基于rbf神经网络的生物发酵过程软测量研究.docx
约45页DOCX格式手机打开展开
基于rbf神经网络的生物发酵过程软测量研究,基于rbf神经网络的生物发酵过程软测量研究2.26万字自己原创的毕业论文，仅在本站独家出售，重复率低，推荐下载使用摘要 发酵过程具有高度非线性、时变性和模型不确定性，关键变量如菌体浓度、基质浓度和产物浓度难以在线测量，离线分析易导致测量滞后，且常引起发酵染菌，直接影响发酵品质，这些使发酵过程控制变得非常复杂，难以获得令...
内容介绍
此文档由会员 淘宝大梦 发布
基于RBF神经网络的生物发酵过程软测量研究
2.26万字
自己原创的毕业论文，仅在本站独家出售，重复率低，推荐下载使用
摘要 发酵过程具有高度非线性、时变性和模型不确定性，关键变量如菌体浓度、基质浓度和产物浓度难以在线测量，离线分析易导致测量滞后，且常引起发酵染菌，直接影响发酵品质，这些使发酵过程控制变得非常复杂，难以获得令人满意的控制性能，成为制约发酵过程优化控制的瓶颈问题。
近年来发展起来的软测量技术突破了常规工业仪表在测量方面存在的问题， 软测量的基本思想是把自动控制理论与生产过程知识有机的结合起来，应用计算机技术对难以测量或者暂时不能测量的重要变量，选择另外一些容易测量的变量，通过构成某种数学关系来推断或者估计，以软件来替代硬件的功能。
本文以青霉素发酵过程为研究背景，采用RBF神经网络对发酵过程进行软测量，RBF网络可以任意精度逼近任意的非线性函数，且具有全局逼近能力，构建发酵过程软测量模型，能够实现青霉素发酵过程中菌体浓度、基质浓度、产物浓度等参量的软测量，为发酵过程的优化控制提供先决条件，同时也为其它发酵过程关键参量的测量提供方法借鉴。
关键词：发酵 软测量 RBF神经网络 青霉素
Study on soft measurement of biological fermentation process based on RBF neural network
Abstract The fermentation process is highly nonlinear, time variability and model uncertainty, the key variables such as cell concentration, substrate concentration and product concentration is difficult to measure online. Offline analysis is easy to cause the measurement lag, and often causes fermentation bacteria, directly influence the fermentation quality. The fermentation process control becomes very complicated, it is difficult to obtain satisfactory control performance, become the bottleneck problems of optimal control of fermentation process.
Soft measurement technology developed in recent years to break the conventional industrial instruments in the measurement issues, The basic idea of soft measurement is the automatic control theory and combined with the production process of organic knowledge . Application of computer technology to the important variables are difficult to measure or temporarily can't measure. In addition to choose some easily measured variables, By constructing a mathematical relationship to predict or estimate, using software instead of hardware functions.
In this paper, the penicillin fermentation process as the research background use RBF neural network soft sensor on the fermentation process. The RBF network can approach any nonlinear function to arbitrary precision, and has the ability of global approximation of the fermentation process. Construction of the fermentation process soft measurement model, can achieve soft measurement of cell concentration, substrate concentration, product concentration and other parameters of penicillin fermentation process. It does not only provide the preconditions for the optimal control of fermentation process, but also provide a method of reference to others for the measurement of key parameters in fermentation process .
Key words fermentation soft measurement RBF neural network penicillin
目录
摘要 I
Abstract II
第一章 绪论 1
1.1发酵工程 1
1.1.1概述 1
1.1.2发展趋势 3
1.1.2研究现状 4
1.2存在的问题 4
1.3发酵过程软测量的研究现状 5
1.3.1基于机理模型软测量 5
1.3.2基于数据驱动建模 6
1.3.3混合建模 7
1.4论文主要工作和意义 7
1.5本章小结 8
第二章 青霉素发酵过程及动力学模型 9
2.1 青霉素发酵过程 9
2.2 青霉素发酵动力学模型 12
2.3本章小结 14
第三章RBF神经网络 15
3.1 RBF神经网络结构 15
3.2 RBF神经网络特点 17
3.3 RBF神经网络算法 18
3.3.1利用模糊K均值聚类算法确定 18
3.3.2确定基函数宽度(方差) 19
3.3.3调节隐层单元到输出单元间的连接权 19
3.4 本章小结 20
第四章 基于RBF神经网络软测量的研究 21
4.1软测量理论 21
4.1.1机理分析与辅助变量的选择 21
4.1.2数据采集和处理 22
4.1.3软测量模型及建模的常用方法 22
4.1.4在线校正 24
4.1.5软测量性能的影响因素 24
4.2基于RBF神经网络软测量 25
4.2.1基于RBF神经网络软测量通用模型 25
4.2.3测量数据误差处理 27
4.2.2数据样本归一化处理 27
4.2.3 RBF网络训练算法 28
4.3本章小结 30
第五章 青霉素发酵过程软测量实现方法 31
5.1青霉素发酵各参数之间的关系 31
5.2影响青霉素发酵因素 32
5.3实验与仿真 32
5.4 本章小结 36
第六章 总结与展望 37
6.1总结 37
6.2展望 37
致谢 39
参考文献 40
2.26万字
自己原创的毕业论文，仅在本站独家出售，重复率低，推荐下载使用
摘要 发酵过程具有高度非线性、时变性和模型不确定性，关键变量如菌体浓度、基质浓度和产物浓度难以在线测量，离线分析易导致测量滞后，且常引起发酵染菌，直接影响发酵品质，这些使发酵过程控制变得非常复杂，难以获得令人满意的控制性能，成为制约发酵过程优化控制的瓶颈问题。
近年来发展起来的软测量技术突破了常规工业仪表在测量方面存在的问题， 软测量的基本思想是把自动控制理论与生产过程知识有机的结合起来，应用计算机技术对难以测量或者暂时不能测量的重要变量，选择另外一些容易测量的变量，通过构成某种数学关系来推断或者估计，以软件来替代硬件的功能。
本文以青霉素发酵过程为研究背景，采用RBF神经网络对发酵过程进行软测量，RBF网络可以任意精度逼近任意的非线性函数，且具有全局逼近能力，构建发酵过程软测量模型，能够实现青霉素发酵过程中菌体浓度、基质浓度、产物浓度等参量的软测量，为发酵过程的优化控制提供先决条件，同时也为其它发酵过程关键参量的测量提供方法借鉴。
关键词：发酵 软测量 RBF神经网络 青霉素
Study on soft measurement of biological fermentation process based on RBF neural network
Abstract The fermentation process is highly nonlinear, time variability and model uncertainty, the key variables such as cell concentration, substrate concentration and product concentration is difficult to measure online. Offline analysis is easy to cause the measurement lag, and often causes fermentation bacteria, directly influence the fermentation quality. The fermentation process control becomes very complicated, it is difficult to obtain satisfactory control performance, become the bottleneck problems of optimal control of fermentation process.
Soft measurement technology developed in recent years to break the conventional industrial instruments in the measurement issues, The basic idea of soft measurement is the automatic control theory and combined with the production process of organic knowledge . Application of computer technology to the important variables are difficult to measure or temporarily can't measure. In addition to choose some easily measured variables, By constructing a mathematical relationship to predict or estimate, using software instead of hardware functions.
In this paper, the penicillin fermentation process as the research background use RBF neural network soft sensor on the fermentation process. The RBF network can approach any nonlinear function to arbitrary precision, and has the ability of global approximation of the fermentation process. Construction of the fermentation process soft measurement model, can achieve soft measurement of cell concentration, substrate concentration, product concentration and other parameters of penicillin fermentation process. It does not only provide the preconditions for the optimal control of fermentation process, but also provide a method of reference to others for the measurement of key parameters in fermentation process .
Key words fermentation soft measurement RBF neural network penicillin
目录
摘要 I
Abstract II
第一章 绪论 1
1.1发酵工程 1
1.1.1概述 1
1.1.2发展趋势 3
1.1.2研究现状 4
1.2存在的问题 4
1.3发酵过程软测量的研究现状 5
1.3.1基于机理模型软测量 5
1.3.2基于数据驱动建模 6
1.3.3混合建模 7
1.4论文主要工作和意义 7
1.5本章小结 8
第二章 青霉素发酵过程及动力学模型 9
2.1 青霉素发酵过程 9
2.2 青霉素发酵动力学模型 12
2.3本章小结 14
第三章RBF神经网络 15
3.1 RBF神经网络结构 15
3.2 RBF神经网络特点 17
3.3 RBF神经网络算法 18
3.3.1利用模糊K均值聚类算法确定 18
3.3.2确定基函数宽度(方差) 19
3.3.3调节隐层单元到输出单元间的连接权 19
3.4 本章小结 20
第四章 基于RBF神经网络软测量的研究 21
4.1软测量理论 21
4.1.1机理分析与辅助变量的选择 21
4.1.2数据采集和处理 22
4.1.3软测量模型及建模的常用方法 22
4.1.4在线校正 24
4.1.5软测量性能的影响因素 24
4.2基于RBF神经网络软测量 25
4.2.1基于RBF神经网络软测量通用模型 25
4.2.3测量数据误差处理 27
4.2.2数据样本归一化处理 27
4.2.3 RBF网络训练算法 28
4.3本章小结 30
第五章 青霉素发酵过程软测量实现方法 31
5.1青霉素发酵各参数之间的关系 31
5.2影响青霉素发酵因素 32
5.3实验与仿真 32
5.4 本章小结 36
第六章 总结与展望 37
6.1总结 37
6.2展望 37
致谢 39
参考文献 40
