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

1、大多數(shù)發(fā)酵工廠所應(yīng)用的發(fā)酵參數(shù)(主要指溫度、pH、溶解氧、補(bǔ)料速率)往往由經(jīng)驗(yàn)或經(jīng)典的試驗(yàn)數(shù)據(jù)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(shí)現(xiàn)發(fā)酵過程的最優(yōu)控制不但能夠穩(wěn)定生產(chǎn)，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(chǎn)量，具有顯著的應(yīng)用價(jià)值和經(jīng)濟(jì)價(jià)值。對于新投產(chǎn)的項(xiàng)目(新菌種、新培養(yǎng)基配方、新生產(chǎn)裝置)，最優(yōu)控制更具有實(shí)際價(jià)值，可以縮短試驗(yàn)時(shí)間和降低試驗(yàn)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(jìn)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(jī)的發(fā)酵過程建模方法 由于發(fā)酵過程的非線性、時(shí)變性和生物傳感器的缺乏以及各參數(shù)之間的嚴(yán)重關(guān)聯(lián)，經(jīng)典系統(tǒng)理論幾乎不能為復(fù)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(jīng)網(wǎng)絡(luò)(ANN)和支持向量機(jī)(SVM)的建立微生物發(fā)酵過程黑箱預(yù)估模型的方法。利用工廠的實(shí)際生產(chǎn)數(shù)據(jù)，建立了兩類模型，并對模

3、型的性能進(jìn)行了分析和比較。實(shí)驗(yàn)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(jīng)過理論分析和實(shí)驗(yàn)發(fā)現(xiàn)，標(biāo)準(zhǔn)回歸型SVM在核函數(shù)的選擇和SVM參數(shù)的選擇方面存在不足。 (二)改進(jìn)型MOGA選擇SVM參數(shù)的方法 現(xiàn)有選擇SVM參數(shù)的方法不但費(fèi)時(shí)而且很難找到最優(yōu)參數(shù)，迫切需要一種能夠自動、高效地確定SVM參數(shù)的方法。多目標(biāo)遺傳算法(MOGA)雖然能夠自動確定參數(shù)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(yīng)用。本文采用實(shí)數(shù)編碼方式代替二進(jìn)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(shù)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(jìn)制變異，得到了改進(jìn)型MOGA。提出了改進(jìn)型MOGA選擇SVM參數(shù)的方法，將此方法應(yīng)用于建立青霉素發(fā)酵效價(jià)預(yù)估模型，并對適應(yīng)度函數(shù)和權(quán)重因子的選擇進(jìn)行了討論。通過實(shí)驗(yàn)得出，改進(jìn)型MOGA在運(yùn)算速度、收斂性能和模型預(yù)測能力方面比實(shí)驗(yàn)方法和標(biāo)準(zhǔn)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(zhǔn)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(shè)置不同的優(yōu)化目標(biāo)。因此，應(yīng)該采用多個局部模型描述發(fā)酵過程。標(biāo)準(zhǔn)回歸型SVM所有訓(xùn)練樣本都使用相同的ε，這將影響模型的泛化能力和訓(xùn)練時(shí)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(jié)合的發(fā)酵過程建模方法，首先利用SOFM神經(jīng)網(wǎng)絡(luò)對樣本進(jìn)行聚類，然后應(yīng)用動態(tài)ε-SVM方法對各類樣本進(jìn)行回歸建模。實(shí)驗(yàn)結(jié)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(qiáng)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(biāo)準(zhǔn)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(shí)數(shù)編碼的自適應(yīng)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(jìn)了標(biāo)準(zhǔn)遺傳算法。對典型復(fù)雜函數(shù)的測試結(jié)果顯示，該算法比標(biāo)準(zhǔn)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(jià)預(yù)估模型為適應(yīng)度函數(shù)，該策略尋優(yōu)得到了最優(yōu)控制作用。實(shí)驗(yàn)結(jié)果顯示，采用優(yōu)化控制的青霉素發(fā)酵過程的效價(jià)能夠提高22.88％。 本文的研究工作對于促進(jìn)最優(yōu)控制在微生物發(fā)酵領(lǐng)域的應(yīng)用和發(fā)展具有