生物發(fā)酵過程的建模、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)酵技術的歷史
1．2．2 生物發(fā)酵工藝
1．2．3 生物發(fā)酵特點
1．3 研究意義
1．4 發(fā)酵過程的建模、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)動方法在發(fā)酵過程中的推廣與應用
1．4．2 發(fā)酵過程數(shù)學建模方法的研究進展
1．4．3 發(fā)酵過程優(yōu)化控制技術的研究進展
1．4．4 發(fā)酵過程故障診斷技術的研究進展
1．5 結束語
參考文獻
第2章 生物發(fā)酵過程介紹
2．1 引言
2．2 生物發(fā)酵過程概述
2．2．1 生物發(fā)酵的概念和特點
2．2．2 發(fā)酵技術的發(fā)展
2．2．3 現(xiàn)代生物技術在發(fā)酵工業(yè)中的應用
2．2．4 發(fā)酵方式的分類
2．2．5 發(fā)酵過程的一般流程
2．2．6 生物發(fā)酵現(xiàn)狀
2．3 生物發(fā)酵過程的參數(shù)影響及其控制
2．3．1 發(fā)酵過程的參數(shù)監(jiān)測
2．3．2 溫度對發(fā)酵過程的影響及其控制
2．3．3 pH對發(fā)酵過程的影響及其控制
2．3．4 溶解氧濃度對發(fā)酵過程的影響及其控制
2．3．5 比生長速率對發(fā)酵過程的影響及其控制
2．3．6 補料方式與控制
2．4 結束語
參考文獻
第3章 生物發(fā)酵過程建模
3．1 引言
3．2 生物發(fā)酵過程建模問題描述
3．2．1 基于白箱模型的發(fā)酵過程建模
3．2．2 基于黑箱模型的發(fā)酵過程建模
3．2．3 基于灰箱模型的發(fā)酵過程建模
3．3 基于ANN的生物發(fā)酵過程黑箱建模
3．3．1 人工神經(jīng)網(wǎng)絡
3．3．2 人工神經(jīng)網(wǎng)絡模型
3．3．3 基于BP神經(jīng)網(wǎng)絡的發(fā)酵過程建模
3．3．4 基于RBF神經(jīng)網(wǎng)絡的發(fā)酵過程建模
3．4 基于支持向量機的發(fā)酵過程黑箱建模
3．4．1 統(tǒng)計學習理論
3．4．2 支持向量機
3．4．3 基于支持向量機的發(fā)酵過程建模方法
3．4．4 實例驗證——工業(yè)青霉素生產(chǎn)過程的SVM預估模型
3．5 結束語
參考文獻
第4章 生物發(fā)酵過程在線動態(tài)建模
4．1 引言
4．2 問題描述
4．3 在線動態(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)酵過程在線動態(tài)建模
4．4．1 動態(tài)時間規(guī)整理論
4．4．2 基于DTW的時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的相似樣本構建方法及其改進
4．4．5 基于親和度的加權歐氏距離
4．5 基于SLPP的發(fā)酵過程在線動態(tài)建模
4．5．1 基于SLPP的相似樣本構建方法
4．5．2 案例研究
4．6 結束語
參考文獻
第5章 生物發(fā)酵過程優(yōu)化控制
5．1 引言
5．2 問題描述
5．3 優(yōu)化控制的研究內(nèi)容、表述和方法
5．3．1 優(yōu)化控制的研究內(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控制算法在比生長速率控制中的應用
5．4．3 擴展卡爾曼濾波器用于過程狀態(tài)的估計
5．4．4 大腸桿菌重組蛋白生產(chǎn)過程應用實例
5．5 基于遺傳算法的發(fā)酵過程最優(yōu)控制
5．5．1 遺傳算法
5．5．2 多目標遺傳算法
5．5．3 遺傳算法在發(fā)酵過程優(yōu)化控制中的應用
5．5．4 應用實例
5．6 基于SA-SQP的發(fā)酵過程優(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)值例驗證
5．7 結束語
參考文獻
第6章 生物發(fā)酵過程狀態(tài)預測
6．1 引言
6．2 基于神經(jīng)網(wǎng)絡的發(fā)酵過程狀態(tài)預測
6．2．1 基于神經(jīng)網(wǎng)絡的發(fā)酵過程狀態(tài)預測模型
6．2．2 神經(jīng)網(wǎng)絡預測器
6．2．3 多BP神經(jīng)網(wǎng)絡非線性并行預測
6．2．4 基于徑向基神經(jīng)網(wǎng)絡的預測
6．2．5 預估器性能的評價
6．3 基于偏最小二乘回歸的發(fā)酵過程狀態(tài)預測
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 仿真實例
6．4 引入效益函數(shù)的發(fā)酵過程質(zhì)量監(jiān)測與預報
6．4．1 效益函數(shù)的概念
6．4．2 效益函數(shù)應用舉例
6．4．3 效益函數(shù)的預報技術
6．5 結束語
參考文獻
第7章 生物發(fā)酵過程狀態(tài)監(jiān)測
7．1 引言
7．2 多階段KPCA-PCA監(jiān)測算法在發(fā)酵過程中的應用
7．2．1 多階段KPCA-PCA故障監(jiān)測策略
7．2．2 仿真驗證
7．2．3 應用實例
7．3 基于GMM-DPCA的非高斯動態(tài)過程故障監(jiān)測
7．3．1 高斯混合模型理論
7．3．2 基于GMM-DPCA的故障監(jiān)測策略
7．3．3 基于GMM-DPCA策略的離線建模和新批次監(jiān)測
7．3．4 應用研究
7．4 基于核熵成分分析的發(fā)酵過程狀態(tài)監(jiān)測
7．4．1 核熵成分分析
7．4．2 基于多向KECA（MKECA）的發(fā)酵過程狀態(tài)監(jiān)測
7．4．3 算法仿真驗證
7．4．4 MKECA監(jiān)測算法在發(fā)酵過程中的應用
7．5 結束語
參考文獻
第8章 生物發(fā)酵過程故障診斷與預測
8．1 引言
8．2 工業(yè)過程故障預測技術簡述
8．3 基于數(shù)據(jù)驅(qū)動的發(fā)酵過程故障診斷
8．3．1 基于貢獻圖的故障診斷方法
8．3．2 基于非線性重構的故障診斷方法
8．3．3 基于模糊自適應神經(jīng)網(wǎng)絡的故障診斷方法
8．4 基于數(shù)據(jù)驅(qū)動的發(fā)酵過程故障預測方法
8．4．1 基于ARMA模型的故障預測
8．4．2 基于Fisher特征投影差異度的故障預測
8．5 結束語
參考文獻