CN117598391B - 发酵工艺条件的确定方法以及饲料发酵过程监测方法 - Google Patents
发酵工艺条件的确定方法以及饲料发酵过程监测方法 Download PDFInfo
- Publication number
- CN117598391B CN117598391B CN202410074415.7A CN202410074415A CN117598391B CN 117598391 B CN117598391 B CN 117598391B CN 202410074415 A CN202410074415 A CN 202410074415A CN 117598391 B CN117598391 B CN 117598391B
- Authority
- CN
- China
- Prior art keywords
- fermentation
- matrix
- fermentation process
- steady
- raw material
- 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.)
- Active
Links
- 238000000855 fermentation Methods 0.000 title claims abstract description 222
- 230000004151 fermentation Effects 0.000 title claims abstract description 222
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 115
- 239000002994 raw material Substances 0.000 claims abstract description 60
- 238000005070 sampling Methods 0.000 claims abstract description 49
- 230000007613 environmental effect Effects 0.000 claims abstract description 39
- 238000006243 chemical reaction Methods 0.000 claims abstract description 20
- 239000007788 liquid Substances 0.000 claims description 17
- 239000007787 solid Substances 0.000 claims description 8
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 6
- KDYFGRWQOYBRFD-UHFFFAOYSA-N succinic acid Chemical compound OC(=O)CCC(O)=O KDYFGRWQOYBRFD-UHFFFAOYSA-N 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 102000004169 proteins and genes Human genes 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 241000193830 Bacillus <bacterium> Species 0.000 claims description 3
- 241000606125 Bacteroides Species 0.000 claims description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 3
- 235000019764 Soybean Meal Nutrition 0.000 claims description 3
- 150000001413 amino acids Chemical class 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000008103 glucose Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 239000004455 soybean meal Substances 0.000 claims description 3
- 239000010902 straw Substances 0.000 claims description 3
- 239000001384 succinic acid Substances 0.000 claims description 3
- 235000015099 wheat brans Nutrition 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 2
- 241000894006 Bacteria Species 0.000 claims 3
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 claims 2
- 230000032258 transport Effects 0.000 claims 2
- 235000013339 cereals Nutrition 0.000 claims 1
- 229930003935 flavonoid Natural products 0.000 claims 1
- 150000002215 flavonoids Chemical class 0.000 claims 1
- 235000017173 flavonoids Nutrition 0.000 claims 1
- 239000004310 lactic acid Substances 0.000 claims 1
- 235000014655 lactic acid Nutrition 0.000 claims 1
- 235000013557 nattō Nutrition 0.000 claims 1
- 238000007619 statistical method Methods 0.000 abstract description 8
- 238000001311 chemical methods and process Methods 0.000 abstract description 2
- 230000006698 induction Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000000813 microbial effect Effects 0.000 description 5
- 244000046052 Phaseolus vulgaris Species 0.000 description 3
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 244000063299 Bacillus subtilis Species 0.000 description 2
- 235000014469 Bacillus subtilis Nutrition 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 2
- 241000186660 Lactobacillus Species 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 210000001035 gastrointestinal tract Anatomy 0.000 description 2
- 229940039696 lactobacillus Drugs 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 210000004767 rumen Anatomy 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- GAMYVSCDDLXAQW-AOIWZFSPSA-N Thermopsosid Natural products O(C)c1c(O)ccc(C=2Oc3c(c(O)cc(O[C@H]4[C@H](O)[C@@H](O)[C@H](O)[C@H](CO)O4)c3)C(=O)C=2)c1 GAMYVSCDDLXAQW-AOIWZFSPSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 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
- 239000000470 constituent Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229930003944 flavone Natural products 0.000 description 1
- 150000002212 flavone derivatives Chemical class 0.000 description 1
- 235000011949 flavones Nutrition 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000011344 liquid material Substances 0.000 description 1
- 230000037353 metabolic pathway Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- VHBFFQKBGNRLFZ-UHFFFAOYSA-N vitamin p Natural products O1C2=CC=CC=C2C(=O)C=C1C1=CC=CC=C1 VHBFFQKBGNRLFZ-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q3/00—Condition responsive control processes
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23K—FODDER
- A23K10/00—Animal feeding-stuffs
- A23K10/10—Animal feeding-stuffs obtained by microbiological or biochemical processes
- A23K10/12—Animal feeding-stuffs obtained by microbiological or biochemical processes by fermentation of natural products, e.g. of vegetable material, animal waste material or biomass
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23K—FODDER
- A23K10/00—Animal feeding-stuffs
- A23K10/30—Animal feeding-stuffs from material of plant origin, e.g. roots, seeds or hay; from material of fungal origin, e.g. mushrooms
- A23K10/37—Animal feeding-stuffs from material of plant origin, e.g. roots, seeds or hay; from material of fungal origin, e.g. mushrooms from waste material
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/80—Data visualisation
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biotechnology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Polymers & Plastics (AREA)
- Zoology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Organic Chemistry (AREA)
- Molecular Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Wood Science & Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Microbiology (AREA)
- Biochemistry (AREA)
- Physiology (AREA)
- Animal Husbandry (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mycology (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Biomedical Technology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Sustainable Development (AREA)
- Botany (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种发酵工艺条件的确定方法以及饲料发酵过程监测方法，属于化工工艺的统计分析技术领域。本发明的发酵工艺条件的确定方法可以记录多个发酵批次的环境特征矩阵、原料特征矩阵、产物特征矩阵，根据矩阵数据的变化确定发酵过程的稳态区间，再生成每一稳态区间的发酵工艺条件的控制区间。同一稳态区间各个特征数据具有强关联性，本发明将各个稳态区间的发酵工艺条件区分开可以提高发酵过程的监测精度，可以避免非稳态区间的数据波动影响统计量的归纳。同时根据采样周期和反应延迟参数确定时滞周期数，避免由于产物特征的采样延迟丢失稳态区间内的有效数据。
Description
技术领域
本发明涉及化工工艺的统计分析技术领域，尤其涉及一种发酵工艺条件的确定方法以及饲料发酵过程监测方法。
背景技术
根据发酵机理对影响发酵水平的各个因素进行精确的监测并加以控制，可以使发酵过程按照有利的方向进行。饲料发酵的产物种类多、机理复杂，详细分析每一发酵反应的难度大。现有技术尝试通过发酵过程的各个参数特征，构造合适的数学模型，再不断迭代模型参数，最终优化发酵过程的参数条件。例如，公告号为CN105629958B、CN103853152B的中国专利公开了间歇发酵过程的工艺监测方法，首先以正常运行数据作为数据驱动的训练样本，采用矩阵分析方法获得最优工艺离线模型，再结合当前工艺的参数矩阵判断当前生产过程是否正常。
上述现有技术文献将整个发酵过程拟合为同一数据模型。由于发酵过程的反应物众多，不同时间区间的状态不稳定，将发酵过程拟合为同一数据模型的误差较大。因此，有必要根据核心的参数将发酵过程分为多个稳定状态区间，再确定相应的数学模型。如申请号为CN202310295650.2的中国专利申请公开的定量关系模型及应用、发酵监测方法、装置、系统、设备。该方法在确定定量关系前，先对不同发酵工况、不同生产菌株以及不同发酵时间状态下的所有历史样本参数进行线性拟合。但是该案没有给出确定发酵状态的方法。因此，有必要提供一种结合发酵特征间接确定发酵稳定区间，进而确定优化的工艺条件的方法。进一步的，还需要根据历史发酵工艺条件识别当前发酵过程的异常值，实现发酵过程的连续监测。
发明内容
针对上述问题，本发明提供了一种发酵工艺条件的确定方法，预测发酵稳定状态的区间，再建立发酵工艺的条件模型。进一步的，本发明还提供了一种饲料发酵过程监测方法，根据当前发酵参数与发酵工艺条件的关系监测发酵过程。
本申请的发明目的可通过以下技术手段实现：
一种发酵工艺条件的确定方法，包括以下步骤：
步骤1：厌氧池执行发酵批次k，循环管道将液体原料从厌氧池的底部输送至厌氧池的顶部，回转台从厌氧池提取发酵产物；
步骤2：在厌氧池设置环境采集器，在循环管道设置成分采集器，在回转台设置图像采集器，环境采集器周期性采集厌氧池的I个环境特征，成分采集器周期性采集厌氧池的J个原料特征，图像采集器周期性采集厌氧池的H个产物特征；
步骤3：发酵批次k完成后，根据发酵时长确定反应延迟参数T，存储每一采样时刻的环境特征、原料特征和产物特征，若k≥K，进入步骤4，否则k=k+1，返回至步骤1，K为发酵样本的总批次；
步骤4：基于多个环境特征构造环境特征矩阵X(K×N×I)，基于多个原料特征构造原料特征矩阵Y(K×N×J)，基于多个产物特征构造产物特征矩阵Z(K×N×H)，N为采样周期总数；
步骤5：沿采样时刻将产物特征矩阵展开为Z(N×KH)，设置反应边界矩阵B(M×H)，M为反应边界的数量，根据反应边界矩阵将产物特征矩阵划分为M个发酵区间；
步骤6：沿采样时刻将原料特征矩阵展开为Y(N×KJ)，根据发酵区间将所述原料特征矩阵分割为M个第一子矩阵，根据任意第一子矩阵的参数稳定性确定该第一子矩阵的稳态区间；
步骤7：沿发酵批次将环境特征矩阵展开为X(N×KI)，根据稳态区间从环境特征矩阵提取第二子矩阵，其中，稳态区间m对应的第二子矩阵为Xm(Nm×KI)，Nm为稳态区间m的采样次数，m=1,2,...,M；
步骤8：根据采样周期t和反应延迟参数T确定时滞周期数N'，得到扩展子矩阵Xm((Nm+N')×KI)，沿发酵批次将扩展子矩阵展开为Xm(K×(Nm+N')I)；
步骤9：根据该扩展子矩阵生成该稳态区间m的发酵工艺条件的基准值和发酵工艺条件的控制区间。
在本发明中，所述环境特征包括：pH值、温度、二氧化碳含量、液面高度中的一种或几种。
在本发明中，所述原料特征包括黄酮浓度、乙醇浓度、葡萄糖浓度、溶氧量中的一种或几种。
在本发明中，所述产物特征包括粒度特征、颜色特征及图案特征中的一种或几种。
在本发明中，在步骤6中，从第一子矩阵Ym(Nm×KJ)中分解出原料特征j的时序子矩阵Ymj(Nm×K)，j≤J，计算时序子矩阵Ymj(Nm×K)的协方差σj，计算第一子矩阵在采样周期n与采样周期n-1的矩阵相似度Dn，根据协方差σj与矩阵相似度Dn构造稳态区间。
在本发明中，在步骤9中，对稳态区间m的扩展子矩阵Xm( (Nm+N')×KI)进行标准化处理，计算每一发酵批次中稳态区间m的主成分矩阵，根据主成分矩阵预测发酵工艺条件的基准值，根据预设置信度α计算该发酵工艺条件的控制区间。
一种根据所述发酵工艺条件的确定方法的饲料发酵过程监测方法，包括以下步骤：
步骤100：根据所述发酵工艺条件的确定方法生成每一稳态区间的发酵工艺条件的控制区间；
步骤200：混合固体原料与发酵菌种并投入厌氧池，注入液体原料后，循环管道将液体原料从厌氧池的底部输送至厌氧池的顶部，回转台从厌氧池提取发酵产物；
步骤300：周期性采集厌氧池的环境特征、循环管道的原料特征，构造环境特征矩阵、原料特征矩阵；
步骤400：根据发酵区间将原料特征矩阵分割为第一子矩阵，根据第一子矩阵确定稳态区间，根据稳态区间从环境特征矩阵提取第二子矩阵；
步骤500：若第二子矩阵在所述发酵工艺条件的控制区间内，返回至步骤200，否则生成发酵异常通知。
在本发明中，所述固体原料为秸秆、谷糠、豆粕、麦麸中的一种或几种。
在本发明中，所述发酵菌种为产琥珀酸丝状杆菌、栖瘤胃拟杆菌、纳豆枯草芽孢杆菌、乳酸菌中的一种或几种。
在本发明中，所述发酵产物为蛋白质、氨基酸、发酵基质中的一种或几种。
实施本发明的发酵工艺条件的确定方法以及饲料发酵过程监测方法，其有益效果在于：根据正常发酵状态的产物和液体原料的消耗情况确定稳态区间，再生成每一稳态区间的发酵工艺条件的控制区间，可以避免非稳态区间的数据波动影响统计量的归纳。同一稳态区间各个特征数据具有强关联性，将各个稳态区间的发酵工艺条件区分开可以提高发酵过程的监测精度。进一步本发明根据采样周期和反应延迟参数确定时滞周期数，通过时滞周期扩展第二子矩阵，避免由于产物特征的采样延迟丢失稳态区间内的有效数据。
附图说明
图1为一种厌氧发酵工艺的设备组成示意图；
图2为本发明的发酵工艺条件的确定方法的流程图；
图3为本发明的厌氧池的结构图；
图4为本发明优选的温度特征的折线图；
图5为本发明优选的菌落特征的折线图；
图6为本发明的产物特征矩阵展开过程示意图；
图7为本发明发酵区间的示意图；
图8为本发明根据发酵区间确定稳态区间的示意图；
图9为本发明提取第二子矩阵过程的示意图；
图10为本发明的扩展子矩阵展开过程示意图；
图11为本发明优选的提取产物特征的流程图；
图12为本发明的饲料发酵过程监测方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
微生物发酵可以将生物质原料经过特定的代谢途径转化为所需要的发酵饲料。微生物发酵应用于饲料生产中，主要生物质固体原料为谷糠、豆粕等，可以促进动物肠道对蛋白质等有效成分的吸收，减少饲喂过程中肠道疾病。微生物发酵通常在厌氧环境中进行。如图1所示，常见厌氧发酵的工艺设备包括厌氧池11、料仓12、基质罐13、储液罐14、循环罐15、排渣池16、加热罐17。固体原料存储在料仓12，发酵菌种培养液存储在基质罐13，液体原料存储在储液罐14。在发酵过程中，循环罐15从厌氧池底部抽出液体原料再返回至厌氧池顶部。排渣池16用于排出发酵废渣。加热罐17向厌氧池的夹层提供发热介质，用于调节厌氧池的发酵温度。厌氧池11对含氧量和细菌环境有严格限制，外界无法时刻关注发酵状态，只能周期性提取发酵产物样本。通常将微生物发酵视为多个发酵状态组成的间歇过程，现有技术通常根据厌氧池11的环境特征统计所处发酵状态，再确定该发酵状态的最优区间，最后判断当前环境特征是否异常。发酵过程的生化反应机理复杂，这种统计分析方法精确度较低。
实施例一
本发明根据正常发酵过程的产物情况和原料消耗情况区分不同的发酵区间以及发酵区间中的稳态区间，生成每一稳态区间的发酵工艺条件的控制区间，可以降低非稳态区间的参数波动对监测结果的影响。如图2至图10所示，本发明这种发酵工艺条件的确定方法，包括以下步骤。
步骤1：厌氧池执行发酵批次k，循环管道21将液体原料从厌氧池的底部输送至厌氧池的顶部，回转台22从厌氧池提取发酵产物。k初始化为1。循环管道21连接在循环罐两侧。厌氧池设置一提升机23，提升机23从池低采集发酵产物再放入回转台22，回转台22的隔板24将发酵产物铺开。采样完成后，回转台22再反向转动，将发酵产物送回厌氧池。在采样时刻，厌氧池与空气接触面小，在非采样时刻，厌氧池处于封闭状态。
步骤2：在厌氧池设置环境采集器，在循环管道设置成分采集器，在回转台设置图像采集器，环境采集器25周期性采集厌氧池的I个环境特征，成分采集器26周期性采集厌氧池的J个原料特征，图像采集器27周期性采集厌氧池的H个产物特征。环境采集器25布置在厌氧池的各个位置，例如是pH值检测器、温度传感器、液面检测仪等等。对应的环境特征包括：pH值、温度、二氧化碳含量、液面高度中的一种或几种。具体发酵过程的温度特征如图4所示，温度特征在一段时间内呈现稳定状态。成分采集器26例如是光谱仪，近红外光照射在循环管道的透明区域，根据液体原料的光谱区间确定原料特征。所述原料特征包括菌落数、乙醇浓度、葡萄糖浓度、溶氧量中的一种或几种。具体发酵过程的菌落数的香农指数如图5所示。菌落数在一定时间呈现稳定状态。图像采集器27获取所述产物特征包括粒度特征、颜色特征及图案特征中的一种或几种。回转台的发酵产物的图像，提取发酵的产物特征。例如在豆粕发酵过程中，产物由黄变黑，由干爽颗粒状逐渐粘稠化再逐渐干透。可以根据发酵产物的图像预测发酵状态。详细的产物特征提取方法参照实施例二所述。
步骤3：发酵批次k完成后，根据发酵时长确定反应延迟参数T，存储每一采样时刻的环境特征、原料特征和产物特征，若k≥K，进入步骤4，否则k=k+1，返回至步骤1，K为发酵样本的总批次。由于发酵状态与采样结果存在延迟，设置反应延迟参数T扩展统计稳态区间的长度，避免因采样延迟丢失关键特征参数。在本实施例中，反应延迟参数T =发酵时长×0.01。对于豆粕等饲料的微生物发酵过程，发酵时长通常为44至52小时，K可以预设为100。
步骤4：基于多个环境特征构造环境特征矩阵X(K×N×I)，基于多个原料特征构造原料特征矩阵Y(K×N×J)，基于多个产物特征构造产物特征矩阵Z(K×N×H)，N为采样周期总数。环境特征矩阵、原料特征矩阵以及产物特征矩阵均为三维矩阵。例如环境特征矩阵由100批次的300个采样时刻的10组采样点构成，相应的数据量为100×300×10=3×105。本发明通过对这些数据的统计分析，确认正常稳态区间的参数范围，为后续工业生产监测提供指导。N为一个发酵过程的采样总次数，采样间隔为10min，N可以预设为300。
步骤5：沿采样时刻将产物特征矩阵展开为Z(N×KH)，设置反应边界矩阵B(M×H)，M为反应边界的数量，根据反应边界矩阵将产物特征矩阵划分为M个发酵区间。如图6，产物特征矩阵Z(K×N×H)展开为Z(N×KH)，展开后的产物特征矩阵为二维矩阵。矩阵行数为N，列数为KH。这种展开方式便于与反应边界矩阵对比。展开后，Z(N×KH)由K个Zk(N×H)组成，k=1,2,...,K。
反应边界矩阵是指发酵产物的临界点，用于区分不同的发酵状态。B(M×H)的第m行数据组为［bm1, bm2,..., bmh,...,bmH］，h≤H。沿采样时刻n遍历Zk(N×H)的每一列，找出满足［bm1, bm2,..., bmh,...,bmH］的起始列，以该列分割Zk(N×H)，以此完成对Z(N×KH)的分割。如图7，分割后得到发酵区间m，m=1,2,...,M。具体来说，若任意数据组的全部产物特征均大于等于第m个发酵状态的下限值且小于第m+1个发酵状态（如有）的下限值，则认为该数据组属于发酵区间m。对于B(M×H)的M个数据组，产物特征矩阵沿对应的分割为M个部分，对应M个发酵区间。
步骤6：沿采样时刻将原料特征矩阵展开为Y(N×KJ)，根据发酵区间将所述原料特征矩阵分割为M个第一子矩阵，根据任意第一子矩阵的参数稳定性确定该第一子矩阵的稳态区间。采用步骤5的方法将原料特征矩阵展开，展开后的原料特征矩阵与产物特征矩阵的采样时刻一一对应。对于任意一个发酵批次，根据发酵区间的位置，同样可以将原料特征矩阵分割为M个部分。
在发酵区间的边缘时间，发酵过程处于不稳定状态，为了提高统计分析的准确性，需要将两侧的不稳定数据排除。本实施例采用协方差估计参数稳定性。从第一子矩阵Ym(Nm×KJ)中分解出采样点j的时序子矩阵Ymj(Nm×K)，j≤J。计算时序子矩阵Ymj(Nm×K)中各采样时刻的成分特征的协方差σj。J个采样点的协方差之和为。协方差越大，数据稳定性越差。矩阵相似度越大，数据稳定性越好。计算采样时刻n与采样周期n-1的矩阵相似度Dn，矩阵相似度Dn=diss(Yn-1, Yn)。Yn-1与Yn分别为采样时刻n与采样周期n-1的原料特征组成的时序子矩阵。矩阵相似度Dn以0.5为最佳，0.4＜Dn＜0.6为宜。根据协方差σj与矩阵相似度Dn构造稳态区间。采样时刻n的稳定性下限值/>。先从n=1开始递增，遍历第一子矩阵，直至CSIn大于等于稳定性下限值。再从n=N开始递减，遍历第一子矩阵的每一行。若第n行的CSIn小于稳定性下限值则删除第n行的数据组，直至CSIn大于等于下限值，稳定性下限值例如是3至7。以此查找M个发酵区间对应的M个稳态区间。
步骤7：沿发酵批次将环境特征矩阵展开为X(N×KI)，根据稳态区间从环境特征矩阵提取第二子矩阵，其中，稳态区间m对应的第二子矩阵为Xm(Nm×KI)，Nm为稳态区间m的采样次数，m=1,2,...,M。参照图8，稳态区间m与发酵区间m一一对应。对于任意一个发酵批次，提取原料特征矩阵的第一子矩阵后，识别第一子矩阵的稳态区间，再根据稳态区间的起始采样时刻和终止采样时刻，查找环境特征矩阵相应的采样时刻，最后提取每一发酵批次的第二子矩阵。如图9所示，汇总K个发酵批次可以获得第二子矩阵Xm(Nm×KI)。
步骤8：根据采样周期t和反应延迟参数T确定时滞周期数N'，得到扩展子矩阵Xm((Nm+N')×KI)，沿发酵批次将扩展子矩阵展开为Xm(K×(Nm+N')I)。N'=mod(T/t)，mod()为取模运算。根据滞周期数N'，向前扩展第二子矩阵的行数。扩展后的扩展子矩阵Xm( (Nm+N')×KI)的行数为Nm+N'。相对于成分特征和环境特征，产物特征不可避免的出现采样延迟。因此本实施例将第二子矩阵向前扩展，即将第二子矩阵前的N'个采样周期的环境特征并入第二子矩阵，生成扩展子矩阵，避免丢失环境特征的有效数据。
步骤9：根据该扩展子矩阵生成该稳态区间m的发酵工艺条件的基准值和发酵工艺条件的控制区间。扩展子矩阵Xm( (Nm+N')×KI)是稳态区间m最终统计分析的样本。如图10，为了便于统计分析，对扩展子矩阵Xm( (Nm+N')×KI)沿发酵批次的方向展开。本发明优选的采用熵成分分析法（KECA）分析扩展子矩阵的特征数据。首先对稳态区间m的扩展子矩阵进行标准化处理，再计算每一发酵批次中稳态区间m的主成分矩阵，根据主成分矩阵预测发酵工艺条件的基准值，根据预设置信度α计算该发酵工艺条件的控制区间。若被监测的环境特征矩阵不满足稳态区间m的发酵工艺条件的控制区间，则认为该发酵异常。
本发明确定稳态区间后，经过统计分析可以预测每一稳态区间的发酵工艺条件的基准值，并在基准值的基础上确定正常发酵过程允许的控制区间。本发明不限制根据发酵工艺条件的历史数据计算发酵工艺条件的基准值和控制区间的模型。在一个具体实施例中可以采用基于KECA统计模型。发酵工艺条件的基准值为模型统计量，发酵工艺条件的控制区间为模型统计量的控制限。在另一具体实施例中，可以采用基于角结构的统计模型（Cauchy-Schwarz），先计算稳态区间m中采样时刻n的统计量Cn。再生成稳态区间m的发酵工艺条件的基准值。Nm+N'为稳态区间m的采样时刻的数量。置信度α预设为5%，则发酵工艺条件的控制区间为［C-αC，C+αC］。即若当前环境矩阵计算的统计量大于105%C或小于95%C，则认为发酵异常。除本实施例公开的分析方法，本发明还可以采用支持向量数据模型(SVDD)、长短时记忆模型(Long-Short Term Memory)等方法解决稳态区间的数据分析。
实施例二
本实施例进一步公开了步骤7中提取产物特征的方法。本实施例的产物特征包括图案特征、纹理特征以及灰度特征，即H=3。根据发酵状态的产物图案、纹理和灰度，预设M个发酵状态的图案特征、纹理特征以及灰度特征的下限值，得到反应边界矩阵B(M×H)。第m行的数据组为［bm1,bm2,bm3,］。若当前产物特征矩阵的数据组同时满足第m行数据组的图案特征、纹理特征以及灰度特征的下限值，则认为发酵进入了发酵状态m。如图11所示，该提取产物特征的方法包括如下步骤。
图像预处理。图像采集器拍摄发酵产物的原始图像。原始图像为RGB空间图像，为了更好地提取图像数据特征，将RGB空间转换为HNV空间。基于3σ原则筛选原始图像的异常像素点，再对每一像素点的亮度进行归一化处理，得到校正图像。
提取图案特征。自适应阈值分割校正图像，再填补分割后的图像孔洞，生成连通区域。提取校正图像的连通区域的边界像素，得到图案特征bm1。
提取纹理特征。基于哈尔小波对校正图像进行二维离散小波分解，将校正图像分解为水平方向和垂直方向的子带GD2和DG2，计算各子带的像素均值。该像素均值为纹理特征bm2。
提取灰度特征。生成校正图像的灰度直方图，获得灰度直方图的统计矩，计算平均灰度值和灰度标准方差。该灰度标准方差为灰度特征bm3。
进一步的，本发明还可以根据不同发酵产物的形态，将图案特征分为多种类型。还可以根据发酵产物中的挥发性气体，设置色敏卡。根据不同色敏卡的显色反映确定发酵产物的产物特征。
实施例三
本发明的根据所述发酵工艺条件的确定方法的饲料发酵过程监测方法，根据统计生成的发酵工艺条件预测当前发酵工艺的异常。根据发酵工艺的不同，本发明可以生成不同的发酵工艺条件。首先根据发酵工艺要求，确定标准化的发酵操作流程，相关的工艺过程可参照相关发酵饲料的技术文献，在此不做赘述。如图12所示，本实施例的饲料发酵过程监测方法该包括以下步骤。
步骤100：根据所述发酵工艺条件的确定方法生成每一稳态区间的发酵工艺条件的控制区间。在样本采集过程中，保留发酵过程无异常的相关数据，根据实施例一的方法确定相应的稳态区间，再生成稳态区间中环境特征的统计量，最后生成发酵工艺条件的控制区间。
步骤200：混合固体原料与发酵菌种并投入厌氧池，注入液体原料后，循环管道将液体原料从厌氧池的底部输送至厌氧池的顶部，回转台从厌氧池提取发酵产物。发酵过程的固体原料为秸秆、谷糠、豆粕、麦麸中的一种或几种。所述发酵菌种为产琥珀酸丝状杆菌、栖瘤胃拟杆菌、纳豆枯草芽孢杆菌、乳酸菌中的一种或几种。所述发酵产物为蛋白质、氨基酸、发酵基质中的一种或几种。
步骤300：周期性采集厌氧池的环境特征、循环管道的原料特征，构造环境特征矩阵、原料特征矩阵。环境特征、原料特征的采集方法可以参照实施例一所述。为避免氧气进入厌氧池，本实施例省去了用提升机采集发酵产物。
步骤400：根据发酵区间将原料特征矩阵分割为第一子矩阵，根据第一子矩阵确定稳态区间，根据稳态区间从环境特征矩阵提取第二子矩阵。本实施例直接使用步骤100中样本数据确定的平均发酵区间分割第一子矩阵。在另一实施例中，为了获得更准确的统计结果，可以重新采集发酵产物的产物特征，预测发酵区间。
步骤500：若第二子矩阵在所述发酵工艺条件的控制区间内，返回至步骤200，否则生成发酵异常通知。即由第二子矩阵的环境特征计算的统计量在发酵工艺条件控制区间内，则认为发酵正常，返回至步骤200继续监测。否则进入报错预警程序，向现场报警器、控制中心、移动终端发送报错通知。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改，等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种发酵工艺条件的确定方法，其特征在于，包括以下步骤：
步骤1：厌氧池执行发酵批次k，循环管道将液体原料从厌氧池的底部输送至厌氧池的顶部，回转台从厌氧池提取发酵产物；
步骤2：在厌氧池设置环境采集器，在循环管道设置成分采集器，在回转台设置图像采集器，环境采集器周期性采集厌氧池的I个环境特征，成分采集器周期性采集厌氧池的J个原料特征，图像采集器周期性采集厌氧池的H个产物特征，其中，所述环境特征包括：pH值、温度、二氧化碳含量、液面高度中的一种或几种，所述原料特征包括黄酮浓度、乙醇浓度、葡萄糖浓度、溶氧量中的一种或几种，所述产物特征包括粒度特征、颜色特征及图案特征中的一种或几种；
步骤3：发酵批次k完成后，根据发酵时长确定反应延迟参数T，存储每一采样时刻的环境特征、原料特征和产物特征，若k≥K，进入步骤4，否则k=k+1，返回至步骤1，K为发酵样本的总批次；
步骤4：基于多个环境特征构造环境特征矩阵X(K×N×I)，基于多个原料特征构造原料特征矩阵Y(K×N×J)，基于多个产物特征构造产物特征矩阵Z(K×N×H)，N为采样周期总数；
步骤5：沿采样时刻将产物特征矩阵展开为Z(N×KH)，设置反应边界矩阵B(M×H)，M为反应边界的数量，根据反应边界矩阵将产物特征矩阵划分为M个发酵区间；
步骤6：沿采样时刻将原料特征矩阵展开为Y(N×KJ)，根据发酵区间将所述原料特征矩阵分割为M个第一子矩阵，根据任意第一子矩阵的参数稳定性确定该第一子矩阵的稳态区间，其中，从第一子矩阵Ym(Nm×KJ)中分解出原料特征j的时序子矩阵Ymj(Nm×K)，j≤J，计算时序子矩阵Ymj(Nm×K)的协方差σj，计算第一子矩阵在采样周期n与采样周期n-1的矩阵相似度Dn，根据协方差σj与矩阵相似度Dn构造稳态区间；
步骤7：沿发酵批次将环境特征矩阵展开为X(N×KI)，根据稳态区间从环境特征矩阵提取第二子矩阵，其中，稳态区间m对应的第二子矩阵为Xm(Nm×KI)，Nm为稳态区间m的采样次数，m=1,2,...,M；
步骤8：根据采样周期t和反应延迟参数T确定时滞周期数N'，得到扩展子矩阵Xm( (Nm+N')×KI)，沿发酵批次将扩展子矩阵展开为Xm(K×(Nm+N')I)；
步骤9：根据该扩展子矩阵生成该稳态区间m的发酵工艺条件的基准值和发酵工艺条件的控制区间，其中，对稳态区间m的扩展子矩阵Xm ( (Nm+N')×KI)进行标准化处理，计算每一发酵批次中稳态区间m的主成分矩阵，根据主成分矩阵预测发酵工艺条件的基准值，根据预设置信度α计算该发酵工艺条件的控制区间。
2.一种根据权利要求1所述发酵工艺条件的确定方法的饲料发酵过程监测方法，其特征在于，包括以下步骤：
步骤100：根据所述发酵工艺条件的确定方法生成每一稳态区间的发酵工艺条件的控制区间；
步骤200：混合固体原料与发酵菌种并投入厌氧池，注入液体原料后，循环管道将液体原料从厌氧池的底部输送至厌氧池的顶部，回转台从厌氧池提取发酵产物；
步骤300：周期性采集厌氧池的环境特征、循环管道的原料特征，构造环境特征矩阵、原料特征矩阵；
步骤400：根据发酵区间将原料特征矩阵分割为第一子矩阵，根据第一子矩阵确定稳态区间，根据稳态区间从环境特征矩阵提取第二子矩阵；
步骤500：若第二子矩阵在所述发酵工艺条件的控制区间内，返回至步骤200，否则生成发酵异常通知。
3.根据权利要求2所述的饲料发酵过程监测方法，其特征在于，所述固体原料为秸秆、谷糠、豆粕、麦麸中的一种或几种。
4.根据权利要求2所述的饲料发酵过程监测方法，其特征在于，所述发酵菌种为产琥珀酸丝状杆菌、栖瘤胃拟杆菌、纳豆枯草芽孢杆菌、乳酸菌中的一种或几种。
5.根据权利要求2所述的饲料发酵过程监测方法，其特征在于，所述发酵产物为蛋白质、氨基酸、发酵基质中的一种或几种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410074415.7A CN117598391B (zh) | 2024-01-18 | 2024-01-18 | 发酵工艺条件的确定方法以及饲料发酵过程监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410074415.7A CN117598391B (zh) | 2024-01-18 | 2024-01-18 | 发酵工艺条件的确定方法以及饲料发酵过程监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117598391A CN117598391A (zh) | 2024-02-27 |
| CN117598391B true CN117598391B (zh) | 2024-04-16 |
Family
ID=89944621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410074415.7A Active CN117598391B (zh) | 2024-01-18 | 2024-01-18 | 发酵工艺条件的确定方法以及饲料发酵过程监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117598391B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118151620B (zh) * | 2024-05-10 | 2024-07-30 | 合肥师范学院 | 一种适用于果酒发酵生产的智能储存监测系统 |
| CN119361008B (zh) * | 2024-12-27 | 2025-04-18 | 双胞胎（集团）股份有限公司 | 基于成分预测的饲料生产过程监测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103970092A (zh) * | 2014-04-13 | 2014-08-06 | 北京工业大学 | 一种基于自适应fcm的多阶段发酵过程故障监测方法 |
| CN107895224A (zh) * | 2017-10-30 | 2018-04-10 | 北京工业大学 | 一种基于扩展核熵负载矩阵的mkeca发酵过程故障监测方法 |
| WO2019089730A1 (en) * | 2017-10-31 | 2019-05-09 | Locus Ip Company, Llc | Matrix fermentation systems and methods for producing microbe-based products |
| WO2019129891A1 (de) * | 2017-12-29 | 2019-07-04 | F. Hoffmann-La Roche Ag | Vorhersage des metabolischen zustands einer zellkultur |
| CN110794782A (zh) * | 2019-11-08 | 2020-02-14 | 中国矿业大学 | 基于jy-mkpls的间歇工业过程在线质量预测方法 |
| CN113031553A (zh) * | 2021-03-09 | 2021-06-25 | 北京工业大学 | 一种基于自动聚类结合偏最小二乘的间歇过程质量预测方法 |
| CN113311796A (zh) * | 2021-06-04 | 2021-08-27 | 北京工业大学 | 基于联合典型变量矩阵的发酵过程阶段划分方法 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9541471B2 (en) * | 2012-04-06 | 2017-01-10 | Mks Instruments, Inc. | Multivariate prediction of a batch manufacturing process |
-
2024
- 2024-01-18 CN CN202410074415.7A patent/CN117598391B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103970092A (zh) * | 2014-04-13 | 2014-08-06 | 北京工业大学 | 一种基于自适应fcm的多阶段发酵过程故障监测方法 |
| CN107895224A (zh) * | 2017-10-30 | 2018-04-10 | 北京工业大学 | 一种基于扩展核熵负载矩阵的mkeca发酵过程故障监测方法 |
| WO2019089730A1 (en) * | 2017-10-31 | 2019-05-09 | Locus Ip Company, Llc | Matrix fermentation systems and methods for producing microbe-based products |
| WO2019129891A1 (de) * | 2017-12-29 | 2019-07-04 | F. Hoffmann-La Roche Ag | Vorhersage des metabolischen zustands einer zellkultur |
| CN110794782A (zh) * | 2019-11-08 | 2020-02-14 | 中国矿业大学 | 基于jy-mkpls的间歇工业过程在线质量预测方法 |
| CN113031553A (zh) * | 2021-03-09 | 2021-06-25 | 北京工业大学 | 一种基于自动聚类结合偏最小二乘的间歇过程质量预测方法 |
| CN113311796A (zh) * | 2021-06-04 | 2021-08-27 | 北京工业大学 | 基于联合典型变量矩阵的发酵过程阶段划分方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| "Analysis of the Actuality and Obstacles of Organizational Learning Based on Knowledge Fermenting Theory";Jing Sui;《IEEE》;20091228;第1-5页 * |
| 基于RMKMFDA的间歇过程监测与故障诊断;肖应旺;杨军;张承忠;姚美银;杜瑛;;计算机与应用化学;20140128(第01期);第79-85页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117598391A (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117598391B (zh) | 发酵工艺条件的确定方法以及饲料发酵过程监测方法 | |
| Yoo et al. | On-line monitoring of batch processes using multiway independent component analysis | |
| Schuetz et al. | Systematic evaluation of objective functions for predicting intracellular fluxes in Escherichia coli | |
| Sherlock | Analysis of large-scale gene expression data | |
| Van Driessche et al. | A transcriptional profile of multicellular development in Dictyostelium discoideum | |
| Charaniya et al. | Mining manufacturing data for discovery of high productivity process characteristics | |
| Vert et al. | Extracting active pathways from gene expression data | |
| CA2461864A1 (en) | Biological discovery using gene regulatory networks generated from multiple-disruption expression libraries | |
| Mjolsness et al. | From coexpression to coregulation: an approach to inferring transcriptional regulation among gene classes from large-scale expression data | |
| CN118136133A (zh) | 干细胞离线参数预测方法、装置、设备和存储介质 | |
| Sajedi et al. | An image analysis-aided method for redundancy reduction in differentiation of identical Actinobacterial strains | |
| CN117690506B (zh) | 工艺边界的预测方法以及饲料生产工艺的评价方法 | |
| CN113341926A (zh) | 一种基于稀疏加权邻域保持嵌入的多阶段间歇过程故障检测方法 | |
| Potočnik et al. | Empirical modeling of antibiotic fermentation process using neural networks and genetic algorithms | |
| Zhang et al. | Nonlinear biological batch process monitoring and fault identification based on kernel fisher discriminant analysis | |
| Cleary et al. | Composite measurements and molecular compressed sensing for highly efficient transcriptomics | |
| Amal et al. | Morphological traits of drought tolerant horse gram germplasm: classification through machine learning | |
| CN117995282B (zh) | 增强单细胞rna测序数据中基因表达相互作用的方法、设备和介质 | |
| Wani et al. | Evaluation of computational methods for single cell multi-omics integration | |
| Mohammadi et al. | Estimating missing value in microarray data using fuzzy clustering and gene ontology | |
| Das et al. | Evolutionary biclustering with correlation for gene interaction networks | |
| Bisht et al. | NFnetFu: A novel workflow for microbiome data fusion | |
| Bicciato et al. | Fermentation diagnosis by multivariate statistical analysis | |
| Rafii et al. | Data preprocessing and reducing for microarray data exploration and analysis | |
| Liu et al. | Assessing agreement of clustering methods with gene expression microarray data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20250211 Address after: 335500 west of Wanqing Avenue, Wannian County, Shangrao City, Jiangxi Province (original phosphate fertilizer factory) Patentee after: JIANGXI WANNIAN HUANONG HENGQING AGRICULTURE AND ANIMAL HUSBANDRY CO.,LTD. Country or region after: China Address before: 330000, 2nd Floor, Building A, Entrepreneurship Building, Guiyuan Avenue, Nanchang Economic and Technological Development Zone, Nanchang City, Jiangxi Province Patentee before: Huanong Hengqing Technology Co.,Ltd. Country or region before: China Patentee before: JIANGXI HUANONG HENGQING AGRICULTURE AND ANIMAL HUSBANDRY CO.,LTD. |