稀疏量测数据的发酵过程多模型重构与辨识方法研究

For the phenomena of the nonlinearity, multistage, sparse sampling and multivariable are commonly exist in the fermentation process, this project uses multiple local models to describe the complexity and nonlinearity of the systems so as to approximate the global dynamic characteristics, because the traditional modeling method which based on a single model has difficulty in solving the modeling of the complex dynamic systems with different operation stages. The main contents of this project are as follows. (1) For the missing data caused by the sparse sampling, the dynamic estimation model is constructed by means of the idea of auxiliary model and interactive estimation technique to realize the reconstruction for the missing data. (2) Studying the correlation analysis methods of multiple variables to determine the dominant variables and realize the reasonable division of the dynamic system operation interval. Establish the corresponding local model for each operation interval, then get the integrated global model by means of the data fusion technique. (3) Considering the characteristics of the measured data and the structure of the global model, applies the variational Bayesian method to study the identification methods for the multi-model systems with sparse measurement data and uncertain time delay. This research takes into account the global fitting of the system and the description of the local features. The research results can accelerate the transition from manual operation to computer control in the fermentation production process, and provide theoretical and technical support for the precise control and optimization of the fermentation process.

针对发酵过程中普遍存在的非线性、多阶段、稀疏采样以及多变量等问题，考虑基于单个模型结构的建模方法在处理工况复杂的动态过程的建模时十分困难，本项目提出运用多个局部模型来描述系统的复杂性和非线性，进而逼近过程的全局动态特性。主要内容包括：(1)针对过程稀疏采样而导致的损失数据，运用辅助模型思想和交互估计技术构建动态估计模型，实现损失数据的重构；(2)研究多个变量的相关性分析方法，确定过程主导变量，实现操作区间的合理划分，对每个局部操作区间分别建立相应的局部模型，运用数据融合技术得到集成的全局模型；(3)针对量测数据的特点和全局模型的结构，利用变分贝叶斯算法研究稀疏量测数据和不确定采样迟延下的多模型系统参数辨识新方法。本项目兼顾了系统的全局拟合与局部特征的描述，研究成果可以加快推进发酵生产过程从手工操作模式向计算机控制方式转变，为实现发酵过程的精确控制与优化提供理论和技术支撑。

针对发酵过程中普遍存在的非线性、多阶段、稀疏采样以及多变量等问题，本项目提出运用多个局部模型来描述系统的复杂性和非线性，进而逼近过程的全局动态特性。由于目前尚没有统一的方法来分析和辨识复杂的非线性系统，关于非线性系统的辨识主要集中在对某些特定模型类研究可行的方法。结合黄酒发酵的过程特性，分别研究了输入非线性和输出非线性模型的参数辨识方法。针对预负载输入非线性系统，通过引入切换函数，把静态非线性的输出表示为具有未知预负载点和斜率的线性表达式。通过使用关键项分离技术，来自非线性块和线性块的未知参数被解耦并收集在一个参数向量中，在有限测量数据的梯度迭代算法下，获得未知参数的估计值。结合递归算法和迭代算法的思想，设计了动态滑动窗口。通过更新训练数据，滑动窗口自动去除最旧的数据并添加最新的采样数据，以保持训练数据的长度不变，提出了基于滑动窗口的梯度迭代算法来估计未知参数。针对饱和非线性Wiener系统，采用切换函数变换非线性表达式，使所有未知参数包含在一个向量中，并将系统模型转换为一个线性回归形式。为了获得未知的中间变量，应用辅助模型技术构造辅助模型，利用辅助模型的输出替换信息向量中的未知内部变量。为了提高随机梯度算法的收敛速度，提出了一种基于辅助模型的可变遗忘因子随机梯度算法。进一步，为了克服单一模型在描述复杂动态过程中的局限性，引入多模型建模的思想，研究变量之间相关性，划分操作空间，用输入非线性Hammerstein 模型来描述每个局部模型的动态过程。运用隐马尔可夫模型来描述局部模型之间的切换，应用变分贝叶斯算法来辨识切换的马尔可夫Hammerstein 模型。估计每个局部模型之间的切换模式状态和未知参数。本项目兼顾了系统的全局拟合与局部特征的描述，研究成果可以加快推进发酵生产过程从手工操作模式向计算机控制方式转变，为实现发酵过程的精确控制与优化提供理论和技术支撑。