论文部分内容阅读
生物发酵是生物工程和现代生物技术及其产业化的基础。随着生物工程技术的进步和发酵工业生产规模的不断扩大,迫切需要对发酵过程进行先进的控制和优化。现有的发酵测控系统(如MCU、IPC、PLC、DCS、FCS)缺少关键生物参量(如底物浓度、菌体浓度、产物浓度)检测的智能检测单元,生物发酵过程机理复杂,具有高度的非线性、时变性,难以实现这些关键生物参量的在线检测;且这些测控系统结构上均为单元式结构,开放性和可靠性较差,使得先进优化控制算法和策略难以工业化应用,不能满足发酵过程优化控制的需要,因此,研究具有智能检测单元的发酵过程智能测控系统及其关键技术具有重要的理论意义和应用价值。本文在详细分析现有发酵过程测控系统集成方法及关键技术研究现状基础上,对发酵过程智能测控系统集成方法及关键技术进行研究。提出了发酵过程智能测控系统集成方法;讨论了发酵过程智能测控系统的开放性和可靠性,并研究了系统软件体系结构;给出了发酵过程智能测控系统的实现方法。发酵过程智能测控系统集成了基于人工智能技术的智能检测单元,为发酵工业智能测控系统的发展提供了新的途径。由于生物发酵过程机理十分复杂,造成传统的单一建模方法难以取得很好的建模效果。因此,提出了一种利用状态空间模型和支持向量机的生物参量混合软测量建模方法。该方法针对复杂的发酵过程机理模型,利用群能量守恒粒子群优化算法(SECPSO),建立了发酵过程简化机理模型,将其作为混合软测量模型的状态方程;基于支持向量机(SVM)构建了状态空间模型中的非线性测量补充方程。该方法建立的混合模型能够较完善地描述发酵过程特征,具有较高的建模精度,为解决生物参量高精度在线检测提供了一种有效的方法。根据强跟踪有限差分扩展卡尔曼滤波(STFDEKF)的思想,给出了一种带弱化因子的强跟踪不敏卡尔曼滤波(STUKF)算法;为了进一步提高STUKF对于噪声方差的鲁棒性,将自适应噪声估计器引入STUKF,提出了一种自适应强跟踪不敏卡尔曼滤波(ASTUKF)算法。该算法在保证一定滤波精度的条件下,对系统各个初始参数均具有较强鲁棒性,且算法简单,数值稳定性好,能够用于生物发酵过程状态高精度在线估计;同时该算法能够直接应用于各种类型的复杂非线性系统,具有很好的工程应用价值。建立了工业酵母发酵过程仿真模型,基于该模型进行了工业酵母发酵混合软测量模型的建模和非线性状态估计实验,实验结果验证了混合软测量建模方法的正确性和有效性,表明ASTUKF滤波算法适合于发酵过程状态估计,并在保证滤波精度的同时,具有较强数值稳定性和鲁棒性;利用青霉素发酵过程仿真系统进行软测量混合建模,在得到混合模型基础上进行发酵过程生物参量的在线状态估计实验,通过实验验证了软测量混合模型建模方法中SVM测量补充方程对滤波结果的补偿作用。通过上述实验结果可知,利用所提出的软测量混合建模方法与ASTUKF滤波算法进行发酵发酵过程状态估计,可以有效地增强系统对于噪声和未建模误差干扰的鲁棒性,极大地促进了发酵过程智能检测技术工程化应用的发展。集成了基于PXI总线的发酵过程智能测控系统,将该系统用于L-乳酸发酵过程优化控制中,实现了L-乳酸发酵过程的优化控制,提高了发酵产物的最终得率。实验表明,所提出的发酵过程智能测控系统集成方法正确可行,所集成的测控系统是实现发酵过程优化控制的优秀平台,是发酵过程智能优化控制算法实用化应用中不可缺少的关键系统。本文所提出的发酵过程智能测控系统体系结构具有很好的开放性与可靠性,为发酵智能测控系统的构建提供了新的途径,具有指导意义;所集成的基于PXI总线的发酵过程测控系统不仅能够实现关键参量的在线检测和控制,同时在发酵过程控制领域有着广泛的应用前景。