生物發(fā)酵過(guò)程的建模、優(yōu)化與故障診斷

前言
第1章 緒論
1．1 引言
1．2 研究背景
1．2．1 發(fā)酵技術(shù)的歷史
1．2．2 生物發(fā)酵工藝
1．2．3 生物發(fā)酵特點(diǎn)
1．3 研究意義
1．4 發(fā)酵過(guò)程的建模、優(yōu)化控制與故障診斷發(fā)展現(xiàn)狀
1．4．1 數(shù)據(jù)驅(qū)動(dòng)方法在發(fā)酵過(guò)程中的推廣與應(yīng)用
1．4．2 發(fā)酵過(guò)程數(shù)學(xué)建模方法的研究進(jìn)展
1．4．3 發(fā)酵過(guò)程優(yōu)化控制技術(shù)的研究進(jìn)展
1．4．4 發(fā)酵過(guò)程故障診斷技術(shù)的研究進(jìn)展
1．5 結(jié)束語(yǔ)
參考文獻(xiàn)
第2章 生物發(fā)酵過(guò)程介紹
2．1 引言
2．2 生物發(fā)酵過(guò)程概述
2．2．1 生物發(fā)酵的概念和特點(diǎn)
2．2．2 發(fā)酵技術(shù)的發(fā)展
2．2．3 現(xiàn)代生物技術(shù)在發(fā)酵工業(yè)中的應(yīng)用
2．2．4 發(fā)酵方式的分類
2．2．5 發(fā)酵過(guò)程的一般流程
2．2．6 生物發(fā)酵現(xiàn)狀
2．3 生物發(fā)酵過(guò)程的參數(shù)影響及其控制
2．3．1 發(fā)酵過(guò)程的參數(shù)監(jiān)測(cè)
2．3．2 溫度對(duì)發(fā)酵過(guò)程的影響及其控制
2．3．3 pH對(duì)發(fā)酵過(guò)程的影響及其控制
2．3．4 溶解氧濃度對(duì)發(fā)酵過(guò)程的影響及其控制
2．3．5 比生長(zhǎng)速率對(duì)發(fā)酵過(guò)程的影響及其控制
2．3．6 補(bǔ)料方式與控制
2．4 結(jié)束語(yǔ)
參考文獻(xiàn)
第3章 生物發(fā)酵過(guò)程建模
3．1 引言
3．2 生物發(fā)酵過(guò)程建模問(wèn)題描述
3．2．1 基于白箱模型的發(fā)酵過(guò)程建模
3．2．2 基于黑箱模型的發(fā)酵過(guò)程建模
3．2．3 基于灰箱模型的發(fā)酵過(guò)程建模
3．3 基于ANN的生物發(fā)酵過(guò)程黑箱建模
3．3．1 人工神經(jīng)網(wǎng)絡(luò)
3．3．2 人工神經(jīng)網(wǎng)絡(luò)模型
3．3．3 基于BP神經(jīng)網(wǎng)絡(luò)的發(fā)酵過(guò)程建模
3．3．4 基于RBF神經(jīng)網(wǎng)絡(luò)的發(fā)酵過(guò)程建模
3．4 基于支持向量機(jī)的發(fā)酵過(guò)程黑箱建模
3．4．1 統(tǒng)計(jì)學(xué)習(xí)理論
3．4．2 支持向量機(jī)
3．4．3 基于支持向量機(jī)的發(fā)酵過(guò)程建模方法
3．4．4 實(shí)例驗(yàn)證——工業(yè)青霉素生產(chǎn)過(guò)程的SVM預(yù)估模型
3．5 結(jié)束語(yǔ)
參考文獻(xiàn)
第4章 生物發(fā)酵過(guò)程在線動(dòng)態(tài)建模
4．1 引言
4．2 問(wèn)題描述
4．3 在線動(dòng)態(tài)建模方法
4．3．1 在線全局建模
4．3．2 在線局部建模
4．4 基于DTW的發(fā)酵過(guò)程在線動(dòng)態(tài)建模
4．4．1 動(dòng)態(tài)時(shí)間規(guī)整理論
4．4．2 基于DTW的時(shí)間序列相似性搜索算法
4．4．3 基于DTW的LSSVM在線局部建模方法
4．4．4 基于DTW的相似樣本構(gòu)建方法及其改進(jìn)
4．4．5 基于親和度的加權(quán)歐氏距離
4．5 基于SLPP的發(fā)酵過(guò)程在線動(dòng)態(tài)建模
4．5．1 基于SLPP的相似樣本構(gòu)建方法
4．5．2 案例研究
4．6 結(jié)束語(yǔ)
參考文獻(xiàn)
第5章 生物發(fā)酵過(guò)程優(yōu)化控制
5．1 引言
5．2 問(wèn)題描述
5．3 優(yōu)化控制的研究?jī)?nèi)容、表述和方法
5．3．1 優(yōu)化控制的研究?jī)?nèi)容及表述
5．3．2 優(yōu)化控制的方法概述
5．4 基于GMC的比生長(zhǎng)速率優(yōu)化控制
5．4．1 通用模型控制
5．4．2 GMC控制算法在比生長(zhǎng)速率控制中的應(yīng)用
5．4．3 擴(kuò)展卡爾曼濾波器用于過(guò)程狀態(tài)的估計(jì)
5．4．4 大腸桿菌重組蛋白生產(chǎn)過(guò)程應(yīng)用實(shí)例
5．5 基于遺傳算法的發(fā)酵過(guò)程最優(yōu)控制
5．5．1 遺傳算法
5．5．2 多目標(biāo)遺傳算法
5．5．3 遺傳算法在發(fā)酵過(guò)程優(yōu)化控制中的應(yīng)用
5．5．4 應(yīng)用實(shí)例
5．6 基于SA-SQP的發(fā)酵過(guò)程優(yōu)化控制
5．6．1 序列二次規(guī)劃算法
5．6．2 模擬退火算法
5．6．3 SA-SQP混合優(yōu)化算法
5．6．4 基于SA-SQP的發(fā)酵過(guò)程最優(yōu)化控制
5．6．5 SA-SQP混合優(yōu)化算法的數(shù)值例驗(yàn)證
5．7 結(jié)束語(yǔ)
參考文獻(xiàn)
第6章 生物發(fā)酵過(guò)程狀態(tài)預(yù)測(cè)
6．1 引言
6．2 基于神經(jīng)網(wǎng)絡(luò)的發(fā)酵過(guò)程狀態(tài)預(yù)測(cè)
6．2．1 基于神經(jīng)網(wǎng)絡(luò)的發(fā)酵過(guò)程狀態(tài)預(yù)測(cè)模型
6．2．2 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器
6．2．3 多BP神經(jīng)網(wǎng)絡(luò)非線性并行預(yù)測(cè)
6．2．4 基于徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)
6．2．5 預(yù)估器性能的評(píng)價(jià)
6．3 基于偏最小二乘回歸的發(fā)酵過(guò)程狀態(tài)預(yù)測(cè)
6．3．1 偏最小二乘
6．3．2 多向偏最小二乘
6．3．3 核偏最小二乘回歸
6．3．4 仿真實(shí)例
6．4 引入效益函數(shù)的發(fā)酵過(guò)程質(zhì)量監(jiān)測(cè)與預(yù)報(bào)
6．4．1 效益函數(shù)的概念
6．4．2 效益函數(shù)應(yīng)用舉例
6．4．3 效益函數(shù)的預(yù)報(bào)技術(shù)
6．5 結(jié)束語(yǔ)
參考文獻(xiàn)
第7章 生物發(fā)酵過(guò)程狀態(tài)監(jiān)測(cè)
7．1 引言
7．2 多階段KPCA-PCA監(jiān)測(cè)算法在發(fā)酵過(guò)程中的應(yīng)用
7．2．1 多階段KPCA-PCA故障監(jiān)測(cè)策略
7．2．2 仿真驗(yàn)證
7．2．3 應(yīng)用實(shí)例
7．3 基于GMM-DPCA的非高斯動(dòng)態(tài)過(guò)程故障監(jiān)測(cè)
7．3．1 高斯混合模型理論
7．3．2 基于GMM-DPCA的故障監(jiān)測(cè)策略
7．3．3 基于GMM-DPCA策略的離線建模和新批次監(jiān)測(cè)
7．3．4 應(yīng)用研究
7．4 基于核熵成分分析的發(fā)酵過(guò)程狀態(tài)監(jiān)測(cè)
7．4．1 核熵成分分析
7．4．2 基于多向KECA（MKECA）的發(fā)酵過(guò)程狀態(tài)監(jiān)測(cè)
7．4．3 算法仿真驗(yàn)證
7．4．4 MKECA監(jiān)測(cè)算法在發(fā)酵過(guò)程中的應(yīng)用
7．5 結(jié)束語(yǔ)
參考文獻(xiàn)
第8章 生物發(fā)酵過(guò)程故障診斷與預(yù)測(cè)
8．1 引言
8．2 工業(yè)過(guò)程故障預(yù)測(cè)技術(shù)簡(jiǎn)述
8．3 基于數(shù)據(jù)驅(qū)動(dòng)的發(fā)酵過(guò)程故障診斷
8．3．1 基于貢獻(xiàn)圖的故障診斷方法
8．3．2 基于非線性重構(gòu)的故障診斷方法
8．3．3 基于模糊自適應(yīng)神經(jīng)網(wǎng)絡(luò)的故障診斷方法
8．4 基于數(shù)據(jù)驅(qū)動(dòng)的發(fā)酵過(guò)程故障預(yù)測(cè)方法
8．4．1 基于ARMA模型的故障預(yù)測(cè)
8．4．2 基于Fisher特征投影差異度的故障預(yù)測(cè)
8．5 結(jié)束語(yǔ)
參考文獻(xiàn)