开发和优化一种新的软传感器建模方法,用于Pichia pastoris发酵过程

科学领域:

• 生物技术是生物技术.
• 工艺工程的过程工程.
• 机器学习 机器学习

背景情况:

• 发酵过程,比如Pichia pastoris种植,由于不同的操作条件,通常会在批次中显示不同的数据分布.
• 这种变化可能导致软传感器模型故障,妨碍对关键参数的准确实时监控.
• 现有的软传感器模型很难适应发酵数据的这些动态变化.

研究的目的:

• 为Pichia pastoris发酵开发一种强大的软传感器建模方法,可以克服数据分布变异.
• 提高软传感器在不同操作条件下的适应性和预测准确性.
• 在Pichia pastoris发酵过程中准确预测细胞和产品度.

主要方法:

• 实施了一种新的方法,将转移学习的平衡分布适应 (BDA) 与模糊集概念相结合,以减少数据分布差异.
• 使用最小平方支持向量机 (LSSVM) 开发了一个软传感器模型.
• 优化了LSSVM参数,采用了改进的粒子集群优化 (IPSO) 算法,结合了个体差异以提高性能.

主要成果:

• 与其他算法相比,IPSO算法展示了优越的融合和优化能力.
• 改进的BDA方法有效地使软传感器模型能够适应不同的操作条件.
• 拟议的BDA-IPSO-LSSVM方法在Pichia pastoris发酵的预测准确性方面明显优于现有的方法.

结论:

• 开发的软传感器方法可以准确地预测Pichia pastoris发酵中的细胞和产品度,即使在不同的操作条件下.
• BDA和IPSO-LSSVM的整合为生物工艺中强大的和适应性的软传感器建模提供了一个有前途的解决方案.
• 这种方法提高了软传感器在工业发酵监测中的可靠性和适用性.