)會(huì)采取MMD聚類分析法搜索數(shù)據(jù)中的壞點(diǎn)并將其舍棄.

2) 數(shù)據(jù)濾波.選擇滑動(dòng)時(shí)間平均濾波算法對(duì)數(shù)據(jù)進(jìn)行濾波，可以有效抑制周期性濾波干擾.

3) 階數(shù)求導(dǎo).通過(guò)數(shù)值微分五點(diǎn)法對(duì)所測(cè)量到的關(guān)鍵參量及流加補(bǔ)料量進(jìn)行求導(dǎo)，并將各導(dǎo)數(shù)值作為COM組件模塊參量.

4) 數(shù)據(jù)量綱一化.由于輸入?yún)⒘恐g可能有著較大差異，數(shù)據(jù)的單位不同以及數(shù)量級(jí)不同會(huì)使系統(tǒng)難以利用這些數(shù)據(jù)，該選型利用量綱一化操作能極大地消除這些問(wèn)題產(chǎn)生的影響，使數(shù)據(jù)之間的可比性更強(qiáng).

8 結(jié) 論

1) 提出了一種ISCA聚類算法，對(duì)賴氨酸發(fā)酵樣本數(shù)據(jù)進(jìn)行劃分，并利用LSSVR在各樣本子空間上分別建立LSSVR模型，隨后采用PSO與SA優(yōu)化算法協(xié)同優(yōu)化模型參數(shù)，最終將子模型輸出加權(quán)組合成系統(tǒng)輸出.通過(guò)試驗(yàn)仿真，證明了基于賴氨酸發(fā)酵過(guò)程的ISCA-LSSVR不論在預(yù)測(cè)精度、穩(wěn)定性和泛化能力方面均優(yōu)于全局單一LSSVR模型.

2) 設(shè)計(jì)了賴氨酸發(fā)酵過(guò)程的在線監(jiān)控系統(tǒng).該系統(tǒng)以S3C44B0X芯片為核心，在其中嵌入了ISCA-LSSVR多模型軟測(cè)量模塊，將由下位機(jī)數(shù)據(jù)采集模塊采集到的發(fā)酵實(shí)時(shí)數(shù)據(jù)，經(jīng)由多模型軟測(cè)量模塊處理后輸送到上位機(jī)數(shù)據(jù)處理模塊.數(shù)據(jù)處理完畢后，可以將數(shù)據(jù)傳給LCD模塊顯示實(shí)時(shí)狀態(tài)，也可以通過(guò)網(wǎng)絡(luò)通信模塊將數(shù)據(jù)上傳到互聯(lián)網(wǎng)，實(shí)現(xiàn)多發(fā)酵平臺(tái)的資源共享.