该课题主要研究了生化过程中的建模、估计、预测以及优化控制等问题.综观历史与现状,生化过程由于其复杂的机理,严重的非线性、时变性和不确定性,以及缺乏可靠的传感器用于过程变量的在线检测等原因,其自动化控制水平与其它工业过程相比较还远未成熟.该文首先利用人工神经网络技术建立了生化变量预估模型,并针对以往单纯的神经网络模型由于辅助变量和训练样本的选取、网络结构复杂度以及神经网络本身存在网络泛化性能等因素导致的实际预测精度存在一定偏差的问题,探讨采用一个带有模糊误差预测补偿系统的神经网络模型,从而动态地对网络运行过程中所产生的误差进行补偿,以提高模型的预估精度.同时针对一般优化策略很难用于生化过程对象在线优化的问题,该文采用遗传算法来优化求解生产过程中操作变量的最优操作轨线,从而使得在满足生产要求的情况下,尽可能减少资源的消耗量,达到优化生产的目的.这种方法对于其它的生化过程优化控制问题的解决有一定的借鉴作用.最后该文综合了以上多种建模和控制的方法,完成了基于Matlab语言的生化过程预估优化控制仿真软件的开发,从而可以在实际生产过程中完成各主要生化变量的在线预估、预测补偿和优化计算等功能,有效监控发酵生产过程的进行,并在此基础上实现故障诊断和优化计算等高级工业控制.