.png){kind=icon}
返回
Optimizing profitability of batch fermentation processes using machine learning-based endpoint prediction
.png){kind=icon}
PRE
AI
DOI：10.1002/cjce.70222.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
生产周期的精确确定在实时分批操作中仍然具有挑战性，这使得难以在最小时间和物料消耗的情况下优化终止时间。为了提高批次盈利能力，本研究开发了一种基于机器学习的方法用于在线批次终点识别。在该框架中，使用与质量相关的变量来表示批次持续时间，并建立了一个数据驱动的软传感器来估计这些变量。鉴于批次过程中复杂的非线性动力学和显著的批次间变异性，设计了一个带有时间加权损失函数的专用循环神经网络，以提高生产后期的预测精度。此外，引入了一种结合Savitzky-Golay（S-G）滤波器的决策策略，以稳健地识别每个批次的最优终点。所提出的方法通过一个工业规模的青霉素发酵过程进行了验证。结果表明，批次操作平均可提前约58.5小时终止，使产量提高了27.68%，并每批次节省约10,157人民币的物料成本。
Keyword:
deep learning
penicillin fermentation process
production duration prediction
soft sensor modelling
期刊
IF:
1.9
论文数:
396
被引数:
8.9K
机构
引用论文
.png){kind=icon}
Risk-based design of process systems using discrete-time Bayesian networks使用离散时间贝叶斯网络进行基于风险的过程系统设计
PREAI
分享收藏分享收藏分享收藏
查看更多内容