面向微生物發(fā)酵過程的復雜系統(tǒng)建模與優(yōu)化控制的研究.pdf

1、大多數發(fā)酵工廠所應用的發(fā)酵參數(主要指溫度、pH、溶解氧、補料速率)往往由經驗或經典的試驗數據而來，并將其作為單一給定值控制整個發(fā)酵過程，這容易造成發(fā)酵單位低且波動性大。實現發(fā)酵過程的最優(yōu)控制不但能夠穩(wěn)定生產，而且能夠提高發(fā)酵單位，即以不變的投入創(chuàng)造更高的產量，具有顯著的應用價值和經濟價值。對于新投產的項目(新菌種、新培養(yǎng)基配方、新生產裝置)，最優(yōu)控制更具有實際價值，可以縮短試驗時間和降低試驗成本。 本文以微生物發(fā)酵過程為研究對

2、象，建立了基于SOFM和動態(tài)ε-SVM的模型，基于此模型對整個發(fā)酵過程進行優(yōu)化控制。所取得的主要研究成果如下： (一)基于支持向量機的發(fā)酵過程建模方法 由于發(fā)酵過程的非線性、時變性和生物傳感器的缺乏以及各參數之間的嚴重關聯(lián)，經典系統(tǒng)理論幾乎不能為復雜的發(fā)酵過程建立合適的模型。本文分別提出了基于人工神經網絡(ANN)和支持向量機(SVM)的建立微生物發(fā)酵過程黑箱預估模型的方法。利用工廠的實際生產數據，建立了兩類模型，并對模

3、型的性能進行了分析和比較。實驗證明，SVM在擬合精度和泛化能力方面優(yōu)于ANN建模方法。然而，經過理論分析和實驗發(fā)現，標準回歸型SVM在核函數的選擇和SVM參數的選擇方面存在不足。 (二)改進型MOGA選擇SVM參數的方法 現有選擇SVM參數的方法不但費時而且很難找到最優(yōu)參數，迫切需要一種能夠自動、高效地確定SVM參數的方法。多目標遺傳算法(MOGA)雖然能夠自動確定參數值，但是其本身所固有的易陷入局部極小和收斂速度慢的缺

4、陷影響了它的應用。本文采用實數編碼方式代替二進制編碼方式；采用規(guī)范化幾何秩選擇法代替輪盤賭選擇方法，并引入了精英選擇策略；采用算術交叉算子代替簡單交叉操作；采用多重非均勻變異代替二進制變異，得到了改進型MOGA。提出了改進型MOGA選擇SVM參數的方法，將此方法應用于建立青霉素發(fā)酵效價預估模型，并對適應度函數和權重因子的選擇進行了討論。通過實驗得出，改進型MOGA在運算速度、收斂性能和模型預測能力方面比實驗方法和標準MOGA方法有了較大

5、提高。 (三)基于SOFM和動態(tài)ε-SVM的發(fā)酵過程建模方法 由于發(fā)酵過程的不同階段具有不同特性，很難用單個全局模型準確描述此系統(tǒng)。在優(yōu)化控制過程中，需要在不同的階段設置不同的優(yōu)化目標。因此，應該采用多個局部模型描述發(fā)酵過程。標準回歸型SVM所有訓練樣本都使用相同的ε，這將影響模型的泛化能力和訓練時間，所以提出動態(tài)ε-SVM，即不同樣本使用不同的ε，采用相對誤差率p表征動態(tài)ε。因此，形成了一種自組織特征映射(SOFM)和

6、動態(tài)ε-SVM相結合的發(fā)酵過程建模方法，首先利用SOFM神經網絡對樣本進行聚類，然后應用動態(tài)ε-SVM方法對各類樣本進行回歸建模。實驗結果表明，該方法建立的青霉素發(fā)酵過程模型比使用其它SVM方法建立的模型具有更強的泛化能力。 (四)基于SOFM和動態(tài)ε-SVM發(fā)酵過程模型與RAGA相互耦聯(lián)的優(yōu)化控制策略 針對標準遺傳算法所存在的早熟收斂、收斂速度慢等不足，提出了基于實數編碼的自適應遺傳算法(RAGA)。該算法從編碼方式、

7、初始種群生成和遺傳算子等方面改進了標準遺傳算法。對典型復雜函數的測試結果顯示，該算法比標準遺傳算法在全局收斂性和收斂速度等方面具有較大程度的提高。提出了基于SOFM和動態(tài)ε-SVM發(fā)酵過程模型與RAGA相互耦聯(lián)的優(yōu)化控制策略。以青霉素發(fā)酵過程效價預估模型為適應度函數，該策略尋優(yōu)得到了最優(yōu)控制作用。實驗結果顯示，采用優(yōu)化控制的青霉素發(fā)酵過程的效價能夠提高22.88％。 本文的研究工作對于促進最優(yōu)控制在微生物發(fā)酵領域的應用和發(fā)展具有