一种基于JS-ISSA-XGBoost的生化反应过程在线软传感器方法

科学领域:

• 生物化学工程 生物化学工程
• 过程监控 过程监控
• 机器学习 机器学习

背景情况:

• 生物化学反应过程随着时间的推移,其特征和参数呈现出动态变化.
• 精确的实时监控对于优化发酵过程至关重要.
• 现有的方法可能会与这些系统不断变化的性质作斗争.

研究的目的:

• 开发一个强大的软传感器模型,用于预测Pichia pastoris发酵中的细胞和产品度.
• 将线下数据处理与在线学习相结合,以提高预测准确度.
• 为了应对生物化学反应中时间变化的参数的挑战.

主要方法:

• 在线构建发酵子数据库,使用改进的模糊C-means算法与自适应性样本修剪.
• 在线软传感器模型开发使用改进的极端梯度增强 (XGBoost) 方法.
• 整合基于多重相似性的即时学习 (JITL) 策略和堆叠整合模型,以提高概括性.

主要成果:

• 软传感器模型准确地预测了细胞度,根平均平方误差 (RMSE) 为0.0260和R平方为0.9945.
• 产品度的预测是RMSE为2.6688和R平方为0.9970.
• 该方法证明了及时预测和高准确性,验证了其有效性.

结论:

• 拟议的JS-ISSA-XGBoost模型提供了一个实用的解决方案,用于实时监测和控制生化反应.
• 线下和在线学习策略的整合提高了模型的适应性和预测性能.
• 该模型满足了复杂生化过程中监测和预测的实际需求.