·160 智能系统学报 第10卷 过测试仪器对发酵液H值、溶解氧值、空气流量参 5.2实验结果分析及讨论 量进行实时采集，每2min取样并离线化验得到菌 基于FCM与集成GPR的软测量算法是在GP: 体浓度。菌体浓度采用细胞干重法计算得到，即取 stuf.4.1基础上用MATLAB语言编写。为了验证 10mL发酵液于离心管中，在3000r·min1下离心 该种方法的性能，将其与传统的单一GPR、集成 5min,弃上清，蒸馏水洗涤2次，在105℃干燥至恒 GPR软测量模型和基于FCM与多GPR软测量模型 相比，其中选取菌体浓度参量为预测目标，样本数据 质量后称量。 经过FCM聚类以后，分别建立采用Adaboost算法的 考虑5个批次培养数据以检验赖氨酸反应过程 集成GPR子模型，式中：设定算法的最大迭代次数t 的基于FCM与集成GPR软测量模型。为增强各批 为10，初始误差为ε，=0，针对测试样本集检验软测 次间的差异性，每批次间初始条件不同，补料策略亦 量模型的泛化能力。图5所示为基于FCM与集成 有相应变化。采用WKT-30L自动控制系统，将发 GPR软测量模型的预测值与样本真实值。 酵罐温度控制在(0~50±0.5)℃。获得批次数据的 10 前4批次作为训练样本集，离线训练获得基于FCM 9 与集成GPR软测量模型，第5个批次用于测试样本 8 集，检验基于FCM与集成GPR软测量模型的泛化 7 能力。 6 5 数据样本的3D聚类效果如图3所示，训练样 4 本集被分成4类，分别用4个椭圆标记。目标函数 3 值的变化曲线如图4所示。结果分析可知，整体分 2 预测值 类经过44次迭代，达到预设收敛精度，得到最终的 真实值 目标函数值。 10 20304050 6070 赖氨酸发酵翻时间M 图5基于FCM-Adaboost-GPR的软测量模型预测值与真实值 800 5600 Fig.5 Comparison between the predictive value and true value using integrated GPR soft sensor model based on FCM 200 图6显示了弱高斯过程回归模型（传统的单一 100 10 高斯过程回归模型)与强高斯过程回归模型（集成 50 空气流量(m)067 8 9 pH 高斯过程回归模型)针对测试样本集的泛化能力， 经过Adaboost算法，弱高斯过程回归模型提升为强 图3样本的3D聚类结果 高斯过程回归模型，误差明显减小，泛化能力也大幅 Fig.3 3D cluster results in training set 度提高。 ×10的 18 9 16 8 14 1 12 6 10 5 6 3 4 2 -强GPR预测值 真实值 0 一弱GPR预测值 051015202530354045 0 10 203040506070 赖氨酸发酵时间h 迭代数 图6强GPR预测器与弱GPR预测器的预测值与真实值 图4目标函数值变化曲线 Fig.6 Comparison between the predictive value and Fig.4 Variation curves of the objective function value true value using strong GPR predictor and weak GPR predictor过测试仪器对发酵液 责匀 值尧溶解氧值尧空气流量参 量进行实时采集袁每 圆 皂蚤灶 取样并离线化验得到菌 体浓度遥 菌体浓度采用细胞干重法计算得到袁即取 员园 皂蕴 发酵液于离心管中袁在 猿 园园园 则窑皂蚤灶鄄员下离心 缘 皂蚤灶袁弃上清袁蒸馏水洗涤 圆 次袁在 员园缘 益干燥至恒 质量后称量遥 考虑 缘 个批次培养数据以检验赖氨酸反应过程 的基于 云悦酝 与集成 郧孕砸 软测量模型遥 为增强各批 次间的差异性袁每批次间初始条件不同袁补料策略亦 有相应变化遥 采用 宰运栽鄄猿园 蕴 自动控制系统袁将发 酵罐温度控制在渊园 耀 缘园依园援缘冤 益 遥 获得批次数据的 前 源 批次作为训练样本集袁离线训练获得基于 云悦酝 与集成 郧孕砸 软测量模型袁第 缘 个批次用于测试样本 集袁检验基于 云悦酝 与集成 郧孕砸 软测量模型的泛化 能力遥 数据样本的 猿阅 聚类效果如图 猿 所示袁训练样 本集被分成 源 类袁分别用 源 个椭圆标记遥 目标函数 值的变化曲线如图 源 所示遥 结果分析可知袁整体分 类经过 源源 次迭代袁达到预设收敛精度袁得到最终的 目标函数值遥 图 猿摇 样本的 猿阅 聚类结果 云蚤早援猿摇 猿阅 糟造怎泽贼藻则 则藻泽怎造贼泽 蚤灶 贼则葬蚤灶蚤灶早 泽藻贼 图 源摇 目标函数值变化曲线 云蚤早援源摇 灾葬则蚤葬贼蚤燥灶 糟怎则增藻泽 燥枣 贼澡藻 燥遭躁藻糟贼蚤增藻 枣怎灶糟贼蚤燥灶 增葬造怎藻 缘援圆摇 实验结果分析及讨论 基于 云悦酝 与集成 郧孕砸 的软测量算法是在 郧孕鄄 泽贼怎枣枣鄄 源援 员 基础上用 酝粤栽蕴粤月 语言编写遥 为了验证 该种方法的性能袁将其与传统的单一 郧孕砸尧集成 郧孕砸 软测量模型和基于 云悦酝 与多 郧孕砸 软测量模型 相比袁其中选取菌体浓度参量为预测目标袁样本数据 经过 云悦酝 聚类以后袁分别建立采用 粤凿葬遭燥燥泽贼 算法的 集成 郧孕砸 子模型袁式中院设定算法的最大迭代次数 贼 为 员园袁初始误差为 着贼 越 园袁针对测试样本集检验软测 量模型的泛化能力遥 图 缘 所示为基于 云悦酝 与集成 郧孕砸 软测量模型的预测值与样本真实值遥 图 缘摇 基于 云悦酝鄄粤凿葬遭燥燥泽贼鄄郧孕砸 的软测量模型预测值与真实值 云蚤早援 缘 摇 悦燥皂责葬则蚤泽燥灶 遭藻贼憎藻藻灶 贼澡藻 责则藻凿蚤糟贼蚤增藻 增葬造怎藻 葬灶凿 贼则怎藻 增葬造怎藻 怎泽蚤灶早 蚤灶贼藻早则葬贼藻凿 郧孕砸 泽燥枣贼 泽藻灶泽燥则 皂燥凿藻造 遭葬泽藻凿 燥灶 云悦酝 图 远 显示了弱高斯过程回归模型渊传统的单一 高斯过程回归模型冤与强高斯过程回归模型渊集成 高斯过程回归模型冤 针对测试样本集的泛化能力袁 经过 粤凿葬遭燥燥泽贼 算法袁弱高斯过程回归模型提升为强 高斯过程回归模型袁误差明显减小袁泛化能力也大幅 度提高遥 图 远摇 强 郧孕砸 预测器与弱 郧孕砸 预测器的预测值与真实值 云蚤早援 远 摇 悦燥皂责葬则蚤泽燥灶 遭藻贼憎藻藻灶 贼澡藻 责则藻凿蚤糟贼蚤增藻 增葬造怎藻 葬灶凿 贼则怎藻 增葬造怎藻 怎泽蚤灶早 泽贼则燥灶早 郧孕砸 责则藻凿蚤糟贼燥则 葬灶凿 憎藻葬噪 郧孕砸 责则藻凿蚤糟贼燥则 窑员远园窑 智 能 系 统 学 报摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇 第 员园 卷