论文部分内容阅读
发酵过程的控制是保证产品质量与生产效率的关键因素。然而发酵过程的自动化控制却发展缓慢。这主要是由于生物发酵过程往往要涉及成百上千个物理过程和化学反应,其相互作用和影响使得发酵过程呈现出高度的非线性,使得发酵过程的建模变得非常困难;另外要想更好的控制发酵过程,就必须获得足够的发酵信息。发酵过程中物理参数与绝大多数化学参数,如温度、压力、pH值、溶氧浓度等都比较容易获得,对它们的控制也易实现。然而对于一些复杂的生物参数,如生物量浓度、基质浓度、产物浓度、比生长率等很难实现在线测量,尽管人们努力在开发这类传感器,但它们的实用性与可靠性仍十分有限,不能满足实际需要,另外成本也比较昂贵。现在这些参数仍然采用实验室采样分析方法进行检测,这往往会产生较大的时间滞后,不能及时反馈数据信息,这就使发酵过程的控制与优化受到了阻碍。软测量技术是解决这一难题的有效途径。它利用过程中的一些相关信息来估计这些不可在线检测的变量,这种技术既容易实现又节约成本,是一种非常可行的办法。本文以诺西肽发酵实验为研究背景,重点研究了基于支持向量机的软测量方法与应用。同时,在生物发酵过程控制系统基础之上,给出了生物发酵过程软测量技术的实现方法。本文的主要工作和创新包括以下内容:
由于发酵过程具有很强的非线性,多变量输入输出的特性,采用单个模型利用过程的输入输出数据集合往往不能作出准确的估计,预估的泛化能力也很差,因为这样没有考虑到输入信息(可测变量)之间的相关性和冗余性。首先本文根据多模型理论建立基于支持向量机的发酵过程生物量浓度的软测量模型,根据数据融合理论,将输入信息进行分类得到一系列的子模型,然后再对这些子模型进行融合,形成最终的多模型结构。多模型建模不但改善了最终估计的整体性能,而且估计的泛化性和鲁棒性都有了明显的提高。
针对黑箱模型过度依赖训练数据,不具有实际物理意义等问题,本文综合经典的发酵机理知识与支持向量机方法,提出了串行结构的混合模型,它以质量平衡方程为输出机理模型,利用支持向量机方法估计机理模型中重要的难以确定的参数,这种混合模型得出了可靠而且泛化性能更好的结果,并且降低了对训练数据大小的依赖程度。在上述串行混合模型的基础上,加入了一些动力学模型,也就是说增加了部分机理知识,提出了串并行结构的混合模型,这种混合模型得出的结果更加稳定可靠,特别是在更加稀疏的训练数据条件下。
在生物量浓度软测量模型的基础上进行了分批发酵过程中生长阶段的划分。这种方法充分考虑发酵过程中不同生长阶段菌体的生长特性,采用不同的模型进行相应的描述,从而进行菌体生长阶段的划分,同时该模型也给出了整个发酵过程中菌体生长的比生长率的在线估计。
结合本文提出的基于支持向量机的发酵过程软测量建模方法,讨论了其在实际发酵系统中实现过程,描述了软测量软件体系结构,功能模块以及核心算法的实现框架与流程,同时也讨论了模型在线应用的校正方法。