Adaptive neural models for on-line prediction in fermentation

Authors

  • Vincent Van Breusegem,

    Corresponding author
    1. Laboratoire d'Automatique, Dynamique et Analyse des Systèmes, Université Catholique de Louvain, B-1348 Louvain-la-Neuve, Belgium
    • Laboratoire d'Automatique, Dynamique et Analyse des Systèmes, Université Catholique de Louvain, B-1348 Louvain-la-Neuve, Belgium
    Search for more papers by this author
  • Jules Thibault,

    1. Department of Chemical Engineering, Laval University, Sainte-Foy, Quebec G1K 7P4
    Search for more papers by this author
  • Arlette Chéruy

    1. Laboratoire d'Automatique de Grenoble, INPG, B.P. 46, 38402 Saint Martin d'Hères, France
    Search for more papers by this author

Abstract

This paper deals with on-line prediction of fermentation variables by neural network techniques. It is shown that the accuracy of the on-line prediction based on a neural model, obtained from an initial learning sequence, decreases when kinetic changes occur during the course of the fermentation. Therefore, sliding window learning schemes are proposed. For a given network structure, the proposed learning procedures progressively refresh the knowledge integrated within an initial neural model. The influence of the length of the learning window, the number of iterations and the initial neural model on the predictive accuracy of adaptive neural models are investigated. Sliding window learning schemes can be also used when fermentation measurements are delayed and/or infrequent.

Abstract

On traite dans cet article de la prédiction en ligne des variables de fermentation par des techniques de réseaux neuronaux. On montre que l'exactitude de la prédiction en ligne basée sur un modèle neuronal, obtenu à partir d'une séquence d'apprentissage initiale, décroit lorsque des changements cinétiques surviennent lors de la fermentation. On propose donc des schémas d'apprentissage à fenětres glissantes. Pour une structure donnée du réseau, les procédures d'apprentissage proposées rafraǐchissent progressivement la connaissance intégrée dans un modèle neuronal initial. L'influence de la longueur de la fenětre d'apprentissage, du nombre d'itérations et du modèle neuronal adaptifs sont étudiées. Les schémas d'apprentissage à fenětres glissantes peuvent également ětre utilisés lorsque les mesures de fermentation sont différees ou non fréquentes (ou les deux).

Ancillary