新建 Microsoft Word 文档 (12).docx

《新建 Microsoft Word 文档 (12).docx》由会员分享，可在线阅读，更多相关《新建 Microsoft Word 文档 (12).docx（9页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第 26 卷 第 8 期 电子测量与仪器学报 Vol. 26 No. 8 726 JOURNAL OF ELECTRONIC MEASUREMENT AND INSTRUMENT 2012 年 8 月本文于 2012 年 3 月收到。DOI: 10.3724/SP.J.1187.2012.00726基于 SVM 的葛根素提取软测量系统的设计齐岩磊1陈 娟1杨 祺2祁 欣1(1. 北京化工大学信息科学与技术学院, 北京 100029;2. 国家知识产权局专利局专利审查协作北京中心, 北京 100190)摘 要: 针对超声波高效率提取植物根茎类药材活性成分含量难以实时在线检测的问题, 采用基于粒子

2、群算法和支持向量机相结合的软测量建模方法。通过对辅助变量的测量来建立软测量预测模型, 从而估计和推断待测量变量的值, 并利用单片机进行辅助变量的数据采集和处理、软测量模型的计算及建立和模型的硬件实现, 从而实现了对超声波提取植物根茎类药材葛根素的在线测量。与目前采用紫外分光光度计分时离线取样进行检测相比, 该方法克服了无法直接得到提取率测量值、离线测量工作量大等缺点, 具有实时性好、测量精度较高(测量相对误差控制在 3%以内)和响应速度快等特点。关键词: 支持向量机(SVM); 单片机 MSP430F149; 软测量仪表; 提取率检测中图分类号: TP212 文献标识码: A 国家标准学科分类

3、代码: 520. 20Design of a soft sensor system for Puerarin extraction based on SVMQi Yanlei1Chen Juan1Yang Qi2Qi Xin1(1. College of Information Science & Technology, Beijing University of Chemical Technology, Beijing 100029, China;2. Patent examination cooperation center of the patent office, SIPO, Beij

4、ing 100190, China)Abstract: Since the high efficiency detection of the active components by ultrasonic from medicinal plants is diffi-cult, this paper adopts the method of a soft sensor model based on particle swarm optimization and support vector machinealgorithm in order to estimate and infer the

5、values of measured variables. Using a microcontroller unit for data of auxiliaryvariables collection and processing, the microcontroller can calculate and build the soft sensor model and the hardwarerealization of the model. Therefore, the on-line detection of the rate of extraction of medicinal pla

6、nts by ultrasonic is im-plemented. The soft sensor system overcomes the shortcomings associated with the used method of off-line sample detec-tion by UV spectrometry, namely the large workload and inability to measure the extraction rate directly. The new systemhas the following advantageous feature

7、s: high accuracy (relative errors within 3%), good generality, fast response, andgood real-time performance.Keywords: support vector machine(SVM); MSP430F149 micro controller unit; soft sensor; extraction rate detection1 引 言植物根茎类药材活性成分的提取和检测是植物药研究和生产过程中的重要环节。传统植物药活性成分的检测方法很多, 目前用的最广泛是高效液相色谱(high per

8、formance liquid chromatography,HPLC)1和紫外分光光度计(ultraviolet, UV)2的方法。采用色谱、质谱或者吸光度分析, 经过高精度物质分离后用模型计算、绘出峰谱曲线或吸光度浓度曲线来。这类检测方法易于操作, 测量结果比较准确而且具有很好的重复性, 适用于植物根茎类药材活性成分含量的测定, 但是需要经过离线取样分析,测量值会受到取样间隔的影响。随着科学技术的不断发展, 软测量技术的发展也日趋提高, 从而作为了一种新的技术广泛应用在检测领域和过程控制领域, 成为了近年来科研人员研究的重要方向。同时软测量技术通过测量易测变量作为模型的输入变量,通过建立软

9、测量模型计算从而估计和推断难以测得的主导变量。支持向量机(support vector machine, SVM)是近第 8 期 基于 SVM 的葛根素提取软测量系统的设计 727 十余年发展起来的一种人工智能技术的机器学习新方法3, 国内外一些颇有远见的科研人员已经并正在努力将支持向量机用于植物药现代化。陈娟等人4将最小二乘支持向量机应用于传统中药提取过程。Kiran Desai 等人5则用支持向量回归对制药装置分批进料过程进行了软测量建模。但是 SVM 的核函数的参数选择目前还没理论依据进行参考, 只能根据具体样本的特点凭借经验确定效果最好的核函数参数。陈超等人6用网格法搜寻核函数参数区间

10、建立了中药复方药效的支持向量机预测模型。本文在对植物根茎类药材葛根萃取过程中首次引入软测量技术,根据软测量系统理论搭建了葛根素萃取在线检测系统, 利用粒子群优化算法(particle swarm optimization,PSO)与支持向量机相结合的方法建立提取率的软测量模型, 设计了包含温度值采集, 液晶显示等功能的单片机系统, 并将得到的超声波提取葛根素的软测量模型固化在单片机中, 从而实现了葛根提取率的在线检测。2 葛根超声波萃取软测量模型的建立2.1 葛根提取过程中辅助变量的选择植物药葛根在超声波提取过程中, 提取率通常可以写成:=f (1, 2, I2, I1, , T, t, n)

11、 (1)式中: I1、I2为萃取中双频超声萃取的强度; 1, 2为双频超声频率; 为液固比; t 为萃取时间; T 为萃取温度; n 为萃取次数, 本课题中只需要 1 次超声波萃取, 因为葛根素在超声波强化萃取2050min后大部分成分就会渗透在萃取液中,所以 n=1。针对目前超声波萃取的都是单方药材, 本文萃取的药材是葛根中的葛根素, 采用正交试验设计对工艺参数进行优化后确定了最佳的双频超声波的频率分别为 20 kHz 和 28 kHz、液固比为 401、乙醇体积分数为 70%的萃取溶剂和超声占空比为4s1s。超声波应用于萃取过程中由于其自身的空化机制和热机制使得萃取溶剂温度逐渐升高从而不需

12、要外界的加热作用, 且具有萃取温度低的优点, 一般在 4070, 可以使药材中的有效成分不被破坏,所以对于热敏性物质的萃取同样适用。在超声波植物根茎类药材提取过程中静态工艺参数随着萃取工艺条件确定后也随之确定, 而在提取过程中随时间变化的量就只有萃取温度T, 因此萃取温度T和萃取时间 t 是影响提取率的关键变量。一般情况下, 提取率随着温度和时间的增加而逐渐增加, 是一个动态变量。本文以葛根素的提取过程为研究对象, 实验发现提取率随着萃取时间的延长或者温度的升呈现出了缓慢增加甚至下降趋势, 因此应对萃取温度到达一定值时提取率趋于饱和的状态进行控制。所以本文的易测变量选取萃取温度 T 和萃取时间

13、 t, 建立待测的变量(提取率)和易测变量之间的回归数学模型。采用单片机实现基于支持向量机的软测量回归模型的计算。通过离线采集葛根素样本后进行吸光度测量, 对获取的数据通过支持向量机离线训练得到回归模型, 并将得到的回归模型通过在单片机中的实时计算, 实现植物根茎类药材提取率的在线检测。2.2 基于粒子群优化算法的模型参数选择核函数是 SVM 的关键技术, 它的选择影响着模型的学习能力和泛化能力。与其他常用核函数相比,径向基(radial basis function, RBF)核函数参数数量少,具有较宽的收敛域, 易于掌握, 应用最广泛。由于RBF 核函数所对应特征空间维数无穷大, 数量有限

14、的样本在其特征空间内肯定是线性可分的, 所以,RBF 核函数成为支持向量机的首选核函数。通常支持向量机的参数选取方法采用以下方法: 交互验证法(Cross Validation)、网格搜索法(Grid Search)、粒子群优化算法(PSO)。虽然交互验证法和网格搜索法能够找到全局最优解, 但是需要遍历所有的参数点,比较费时。采用粒子群算法就可以不用局限在小范围的参数寻优而且不需要遍历所有参数点。1995 年 Kennedy 和 Eberhart 通过对鸟群捕食行为的研究后提出了粒子群优化算法, 它的基本概念源于对鸟群捕食行为的研究。其基本思想是通过群体中个体之间的信息传递及信息共享来寻找最优

15、解。PSO 算法采用速度-位置搜索模型。每个粒子代表解空间一个候选解, 优劣程度由适应度函数决定。设初始粒子群为 P=pmI=1, m 为粒子群规模, 第i 个粒子 pi的位置为 x i=x i1, x i2, , xid,T, d 为待优化变量维数, 速度为vi=vi1, vi2, , xid, T, pi搜寻到的最优值为 pbesti=pbesti1, pbesti2, , pbestid, T, P 搜寻到的最优值为 gbesti=gbesti1, gbesti2, , gbestid, T。pi通过跟踪 pbesti和 gbesti来更新 xi和 vi, 从而不断向待优化变量的真正优化

16、解进化。2.3 SVM 软测量建模本文对葛根中的葛根素的萃取是采用本课题组自行研制的双频超声萃取设备, 是基于双向组合超声波湍动技术进行研制的, 选择的最优工艺参数如 2.1 节所述。通过超声萃取实验共采集了覆盖整个萃取过程的 25 组样本数据, 前 20 min 内每 2 min 采集 1 次样本, 在 2060 min 内样本每隔 4 min 采集 1次。对于样本数据通过型号为 UV-2012PC 的紫外分光光度计去测量吸光度, 利用线性回归计算得出吸光度A与萃取溶液浓度的关系, 然后根据溶液浓度、萃取溶液体积 V 和葛根的质量之间的关系, 最终得到提取率 SVM 建模首先选定训练样本和测

17、试样本, 本次实验共有数据25组, 选取其中的20组作为训练样本,剩下的 5 组作为测试样本。然后进行数据的预处理,归一化方法采用数据与平均值之差再除以标准差的形式。核函数采用 RBF 核函数。利用 SVM 建模需要对高斯核函数参数 g 和惩罚因子 C 进行合理选择,本文采用粒子群优化选择模型的参数, 之后用训练样本对 SVM 进行模型的训练, 测试样本进行模型的验证, 最后将得到的软测量模型应用到葛根素的预测中。采用粒子群算法对 SVM 算法的 2 个参数进行了优化选取。优化过程如图 1 所示。取能够直接反映SVM性能的均方差(mean squared error, MSE)评价每个粒子的适

18、应度。通过 PSO 算法和 SVM 建立超声波萃取葛根饮片葛根素提取率的模型, 最终得到 SVM 参数:C=6.84, g=1.26, 并对得到的模型进行验证。由图 2 观察最佳适应度和平均适应度的进化过程, 可以看到随着代数的增加这 2 个指标都在下降。平均适应度是全部个体的适应度的平均值, 最佳适应度是个体中适应度最好的值, 在最佳适应度经过一定代数后, 保持不变或者变化很小时, 可以认为优化过程结束。CV 下的 mse 是平均值越小越好, 但往往无法达到零, 只能降低到一定水平。运行回归建模程序后生成的 MODEL 中得到。SVs 里面包含了支持向量, sv_coef 是支持向量在决策函

19、数中的系数。根据表 1 中所示的经过训练后模型式中的具体参数值, 就得到了一个如式(8)所示的软测量回归模型, 其中 b=5.8421。对于构建的软测量模型进行了验证可以得到精度满足设计要求, 可以在硬件上进行在线检测系统的设计。3 在线测量系统设计3.1 硬件电路设计本文选用了超低功耗单片机 MSP430F149 作为测温系统的主控芯片, 外围电路包括温度传感器模块、计时模块、LCD 显示模块和串口电路模块等组成。硬件电路原理图如图 5 所示。温度传感器模块采用数字温度传感器 DS18B20。正常情况下, 软测量仪表在工作时会影响到软测量系统的硬件电路, 从而会产生 2 种噪声:1) 系统的

20、电压和电流会随着超声波探头工作的三角波电平的变化产生突变, 最终导致系统不能在稳定的环境下工作, 从而会对温度传感器的准确性产生显著影响, 直观表现就是转换电压 Vin在某一时 730 电 子 测 量 与 仪 器 学 报 第 26 卷图 5 单片机硬件系统结构Fig. 5 Structure of the microcontroller hardware system刻时发生抖动。针对超声变化产生的突变噪声对温度输出值的影响, 在软件编程中加入了窗口为 13的中值滤波器, 从而消除了系统中存在的突变噪声。2) 软测量系统硬件电路同时还受到高频超声波探头工作时引入的高频噪声的影响。高频噪声使得液

21、晶屏上的前端显示内容不清晰或者闪烁不停, 影响最终的显示效果。因此本文设计了一个有限长单位冲激响应(finite impulse response, FIR)低通滤波器对高频噪声进行过滤除噪。3.2 软件设计本文在IAR Embedded Workbench环境下进行了软件程序的开发、编译和调试, 利用的开发语言是 C语言。程序设计包括主程序和子程序的设计, 子程序包括滤波、计时、采集萃取时间、DSl8B20 温度采集、进行软测量模型的运算和控制液晶显示等。软件流程图如图 6 所示。3.3 模型验证本文做了 1 组验证试验来验证软测量模型的工作性能。在同一实验过程中, 采集了贯穿整个实验过程的

22、 10 个数据样本点, 分别用 2 种方法进行测量。1) 利用紫外分光光度计进行测量, 在精确的操作下, 保证了数据的准确程度。2) 将实验数据从软测量系统上读取, 与第 1 组数据保持同步测量。如表 2 所示。根据表 2 内容得出, 采用紫外分光光度计测量和本文所采用的软仪表测量结果之间的平均误差为0.11, 已经达到了系统设计时提出的精度要求, 为提取率的在线检测实现提供了一种新思路, 同时为单方植物根茎类药材或中药的提取具有指导意义。图 6 软件总体流程Fig. 6 Flow chart of the software表 2 软测量系统性能测试Table 2 Performance te

23、st of soft sensor system编号紫外分光光度法测量提取率值软仪表测量提取率值1 4.56 4.692 5.11 5.023 5.78 5.864 6.23 6.355 6.89 7.026 7.41 7.337 7.92 8.018 8.45 8.359 8.01 7.9010 7.62 7.514 结 论本文针对超声波提取葛根素过程中提取率不容易测量的问题, 将粒子群算法和支持向量机相结合建立了葛根素提取过程的软测量模型, 并将这种软测量模型嵌入单片机中, 实现了对葛根素提取率的在线测量。仿真表明, PSO-SVM 软测量模型预测相对误差为 1.25%, 具有较准确的预测

24、能力和泛化能力, 为植物根茎类药材单方提取的提取率测量提供了一种有效的方法。同时设计的基于单片机的在线测量系统具有滤波处理、辅助变量采集、模型运算和萃取率实时显示等功能, 通过验证得出相对误差在 3%以内, 达到了实际生产过程中要求的实时性和精度要求, 从而应用到葛根素萃取工业过程。第 8 期 基于 SVM 的葛根素提取软测量系统的设计 731 参考文献:1 赵昌军, 刘宏明. HPLC 测定葛根汤颗粒中葛根素的含量J. 食品与药品, 2010, 12(9): 330-332.ZHAO CH J, LIU H M. Determination of puerarin ingegentang g

25、ranule by HPLCJ. Food and Drug, 2010,12(9): 330-332.2 李增富, 吴荣锋. 葛根总黄酮的提取研究J. 应用化工, 2008, 37(11): 1353-1358.LI Z F, WU R F. Study on extracting total puerarin fla-vonoidJ. Applied Chemical Industry, 2008, 37(11):1353-1358.3 龙伟, 刘培勋, 曾平, 等. 支持向量机与中药研究J.中草药, 2008, 39(10): 1441-1445.LONG W, LIU P X, ZEN

26、G P, et al. Support vector ma-chine and Chinese material medical researchJ. ChineseTraditional and Herbal Drugs, 2008, 39(10): 1441-1445.4 CHEN J, YANG Y, QI Y L. Application of leastsquares support vector machine in soft sensor of tradi-tional Chinese medicine extractionC. 7th InternationalConferen

27、ce on Natural Computation: ICNC, 2011:747-751.5 DESAI K, BADHE Y, TAMBE S S, et al. Soft-sensordevelopment for fed-batch bioreactors using supportvector regressionJ. Biochemical Engineering Journal,2006, 27: 225-239.6 陈超, 沈志滨. 中药复方药效的支持向量机预测研究J. 中国医药导报, 2009, 6(16): 14-15.CHEN CH, SHEN ZH B. Study o

28、f pharmacodynamicaction of traditional Chinese medicine prescription bysupport vector machineJ. China Medical Herald, 2009,6(16): 14-15.7 张喜梅, 程亮光, 李琳, 等. 超声提取葛根总黄酮成分的研究J. 声学技术, 2006, 25(2): 110-112.ZHANG X M, CHENG L G, LI L, et al. Extraction oftotal flavones from pueraria lobataohwi with ultra-so

29、undJ. Technical Acoustics, 2006, 25(2): 110-112.8 殷华宇, 陈娟, 祁欣, 等. 基于 PCA-BP 的中药提取率的软测量J. 计算机与应用化学, 2008, 25(7): 885-888.YIN H Y, CHEN J, QI X, et al. The soft measurement ofChinese medicines extraction rate based on PCA-BPJ.Computer and Applied Chemistry, 2008, 25(7): 885-888.9 荣海娜, 张葛祥, 金炜东. 系统辨识中支

30、持向量机核函数及其参数的研究J. 系统仿真学报, 2006, 18(11):3204-3208.RONG H N, ZHANG G X, JIN W D. Selection of kernelfunctions and parameters for support vector machines insystem identificationJ. Journal of System Simulation,2006, 18(11): 3204-3208.10 齐志泉, 田英杰, 徐志浩. 支持向量机中的核参数选择问题J. 控制工程, 2005, 12(4): 379-381.QI ZH Q,

31、TIAN Y J, XU ZH H. Kernel parameter selec-tion problem in support vector machineJ. Control En-gineering of China, 2005, 12(4): 379-381.11 KENNEDY J, EBERHART R C. Particle swarm opti-mizationC. Proceedings of IEEE International Confer-ence on Neural Networks, 1995: 1942-1948.12 邵信光, 杨慧中, 陈刚. 基于粒子群优化

32、算法的支持向量机参数选择及其应用J. 控制理论与应用, 2006,23(5): 740-743.SHAO X G, YANG H ZH, CHEN G. Parameters selec-tion and application of support vector machines based onparticle swarm optimization algorithmJ. Control The-ory & Applications, 2006, 23(5): 740-743.13 张弦, 王宏力. 利用粒子群优化的小波简化交叉验证消噪J. 仪器仪表学报, 2010, 31(5): 118

33、4-1189.ZHANG X, WANG H L. Wavelet denoising using sim-plified cross-validation and particle swarm optimiza-tionJ. Chinese Journal of Scientific Instrument, 2010,31(5): 1184-1189.14 QI X, ZHENG X Y, CHEN J. A double frequency andbidirectional turbulent ultrasonic device for extractionC.Proceedings of

34、 the IEEE International Conference onAutomation and Logistics, 2008: 2710-2712.15 黄丽, 孙玉坤, 嵇小辅, 等. 基于 tPSO-BPNN 的赖氨酸发酵软测量J. 仪器仪表学报, 2010, 31(10): 2317-2321.HUANG L, SUN Y K, JI X F , et al. Soft sensor of lysinefermentation based on tPSO-BPNNJ. Chinese Journalof Scientific Instrument, 2010, 31(10):

35、2317-2321.16 CHANG CH CH, LIN CH J. LIBSVM: A library forsupport vector machinesJ. ACM Transactions on Intel-ligent Systems and Technology, 2011, 2(3): 1-27.作者简介:齐岩磊: 北京化工大学控制科学与工程在读硕士研究生, 主要研究方向为软测量建模和自动检测技术。E-mail: stone510Qi Yanlei: M.Sc. candidate in BeijingUniversity of Chemical Technology. His

36、 re-search interest is soft sensor modeling andautomatic detection technology.陈 娟: 2006 年于北京化工大学获得博士学位, 现为北京化工大学信息科学与技术学院教授, 主要研究方向为过程检测及自动化装置和先进控制。E-mail: jchenChen Juan: received Ph.D. from Bei-jing University of Chemical Technology in2006Now she is a professor in College of Information Science& Technology, Beijing University of Chemical Technology. Herresearch interests are process detection and automation equip-ment, and advanced control.