同步糖化发酵,一种兼容酶解与发酵的新型乙醇生产技术,正逐步被推广。近年来,石油价格高居不下,促使燃料乙醇生产的发展前景大步提升。但在实际生产过程中,由于制造装备、工艺技术落后等问题,导致发酵过程难以控制、乙醇最终产量也难以令人满意。而发酵过程中其强烈的时变性、非线性、滞后性等特点,又给发酵过程中关键参数的监测造成极大困难。为提高乙醇同步糖化发酵过程的监测效率,本研究提出了基于嗅觉可视化技术的乙醇同步糖化发酵过程监测的新方法。具体研究内容如下:（1）基于嗅觉可视化技术的乙醇同步糖化发酵过程状态识别方法研究。基于预实验结果选择了15种化学染料制备成色敏传感器阵列用以构建嗅觉可视化系统。利用该系统获取乙醇同步糖化发酵过程样本的气味信息,并将采集到的气味信息以图像的形式展现出来。利用主成分分析（principal component analysis,PCA）对传感器颜色信息进行特征挖掘,分别运用支持向量机（support vector machine,SVM）、概率神经网络（probabilistic neural networks,PNN）和极限学习机（extreme learning machine,ELM）来建立乙醇同步糖化发酵过程状态定性识别模型,并比较各模型的识别性能。研究结果显示,ELM模型在对乙醇同步糖化发酵过程状态的识别稳定性和精度都要优于PNN和SVM识别模型,其在训练集和预测集中的正确识别率分别为89.8%和89.5%。研究结果表明:利用嗅觉可视化技术结合适当的模式识别算法可实现对乙醇同步糖化发酵过程状态的定性监测。（2）基于嗅觉可视化技术的乙醇同步糖化发酵过程参数检测方法研究。利用蚁群算法（ant colony optimization,ACO）和模拟退火算法（simulate anneal arithmetic,SA）分别优化传感器的特征颜色分量组合,并结合支持向量回归（support vector regression,SVR）算法建立基于嗅觉可视化技术的乙醇含量定量检测模型,并比较两模型检测效果。为了进一步提升模型精度,研究尝试利用差分进化算法（differential evolution algorithm,DE）对SVR模型的惩罚参数c和核函数g进行同步优化以建立更为精确的定量检测模型。研究结果显示,SA-DE-SVR模型取得了最佳的检测效果。当c=5.4241、g=0.1265时,该模型在预测集中决定系数RP~2为0.9549,预测均方根误差RMSEP为0.1562。研究结果表明:利用嗅觉可视化技术结合适当化学计量学方法可高精度实现乙醇同步糖化发酵过程参数定量监测。研究结果可为用于同步糖化发酵过程监测的便携式嗅觉可视化检测系统的设计与开发提供技术支持和方案参考,同时也可为发酵工业的检测工作提供一定的技术与理论支撑。