（控制理论与控制工程专业论文）基于模糊神经网络的发酵过程建模与控制.pdf

摘要 摘要 发酵工业在国民生活和国民经济中的作用越来越重要。这一工业领 域的操作管理和自动化控制成为很重要的课题。但由于发酵过程动态是 高度的非线性和时变性、模型不确定性、关键变量如生物质浓度和产物 浓度又不可在线测量，使发酵过程控制问题变得十分复杂，应用常规的 控制策略得不到满意的控制性能。随着智能控制理论的发展，其在发酵 过程的应用得到越来越多人的关注。本文基于智能控制中的模糊神经控 制理论，对这一复杂过程的建模和控制问题进行了研究。 第一，回顾了非线性系统辨识和非线性系统控制的研究方法，分析 了备利t 方法的特点及它们的应用范围，论述了智能控制理论在非线性系 统建模和控制中的作用和应用前景，最后，总结了目前发酵过程建模和 控制方面国内外的研究现状和存在的问题。 第二，将模糊c 均值聚类和模糊神经网络建模方法结合起来。模糊c 均值聚类用于对输入变量空间进行划分，生成初始的模糊规则库。所选 用a n f i s 自适应模糊神经网络建模方法运用最小二乘估计与b p 算法相 结合。与普通的模糊神经网络相比，这种模糊神经网络收敛速度快，建 模精度高。 第三，混合模糊神经网络建模。针对目前发酵过程应用的混合神经网 络模型做了比较，串连型和串并联型混合神经网络训练复杂，许多成熟 的训练方法不能采用。并联混合神经网络训练方法简单，但泛化能力不 强，因此，本文采用a n f i s 的混合模糊神经网络模型，与并联的混合神 经网络相比，其泛化能力和建模精度都有了提高。 第四，将智能控制理论中的模糊神经网络控制方法弓 入发酵过程控 制，为了满足实时控制的要求，引入了补偿模糊算子，从而大大提高了 收敛速度。将该补偿模糊神经网络用于发酵过程的控制。仿真实验表明， 该控制方法具有输出响应超调量小、响应速度快的特点，并且对于参数 的叫变1 ，_ i j f 较强的侮榨性。 最后，列本文：l ：作进行了总结和对研究前景进行了展望。 关键词：模糊神经网络模糊聚类建模方法发酵过程 a b s t r a c t t h ef e r m e n t a t i o ni n d u s t r yi sm o r ea n dm o r ei m p o r t a n ti nn a t i o n a l e c o n o m ya n dt h ep e o p l e sl i v e l i h o o d i t so p e r a t i o na n dc o n t r o la r eav e r y u r g e n tp r o b l e m h o w e v e r ，t h ef e r m e n t a t i o np r o c e s si sd i s t i n c t l yn o n l i n e a r ， i t sd y n a m i c si sn o tk n o w np r e c i s e l y ，a n dc h a n g e si ni n i t i a lc o n d i t i o n sa n d v a r i a t i o n so fp a r a m e t e r sw i t ht i m e ，a n dt h e k e ys t a t e v a r i a b l e sa r en o t a c c e s s i b l e i ti s v e r yd i f f i c u l t t o a p p l yt r a d i t i o n a l c o n t r o lm e t h o d st ot h e c o m p l i c a t e ds y s t e m s o ，t h em o d e l i n ga n dc o n t r o lo ft h es p e c i f i cc o m p l e x n o n l i n e a r d y n a m i c a ls y s t e m sh a v e b e e ns t u d i e ds y s t e m a t i c a l l yb a s e do i l w a v e l e tt h e o r ya n dn o n l i n e a rs y s t e mc o n t r o li nt h i sd i s s e r t a t i o n 1 t h ei d e n t i f i c a t i o na n dc e n t r e lm e t h o d sf o rt h en o n l i n e a rs y s t e m sis r e v i e w e d t h e i rf e a t u r e sa n du s i n gs c o p e sa r ea n a l y z e d t h ea c t i o na n d f o r e g r o u n do f t h ei n t e l l i g e n tc o n t r o lt h e o r yi nt h em o d e l i n ga n dc o n t r o lo f t h en o n l i n e a rs y s t e m sa r ed i s c u s s e d t h e n ，t h ei n t e r n a la n de x t e r n a lc u r r e n t s i t u a t i o no fs t u d ya n de x i s t i n gp r o b l e m si nt h em o d e l i n ga n dc o n t r o lo ft h e f e r m e n t a t i o np r o c e s sa r es u m m e du p 2 a h y b r i da p p r o a c h f o r f u z z ys y s t e md e s i g n b a s e do n f u z z y c l u s t e r i n ga n dak i n do ff u z z y n e u r a ln e t w o r k s f i r s t l y ，f u z z yc l u s t e ri su s e d t od i v i d ef u z z ys p a c ea n d g e n e r a t ea ni n i t i a lf u z z yr u l e sb a s ef r o mt h eg i v e n i n p u t d a t a s e c o n d l y ，a d a p t i v e - n e t w o r k b a s e d f u z z y i n f e r e n c e s y s t e m s ( a n f i s ) t u r nm e m b e r s h i p f u n c t i o n si na n t e c e d e n t p a r t a n d p a r a m e t e r si nc o n s e q u e n tp a ro fi n f e r e n c er u l e sb ym e a n so fl e a s t 。s q u a r e m e t h o d sa n dg r a d i e n td e s c e n tm e t h o d s s i m u l a t i o nr e s u l t ss h o wt h a tt h i s f u z z yn e u r a ln e t w o r k s ( f n n ) h a sb e t t e rg e n e r a l i z a t i o n a n da p p r o x i m a t i o n a b i i i t i e s 3 i ti s c o m p a r e dt h et h r e ek i n d so fm u l t i r e s o l u t i o nn e u r a ln e t w o r k s ( m r n n ) t h et r a i n i n go f t h em u l t i - r e s o l u t i o nn e u r a ln e t w o r k si np a r a l l e li s s i m p l e b u t t h e g e n e r a l i z a t i o n a b i l i t y isb a d c o m p a r e d t ot h eo t h e r n 1 l i i t i r e s o l u t i o nn e u r a ln e t w o r k s s ow eu s e t h em u l t i r e s o l u t i o n f u z z y n el i r a ln e t w o r k sm o d e l i t h a st h eb e t t e r g e n e r a t i o n s a b i l i t y a n d + 昆明理工大学学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下进行 研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含 任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做 出重要贡献的个人和集体，均已在论文中作了明确的说明并表示了谢 意。本声明的法律结果由本人承担。 学位论文作者签名i 珂朝峰 日期：2 。c 弓年多月日 第一章鳟 论 1 1 研究背景 第一章：绪论 生化工业在国民生活和国民经济生产中的地位越来越重要了。为此， 对这一工业领域的操作管理、测量控制、优化生长成为很重要的课题。 出于生化过程的复杂性，它的闭环控制水平远远落后于其它工业生产过 程【。一i 。 具有悠久历史的发酵工业已成为生物工程( b i o t e e h n o l o g y ) 和生化 工程( b i o c h e m i c a le n g i n e e r i n g ) 的基础。在近几十年中，发酵工业越来 越发展并趋向旺盛时期。尤其是新的生化工程领域。例如二次代谢产物 的生产( 抗生素生产) 通过微生物质或细胞的培养来获得有机物质的转 换( 如类固醇) 工业污水、动物废水的生物处理以及酶制剂、食用蛋白、 饲料添加剂等的生产，发展特别迅速。因此，随着生物工程的迅速发展， 需经过生化工业而转变为工业产品，成为商品，所以。生化反应器及其 系统在生化工业中显得越来越重要，生化反应器的体积从几立方米发展 到几十立方米，而今几百立方米，甚至上千立方米。对于这样大型的生 化反应器系统，若操作控制不当，将会造成极大的经济损失，因此，对 于生化生产过程的参数测量、操作监视、自动控制、优化操作与控制， 成为生化生产优化管理与自动化的关键问题。另一方面计算机技术的飞 速发展。为测量、分析、控制生化工程提供了先进的自动化工具。 微生物发酵过程是极其复杂的生化反应过程。对于生化反应的操 作。以前是凭着人们的实践经验来进彳亍的。由于缺乏尘化反应过程参数 的测量、监视和控制系统，使锝产品成本高，操作费用高。因此，对生 化反应过程实行优化操作和控制，是急需解决的问题。因为，准确自动 地将发酵过程控制在希望地最优状态上。能够在相同的时间内得到更高 地产率，并能降低能耗。但对于复杂地发酵过程来说。控制系统地设计 j ：不是简单和直接的。 生化过程要测量的参数可分为物理参数、化学参数和生物参数。 l 物理参数：物王j j ! 参数通常有生化反应器温度。，土化反应器压力， 生化反应器体干j ，空气流量，冷却水流量，冷却水进山口温度，泡沫商 第一章绪论 、 度等。这些物理参数，根据不同种类的生化反应要求。都可以选用有关 测量仪表来实现自动测量。 2 化学参数：发酵过程典型的化学参数有p h 值和溶解氧( d o ) 两个参数。对于微生物的生长，代谢产物的形成极为重要。过去，由于 缺乏耐消费的能进行无菌操作的p h 电极和溶解氧( d o ) 电极，无法做 到实时的在线测量。目前，已有成熟的p h 和溶解氧电极可供使用。 3 生物参数：生物参数通常包括生物质呼吸代谢参数、生物质浓 度、代谢产物浓度、底物浓度，以及生物比生长速率、底物消耗速率和 产物形成速率等。 关于生物参数，无论是国内还是国外，在工业生产中实施在线底 测量仪表都比较少。正出于这种原因。使得生化反应过程的控制比一般 的工业生产过程难度更大。就目前来说，还没有可以在工业生产上使用 的在线测量仪器测量这些参数。在实验室中，已用质谱仪和核磁共振分 析仪来测量反应物中各种物质的浓度。所以，在工业生产中，这些参数 的测量大都基于取出反应液样品到实验室采用化学分析方法或借h p l c 仪器来分析。由于分析个样品要很长时间。大多数是4 小时或8 小时 取样分析一次。这对于实时控制来说，很难利用这些数据来进行实时控 制。因此，这是一个很有挑战意义的研究课题。 目| 。发酵过程的控制，上述物理参数和化学参数基本能够稳定 地控制在需要的操作环境下，由于生物传感器的缺乏，对于最终的产物 还难于达到闭环控制。这一问题要借助于先进的控制理论和先进的控制 装置来完成。国外已有不少研究者研究这一问题，采用了先进的理论和 方法，如k a l m a n 滤波器估计技术、微分几何理论、专家系统、模糊理 论及神经网络技术等。针对发酵过程的特点，研究发酵过程的建模和控 制问题是一项艰巨的任务。 另外一方面，随着汁算机技术在工业生产过程的广泛应用，它为 复杂的建模技术和控制技术在实际生产过程的应用提供了基本工具。因 此，术课题不仅具有理论上的研究意义，在实际应用中，也是可行的， 具有r 阔的戍川前景。 【曩l 内对这一课题的研究做得很少，本文的工作将促进发酵过程这 复杂领域的控制研究。 水文。】i 要l ：! l 习绕发酵过程的建模和控制有关问题展j r 研究。山- 1 二发 第一章结论 酵过程的高度非线性特点，有关发酵过程的建模和控制问题都要涉及到 非线性系统的理论和方法，所以，在本章的1 2 和1 3 专门谈一下非线性 系统辨识和控制的方法及发展。随着智能控制理论的发展，其在发酵控 制中占据了重要地位，在1 4 中，我们对智能控制的理论做了专门论述。 在i 5 和1 6 中，对发酵过程的建模和控制进行了概述，对其发展进行了 总结。 1 2 非线性系统辨识的研究方法和发展 建立描述非线性现象的模型是研究非线性问题的基础。下面介绍非 线性系统辨识中几个典型的模型。 1 2 1 非线性模型 1 2 1 1v o l t err a 级数 v o l t e r r a l 2 i 级数可以表示为 加) ：意了h ( f i ，r 2 ) 卉”( t - - * 1 ) ”。一。 “1 ( 1 1 )式中。 = y 。( f ) y 。( f ) = 。( r ，r ：，- ，r 。) 兀”( t - r ，) d f ， ( 1 2 ) 一a o i = l 上式中“ 吵( ，) 分别是模型的输入和输出a 函数h ( f i ，r ：，r ，) 是 v o l t e r r a 核( k e r n e l ) 。f r e c h e t l 3 1 研究了这个模型并通过扩展了的 w e i e r s t r a s s 多项式逼近定理指出任何一个连续的函数可以被一系列在所 有连续的紧集上均匀收敛的整阶函数所表示，这里每个整阶函数等价于 一个v o i t e r r a 函数。 从模型辨议的角度看，v o l t e r r a 级数有一个明显的缺点，也就是需 要相当多的被估计参数力能取得满意的精度。例如当用v o l t e r r a 级数去 逼近一个二阶非线性需要1 0 ”个参数i4 1 j 尽管v o l t e r r a 级数对非线性系 统理论、函数逼近、辨识方法的发展有着非常重要的推动作用，但现在 普遍认为它很难川于：i ：业过程建模。 1 2 2 2n a r m a x 模型 第一帝绪论 n a r m a x ( n o n l i n e a ra u t o r e g r e s s i v em o v i n g a v e r a g e w i t h e x o g e n o u si n p u t s ) 模型可以表示为： y ( l 2 f ( y ( k - “l ( ) 女, 一y ，( k ) ，p - ( n y 一) , l u ) ，( k - e ( 1 女) , nh 。) ) + e ( j ) ( 1 3 ) “( 女一，) ，p ( 一1 ) ，e ( 女一h n + e ( j ) 、。7 式中f ( 是一个非线性函数，l ，( 七) 枷( ) 分别是模型的输入和输出，e ( 女) 是 一个不可观测的零均值和有限方差的独立噪声，k = 0 , 1 ，是离散时问标 l e o n t a r i t e s 和b i l l i n g s l 5 1 提出这个模型的概念，详细地论证了它的特 征及存在的充分条件。近些年来，s o n t a 9 16 1 ，b i l l i n g s 和c h e n i7 1 ，b i l l i n g s 和z h u l 8 l 找到了一个n a r m a x 模型子集，称为有理( r a t i o n a l ) n a r m a x 她，静炉舞坝。 4 ， 式中n ( ) 和6 ( ) 分别是分子多项式和分母多项式，只和b 分别是分子 n a r m a x 模型提供了一个统一的有限可实现非线性系统表达式。象 w i e n e r 模型、a r m a x 模型等都可以归为其中的一个子集模型。这个模 型的优点是逼近精度高、收敛速度快，一般只用很少几项经过几次迭代 就可达到满意的精度【9 1 ，对于线性参数的子集模型辨识简便，可以用线性 最小二乘方法进行选项和估计参数1 1 0 j 。 从逼近理论和模型研究的发展来看，人们已从用线性模型逼近非线性 现象发展到用非线性模型逼近非线性现象。使用线性模型的优点是表达 形式简单，容易辨识也方便控制系统设计，缺点是精度很差特别是存 在严重非线性情况下，很难找到适当的线性模型，使用非线性模型的优 点是逼近精度高，有时模型可直接与物理或化学规律联系起来或者该模 型的物理意义明确。缺点是辨识比较困难，特别是当模型的被估计参数 足非线性的一些兆型的线性参数估计算法是不能直接使用的。 1 2 2 非线性模型辫识 竹i 模删已选定的i j i 捉卜，个系统的辨识需要以下儿个步骤：模型 第一章绪论 结构的确定、阶数的选择及参数估计、模型的有效性检验。 对线性模型比较常用的方法有a k a i k e 信息判据或简称a i c ( a k a i k e i n f o r m a t i o nc r i t e r i o n ) f 1 1 、f 检验判据( 堙j 、乘积矩阵检验( p r o d u c t m o m e n tm a t r i xt e s t ) 1 3 1 。这些方法的适用性是基于线性模型的简单性。 上述方法很难用于非线性模型，因为非线性模型的项数随着阶数的增加 而增加很快，有时也称项数组合爆炸。为解决非线性模型回归项的选择 问题，k o r e n b e r g 等【。4 1 提出了误差增减比判据或简称e r r ( e r r o r r e d u c t i o nr a t i o ) 判据。这个判据是根据经验先选择一个比较大的阶数 和项数，也就是构成一个比较大全模型，然后根据模型中的每一项对减 少误差的贡献大小进行选取。因为误差减小是收敛的，所以选择的项数 是有限的。这是一个选择非线性模型项的很实用的方法。目前在这一方 面还没有进一步改善的判据，也没有直接确定非线性模型阶、项的直接 方法，这将是非常难于解决的问题。 目前比较流行的参数估计算法有预测误差( p r e d i c t i o ne r r o r ) 算法 【”1 ，这个算法已用于估计非线性模型的参数。正交最小二乘法 ( o r t h o g o n a l l e a s t s q u a r e s ) ，推广到线性参数的非线性模型参数估计 【j 。z h u 和b i l l i n g s i m 】又将这一算法进一步扩展到有理n a r m a x 模型( 非 线性参数) 的参数估计，这一结果使得对非线性参数估计及变量有误差 问题的研究有了一个突破性的进展。高阶矩算法主要用于变量有误差模 型的参数估计。非线性模型的参数估计是值得注意的一个发展方向。 1 3 非线性系统控制方法概述和发展 非线性控制系统的发展几乎是与线性系统平行的。然而由于非线 性系统本身所包含的现象十分丰富，迄今人们对它的了解还不够。例如， 对非线性系统原点稳定性的刻画，需要很多种类型。由于孤立平衡点可 以任意多，系统本身的稳定性就更复杂了。其次，解决适合非线性系统 发展的数学工具也相当困难。因此理论研究和应用都要求发展一般的非 线性方法，而一般的非线性方法尚难于想象。 = 啦线性控制系统的研究方法，是针对个个具体的非线性系统， b 简即到复杂l i i 特殊到一般发展起来的。本节对非线性控制有代表性的 办法进行综述。 第一章绪论 1 3 1 相平面方法“7 1 相平面方法仅适用于二阶及简单三阶系统，它的特点是能给出系统 的全部动态特性，这其中也包括一些非解析的系统，因而是现代解析理 论所不能及的。此外，从向平面方法产生了现代控制理论中的变结构控 制( v s c ) 。 1 3 2 描述函数法7 1 描述函数法( 又称谐波线性化法) 的研究对象虽然可以是任意阶次 的系统，但其中只有执行机构具有非线性特性，一般表示为= f ( c r ) 。 此方法原本是用来寻求系统中的自振和稳定性判据，但后来被发展成为 可以判定原点稳定性、稳定度、求解强迫振动等问题的方法。并且成为 应用于非线性系统的一种综合方法。 1 3 3 变结构控制( v s c ) “们 严格的说，变结构控制应称为“具有滑动模态的变结构控制”。这是 五十年代在前苏联发展起来的。到了八十年代，交结构控制重新受到重 视，因为滑动模态具有对摄动及干扰的不变性，是比鲁棒性还强的优点， 另外它是迄今为止较普遍、较系统的一种综合方法。抖振是影响v s c 应 用的主要缺点 1 3 4 微分几何控制”们 用微分几何方法研究非线性控制是现代数学发展的必然产物。早在 1 9 3 9 年周炜良( w l c h o w ) 就得到了非线性系统解流行方面的最基本的 结果。山予h e r m a n n ，l o b r y ，b r o c k e t t ，l s i d o r i 等学者的积极创导，非 线性系统的微分几何控制理论得以形成，并在近= 十年的非线性控制研 究中成为主流。它的内容包括基本理论和反馈设计两大部分。 微分几何控制的内容主要表现在对以下几个典型控制问题的研究 中。1 ) 反馈线性化；2 ) 干扰解耦及无交互作用控制；3 ) 无( 有) 穷零结构、 模型匹配、病态。 非线性系统的几何理论最大优点是将微分流形的子流形的研究转换 为对切空问的子分柿的研究。但主要缺点是它的复杂性、无层次性和准 线性控制。 1 4 智能控制方法应用与非线性系统辨识与控制概述 第章结论 1 4 1 模糊方法 1 9 6 5 年l a z a d e h 教授创立了模糊集理论并得到了较快的发展 和实际的应用成为智能控制领域中的一个重要分支。7 0 年代中期以 e h m a m d s n i 为代表的一批学者提出了模糊控制的概念。标志着模糊 控制的正式诞生。 模糊控制的基本思想是把人类专家对待定的被控对象或过程的控制 策略总结成一系列以：i f ( 条件) t h e n ( 作用) 产生式形式表示的控制规则， 通过模糊推理得到控制作用集。作用于被控对象或过程。控制作用集为 一组条件语句状态条件和控制作用均为一组被量化了的模糊语言集， 如“正大”，“负大”，“高”“低”，“正常”等。它们共同构成控制过程 的模糊算法： 定义模糊子集，建立模糊控制规则 由基本论域转变为模糊集合论域； 模糊关系矩阵运算； 模糊推理合成，求出控制输出模糊子集； 进行逆模糊运算，判决，得到精确控制量。 模糊控制与常规控制方法相比有以下优点； 模糊控制完全是在操作人员控制经验基础上实现对系统的控 制，无需建立数学模型，是解决不确定性系统的一种有效途径。 模糊控制具有较强的鲁棒性，被控对象参数的变化对模糊控制 的影响不明艟，可用于非线性、时交、时滞系统的控制。 山离线计算得到控制查询表，提高了控制系统的实时性。 控制的机理符合人们对过程控制作用的直观描述和思维逻辑为 智能控制的应用打下了基础。 模糊控制的深入的理论和应用研究，主要有以下方面【2 0 j ：模糊控制 的稳定性研究。模糊模型及辨识，模糊最优控制，模糊自组织控制，模 糊自适应控制，传统p i d 与f u z z y 控制相结合的多模态模糊控制器。模 糊控制理论2 0 年来在理论相应羽上已取得了引入瞩目的成果，成为控制 理论及廊川t n 重要组成部分。8 0 年代以后和9 0 年代初出现了模糊逻 辄( f u z z yl o g i c ) 控制，使模糊控制迎加接近了智能控制。 模糊控制的卜要缺陷： 7 第一章绪论 信息简单的模糊处理将导致系统的控制精度降低和动态品质变差。若 要提高精度则必然增加量化级数，从两导致规则搜索范围扩大，降低 决策速度，甚至不能实时控制。 模糊控制的设计尚缺乏系统性无法定义控制目标。控制规则的选择、 论域的选择，模糊集的定义、量化因子的选取等多采用试凑法，这对 复杂系统的控制是难以奏效的。近年来不少学者开始注意到将模糊控 制、规则控制、专家系统、传统控制方法、神经网络、遗传算法逐渐 融合这给模糊控制带来了新的活力。 1 4 2 专家控制系统 专家系统是人工智能应用领域最成功的分支之一，始于6 0 年代中期。 随着应用的不断成功，专家系统技术越来越受人们的重视。8 0 年代专家 系统的概念和方法被引入控制领域。促进了专家控制系统的研究和应用， 它在控制领域的应用已涉及到控制系统辅助设计、分析和专家控制等方 法这实际上可以视为利用计算机通过模拟人的经验来实现对复杂系统的 控制。 大多数专家系统主要由四部分组成： 知识库( 包括事实、判断、规则、经验知识和数学模型) ， 推理机一一首先把知识库中的专家知识及数据库中的有关事实以一 定的推理方式进行逻辑推理( 匹配) 给出结论。 解释机制是专家系统区别于传统计算机程序的主要特征之一，它可以 向用户回答如何导出推理的结论完成“h o w ”，“w h y ”的工作。 知泌获取系统，主要完成机器学习。 专家控制可定义为：具有模糊专家智能的功能采用专家系统技术 与控制理论相结合的方法设计控制系统。专家控制系统的出现，改变了 传统的控制系统设计中单纯依靠数学模型的局面，使知识模型与数学模 型相结合知识信息处理技术与控制技术相结合，是人工智能与控制理 论方法和技术楣结合的典型产物。 专家控制系统具有如下特点； 它在定程度i - 模拟人的思维活动规律，能进行自动推理，善于应付 再种变化，具7 i 透明性和灵活性。 它可以不断骼愣生产过程，实现特定性能指标下的优化控制，能处理 第一帘绪论 大量低层信息可进行操作指导。 相对传统控制，扩展了许多功能，如复杂系统的高质量控制，故障诊 断和容错控制，参数和算法的自动修改，不同算法的组合等。 深层知识的引入，可以弥补专家经验的不足，可以自然地消除决策冲 突。 目前应用在控制领域的专家控制系统的主要类型有： 1 ) 控制系统辅助设计；2 ) 过程监控、在线诊断、故障分析与预测维 护，3 ) 过程控制：4 ) 航天故障诊断与处理；5 ) 生产过程的决策与调度。 在工业过程控制中的专家控制主要有如下几种形式： 基于规则的专家控制( 直接专家控制) 这种直接专家控制比较简单，专家系统直接包含在控制回路中，专 家系统直接给出控制信号。影响被控过程。由于每一采样时刻必须由专 家系统给出控制信号，系统方可正常运行，而专家系统需要根据测量到 的过程信息及知识库中的规则推导出控制信号因此这类控制对推理速 度要求较高，如何满足实时性要求、是这类系统要解决的关键问题。 间接专家控制 这类控制也称监督专家控制。是常规p i d 控制器、自适应控制和专 家系统的结合。专家系统的作用只是监督系统的运行，并根据系统运行 状况在线调整控制器的参数，选择更为合适的控制算法。 混合型专家控制 这类控制主要是：仿人智能控制、模糊专家控制，多级智能专家控 制。 专家控制仍存在着许多需要进一步解决的问题如： 如何解决好知识的获取问题、以及如何进行实时性的搜索以解决实时 控制问题， 如何将过程的深层与浅层知识合理地结合起来，构造知识库。有效地 自动修改知识库； 如何进行专家控制系统的稳定性、可控性分析； 如f i , 7 建造通用的满足过程控制的专家丌发工具。 1 ，4 3 分级递阶智能控制 分级递阶 v 能控制( h i e r a r c h i c a li n l e l l i g e n tc o n t r 0 1 ) 也称为罐于信息 第一章绪论 论的智能控制它是在研究学习控制系统的基础上从工程控制出发总 结人工智能与自适应控制、自学习控制及自组织控制的关系后逐渐形成 的。最初由g n s a r i d i s 提出。该系统由组织级、协调级、执行级组 成。在这类多级智能控制系统中，智能主要体现在高的层次上，执行级 仍然采用现有数学解析控制算法，不便处理过程中的定性信息和利用人 的直觉推理、逻辑和经验，难以获得对不确定性系统的有效控制。 1 4 4 神经网络控制系统 神经网络的研究已有较长的历史，最早的研究是4 0 年代心理学家 m c c u l l o c h 和数学家p i t t s 合作提出的兴奋与抑制型神经元模型【2 。和 h e b b 提出的神经元连接强度的修改规则。他们的研究结果至今仍是许多 神经网络模型研究的基础。5 0 年代、6 0 年代的代表性工作是r o s c n b i a t t 的感知机和w i d r o w 的自适应线性元件刘a d a l i n e 。1 9 6 9 年，m i n s k y 和 p a p e r t 合作发表了颇有影响的p e r c e r t r o n 一书，得出了消极悲观的论点， 加上数字计算机正处于全盛时期并在人工智能领域取得显著成就，7 0 年 代人工神经网络的研究处于低潮。进入8 0 年代后，传统的v o n n e u m a n n 数字计算机在模拟视听觉的人工智能方面遇到了物理上不可逾越的极 限。与此同时，r u m e l h a r t 与m c c l e l l a n d 以及h o p f i e l d 等人在神经网络 领域取得了突破性进展，神经网络的热潮再次掀起。目前在研究方法上 已形成多个流派。最富有成果的研究工作包括多层网络b p 算法1 2 2 1 ， h o p f i e l d 网络模型2 3 1 ，自组织特征映射理论1 2 4 l 等。人工神经网络是在现 代神经科学的基础上提出来的。它虽然反映了人脑功能的基本特性，但 远不是自然神经网络的逼真描写而只是它的某种简化抽象和模拟。 人工神经网络的以下几个突出的优点使它近年来引起人们的极大关 注： 可以充分逼近任意复杂非线性关系： 所有定量或定性的信息都等势分椰贮存于网络内的各神经元故有很 强的鲁棒性和容错性； 采用并行分前i 处理方法，使得快速进行大量运算成为可能； 可学习和臼适应不知道或不确定的系统， 能i 司时处理定量、定性知识。 多变录系统：_ 1 1 1 经网络得输入输j 变量得数目是任意的，为即变量系 0 第一章结论 统与多变量系统提供了一种通用的描述方式，不必在考虑各子系统问 的解耦问题，因此它在多变量系统控制中比传统控制方法更加简便。 神经网络用于控制领域仅有几年的时间，是一个非常活跃的课题， 也存在着许多需要解决的问题。 由于n n 的高度非线性，使得整个系统从数学上进行稳定性与收 效性的证明仍比较困难，需要寻求有效的分析手段。 n n 的学习速度一般都较慢，为满足实时控制的要求，必须研究 快速的学习算法、并行算法。 n n 尚缺乏系统化的设计方法。 缺乏硬件支持，难以真正发挥n n 的优点。 缺乏比较适合控制系统的网络结构和灵活的智能神经元。 为了使神经网络在控制领域的应用更加深入，需要开展以下几方面 工作： 开展神经网络控制系统的稳定性、收敛性、鲁棒性和可靠性等理论 研究。 _ 丌展神经网络的学习算法研究，研究新的快速学习算法，设计用于 控制的新神神经网络模型和算法，改进现有的学习算法。在网络中 加入先验知识，减少计算量和学习次数提高神经网络的智能水平。 研究n n c 与其它控制方法的结合。开辟新的研究方向；如大系统、 分布参数系统、大时滞系统的神经网络控制；研究神经网络和智能 系统，如专家系统、模糊逻辑、遗传算法、人一机结合，取长补短， 构成一个集成智能控制系 研究n n 的硬件实现问题促进n n c 在控制领域的应用。 1 4 5 模糊神经网络的应用 模糊逻辑和神经网络是当前研究的热点。它们各具特点。模糊信息 处理是以模糊逻辑为基础，抓住了人类思维逻辑中的模糊性特点。模仿 人的模糊综合判断推理来处理常规方法难以解决的模糊信息处理的难 题。人：神经网络是以生物神经网络为模拟对象，试图在模拟推理及自 学习方而等方丽向l j i 发展。使人工智能更接近人脑的自组织和并行处理 功能。模糊逻辄和神经网络各有优点，又各有一定的局限性。将这两种 技术仃机的结合起来，具有很人的优辨。 笫一章绪论 理论研究现状 一般说来，利用联接主义表达的模糊逻辑控制器，必然引入了学习 机制，同时也给这种局部逼近网络带来了很多结合的优点。如存储容量 的减小，泛化能力的增加，以及联接主义结构的容错性等。特别的，模 糊逻辑处理连续动态系统的能力，可能为动态神经网络的研究带来根本 的出路。因此，无论从模糊控制，还是从神经网络控制研究的角度来看。 两者的结合可以说代表了该领域未来的主要发展方向。也是当前研究的 热点。 近年来，模糊神经网络的研究已取得一些成果。主要体现在以下几 个方面。 ( 1 ) 模糊系统与神经网络系统作为一般自适应模型无关估计的研究。 我们所处理的任何过程和系统均可用激励与响应的映射来表征，即任何 对象都可以用一自适应模型无关函数估计器特性来描述。神经网络作为 一般函数估计器，已被广泛适用于各种应用领域。w a n g 利用 s t o n e w e i e s t r a s s 定理证明了具有积推理、中心反模糊化、高斯型隶属函 数的模糊系统也能以任意的精度逼近任一闭子集上的实连续函数 ( 2 ) 利用神经网络对模糊控制规则的获取、细化等方面的研究1 2 6 l 。模 糊控制器的关键就是模糊建模，然而经典方法都难以有效的辨识规则和 细调隶属函数，对于专家难以表达的可用聚类( 或矢量量化) 的方法从 专家的行为特性提取有用的启发知识。在专家知识无法用语言表达时。 采用无导师的规则聚类算法从经验中获取知识是很重要的，这就使得研 究成功的规则获取方法成为目前模糊神经网络研究的重要方法之一。然 后还要利用实际目标系统对规则进行细化。 ( 3 ) 在神经网络学习算法中引入模糊控制技术的研究1 2 6 | 。传统的神经 网络学习算法( 特别是b p 算法) 存在学习周期长，甚至常常陷入局部 极小值的缺点。为了加快学习速度，改善学习算法的性能，可以对网络 的学习性能进行分析。利用获取适当的启发式知识来控制学习算法，在 学习算法t 引入模糊控制技术，就能动态的调整网络的学习过程。使传 统的静态学习算法动态化，如a r a b a s h a h i 等人给出的层状感应器的后向 传捅算法的模糊逻辑控制技术。c h o i 等人利用启发式知识的模糊逻辑控 制器来凋整传统神经网络训练中的网络参数，且将注意力集中在a r t 和 b p 的学习参数的控制一h 第一章绪论 1 5 发酵过程建模概述及最新进展 在生化工业中，当发酵过程重要变量的生物传感器还没解决之前， 对于发酵过程的控制，还只能用估计技术的方法来实现。因此，利用在 线可测量的信息来估计发酵过程不可测量的重要变量，或利用离线分析 获得的数据，建立起过程可靠的模型，从而对过程的关键变量的当前状 态进行实时预测估计，成为目前发酵过程控制的主要研究内容。 发酵过程模型建立的传统方法是基于能量和物料平衡方程建立机理 模型。这种机理模型需要对过程的动态特性、传输特性及生化反应特性 有深入的了解。另外，机理模型的预测能力十分有限，这是因为发酵过 程本身高度非线性和时变的，其动态特性常常是部分未知的或是完全未 知的。后来，各种估计技术应用与发酵过程。实际的工业系统是非线性 的，所以，希望所使用的模型要能反映真实工业过程非线性结构的特性。 因此，要求所使用的估计算法，要么本身具有非线性的特性，或者用具 有自适应的线性模型来近似非线性。这类估计技术，扩展卡尔曼滤波 器( e k f ) 估计技术应用于发酵过程的报导很多1 2 6 - 2 7 1 。 虽然，基于模型的估计方法能够获得良好的性能，但是，生长阶段 的改变，发酵过程的病态信息以及有关的噪声特性都会使估计的方法失 效。因此，早期的大量研究工作中。把机理模型与e k f 方法结合起来， 在定性估计中机理模型起着主要作用。在过程机理模型缺少的情况下， 采娟自适应估计技术加以克服。在某些情况下，为了得到可靠的估计结 果，往往把模型参数估计和过程状态估计两者结合起来同时进行。利用 这些方法，可以丌发出发酵过程的观察器。 随着智能控制理论的发展，其中神经网络已成功的应用于非线性系 统辨议中。神经网络的发展也为发酵过程状态估计技术提供了一种新途 径。神经网络应用到发酵过程进行状态变量估计已有报导的例子，如菌 体浓度的估计1 2 8 i ( l i n k oa n dz h u ，1 9 9 2 ；m o n t a g u ee ta l ，1 9 9 2 ) 1 3 士霉素 生产中的应用 2 9 1 ( z h a n g e ta l ，1 9 9 6 ) 。并且研究成果已经证明神经网络 技术在发酵过搬! 的应用比扩展卡尔曼滤波器估计技术估计精度高，预测 准确。 刚丌始寸，神经网络足作为“黑箱”式模型应用予发酵过程。在没 彳f 过程的先验知让 ，仪。一j ：系统的输入输出数据盯发过程模拟时，“黑箱” 第一章绪论 式神经网络建模方法己被证明是可行的。虽然神经网络具有任意逼近连 续函数的能力，但也有它的缺点。包含有上百个内部参数的网络，可能 导致“过拟合一o v e r f i t t i n g , 使得泛化能力差。并且这种“黑箱”式神经 网络模型的含义很难解释。因此，人们对开发新的建模方法产生了越来 越大的兴趣。因为网络内部的冗余可能导致模型性能变差，一种方法是 发展一种算法，减少网络的冗余，即删去对网络性能无影响的那些连接 权，但这并没有解决模型结构物理含义的问题，也没有有效地利用过程 的先验知识。 另一种思路集中在将过程的内部结构溶入神经网络建模中，最典型 的是使用过程的某些先验知识，按这个思路的建模方法有个共同的特点 就是网络模型中各个部分完成不同的任务，例如一种方式是将过程内部 已知的线性模型与非线性神经网络相结合，发挥神经网络的非线性特性。 非线性网络对过程非线性特性建模，这样使得整个模型能够描述过程的 复杂动力特性。这种建模方法统称为混合神经网络建模方法。 这种混合模型比“黑箱”式神经网络建模方法具有明显的优点，混 合神经网络模型具有内部结构，能够清楚的表示出过程变量和过程参数 之间的相互关系，其结果也更容易分析其含义。从物理含义来考虑，部 分已知的机理模型确定了过程变量之问的相互关系，神经网络来估计未 知部分。因为混合模型包含了部分已知的机理模型，即它只含有过程的 部分不确定因素，使得混合模型具有比“黑箱”式神经网络模型的泛化 能力、模型精度更高等特点。 这种混合模型适应于发酵过程的建模特点。对于发酵过程来说，已 经建立起来的简单机理模型有上百种，弃之不用非常可惜。因此，人们 对发酵过程混合神经网络建模方法进行了研究。提出的几种混合神经网 络模型有：串级结构、并联结构及串并结构混合模型。 串联结构的混合神经网络模型中，将参数模型与神经网络模型相串 联，用神经网络模型估计不可测量的中间变量。花强和壬树青 3 0 1 将串联 结构的混合神经网路建模方法应用于2 酮基- 1 古龙酸( 2 - k l g ) 发酵过 朽! f f j 状态估计中。 在j f ：联结构的混合神经网络模型神经网络模型与先验模型相关联， 神经网络模型的输出与先验模型的输出之和决定蹩个模型的输出。先验 模型可能出j ：内部过程的复杂性或不可测量的干扰因素，与实际系统有 第一章绪论 偏差时，正是用神经网络来弥补这个偏差。e i k e n s 等1 3 t ( 1 9 9 9 ) 将并联 结构的建模方法用于酵母分批补料发酵过程的建模中。 由t h o m p s i n 和k r a m e r ( 1 9 9 4 ) 3 2 1 提出的串并联结构混合神经网络 模型，组合了串联模型和并联模型的优点。将部分先验知识表达的参数 模型与神经网络模型并联，两部分组合后再与先验模型表示的输出模型 串联。这种串并联结构比串联及并联结构更趋于一般化。当缺乏先验知 识的参数模型时，参数全部出神经网络的输出给出，结构转变为串联形 式，当参数模型能够准确表达过程的特性时，神经网络输出为零，照个 模型即变为纯机理模型。 1 6 发酵过程控制概述及最新进展口钉。