吕宁 姜怀斌

摘 要：在啤酒发酵过程中，为了建立精准的传感器温度故障诊断模型，在标准支持向量机（SVM）的基础上提出了分段最小二乘支持向量机的方法，该方法首先利用模糊C聚类（FCM）对样本进行聚类分析，达到划分发酵阶段和建立局部模型的目的，然后采用最小二乘支持向量机（LS-SVM）的方法对各类样本进行建模。实验结果表明，使用该方法建立的啤酒发酵过程温度故障诊断模型具有较高的准确性。经过比较，该方法建立的模型的泛化能力要强于其他SVM方法建立的模型。

关键词：支持向量机;模糊C均值聚类;最小二乘支持向量机;啤酒发酵;建模

DOI：10.15938/j.jhust.2018.06.017

中图分类号： TP206.3

文献标志码： A

文章编号： 1007-2683（2018）06-0094-06

Abstract：In the process of beer fermentation in order to establish the precise temperature sensor fault diagnosis model on the basis of standard support vector machineSVM） We proposed piecewise least square support vector machine method first using fuzzy c-means clusteringFCM） of the sample of poly class analysis to divide fermentation stage and the establishment of local model. Then the least square support vector machineLS-SVM） method is used for modeling of various types of samples. The experimental results show that the model has a high accuracy in the process of temperature fault diagnosis of beer fermentation process. After comparison the proposed method establishes the model's generalization ability better than other SVM methods to build the model.

Keywords：support vector machine;fuzzy C mean clustering;least squares support vector machine; beer fermentation;modeling

0 引 言

对于间歇过程，多操作阶段是其一个固有特性，过程中的非线性与过程的各阶段往往是密不可分的。这就导致了一个问题，我们通过对过程整体的运行状况进行建模分析，不能够准确的进行判断运行情况，由于过程分为多个阶段，每一个阶段，它的主导变量与过程特征都会不同，由于操作过程的变化，过程之间一些变量的相互关系也无法判断是否随时间不断变化，它呈现一定的分阶段性。所以，对于它的统计建模与在线监控，我们要整体进行建模分析还要对每一阶段进行细致分析[1-3]。

啤酒发酵过程一般分为四个阶段：主酵阶段，后酵阶段、还原阶段、贮酒阶段，每一个阶段对温度控制的要求都很严格，直接关系到啤酒发酵的质量。想要建立局部模……