（检测技术与自动化装置专业论文）发酵过程生物量软测量专家系统知识库研究.pdf

摘要 发酵过程生物量软测量专家系统知识库研究 摘要 微生物发酵工程是生物工程和现代生物技术及其产业化的基础。生物 量是发酵过程中重要的过程参数，直接影响着发酵过程的控制和优化。由 于生物传感器的缺乏，目前还没有很好地解决生物量的在线检测问题。软 测量是利用辅助变量在线估计不可测或难测变量的技术，采用软测量技术 对生物量进行在线估计，是解决生物量在线测量的有效途径。在发酵过程 生物量软测量建模的过程中，构建机理模型与辨识模型相结合的软测量混 合模型是解决生物量在线估计的关键。专家系统能够运用专家的知识与经 验进行推理、判断和决策，是解决生物量软测量混合模型构建的有效方法。 知识库存储领域专家的专门知识，是专家系统的重要组成部分之一。因此， 研究专家系统知识组织方法和知识库对于生物量软测量混合模型结构的 构建具有重要的理论意义。 本文在详细分析发酵过程生物量软测量建模及专家系统应用研究现 状的基础上，通过分析发酵过程生物量软测量模型的知识特点，提出了发 酵过程生物量软测量专家系统知识库的知识组织方法；建立了发酵过程生 物量软测量专家系统的知识表示结构，给出了用于生物量软测量专家系统 知识库的知识表示形式和知识组织分层结构；通过研究规则层间关系，给 出了解决规则层冗余的冗余校验算法；并在此基础上，基于n e t 平台结合 数据库技术设计了相应的专家系统知识库。 实验研究表明，应用分层结构的知识组织方法进行推理，与应用顺序 北京化_ t 人学硕i ：学位论文 结构的知识组织方法进行推理相比较，在同样的搜索目标的条件下，所需 步长明显减小，缩短了推理时间。采用规则冗余算法可以很好地解决生物 量软测量专家系统知识库中规则层的冗余问题。 关键词：发酵，生物量，软测量，知识库，专家系统，规则 a b s t r a c t r e s e a r c ho fe x p e r ts y s t e mk n o w l e d g ed a t a b a s ei ns o f t s e n s o r m o d e l i n go fb i o m a s si nf e r m e n t a t i o np r o c e s s a n i m a l c u l ef e m e n t a t i o ne n g i n e e r i n gi st h ef o u n d a t i o no fb i o e n g i n e e r i n g a sw e l la sm o d e mb i o l o g yt e c h n o l o g ya n db i o e n g i n e e n gi n d u s t r i a l i z a t i o n a s o n eo ft h em o s ti m p o r t a n tv a r i a b l e si nf e 肌e n t a t i o np r o c e s s ，b i o m a s sd i r e c t l y i n n u e n c e st h ec o n t r o la n do p t i m i z a t i o no ff e m e n t a t i o np r o c e s s h o w e v e r ， w i t ht h el a c ko fb i o l o g i c a l s e n s o r s ，t h e r ea r ei l o e f r e c t i v em e a s u r e m e n t m e t h o d sf o rb i o m a s sa tp 陀s e n t a p p l 如n gs o r s e n s o rt e c h n o l o g yt oe s t i m a t e b i o m a s so n - l i n ei san e we a e c t i v e 印p r o a c ht os o l v et 1 1 i sp r o b l e m d u r i n gt h e s o r s e n s o rm o d e l i n go ft h eb i o m a s si nf e 瑚e n t a t i o np r o c e s s ，c o n s t m c t i n g s o r - s e n s o rh y b r i dm o d e l c o m b i n i n gm e c h a n i s mm o d e la n di d e n t i f i c a t i o n m o d e li sk e yp o i n t st oe s t i m a t eb i o m a s so n - l i n e e x p e r t s y s t e mc a nu s e e x p e r t s l ( n o w l e d g ea n de x p e r i e n c et or a t i o c i n a t e ，j u d g ea n dm a k ed e c i s i o n ， w h i c hi sa ne f r e c t i v ew a yt oc o n s t r u c tt h es o r s e n s o r h y b r i d m o d e l k n o w l e d g eb a s es t o r e ss p e c i a lk n o w l e d g e 舶mf i e l de x p e r ta n di ti st h eo n e i m p o n a n tp a no fe x p e r ts y s t e m t h e r e f o r e ， r e s e a r c h i n ge x p e r ts y s t e m l m o w l e d g eo 唱a n i z a t i o n m e t h o da n d k n o w l e d g e b a s ei s m e a n i n g 如l t h e o r e t i c a l l yf o rs t r u c t u r i n gs o r - s e n s o rh y b r i dm o d e l i nt h i sp a p e r ，o nt h eb a s i so fd e t a i l e da n a l y s i so ft h ec u l t e n tm e t h o d so f 北京化t 人学顾，i ：学位论义 b i o m a s ss o r - s e n s o ra n de x p e r ts y s t e m 印p l i c a t i o n ，e x p e r ts y s t e mk n o w l e d g e o 唱a n i z a t i o nm e t h o di s r e a l i z e dt h r o u g ha n a l y z i n gt h ef e a m r e so fb i o m a s s s o r s e n s o rm o d e l k n o w l e d g e i nf e n n e n t a t i o n p r o c e s s k n o w l e d g e r e p r e s e n t a t i o ns t r u c t u r eo fe x p e r ts y s t e mi sf o u n d e di nf e r m e n t a t i o np r o c e s s ； t h ek n o w l e d g er e p r e s e n t a t i o n f o r ma n dk n o w l e d g eo 唱a n i z a t i o nl a y e r e d s t m c t u r eo fi m o w l e d g eb a s ei n e x p e r ts y s t e m a r e g i v e n ；r e d u n d a n c y v e r i f i c a t i o na l g o r i t h mb a s e do nr e s e 扣c ho fm l e si sg i v e nt os o l v er e d u n d a n c y p r o b l e m f u r t h e m o r e ，k n o w l e d g eb a s eo fe x p e r ts y s t e m i sc o n s t r u c t e d c o m b i n e dw i t hd a t d b a s eb a s e do n n e tt e c h n o l o g y ： e x p e r i m e n t r e s e a r c hs h o w st h a t ， r e a s o n i n gb yl a y e r e d s t r u c m r e k n o w l e d g eo 略a n i z a t i o nm e t h o dc a nr e d u c es t 印a n dr e a s o n i n gt i m eo b v i o u s l y i nt h es a m es e a r c hc o n d i t i o nc o m p a r i n gw i t hr e a s o n i n gb ys e q u e n t i a ls t l l j c t u r e l ( n o w l e d g eo 玛a i l i z a t i o nm e t h o d r e d u n d a n c yv e r i f i c a t i o na l g o r i t h mi sag o o d 印p r o a c ht os o l v er e d u n d a i l c yp r o b l e mi nr u l e sl a yo f1 ( n o w l e d g eb a s eo f b i o m a s ss o r - s e n s o re x p e r ts y s t e m k e yw o r d s ：f i e m e n t a t i o n ，b i o m a s s ，s o r s e n s o r ，k n o w l e d g eb a s e ，e x p e r t s y s t e m ， p r o d u c t i o nm l e s 符e ，说明 符号说明 c ，一一二氧化碳浓度 c m 加，c 删一一进气和尾气c 0 2 含量 c d 一一溶解氧浓度 c d ，加，c d ，删一一进气和尾气0 2 含量c 蚴，c d 删一一班气利尾气0 2 笛重 c 职一一c 0 2 释放率，朋d ，k 办) c r q 一一累计呼吸商 乞一一菌体生长的活化能 巩一产热强度，即单位反应体积 所产生热量 一一底物抑制常数 k 俨一一产物抑制常数 墨口一一体积氧传递系数，h 一 足。一一饱和常数 m 一一菌体的维持消耗常数 。一一通气准数 p 一功率准数 k 一一搅拌雷诺数 。豫一一氧传递速率，聊d ，( 三办) d 咖一一耗氧速率，聊d ，( g j 1 1 ) p 一一产物浓度，g 几 g ，一一反应热生成比速率，h 一 9 d ，一一氧消耗比速率，h j g p 一一产物生成比速率，h 。1 如一一底物消耗比速率，h 。 g s 一一一底物最大消耗比速率，h 一 厂c d ，一一c 0 2 生成速率，g 亿j 1 1 ) 一反应热生成速率，七q ) 厂d 一一氧消耗速率，g ( 三 ) 咋一一产物生成速率，g 犯办) 吩一一底物消耗速率，g ( 三办) o 一一菌体生长速率，g 亿- ) 凡q 一一呼吸商 s 一一基质浓度，g l x 一一菌体浓度，g l x 。一一初始菌体浓度，g l x 懈一一最大菌体浓度，g l l 即一一菌体对a t p 的得率， g 菌体g m o l a t p 一一c 0 2 对基质的得率， gc 0 2 g 基质 户一一c 0 2 对产物的得率， gc 0 2 g 产物 比，s 一一菌体对基质的得率， g 菌体g 基质 一一菌体对0 2 的得率， g 菌体9 0 2 一一产物对基质的得率， g 产物g 基质 y p ，o 一一产物对0 2 的得率， g 产物9 0 2 l 加一一菌体对产物的得率， g 菌体g 产物 k ，c 一一菌体对c 0 2 的得率， g 菌体g c 0 2 口、一一模型常数 一菌体生长比速率，h 一 北京化工大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，独立进 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 何其他个人或集体己经发表或撰写过的作品成果。对本文的研究做出重要 贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明 的法律结果由本人承担。 作者签名：萱丝垦日期：垫叠6 旦生旦 关于论文使用授权的说明 学位论文作者完全了解北京化工大学有关保留和使用学位论文的 规定，即：研究生在校攻读学位期间论文工作的知识产权单位属北京化工 大学。学校有权保留并向国家有关部门或机构送交论文的复印件和磁盘， 允许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内容， 可以允许采用影印、缩印或其它复制手段保存、汇编学位论文。 保密论文注释：本学位论文属于保密范围，在土年解密后适用本授 权书。非保密论文注释：本学位论文不属于保密范围，适用本授权书。 作者签名：曼丝垦日期： 塑垒i 旦生旦 导师签名：丑批 日期：尘血l 第一章绪论 1 1 引言 第一章绪论 生物技术是2 l 世纪的重要技术之一， 品、能源和环境等领域都将发挥重要作用。 它在化工、医药卫生、农林牧渔、轻工食 它促进了传统产业的改造和新兴产业的形 成，将对人类社会产生深远的影响。发酵工业已成为生物技术和生化工程的基础，对 于大型的发酵罐系统，若操作控制不当，将会造成较大的经济损失；因此，对于发酵 生产过程的参数测量、操作监视、自动控制、优化操作与控制，成为生化反应过程控 制与优化的重要问题。 微生物发酵过程是一个复杂的、不确定的、非线性的动态生化反应过程，其影响 因素很多，如发酵液的成分、温度、p h 值、溶氧、活菌的种类、浓度等，涉及到生 命体的生长繁殖过程，机理十分复杂。生物量是发酵过程中重要的过程参数，直接影 响着发酵过程的控制和优化。由于生物传感器的缺乏，目前还没有很好地解决这些生 物量的在线检测问题，而离线的测量方法和已有的基于传感技术的在线测量方法都有 其局限性，不能适用于所有发酵过程的生物量在线测量。 采用软测量技术对生物量进行在线估计，是解决生物量在线测量的有效途径。在 发酵过程生物量软测量建模中，机理建模通过机理分析对过程的内在规律作全面的描 述，由于发酵过程的复杂性，目前对其仍缺乏足够的了解，在发酵过程菌体生长反应 等理论处理上大为简化，导致模型不能反映微生物生长反应的真实性质，适应性差， 且有些未知机理发酵过程无法直接建模；辨识建模仅根据过程的输入输出数据来建 模，如神经网络方法等，但模型输出与实际输出往往有偏差。因此采用将机理建模与 辨识建模相结合的方法( “灰箱”建模) ，即对机理已知的系统部分采用机理建模，对 机理未知的系统部分采用辨识建模的方法，充分发挥两者的优势来建立软测量混合模 型是解决发酵过程生物量测量的有效途径。 应用软测量技术对发酵过程生物量进行软测量建模的过程中，构建机理模型与辨 识模型相结合的软测量混合模型结构是关键。专家系统是具有专门知识和经验的计算 机智能系统，它能够运用专家的知识与经验进行推理、判断和决策，应用专家系统进 行软测量混合模型结构的构建是解决软测量混合建模的有效方法。 1 2 发酵过程生物量检测方法研究现状 微生物发酵过程涉及到生命体的生长繁殖过程，机理十分复杂。发酵过程的控制 北京化t 人学硕i ：学位论文 对发酵产量、菌体成长具有重要作用。在发酵过程控制中，检测参数分为物理参数、 化学参数以及生物量参数。通过对生物量的检测可以判断生物反应器中菌体的生长状 态，如一些描述菌体生长或生产能力的间接参数。因此，生物量对发酵过程控制和优 化具有重要意义。 1 2 1 生物量离线测量方法 由于生物传感技术的困难，目前生物量测量大多还是采用手工取样测量。生物量 的传统测量方法有主要有细胞干重法、离心叠集细胞体积法、计数法、光密度法和亚 甲基蓝染色法等【i 】，这些方法都是离线的，滞后时间长，测量误差大，而且需要从发 酵罐中抽取样品，在取样过程中极易带进杂菌而感染发酵罐。 1 2 2 基于传感技术的生物量在线测量方法 生物量的直接在线检测，目前尚难在所有重要的工业化发酵过程中应用。以硬件 形式直接进行在线测量的方法中，代表性的有使用生物发光性或化学发光性进行测定 的荧光检测【2 】；应用光密度法原理的生物量在线检测技术；利用m a x w e l l 、g n e r 效 应的电容率法和利用声光原理的声光检测法【3 】。其他的生物量浓度在线检测方法 包括介电常数法【4 1 ，超声波法【5 l 和对浊度、黏度、阻抗、产生热等的检测【6 】。 目前基于传感器的在线检测方法在使用上都有局限性，每种测量方法都有各自的 特点和适用范围，且在线分析仪器价格昂贵、维护费用高、测量滞后大。 1 2 3 基于软测量技术的生物量在线估计 在许多工业控制场合，能够在线准确测量的变量多为环境变量，而生物参数却难 于在线准确测量。为解决该类变量的估计和控制，软测量技术在近年来取得了重大发 展。软测量技术具有响应迅速、易于在线实现、连续给出主导变量信息、投资少、维 护成本低等优点，目前在过程工业中已经得到了比较广泛的应用。 近年来，应用软测量技术研究发酵过程生物量的在线估计已取得了一些进展，主 要研究成果包括：基于过程机理分析、回归分析、状态估计等方法建立的白箱模型； 基于人工神经网络和改进的人工神经网络、支持向量机等方法建立的黑箱模型；以及 黑白箱相结合的混合模型等。 1 基于过程机理分析的软测量 基于过程机理分析的软测量是从质能平衡、m o n o d 型方程、a n h e n i u s 型方程等 出发，建立以过程动力学为基础的、反映生物量与可测过程变量之间关系的机理模型 ( “白箱 模型) ，实现生物量的在线估计。 2 第一章绪论 d b e l u h a n 【7 】等采用机理模型构造观测器的方法对分批酵母发酵过程的生物量参 数进行估计和优化。z h a o 【8 j 对发酵过程的机理建模方法进行了分析，并从质能平衡出 发建立了机理模型，对发酵过程生物量进行在线估计和自适应控制。 机理建模需要对发酵过程机理有深刻认识，虽然机理模型中各参数的物理意义明 确，能给出生物量和易测辅助变量的关系，然而，基于质能平衡、m o n o d 型方程等所 建立的“白箱”软测量模型，因在发酵过程中菌体生长反应等理论处理上大为简化， 导致模型不能反映微生物生长反应的真实性质，适应性差；而且目前对微生物发酵过 程仍缺乏足够的了解，很多未知微生物反应根本无法直接建模，因此直接建立有效的 发酵过程机理模型难度较大。 2 基于辨识模型的软测量建模 辨识建模( “黑箱”模型) 的方法有很多，如最小二乘、系统线性回归、主元分析、 神经网络等，在生化发酵过程中，应用软测量进行建模用的较多的有基于回归分析、 状态估计建立软测量模型：基于人工神经网络和改进的人工神经网络建立软测量模型 等。 以部分最小二乘( p l s ) 为基础的一元和多元线性回归辨识建模方法比较成熟，广 泛用于线性模型辨识。f e n g 等【9 】在重组埃希氏杆菌( e s c h 舐c l l i ac 0 l i ) 发酵过程中建立了 基于p l s r 的软测量模型，对菌体和蛋白浓度进行在线估计。回归分析法算法简单， 但它需要较多的数据样本，且对测量误差比较敏感。 基于状态估计的软测量是从发酵过程的状态空间模型出发，将对于所选辅助变量 是完全可观测的生物量作为系统的状态变量，结合构造自适应观测器、卡尔曼滤波器 ( k f ，k a l m a l lf i l t 砷或扩展卡尔曼滤波器( e k f ，c x t e n d e dk a l m 觚f i l t e r ) 实现在线估计。 l u b e i l o v a 【1o 】在好氧发酵过程中通过一般模型构造自适应观测器，导出生物量自适应观 测算法，并用仿真方法对算法进行了验证。基于状态估计的软测量模型能反映生物量 与辅助变量之间的动态关系，有利于处理各变量问动态特性的差异和系统滞后，但该 软测量模型是在发酵过程状态空问模型的基础上建立的，发酵过程的复杂性增加了建 模难度，虽然可通过简化系统描述来降低建模难度，但会导致在线估计的误差增大， 且持续缓慢，不可测的扰动也会影响该模型的估计精度。 w 锄e s 】对六种黑箱建模方法( 多元线性回归、主成份分析、偏最小二乘、自回 归滑动平均模型、非线性自回归滑动平均模型、人工神经网络) 进行了比较。他们将 这些方法应用于基因工程大肠杆菌发酵中菌体和蛋白浓度的估计，发现a n n 的效果最 好。目前，人工神经元网络( 砧呵n ，a n i f i c i a ln e l l r a ln e t w o r k s ) 作为一种处理多变量非 线性问题的良好方法也被用于发酵过程，并得到广泛应用。对于生化工业过程来说， 这也是一个很有前途的发展方向，国内外许多专家学者都在致力于这方面的研究。方 柏山掣忆】根据木糖醇发酵过程的实验数据，构建了一个具有5 8 4 三层网络结构的“软 传感器 ，经检验，它能很好地实现在线状态估计和提前一步预测木糖醇浓度。g l a s s e y 北京化t 人学硕i ：学位论文 等【l3 】采用前馈网络和标准反向传播( b p ) 算法建立“黑箱”模型，研究了青霉素发酵过 程中生物量的估计问题。 采用标准b p 算法对网络进行训练，网络学习的收敛速度慢，需要较多的实验数 据爿能达到要求的精度，对于一些无法提供大量数据的发酵过程，标准b p 算法不适 用。随着研究的深入，人们又提出了神经网络的改进算法，并将其它方法与神经网络 结合使用，取得了一定的进展。c i m a n d e r 等【h 】在酸奶发酵过程中对乳糖、半乳糖、乳 酸盐进行在线估计，使用改进的q u a s i n e w t o n 训练方法，以加快人工神经网络学习的 收敛速度。r o n e n 和s h a b t a i 【1 5 】在酵母发酵生物量和普鲁兰多糖的在线估计中，将模糊 集理论和人工神经网络相结合，提出模糊人工神经网络建模方法，有效地减少了输入 变量的维数，估计效果较好。万千山掣怕】在木糖醇发酵过程中，对人工神经网络的结 构和训练方法进行改进，将均匀设计和遗传算法与人工神经网络结合起来，建立了木 糖醇浓度在线软测量模型，实现了发酵过程的实时控制，提高了木糖醇得率。 神经网络的设计和训练中为获取输出偏差平方和最小，会产生“过拟合”的现象， 严重影响预测性能；对此，v a p n i k 等于2 0 世纪9 0 年代中期提出了基于统计学习理论 的支持向量机( s v m ，s u p p o nv | e c t o rm a c h i n e s ) 方法，用结构风险最小化( s l m ， s 们l c t l l r a lr i s km i l l i m i z a t i o n ) 归纳原则代替经验风险最小化( e r m ， e m p i r i c a l 砌s k m i n i t n j z a t i o n ) 归纳原则，以克服神经网络的固有弱点，提高模型的泛化能力。该方法 成为将来软测量在发酵领域中应用的一个研究方向。 基于人工神经网络等的“黑箱”软测量模型，虽无需深入了解发酵过程机理，能 实现逼近性能良好的非线性映射，但所选网络结构和学习训练算法对模型的精度以及 泛化能力影响较大，仅仅采用人工神经网络建立“黑箱”模型适用范围有限，也难以 推广。 近年来，将先验知识、机理分析和人工神经网络相结合建立软测量“灰箱”模型 的方法丌始出现，称之为混合神经网络模型。该方法既能利用已有的先验知识和已知 过程机理，又能降低建模难度。如s h e n e 等【j 7 】建立了单胞菌发酵过程中生物量和产物 浓度在线估计的“灰箱”模型，该模型采用了机理模型，使用人工神经网络对模型中 的非线性系数进行估计，简化了建模难度。z o 亿e n 0 等【i8 】在啤酒发酵过程中，从质能 平衡方程出发，采用m o n o d 模型，通过人工神经网络辩识m o i 州模型中的三个系数， 建立了“灰箱”模型，对发酵罐中主要底物浓度进行了在线估计，并对“黑箱 模型 和“灰箱”模型的效果进行了比较，从比较结果可知“狄箱”模型的效果较好。隋青 美等【l9 】对于一般的发酵过程，从质能平衡方程出发给出机理参数模型，由人工神经网 络估计模型中的不可测参数，建立了生物量在线估计的“灰箱”模型；混合神经网络 模型由线性和非线性神经网络两部分组成，得到较好的仿真结果。“灰箱”模型比单 纯的“白箱”模型或“黑箱”模型建模精度高、泛化能力强。 发酵过程是时变、非线性、带约束的多输入多输出系统，其机理十分复杂，由于 4 第一章绪论 对发酵过程缺乏足够的了解，很难建立准确的“白箱 机理模型。人工神经网络等黑 箱建模受网络拓扑结构和类型、学习数据数量和质量的影响较大，用单一人工神经网 络建立的模型有效域较窄，适用范围有限。 1 3 专家系统在发酵过程中的应用研究现状 在应用软测量技术对发酵过程生物量进行在线检测的过程中，建立一个针对实际 情况的、测量精度高的软测量模型成为关键。长期的实践过程中，有关专家和操作人 员对于发酵过程控制策略及发酵过程中的各种情况的判断和处理都有着相当丰富的 知识和经验，对控制发酵过程具有很大的参考和利用价值。应用专家系统推理、判断 和决策来指导发酵过程的操作具有更好的控制效果。 1 9 6 8 年f e i g e n b a u m 等人研制成功第一个专家系统d e n d r a l 以来，专家系统技 术获得了迅速的发展，以其专业性、实用性、稳定性和推理有效性的特点广泛地应用 于地质探矿、气象预报、医疗诊断和石油勘测等工程领域，产生了巨大的社会效益及 经济效益。 1 3 1 专家控制系统在发酵过程的应用 专家控制系统是用来对一个受控对象或客体的全面行为进行适当的调节与管理， 以使其满足预期要求的一类专家系统。它的主要特点是能够对被控制的对象进行实时 检测，并对当前的状况做出适当解释，进而预测可能要发生的情况，当根据分析发现 被控对象即将出现异动时，就要对被控对象的行为进行调节，使之能够朝着预定的目 标发展。国内发酵过程计算机优化控制的研究工作起步较晚，与国际先进水平相比仍 有较大差距。 石贤爱等l z o j 根据卡那霉素链霉菌代谢特性、搅拌转速和通气速率对氧的气液传递 速率影响的敏感性以及不同发酵阶段搅拌和通气的总成本核算，建立了以溶氧浓度为 主控参数的卡那霉素发醉过程专家控制系统，并赋予计算机加权处理的功能，对供氧 速率进行调节，在保证发酵过程正常运行的前提下，使能耗达到最低，产量提高。张 曾科等【2 l j 针对发酵过程的特点和控制上的困难提出了青霉素发酵过程专家控制系统， 对影响发酵的一些环境参数进行控制，使其在不同阶段跟踪最佳的控制点和控制域， 取得了满意的效果。v a s s i l e v as l z 2 】等将专家系统用来分析啤酒发酵的早期过程中酵母 浓度的变化。徐萼辉等幽】将专家系统技术引入模糊控制器( f l c ) 中，提出了青霉素发 酵过程专家模糊控制系统( e f c ) ，使之既具有灵活的推理机构，又具有多层次、多种 类型，并接近于人类操作经验的知识表达方法。该系统能对多个补料参数进行控制， 其中最重要的补料参数加糖率的确定，采用了参考轨迹预报与p h 反馈模糊校正的方 北京化t 人学硕l j 学位论文 式。此外，该系统还能对不同发酵时期进行识别，并采取相应的控制模式。徐晔【2 4 】 利用专家系统将复杂的发酵控制转化为可见并可调节的推理规则，并在推理规则中加 入模糊控制参数，提高了控制精确度。 1 3 2 专家诊断系统在发酵过程的应用 专家诊断系统根据输入系统的有关被诊断对象的信息，来推断出相应对象存在的 故障和产生故障的原因，并给出排除故障的方法。专家诊断系统的主要特点是能够了 解被诊断对象各组成部分的特性以及它们之间的联系，能够区分一种现象及其所掩盖 的另一种现象，从而通过知识库中的知识提供相应的故障排除建议。 将专家诊断系统用于发酵领域的研究较少，傅春生【2 5 】将专家系统用于螺旋霉素发 酵过程的实时故障诊断，建立了一个基于专家经验浅层知识而构造的异常工况诊断的 小型专家系统。该系统通过对螺旋霉素发酵过程几十批历史资料的分析，同时综合现 场专家们提供的操作经验，将螺旋霉素发酵过程的实时诊断问题分为八类；继而对八 类故障概念化、形式化，建立八类故障模式的诊断树形结构图，实现了螺旋霉素发酵 生产过程异常工况的计算机实时诊断。 该系统能够对异常工况进行及时的诊断，尽可能地减少了误操作引起的损失，增 强了系统的可靠性和稳定性。 目前专家系统在生化领域还主要应用在控制和诊断方面。将专家系统应用到发酵 过程的控制中，结合可以在线测量的参数，能够更好地实现对发酵过程的控制，提高 了控制精准度。将专家系统应用到发酵过程的诊断中，能够充分利用专家的经验对过 程异常工况进行诊断。而将专家系统应用在发酵过程生物量软测量建模方面的研究在 国内外尚属空白。 采用机理模型与黑箱模型相结合构建的软测量混合模型是解决生物量软测量建 模问题的关键。专家系统能够运用专家的知识与经验进行推理、判断和决策，是解决 软测量混合模型结构的构建的有效方法。 1 4 课题的研究意义和主要研究内容 1 4 1 课题的研究意义 微生物发酵工程是生物工程和现代生物技术及其产业化的基础。生物量是发酵过 程中重要的过程参数，直接影响着发酵过程的控制和优化，以及发酵产物的质量和产 量。为了对发酵过程进行有效的优化控制，使先进的控制算法与策略得以实际应用， 迫切需要对生物量参数进行在线实时检测。 6 第一章绪论 在生物发酵过程中，由于技术原因，离线采样方法和现有用于生物反应器的传感 器并不能满足生物量的在线检测。比较有效的方法是根据底物消耗、产物生成和菌体 得率等，通过软测量模型估计出发酵液中的生物量。软测量技术的关键是建模，机理 建模和辨识建模相结合的软测量混合建模方法是日6 订软测量建模中有效的方法。 构建有效的混合模型，需要研究混合模型中机理模型部分和辨识模型部分的组成 结构和形式，使之更加有效地描述发酵过程生物量和易测量之白j 的相互关系。本课题 将专家系统应用到发酵过程软测量混合模型的构建中，通过专家系统大量的专家知识 的分析和组织，为建立有效的生物量软测量混合模型结构奠定基础，更好地对发酵生 产过程实施控制和优化。知识库存储领域专家的专门知识，是专家系统的重要组成部 分之一。因此，研究专家系统知识组织方法和知识库对于生物量软测量混合模型结构 的构建具有重要的理论意义。 1 4 2 主要研究内容 本课题依托国家自然科学基金项目，将专家系统应用到发酵过程生物量软测量混 合模型构建中，研究发酵过程生物量软测量专家系统知识库，为生物量软测量混合模 型的构建奠定基础。本课题的主要研究内容如下： 1 在详细分析发酵过程生物量检测方法及专家系统应用研究现状的基础上，将 专家系统应用到发酵过程生物量软测量建模，研究发酵过程生物量软测量模 型的知识表示方法，建立发酵过程生物量软测量专家系统的知识表示结构。 2 结合发酵过程的知识特点，给出用于生物量软测量专家系统知识库的知识表 示形式。 3 研究用于发酵过程知识的组织方法，给出发酵过程生物量软测量专家系统知 识组织分层结构。研究规则层间关系，给出解决规则层冗余的冗余校验算法。 4 基于n e t 平台结合数据库技术，设计相应的专家系统知识库。 5 与生物量软测量专家系统推理机相结合，对发酵过程生物量软测量专家系统 知识库的知识组织方法进行实验研究，验证该方法的可行性和有效性。 7 第一二章发酵过程模型知识表j 方法研究 2 1 引言 第二章发酵过程模型知识表示方法研究 知识表示就是要确定知识符号化的一种描述法则，以便把这种拙述方便地、有效 地变成计算机能够处理的某种数据结构。知识表示是知识库建立的前提，也是专家系 统研究的核心内容。知识表示对于问题能否求解，以及问题求解的效率有重大影响， 在实际应用中选择和建立合适的知识表示方法，应该从正确表示的能力、可理解性、 便于知识的获取、便于搜索等几方面进行考虑。 本章将对专家系统知识库构建原则及当前的知识表示方法进行研究，并在此基础 上提出发酵过程的知识表示结构，给出用于生物量软测量专家系统的知识表示方法。 2 2 专家系统知识库构建原则 专家系统是应用人工智能技术，根据某个领域的一个或多个人类专家提供的知识 和经验进行的推理、判断和抉择，其 结构一般包括人机接口、解释机构、 数据库、知识获取、知识库和推理机 6 个部分【2 6 1 ，如图2 1 所示。 其中，知识库用来存储相关领域 专家的专门知识，是问题求解所需要 的领域知识的集合，是决定专家系统 能力的关键。因此，知识库的建立是 建造专家系统的中心任务。 构建知识库应当遵循以下原则： 1 层次化 图2 1 专家系统基本结构图 f i 9 2 - 1s 仃u c m i eo fe x p e ns y s t 锄 知识库的知识是有层次的。最低层是“事实知识”，中间层是用来控制“事实 的知识( 通常用规则、过程等表示) ；最高层次是“策略 ，它以中间层知识为控制对象， 即规则的规则。因此知识库的基本结构是层次结构，是由其知识本身的特性所确定的。 2 可扩充性 知识库要求系统的数据结构和存取程序必须足够地灵活，即要求知识表示模式与 运用知识的推理机制相互独立；另一方面，往往专家不能很快地把领域问题的所有知 识定义为一个完整的知识库，通常先定义为一个子集，不断地扩充和完善知识库。这 9 北京化t 人学硕i ：学位论文 种方法要求知识库作为可开发的系统，尽可能模块化存储知识，便于知识库的扩充。 3 明确性：所采用的知识表示方法能明确地表示各类知识，便于知识库的检查与 调试，增强问题求解效率。 4 清晰性：知识表示模式必须有利于知识的检索和推理。如果其数据结构过于复 杂，难予理解和实现，必然给检索和推理程序的设计带来困难，影响系统求解效率。 2 3 知识表示结构 知识表示是知识库建立的前提，也是专家系统研究的核心内容。知识表示的步骤 大致可以分为问题知识化、知识概念化、概念形式化、形式规则化和规则合法化等。 本文中知识表示的结构从上述角度出发，研究发酵过程模型知识，归纳发酵过程 模型知识属性，对获取到的原始信息进行符号化处理，判别知识的一致性和有效性， 进而将知识存储到计算机中，得出本文发酵过程生物量软测量专家系统的知识表示结 构如图2 2 所示： 知识挟取知识符号化、知识有效性、 原始信息 数据存储 规则化 7 i 致性处理 图2 2 知识表不结构幽 f i g 2 2l ( i l o w l e d g er e p r e s e n t a t i o ns t 川c t i i 心 1 原始信息：指从人类专家的头脑中或其他知识源那里获得的问题求解的各种专 门知识。发酵过程的原始信息主要指发酵工艺、发酵机理事实以及发酵过程的机理模 型，如衡算方程、动力学模型等。 2 知识符号化、规则化：根据发酵过程的特点，尽可能详尽地掌握过程对象信息， 概括知识表示所需要的关键概念及其关系，如数据类型、已知状态和目标状态、提出 的假设以及控制策略，进而归纳知识属性，对获耿到的原始信息表符号化处理，继而 变换为由编程语言表示的可供计算机执行的语句。 3 知识有效性、一致性处理：对符号化处理后的知识判断其是否一致、冗余和有 效。 4 数据存储：将知识存储到计算机中，供推理过程使用。同时建立索引，在求解 问题时，能够较快地在知识库中找出相关知识，保证知识在被使用的过程中能够有效 地存耿和搜索，库中的知识能方便地修改和编辑。 2 。4 知识表示 知识表示主要是研究各种数据结构的设计，通过这种数据结构把问题领域的各种 1 0 第一二章发酵过程模型知识表，j ：方法研究 知识应用到计算机系统的程序设计过程中。一般来说，对于同一种知识可以采用不同 的表示方法，反过来，一种知识表示模式可以表达多种不同的知识。然而在解决某一 问题时，不同的表示方法会产生完全不同的效果。迄今为止，还没有一种通用、完善 的知识表示模式，知识表示还没有完善的理论可循。 2 4 1 发酵过程模型知识属性 发酵过程中机理模型的知识表示是生物量软测量建模中最核心的知识表示。发酵 过程机理模型由若干变量、参数、常数以及它们之问的函数关系构成： 1 变量 变量是所有发酵过程机理模型中的变量集合。发酵过程生物量软测量专家系统的 任务是由多个辅助变量导出单个主导变量。即由用户发酵过程中的己知可测变量，根 据知识库中的发酵过程机理模型公式推导出生物量这个主导待测变量。专家系统的推 理过程就是过程变量和机理模型公式之间的反复迭代寻找最优的过程。所以，过程变 量是很重要的一类知识。 发酵过程中涉及的变量众多，如温度、压力、p h 值、溶解氧含量、各种比速率 等等，符号表示复杂，应该用统一的符号将它们加以表示。 2 参数 参数是所有发酵过程机理模型中的参数集合。在机理模型中，这些参数为一些常 量或经验参数。 参数是与变量不同的，参数在推理过程中不需进行推导，在一定条件下被当作常 数来看待，可以进行辨识得到或带入经验值；而变量是要不断推导迭代的。 3 软测量机理模型 软测量机理模型是软测量模型方案的集合。专家系统知识库中最重要的知识就是 软测量机理模型。应从先验知识和过程机理分析、统计学习等角度出发，充分考虑发 酵过程微生物生长反应特性，来收集描述发酵过程的机理知识。 4 发酵过程事实类知识 发酵过程事实类知识是发酵对象的文字和特征性说明的集合。主要包括发酵的类 型，菌种的类型、发酵条件等。对于这些文字描述类的知识，在专家系统中为了方便 表达，应用符号来加以描述。 由此，定义发酵过程模型知识的属性值如表2 1 所示： 表2 1 发酵过程模型知识属性 t a b l e2 一lk n o w l e d g ea t t 曲u t eo f 硫n e n t a t i o np 眦e s sm o d e l 属性说明 变量发酵过程中的变量集合 北京化t 人学硕1 ：学位论文 参数发酵过程中的参数集合 常数发酵过程中的常数集合 参数可靠性标识该参数是否可辨识 模型发酵过样的模型集合 变赞个数模删中的变苗数，标识该模刑的维数 模型可靠性标识该模型的可靠性，住构建混合模型时考虑 发酵特征发酵过样中发酵对象和特征的集合 2 4 2 已有知识表示方法及其特点 专家系统中的知识表示有很多种， 示法，语义网络表示法，框架表示法， 1 产生式表示法 目前常见的有谓词逻辑表示法，产生式规则表 单元剧本等【2 7 】。 产生式( p r o d u c t i o n ) 最早是由美国逻辑数学家e p o s t 于1 9 4 3 年提出的，用于p o s t 机计算模型，1 9 7 2 年a n e w e l l 和h a s i m o n 在研究人类的认识模型中提出了基于规 则( r u l e b a s e d ) 的产生式方法及规则表示模式，r u l e b a s e d 的表示法是目前知识表示中 较为普遍的一种。 产生式的一般形式为： p q( 2 一1 ) p 表示一组前提或状态，q 表示若干结论或动作，故式( 2 1 ) 的含义是“如果满足前提 p 则可以得出结论q 。如考虑不确定性，需另附可信度度量值。 优点：易于表示启发性知识；能进行如缺省( 条件) 推理这样的广义逻辑推理；具 有模块化的优点；当执行某动作的过程需立即更新数据库时，有时易于跟踪器变化并 取得显著结果；可通过模拟进行推理。 缺点：规则间相互作用的限制可能导致降低执行效率；非透明性，不可理解性， 难以跟踪求解问题的控制流；需要解决一致性和完整性的问题，缺乏形式化描述能力。 2 谓词逻辑表示法 对知识通过引入谓词、函数来加以形式描述，获得有关的逻辑公式，进而以机器 内部代码表示。 特点：记号简单，描述易于理解；缺点是难以表示过程性和启发知识；由于缺少 结构上统一的规则，致使大型知识库难以管理，效率较低。 3 语义网络表示法 语义网络是对知识的有向图表示方法。 优点：能简明、准确地表示出重要的联系；有关事务或概念的相关事实可由它们 直接相连的结点推导出来，而不必遍历一个庞大的数据库；可以在网络层中建立特性 1 2 第二章发酵过程模型知识表，j 方法研究 继承关系：容易做出有关继承分层的演绎推论。 缺点：通过对网络进行操作得到的推理并非都能有效；没有标准术语或约定解释 语义，只能通过语义网的程序慢慢推导出；需要强有力的组织原则指导搜索，否则将 陷入无穷支路；难以表示非物理连接的自j 尔关系。 4 框架表示法 框架表示法就是将某一类事物进行抽象，抓住特征，定义的一种数据类型。框架 表示法是一种适应性强、概括性高、结构化良好、推理方式灵活又能把陈述性知识与 过程性知识相结合的知识表示方法。 优点：易于进行预期驱动进程的处理；在一个给定的环境下能决定本身的应用能 力，或选择其它适当的框架；以一种集中注意力并且易于回顾、推理的方法组织知识。 缺点：许多真实情况在相当程度上脱离原