CN102876816A - 基于多传感器信息融合的发酵过程状态监测与控制方法 - Google Patents
基于多传感器信息融合的发酵过程状态监测与控制方法 Download PDFInfo
- Publication number
- CN102876816A CN102876816A CN 201210254760 CN201210254760A CN102876816A CN 102876816 A CN102876816 A CN 102876816A CN 201210254760 CN201210254760 CN 201210254760 CN 201210254760 A CN201210254760 A CN 201210254760A CN 102876816 A CN102876816 A CN 102876816A
- Authority
- CN
- China
- Prior art keywords
- fermentation process
- online
- fermentation
- sensor information
- physical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000855 fermentation Methods 0.000 title claims abstract description 89
- 230000004151 fermentation Effects 0.000 title claims abstract description 89
- 230000004927 fusion Effects 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 239000000126 substance Substances 0.000 claims abstract description 13
- 238000004497 NIR spectroscopy Methods 0.000 claims abstract description 11
- 239000000284 extract Substances 0.000 claims abstract description 9
- 238000001311 chemical methods and process Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims abstract description 8
- 238000012706 support-vector machine Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims abstract description 3
- 238000002329 infrared spectrum Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 2
- 239000000047 product Substances 0.000 description 20
- 230000000875 corresponding effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000013480 data collection Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 239000007788 liquid Substances 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012569 chemometric method Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004940 physical analysis method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开一种基于多传感器信息融合的发酵过程状态监测与控制方法，对用于模型校正的发酵过程产物样本分别采用在线仪表、机器视觉、近红外光谱、电子鼻采集获取原始数据，同时进行常规理化分析获取生化参数指标；将生化参数指标结合在线仪表获取的理化过程参数指标共同组建一个标准数据库；分别提取各个有效特征信息；将各个有效特征信息组成特征向量，将特征向量分别与标准数据库中的生化参数指标和理化过程参数指标进行一一对应，通过人工神经网络和支持向量机构建关键状态参数多传感器信息融合模型；将软测量值与实测结果进行软仪表诊断，依据诊断结果实时更新数据库，并对模型进行在线自适应修正，根据软仪表诊断结果执行相应控制。
Description
技术领域
本发明涉及发酵过程监测与控制领域，具体地说，是一种基于多传感器信息融合的发酵过程状态监测与控制方法。
背景技术
生物发酵作为现代生物技术工业的重要组成部分，已被广泛用于食品、制药等各个领域。由于发酵过程是一种极其复杂的生化反应过程，不仅具有一般非线性系统的时变性、大惯性、关联性、不确定性等特点；另外，发酵过程中的一些重要过程状态参数（如生物量浓度、产物浓度和底物浓度等）均不可在线测量，所以发酵过程的监测与控制比一般的非线性系统更加复杂；且随着发酵规模的不断扩大，对其自动控制技术也提出了更高的要求。目前，对发酵过程良好的控制和优化操作，是建立在上述关键生物过程变量的准确测量基础之上，而这些关键过程变量的在线测量是相当困难的。所以，基于它们的优化控制实际上是很难实现的。虽然目前已试着努力开发有关在线传感器，但是可供使用的或具有好的性能可靠的仪器还是相当有限的。因此，研究一种快速便捷软仪表来对生物发酵过程控制所必需的变量信息进行间接测量，以实现对整个发酵过程的实时监测、优化控制及保证发酵产品品质等都有着直接的现实意义。
理论研究表明，机器视觉技术、近红外光谱技术和电子鼻技术可以用于生物发酵过程状态监测和关键参数的软测量。经专利检索表明，目前仅存在近红外光谱技术应用于液体发酵过程参数指标检测方面的国内相关专利；机器视觉和电子鼻技术在发酵（液体发酵和固体发酵）过程监测与控制上的应用还仅仅停留在实验室阶段，没有相关的专利文献；且在发酵领域中的应用所采用的都是单一技术或手段对发酵过程的某一个或多个关键参数指标的进行软测量，这样测量得到的参数指标信息具有片面性。反映发酵过程的状态信息指标是多方面的，而通过某种单一的检测手段往往不能全面地描述一个对象，只能反映其中的一个方面，这样必然会影响到软测量检测结果精度和稳定性，从而影响对其过程的优化控制。
发明内容
鉴于现有技术中单一传感器技术在发酵过程状态监测中存在的局限性，本发明的目的是提供一种基于多传感器信息融合的发酵过程状态监测与控制方法，能获得结果更全面，更客观的发酵过程信息，提高软测量检测结果的精度和稳定性，优化控制发酵进程。
本发明的目的是通过以下方案实现的：包括以下步骤：
（1）在线采集不同发酵批次、不同发酵时间、具有代表性的用于模型校正的发酵过程产物样本；
（2）对用于模型校正的发酵过程产物样本分别采用在线仪表、机器视觉、近红外光谱、电子鼻采集获取原始数据，同时进行常规理化分析获取生化参数指标；将经常规理化分析获取的生化参数指标结合在线仪表获取的理化过程参数指标共同组建一个标准数据库；
（3）采用计算机对机器视觉、近红外光谱和电子鼻采集获取的原始数据信息分别进行预处理，再分别提取能表征发酵过程关键状态参数的各个有效特征信息；
（4）将各个有效特征信息组成特征向量，将特征向量分别与已建的所述标准数据库中的生化参数指标和理化过程参数指标进行一一对应，通过人工神经网络和支持向量机构建关键状态参数多传感器信息融合模型；
（5）采用机器视觉、近红外光谱和电子鼻分别在线采集待测发酵过程产物样本的相应数据信息，同时通过在线仪表直接测量得到实测结果；采用计算机对相应数据信息进行预处理和提取相应特征信息，并代入所述关键状态参数多传感器信息融合模型得到发酵过程关键状态参数的软测量值；
（6）将软测量值与实测结果进行软仪表诊断，依据诊断结果实时更新数据库，并对关键状态参数多传感器信息融合模型进行在线自适应修正，采用控制器根据软仪表诊断结果执行相应控制。
本发明的有益效果是：
本发明将机器视觉、近红外光谱和电子鼻三种传感器的特征信息融合起来并与离线理化分析和在线仪表测得的结果进行关联，建立发酵过程状态参数的多传感器信息融合模型以实现发酵过程的智能监测和有效控制。利用不同的传感器可以获得描述同一对象不同品质特征的大量信息，依据某种准则对多种传感器特征信息进行分析、综合和平衡，并与传统理化分析方法和在线仪表获得的结果进行关联，利用合适的化学计量学方法构建发酵过程关键参数的多传感器信息融合模型，同时提出软仪表的自适应机制，有助于实现融合模型的在线实时诊断与自适应更新，更加合理地控制和优化发酵过程。本发明借鉴了多信息融合的思想，克服了单纯依靠某种单一的技术检测和监测方法的不足，能从多个角度（即，图像信息、光谱信息和气体挥发物信息）获取特定发酵过程的相关信息，并将多种传感器信息融合起来进行智能监测，利用上述三种信息的互补性和冗余性，各信息间互相进行实证检验，相互弥补，有助于实现对发酵进程的实时监控和优化，可保证最终发酵产品质量的一致性，进而提高发酵过程状态智能监测与控制的精度及效率。
本发明对发酵过程状态监测与控制具有通用性，可用于液体和固体发酵过程关键状态参数指标的在线实时监控，能解决发酵工业生产过程中常规离线理化检测方法成本高、耗时长及效率低等缺陷，同时为相关发酵产品质量的提升提供有力的技术保障。
附图说明
图1为本发明基于多传感器信息融合的发酵过程状态监测与控制方法的流程图。
具体实施方式
本发明首先利用机器视觉、近红外光谱和电子鼻三种传感器及在线仪表分别实时采集能够反映发酵过程产物状态参数指标的各传感器信息；然后，对各传感器采集的原始数据进行预处理并提取能表征发酵过程状态参数指标的各传感器特征信息，并与离线理化分析和在线仪表测得的数据进行关联，利用合适的化学计量学方法，通过适当的学习和训练在特征层构建发酵过程关键状态参数的多传感器信息融合模型。在实际应用时，首先对待测样本进行各传感器信息采集，并进行相应的数据预处理和特征提取；然后代入已建立的多传感器信息融合模型就可以得到发酵过程关键状态参数（在线仪表可测与需离线分析的参数）的软测量值，从而实现发酵过程关键状态参数的在线实时监测；最后，将多传感器信息融合模型对在线仪表可测过程参数的软测量值与实际在线仪表测得结果进行软仪表诊断，从而实现对所构建融合模型的在线监控与自适应更新，以便更加有效地对发酵过程实施相应的优化控制。具体实施过程如下：
参阅图1中的实线箭头所示，首先在线采集不同发酵批次、不同发酵时间、具有代表性的用于模型校正的发酵过程产物样本。然后采用各个传感器，对用于模型校正的发酵过程产物样本分别进行原始数据采集和常规理化分析。其中，原始数据采集为在线仪表数据采集、机器视觉数据采集、近红外光谱数据采集和电子鼻信号采集这四种采集方法，四种采集方法可同时进行。
在线仪表数据采集时，通过在线仪表获得大多数用于模型校正的发酵过程产物样本的理化过程参数指标，如温度、压力、CO2浓度、pH值、溶解氧浓度、搅拌速率等。
机器视觉数据采集时，将用于模型校正的发酵过程产物样本放入培养皿中，并将其置于密闭光源箱内进行机器视觉信息采集。
近红外光谱数据采集时，将用于模型校正的发酵过程产物样本放入5mm光程度石英比色皿中，并将其放入光谱仪配套的透射附件中通过透射的方式进行近红外光谱数据采集。
电子鼻信号采集时，将用于模型校正的发酵过程产物样本置于电子鼻系统的采集杯中富集15分钟，然后通过微量泵将富集后的气体抽入电子鼻系统的传感器阵列进行电子鼻数据信号采集。
常规理化分析，是为了获取用于模型校正的发酵过程不可通过在线仪表直接采集并检测到的生化参数指标，如菌体浓度、基质浓度和产物浓度等属性值。
将经常规理化分析获取的生化参数指标结合通过在线仪表测得的理化过程参数指标（如上述温度、压力、CO2浓度、pH值、溶解氧浓度、搅拌速率等）共同组建一个标准数据库，该标准数据库反映了各状态参数指标理化分析与在线仪表测得的结果，为下一步的状态参数监测多传感器信息融合模型建立服务。
之后，采用计算机对机器视觉、近红外光谱和电子鼻采集的原始数据信息分别进行预处理，然后分别提取能表征发酵过程关键状态参数的各个有效特征信息。具体为：对于机器视觉数据信号，主要进行图像的增强、背景分割等数据预处理，提取表征发酵产物色泽的颜色特征、纹理特征等变量有效特征信息，可采用常规的CIE L*a*b颜色体系。对于近红外光谱数据信号，首先进行平滑、归一化、求导及数据降维、信号滤噪等预处理，如主成分分析、独立分量分析和小波分析等，然后再提取表征发酵过程关键状态参数的光谱曲线特征及有用的光谱指数等有效特征信息。对于电子鼻数据信号，主要进行基线校正、信号滤澡等预处理，然后提取表征发酵产物整体品质的气体挥发物指纹谱等有效特征信息。
再将提取的各个有效特征信息组成特征向量（融合模型输入），将特征向量分别与已建的标准数据库中由理化分析和在线仪表测得的结果（模型输出）进行一一对应，通过人工神经网络和支持向量机等常规的化学计量学方法构建发酵过程优化控制所必须的关键状态参数多传感器信息融合模型。
在关键状态参数多传感器信息融合模型建立好后，将其应用于实际的发酵过程状态监测与控制中，在实际应用时，具体实施过程如图1中的虚线箭头所示：
首先采用机器视觉、近红外光谱和电子鼻三种传感器分别在线采集待测发酵过程产物样本的相应数据信息，同时还在线采集部分可直接通过在线仪表直接测量的过程参数信息，得到实测结果。
采用计算机对从各传感器获得的待测发酵过程产物样本的相应数据信息进行预处理和相应的特征信息提取，并代入已建立的发酵过程关键状态参数的多传感器信息融合模型，就可以得到发酵过程关键状态参数的软测量值（智能监测分析结果）。
将多传感器信息融合模型对在线仪表可测过程参数的软测量值与在线仪表实际测得结果进行软仪表诊断，依据诊断结果实时更新数据库，并对多传感器信息融合模型进行在线自适应修正，同时发酵过程智能控制系统控制器根据软仪表诊断结果执行相应控制操作，（例如：发酵过程中，pH的变化对其发酵过程影响很大，偏高或偏低，均会影响菌体的生长比速和产物的形成比速；发酵最佳pH值范围，当发酵液pH值偏离这个范围时，通过相应的控制操作进行加糖或液氮，保证发酵过程中pH维持在最佳的范围内），以实现整个发酵进程能在最优环境条件下进行，可保证最终产品的品质。
Claims (2)
1.一种基于多传感器信息融合的发酵过程状态监测与控制方法，其特征在于包括以下步骤：
（1）在线采集不同发酵批次、不同发酵时间、具有代表性的用于模型校正的发酵过程产物样本；
（2）对用于模型校正的发酵过程产物样本分别采用在线仪表、机器视觉、近红外光谱、电子鼻采集获取原始数据，同时进行常规理化分析获取生化参数指标；将经常规理化分析获取的生化参数指标结合在线仪表获取的理化过程参数指标共同组建一个标准数据库；
（3）采用计算机对机器视觉、近红外光谱和电子鼻采集获取的原始数据信息分别进行预处理，再分别提取能表征发酵过程关键状态参数的各个有效特征信息；
（4）将各个有效特征信息组成特征向量，将特征向量分别与已建的所述标准数据库中的生化参数指标和理化过程参数指标进行一一对应，通过人工神经网络和支持向量机构建关键状态参数多传感器信息融合模型；
（5）采用机器视觉、近红外光谱和电子鼻分别在线采集待测发酵过程产物样本的相应数据信息，同时通过在线仪表直接测量得到实测结果；采用计算机对相应数据信息进行预处理和提取相应特征信息，并代入所述关键状态参数多传感器信息融合模型得到发酵过程关键状态参数的软测量值；
（6）将软测量值与实测结果进行软仪表诊断，依据诊断结果实时更新数据库，并对关键状态参数多传感器信息融合模型进行在线自适应修正，采用控制器根据软仪表诊断结果执行相应控制。
2.根据权利要求1所述一种基于多传感器信息融合的发酵过程状态监测与控制方法，其特征是：对于机器视觉，提取表征发酵产物色泽的颜色特征、纹理特征有效特征信息，对于近红外光谱，提取表征光谱曲线特征及有用的光谱指数有效特征信息，对于电子鼻，提取表征发酵产物整体品质的气体挥发物指纹谱有效特征信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201210254760 CN102876816A (zh) | 2012-07-23 | 2012-07-23 | 基于多传感器信息融合的发酵过程状态监测与控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201210254760 CN102876816A (zh) | 2012-07-23 | 2012-07-23 | 基于多传感器信息融合的发酵过程状态监测与控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102876816A true CN102876816A (zh) | 2013-01-16 |
Family
ID=47478326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201210254760 Pending CN102876816A (zh) | 2012-07-23 | 2012-07-23 | 基于多传感器信息融合的发酵过程状态监测与控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102876816A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104503226A (zh) * | 2014-11-06 | 2015-04-08 | 东华大学 | 基于多传感器信息融合的发酵室环境无线Wi-Fi远程监控系统 |
| CN105277228A (zh) * | 2014-05-27 | 2016-01-27 | 齐鲁工业大学 | 一种关于蔬菜废弃物发酵的多传感器数据融合方法 |
| CN107238638A (zh) * | 2017-06-28 | 2017-10-10 | 四川理工学院 | 基于大曲各成分理化指标与产酒量和酒质联系的测定方法 |
| CN108011712A (zh) * | 2017-11-13 | 2018-05-08 | 佛山科学技术学院 | 一种移动医疗系统隐私数据通信方法 |
| CN111072412A (zh) * | 2019-12-27 | 2020-04-28 | 农业农村部规划设计研究院 | 一种好氧发酵过程的数值模拟试验系统 |
| WO2020087611A1 (zh) * | 2018-10-29 | 2020-05-07 | 江苏大学 | 一种速溶发酵茶粉的智能化制备方法 |
| CN111426801A (zh) * | 2020-05-09 | 2020-07-17 | 上海宁和环境科技发展有限公司 | 电子鼻学习驯化方法及其设备 |
| CN112240876A (zh) * | 2019-07-17 | 2021-01-19 | 华东理工大学 | 一种基于近红外实时检测发酵过程参数的方法 |
| CN112525848A (zh) * | 2020-12-02 | 2021-03-19 | 黑龙江省能源环境研究院 | 一种沼气发酵vfa在线检测系统和检测方法 |
| CN115165884A (zh) * | 2022-08-03 | 2022-10-11 | 湖南粒丰生物科技有限公司 | 生物发酵饲料质量检测方法、装置、电子设备及存储介质 |
| CN115261522A (zh) * | 2022-09-26 | 2022-11-01 | 山东友邦肥业科技有限公司 | 一种微生物发酵的环境控制方法及系统 |
| CN116253589A (zh) * | 2023-02-27 | 2023-06-13 | 中国农业大学 | 基于智能识别的规模化覆膜堆肥生产管理系统及其方法 |
| CN117891222A (zh) * | 2024-03-14 | 2024-04-16 | 天津嘉禾动保科技有限公司 | 一种用于多效能发酵有机物制备工艺的同步优化监测方法 |
-
2012
- 2012-07-23 CN CN 201210254760 patent/CN102876816A/zh active Pending
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105277228A (zh) * | 2014-05-27 | 2016-01-27 | 齐鲁工业大学 | 一种关于蔬菜废弃物发酵的多传感器数据融合方法 |
| CN104503226A (zh) * | 2014-11-06 | 2015-04-08 | 东华大学 | 基于多传感器信息融合的发酵室环境无线Wi-Fi远程监控系统 |
| CN107238638A (zh) * | 2017-06-28 | 2017-10-10 | 四川理工学院 | 基于大曲各成分理化指标与产酒量和酒质联系的测定方法 |
| CN108011712A (zh) * | 2017-11-13 | 2018-05-08 | 佛山科学技术学院 | 一种移动医疗系统隐私数据通信方法 |
| WO2020087611A1 (zh) * | 2018-10-29 | 2020-05-07 | 江苏大学 | 一种速溶发酵茶粉的智能化制备方法 |
| CN112240876A (zh) * | 2019-07-17 | 2021-01-19 | 华东理工大学 | 一种基于近红外实时检测发酵过程参数的方法 |
| CN111072412A (zh) * | 2019-12-27 | 2020-04-28 | 农业农村部规划设计研究院 | 一种好氧发酵过程的数值模拟试验系统 |
| CN111426801A (zh) * | 2020-05-09 | 2020-07-17 | 上海宁和环境科技发展有限公司 | 电子鼻学习驯化方法及其设备 |
| CN112525848A (zh) * | 2020-12-02 | 2021-03-19 | 黑龙江省能源环境研究院 | 一种沼气发酵vfa在线检测系统和检测方法 |
| CN115165884A (zh) * | 2022-08-03 | 2022-10-11 | 湖南粒丰生物科技有限公司 | 生物发酵饲料质量检测方法、装置、电子设备及存储介质 |
| CN115261522A (zh) * | 2022-09-26 | 2022-11-01 | 山东友邦肥业科技有限公司 | 一种微生物发酵的环境控制方法及系统 |
| CN116253589A (zh) * | 2023-02-27 | 2023-06-13 | 中国农业大学 | 基于智能识别的规模化覆膜堆肥生产管理系统及其方法 |
| CN117891222A (zh) * | 2024-03-14 | 2024-04-16 | 天津嘉禾动保科技有限公司 | 一种用于多效能发酵有机物制备工艺的同步优化监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102876816A (zh) | 基于多传感器信息融合的发酵过程状态监测与控制方法 | |
| CN102231057B (zh) | 基于混沌粒子群优化的赖氨酸发酵过程软测量方法 | |
| CN110161194A (zh) | 一种基于气味信息bp神经模糊识别的水果鲜度识别方法、装置及系统 | |
| CN110133049A (zh) | 基于电子鼻和机器视觉的茶叶等级快速无损检测方法 | |
| CN101059426A (zh) | 基于近红外光谱技术无损测量茶叶中茶多酚含量的方法 | |
| CN101692037A (zh) | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 | |
| CN107238638A (zh) | 基于大曲各成分理化指标与产酒量和酒质联系的测定方法 | |
| CN103018181A (zh) | 基于相关性分析和elm神经网络的软测量方法 | |
| CN111742055B (zh) | 使用光谱技术识别微生物的方法 | |
| CN101748186A (zh) | 基于模糊支持向量机的赖氨酸发酵过程关键状态变量软测量方法及系统 | |
| CN103353446A (zh) | 近红外快速检测白酒中理化指标的方法 | |
| Cozzolino et al. | The use of attenuated total reflectance as tool to monitor the time course of fermentation in wild ferments | |
| CN117216724B (zh) | 一种微生物培养过程中多种物质实时检测的方法 | |
| CN103234923A (zh) | 一种黄酒发酵过程中总糖含量的在线监控方法 | |
| Jiang et al. | Monitoring of simultaneous saccharification and fermentation of ethanol by multi-source data deep fusion strategy based on near-infrared spectra and electronic nose signals | |
| Sun et al. | Mildew detection in rice grains based on computer vision and the YOLO convolutional neural network | |
| CN104483287A (zh) | 基于近红外光谱的在线发酵过程生物学参数的检测装置及方法 | |
| CN112651173B (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统 | |
| CN103196841A (zh) | 一种利用近红外光谱在线分析丁二酸发酵液的方法 | |
| CN116959628A (zh) | 用于细胞培养全过程的物质成分分析方法及装置 | |
| CN117030682A (zh) | 一种基于自编码器网络的激光诱导击穿光谱标准化方法 | |
| CN116738834A (zh) | 一种基于域适应图网络的发酵过程软测量建模方法 | |
| CN103048275A (zh) | 基于近红外光谱的自适应软仪表装置及其构造方法 | |
| CN114841416A (zh) | 基于长短期记忆网络的酱油发酵过程氨基酸态氮预测方法 | |
| CN115420703A (zh) | 哈密瓜表面农药残留鉴别方法及鉴别模型构建方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C12 | Rejection of a patent application after its publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130116 |