一种青霉素发酵过程效价预测方法及存储介质

摘要: 本技术涉及工业生物发酵过程智能制造领域,具体涉及一种青霉素发酵过程效价预测方法及存储介质。背景技术:1、青霉素发酵过程中,效价是衡量产品质量的关键指标,直接关系...
一种青霉素发酵过程效价预测方法及存储介质

本技术涉及工业生物发酵过程智能制造领域,具体涉及一种青霉素发酵过程效价预测方法及存储介质。

背景技术:

1、青霉素发酵过程中,效价是衡量产品质量的关键指标,直接关系到生产控制和后续工艺调整。由于工业现场检测条件、传感器成本和化验流程的限制,效价值无法在所有时刻直接在线测得,存在离线检测滞后、采样频率低、反馈不及时等问题。因此,基于过程特征变量建立效价软测量预测模型,是实现工业过程智能化的重要技术路线。

2、现有方法中,传统回归模型通常假设样本独立同分布,难以充分利用批次内部的时间演化信息和批次间的工况差异信息。深度学习方法(如循环神经网络、卷积神经网络、transformer等)能够提取复杂非线性特征,但普通模型在面对工况差异显著的厂级批次过程时,单一模型难以同时适配不同工况批次。元学习方法(如模型无关元学习,maml)能够提高模型对新任务的快速适应能力,但普通maml对所有任务采用统一的共享初始参数,对于工况差异显著的厂级批次过程而言,不足以同时适配不同工况批次。

技术实现思路

1、本技术提供一种青霉素发酵过程效价预测方法及存储介质,以解决现有技术中因发酵批次工况差异导致预测模型适应性差、预测精度低的技术问题。

2、本技术提供一种基于元学习的青霉素发酵过程效价预测方法,具体包括数据获取步骤,批次聚类先验获取步骤,模型建立步骤,个性化初始参数获取步骤,模型训练步骤以及效价预测值输出步骤。

3、所述数据获取步骤是将获取的青霉素发酵过程的历史生产数据按批次划分,对各批次的历史生产数据分别执行预处理,得到批次时间序列样本;所述批次聚类先验获取步骤用以提取各批次时间序列样本的轨迹特征,基于所述轨迹特征计算不同批次时间序列样本间的加权msm距离,并通过k-中心点聚类方法获取各批次时间序列样本对应的聚类标签,所述聚类标签作为批次聚类先验;所述模型建立步骤用以建立效价预测模型,所述效价预测模型包括双卷积特征提取模块、transformer预测网络和初始化参数调制模块;所述个性化初始参数获取步骤是将所述批次时间序列样本堆叠为三维输入张量,将所述三维输入张量输入至所述效价预测模型,通过双卷积特征提取模块得到双卷积特征,将所述批次聚类先验和所述双卷积特征输入初始化参数调制模块,生成缩放参数和偏置参数,利用所述缩放参数和所述偏置参数对模型无关元学习的共享初始参数进行仿射变换,得到目标批次的个性化初始参数;所述模型训练步骤是基于所述个性化初始参数执行模型无关元学习的内循环更新,利用所述目标批次的支持集样本对所述个性化初始参数进行快速自适应迭代,得到更新后参数;基于所述更新后参数执行模型无关元学习的外循环更新,利用所述目标批次的查询集样本计算预测损失,以最小化所述预测损失为目标联合更新所述共享初始参数和所述初始化参数调制模块的参数,得到训练后的效价预测模型;所述效价预测值输出步骤是将待预测批次时间序列样本的过程特征变量输入所述训练后的效价预测模型,由所述transformer预测网络输出待预测批次各采样时刻的青霉素效价预测值。

4、进一步地,所述预处理具体包括缺失值处理步骤,异常点检查步骤,时间对齐步骤以及标准化步骤。

5、所述缺失值处理步骤是采用线性插值法对各批次的历史生产数据中缺失的采样点进行填补;所述异常点检查步骤是采用准则对各批次的历史生产数据进行检查,剔除偏离变量均值超过3倍标准差的采样点并以线性插值替代;所述时间对齐步骤是将各批次的过程特征变量通过线性插值重采样至统一时间长度t,所述t为所有批次时长中位数所对应的采样点数;所述标准化步骤是将各批次的过程特征变量变换至统一尺度,其公式为

6、

7、其中,表示第i批次第t时刻第f个过程特征变量标准化后的值,全部构成所述标准化后的过程特征矩阵;表示第i批次第t时刻第f个过程特征变量标准化前的值;表示所有批次中第f个过程特征变量的均值;表示所有批次中第f个过程特征变量的标准差;表示防止分母为零的极小正数。

8、进一步地,所述轨迹特征包括全局均值、标准差、最大值、最小值、阶段均值、阶段标准差、阶段斜率、首末差值和分位数特征;将各批次的轨迹特征按统计类型组织为m类摘要序列,得到第i批次的第m类摘要序列;所述加权msm距离的计算公式为

9、

10、其中,表示第i个批次与第j个批次之间的加权msm距离;m表示轨迹摘要序列类别数;表示第m类摘要序列权重;表示第i批次的第m类摘要序列;表示第j批次的第m类摘要序列;表示基于移动操作、拆分操作和合并操作的轨迹形态距离。

11、进一步地,通过k-中心点聚类方法获取各批次时间序列样本对应的聚类标签的公式为

12、

13、

14、其中,j表示类内距离总和;k表示工况类别数;ck表示第k类批次集合,mk表示第k类中心批次;表示第i批次的聚类标签;表示第i个批次与第k类簇中心批次之间的加权msm距离;

15、其中,在簇中心mk限定为真实批次样本的条件下,以最小化所述类内距离总和j为优化目标,确定各工况类别,获得各批次时间序列样本对应的聚类标签作为所述批次聚类先验。

16、进一步地,所述个性化初始参数获取步骤具体包括三维输入张量获取步骤,横向卷积步骤,纵向卷积步骤以及卷积特征拼接步骤。所述三维输入张量获取步骤是将所述批次时间序列样本的过程特征矩阵沿批次维度堆叠,形成三维输入张量。

17、所述横向卷积步骤是沿时间维度对所述三维输入张量执行横向卷积,提取同一批次内相邻时刻间的时序相关性,其公式为

18、

19、其中,表示横向卷积输出特征;b表示批次索引;t表示时间索引;r表示输出通道索引;p表示时间卷积半窗口;表示横向卷积核参数;表示横向卷积的偏置;表示非线性激活函数;f表示过程特征变量的总数;表示三维输入张量a中,第b个批次、第t+a个时刻、第f个过程特征变量的值。

20、所述纵向卷积步骤是沿批次维度对所述三维输入张量执行纵向卷积,提取同一时刻下不同批次间的耦合相关性,其公式为

21、

22、其中,表示纵向卷积输出特征;q表示批次方向偏移量;表示批次卷积的半窗口大小;表示纵向卷积核参数;表示纵向卷积的偏置参数;表示三维输入张量a中,第b+q个批次、第t个时刻、第f个过程特征变量的值。

23、所述卷积特征拼接步骤是将所述横向卷积特征和所述纵向卷积特征沿通道维度拼接,得到所述双卷积特征。

24、进一步地,所述个性化初始参数获取步骤还包括输入表示获取步骤,动态信息提取步骤以及时间增强特征提取步骤。所述输入表示获取步骤是将所述双卷积特征输入所述transformer预测网络,通过所述transformer预测网络的输入嵌入层将所述双卷积特征映射至统一的特征空间,并加入位置编码,得到transformer的输入表示。

25、所述动态信息提取步骤是将所述输入表示分别映射为查询矩阵q、键矩阵k和值矩阵v,计算缩放点积注意力,通过多头自注意力机制从不同特征子空间提取动态信息,其公式为

26、

27、其中,表示缩放点积注意力函数的输出;表示不同时间点特征之间的相关性得分;表示缩放因子,其中,dk表示键向量的维度;表示矩阵的转置。

28、所述时间增强特征提取步骤是将所述多头自注意力机制的各注意力头的输出拼接后经输出投影矩阵映射,随后依次执行残差连接、层归一化、前馈神经网络、残差连接和层归一化,得到transformer编码层的输出特征,将所述输出特征作为所述双卷积特征的时间增强表征,与所述批次聚类先验共同输入所述初始化参数调制模块。

29、进一步地,所述个性化初始参数获取步骤还包括聚类先验嵌入获取步骤,双卷积特征表征获取步骤,仿射参数获取步骤以及仿射变换步骤。所述聚类先验嵌入获取步骤是对所述批次聚类先验中的聚类标签执行独热编码,将独热编码后得到的向量通过线性嵌入层映射为稠密嵌入向量,所述稠密嵌入向量作为聚类先验嵌入。

30、所述双卷积特征表征获取步骤是对所述双卷积特征沿时间维度执行全局平均池化,将池化后的横向卷积特征和纵向卷积特征拼接,得到双卷积特征表征。

31、所述仿射参数获取步骤数据是将所述聚类先验嵌入和所述双卷积特征表征拼接后输入所述初始化参数调制模块,通过所述初始化参数调制模块中的第一多层感知机生成所述缩放参数,通过所述初始化参数调制模块中的第二多层感知机生成所述偏置参数。

32、所述仿射变换步骤是利用所述缩放参数和所述偏置参数对所述共享初始参数执行仿射变换,其公式为

33、

34、其中,表示所述目标批次的个性化初始参数;⊙表示逐元素乘法;表示模型无关元学习的共享初始参数;表示缩放参数;表示偏置参数。

35、进一步地,所述模型训练步骤具体包括采样时刻点划分步骤以及快速自适应迭代步骤。

36、所述采样时刻点划分步骤是将每个批次时间序列样本作为一个独立的元任务,对于第i个批次,将统一长度后的t个采样时刻点按时间顺序划分为支持集和查询集,将前τ个采样时刻点划入所述支持集,将剩余采样时刻点划入所述查询集,其中,t表示统一时间长度,表示支持集比例系数;所述快速自适应迭代步骤是对所述个性化初始参数进行快速自适应迭代,其公式为

37、

38、其中,表示第i个批次经过r+1步内循环更新后的参数;表示第i个批次经过r步内循环更新后的参数;r表示当前内循环步数;表示内循环学习率;表示所述支持集上的内循环损失函数;表示在当前参数下,所述内循环损失函数的梯度。

39、进一步地,所述模型训练步骤还包括外循环更新步骤以及外循环优化步骤。

40、所述外循环更新步骤是对所述共享初始参数和所述初始化参数调制模块的参数执行所述外循环更新,其公式为

41、

42、其中,表示共享初始参数;ω表示所述初始化参数调制模块的参数;n表示元任务总数;表示第i个批次经过r步内循环更新后的参数;表示所述查询集上的外循环损失函数;表示第i个批次在查询集上计算的损失函数值;所述外循环优化步骤是采用随机梯度下降法,以最小化全部元任务的查询集损失之和为目标,同时更新所述共享初始参数和所述初始化参数调制模块的参数,得到所述训练后的效价预测模型。

43、本技术提供一种存储介质,存储有计算机可读指令,当所述计算机可读指令被至少一处理器读取时,使得至少一处理器执行所述的基于元学习的青霉素发酵过程效价预测方法。

44、本技术提供一种青霉素发酵过程效价预测方法及存储介质,通过提取批次轨迹特征并采用加权msm距离与k-medoids聚类获取工况先验;通过横向卷积与纵向卷积分别提取批次内时序相关性和批次间耦合相关性,并结合transformer建模长距离依赖;通过初始化参数调制模块融合聚类先验和双卷积特征生成缩放参数与偏置参数,对maml共享初始参数进行仿射变换;通过maml内外循环优化实现少样本快速自适应,提高了模型在多工况下的适应性,充分挖掘了发酵数据中的局部动态特征与全局耦合特征,使模型获得与当前工况匹配的个性化初始状态,有效解决了效价离线检测滞后的问题。经实际厂级青霉素生产数据验证,本技术在均方误差、平均绝对误差和决定系数等指标上均表现良好,能够准确跟踪不同批次中效价随发酵时间的变化趋势,为工业青霉素发酵过程的在线质量监测和工艺调控提供了可靠的技术支撑。