详情

原文传递基于近红外光谱检测发酵过程生物量和组分浓度的方法

专利名称：	基于近红外光谱检测发酵过程生物量和组分浓度的方法
摘要：	本发明属于工业过程检测领域，涉及一种基于近红外光谱检测发酵过程生物量和组分浓度的方法。本发明是利用配有浸入式探头的近红外光谱分析仪，搭建生物发酵过程在线监测实验平台，从而实时原位测量生物发酵过程发酵液近红外光谱数据。首先对光谱数据和参考数据进行采集，其次对测量到的近红外光谱数据进行预处理操作，然后对数据划分校正集和验证集进行建立联合标定模型，并使用网格搜索和交叉验证的方法对模型参数进行选择，最后，通过外部实验验证建立模型的有效性，由此定量分析发酵过程生物量、底物浓度和产物浓度。本发明能够达到自动快速检测生物量、底物浓度和产物浓度，便于实际工业应用和推广。
专利类型：	发明专利
国家地区组织代码：	辽宁;21
申请人：	大连理工大学
发明人：	刘涛;王旭东;孙旭东;薛闯;孟庆伟;仲崇权
专利状态：	有效
申请日期：	2019-02-14T00:00:00+0800
发布日期：	2019-04-23T00:00:00+0800
申请号：	CN201910114102.9
公开号：	CN109668858A
代理机构：	大连理工大学专利中心
代理人：	梅洪玉
分类号：	G01N21/359(2014.01);G;G01;G01N;G01N21
申请人地址：	116024 辽宁省大连市甘井子区凌工路2号
主权项：	1.基于近红外光谱检测发酵过程生物量和组分浓度的方法，其特征在于，包括以下步骤，第一步：光谱数据和参考数据的采集采用傅里叶近红外光谱分析仪以及配套的浸入式漫反射探头采集近红外光谱，光谱采集设置：测量波数范围为4000cm-1-12000cm-1，仪器分辨率为16cm-1，光谱扫描次数为64次，检测器增益为237.84，采集近红外光谱以空气为参考背景；采用离线检测方法检测参考数据，其中，采用液相色谱仪测量发酵液葡萄糖浓度，采用气相色谱仪测量发酵液的乙醇浓度，采用酶标仪测量发酵液的生物量；第二步：光谱数据的预处理通常采集到的近红外光谱数据可以写成光谱数据矩阵，矩阵中的每一行都是一条测试样品的光谱，矩阵的每一列都是近红外光的某一波长下不同样品的吸收值；为了消除环境条件变化对光谱测量带来的扰动，采用了一阶导数的光谱预处理方法：其中：xi,1st经过导数处理的光谱数据第i波数下的吸光度；xi表示光谱数据第i波数下的吸光度；xi+g表示光谱数据第i+g波数下的吸光度；g表示窗口宽度；利用经过一阶导数的光谱数据建立定量标定模型，用于消除基线和背景漂移对光谱造成的影响，增强光谱的差异，从而可以提高检测精度；第三步：建立联合标定模型建模集和验证集，将离线检测参考数据的最大值和最小值归入建模集中，用于建立模型，以保证用于建立光谱标定模型的参考数据范围大于验证集，从而确保以模型内插方式实现可靠的预测；采用MLS-SVR方法建立联合标定模型；联合标定模型的输入为近红外光谱向量x，多变量输出为生物参数y，其中，x∈Rp、y∈Rm，p为光谱变量个数，m为需要监测的生物参数的个数，生物参数包括生物量、底物浓度和产物浓度；设建模集为{(x1,y1),(x2,y2),...,(xn,yn)}，n为采集的光谱数据个数，即参考数据个数；令wi＝w0+vi，其中w0表示各个生物参数的共性信息，vi表示各个生物参数的个性信息，wi表示各个生物参数的共性和特性信息，相应的优化问题为：其中E＝(e1,e2,...,em)，em为待优化的第m个生物参数的松弛因子，B＝(bT；...；bT)∈Rn×m，b为常值偏差向量，V＝(v1,v2,...,vm)，γ和λ为惩罚参数，为低维空间到高维空间的映射函数，W＝(w0+v1,w0+v2,...,w0+vm)，trace表示矩阵的迹；取式(2)对应的Lagrange函数：其中表示拉格朗日函数；由KKT(Karush-Kuhn-Tucher)条件建立线性方程组进行求解：其中A＝(α1,α2,...,αm)∈Rm×n为拉格朗日乘子矩阵，αi表示拉格朗日乘子，L表示式(2)所示拉格朗日函数，1n表示n维单位向量；记上述方程组的解为和b，表示拉格朗日乘子；根据wi的优化目标的解，确定多输出的拟合函数y(x)：其中表示x从低维空间到高维空间的映射，W表示表示拉格朗日乘子，k(x,xj)表示核函数，repmat表示将矩阵复制1×m块； k(·,·)为核函数，选取为径向基核函数： k(x,xj)＝exp(-p\|\|x-xj\|\|2) (6) 其中核函数参数p和惩罚参数γ、λ采用网格搜索、交叉验证方法确定；网格搜索寻优即让p、γ和λ遍历在一定范围内划分的等步长网格，网格中每一组p、γ和λ都是一组潜在解，遍历网格所有的参数进行交叉验证，计算交叉验证均方根误差RMSECV：其中yi是第i个数据样本的测量值，是第i个数据样本的预测值，取最小的交叉验证均方根误差对应的参数作为模型参数；为了评估联合标定模型对生物量、底物浓度和产物浓度数据的预测性能，采用预测集均方根误差RMSEP、相关系数R2和范围误差比RPD作为评价指标，计算公式分别为：其中yi是第i个数据样本的测量值，是第i个数据样本的预测值，是待预测数据样本均值，n为采集的光谱数据个数；其中SD为建模集样本分布标准差，反映样本分布范围，RMSEP用于评价预测值和参考值的偏差，偏差越小说明模型预测准确性越高；通过外部实验验证模型的有效性，如果满足RPD>5的定量标准，模型可应用于接受的质量预测；如果RPD>10，则模型应用于实时过程控制和优化；第四步：测量生物量、葡萄糖浓度和乙醇浓度根据MLS-SVR建立的联合标定模型，对生物量、底物浓度和产物浓度实时检测及显示结果；基于近红外光谱技术建立的在线监测联合标定模型对葡萄糖浓度、生物量和乙醇浓度进行实时监测，定时1min给出一次测量结果，然而离线检测方法需要取样，并且使用多个仪器对三种生物参数分别进行测量，耗时约30min～1h。
所属类别：	发明专利