基于BP神经网络的秸秆发酵过程乙醇浓度软测量方法*

马凤英， 于文志

(齐鲁工业大学 电气工程与自动化学院，山东 济南 250000)

0 引 言

燃料乙醇作为可再生能源，具有很好的社会效益和经济效益。发酵是燃料乙醇制备过程中的关键环节。在此环节中，乙醇浓度作为主要生物学参数是反映发酵过程的重要指标[1]。但是由于该过程机理复杂,难以实现在线测量。软测量技术主要是通过一些能够直接测量的辅助变量来估计关键变量,在众多软测量方法中，人工神经网络具有非线性逼近、自适应和自学习等特点[2,3],能够很好解决发酵过程中参数变化非线性、机理复杂等问题。其中反向传播神经网络(back propagation neural network,BPNN)可以通过反向传播机制不断修改权值和阈值,使误差达到预设值的网络模型，主要用于函数逼近、线性分类等[4]。BP神经网络在发酵领域有着广泛的应用。李黎等人[5]使用BP神经网络模型优化了木糖醇红枣酸奶制备过程中的工艺参数，有效地提高了成品的品质。Mohebbi M等人[6]使用BP神经网络模型对蘑菇中的油脂和水分的含量进行预测。

软测量模型要求辅助变量与关键变量之间有一定的映射关系，通过构建数学模型，实现对关键变量的实时预测[2]。建立辅助变量与关键变量之间的对应关系是保证软测量模型预测准确的前提。在建立模型的过程中，大多没有将时滞考虑在内，或者只考虑了部分时滞因素，这会降低软测量模型的预测精度。

本文对不同时刻的辅助变量与关键变量进行静态响应时滞分析，并引入时滞参数T，使辅助变量与关键变量之间更具有“对应”的关系，再使用BP神经网络建立乙醇浓度的软测量模型。……