（模式识别与智能系统专业论文）基于神经网络的混合建模在发酵过程中的研究与应用.pdf

摘要 摘要 微生物发酵过程是一个具有着高度复杂性、不确定性、多层次、非结构化及 混杂的系统。随着发酵工业的快速发展，对发酵过程的在线测量及控制提出了更 高的要求。尤其在发酵过程中，对生物参数的实时在线监控技术，对于提高发酵 工业水平至关重要。 然而在实际过程中，由于受生物传感技术发展水平的限制，一直没有很好地 解决生物量的在线测量，一些关键的生物参数还无法进行实时的在线测量，只能 离线测量。软测量技术的迅猛发展为发酵过程中生物参数的在线测量提供了新的 实现方法，但是由于发酵过程的特殊性及各种软测量方法的局限性，使得将软测 量技术应用于实际的发酵过程还需要进一步的研究。对于发酵过程中生物参数的 在线测量，机理模型是通过对实际过程的简化得到的，只能得出参数的变化趋势 难以保证测量精度；黑箱模型是针对样本数据的建模，能够精确地拟合发酵过程， 但是由于其对数据的依赖性，使得模型的泛化能力难以提高。 在分析了发酵过程及软测量技术的基础上，本文提出了一种基于数据处理的 b p 神经网络和机理模型的混合软测量建模方法。并通过m a t l a b 仿真以及现场的 实验验证，证明了混合模型具有较强的拟合精度和泛化能力。 本文提出的混合软测量模型的优点在于，通过对原始数据进行处理提高了模 型精度，同时采用机理模型降低黑箱模型对样本数据的依赖性提高了模型的泛化 能力。 关键词：软测量；混合建模；微生物发酵；b p 神经网络 a b s t r a c t m i c r o b i a lf e r m e n t a t i o ni sac o m p l e x ，u n c e r t a i n ，m u l t i l e v e l e da n du n s t r u c t u r e d s v s t e m w i t ht h er a p i dd e v e l o p m e n to ff e r m e n t a t i o ni n d u s t r y , i tr e q u e s t sh i g hq u a l i t y i 1 1t h ea r e a0 fo n 1 i n em e a s u r e m e n ta n dp r o c e s s i n gc o n t r 0 1 e s p e c i a l l y , t h et e c h n o l o g y o fo n 1 i n em e a s u r e m e n tf o rb i o l o g i c a lp a r a m e t e r si nf e r m e n t a t i o np r o c e s sp l a y sak e y r o l ef o ri m p r o v i n gt h ef e r m e n t a t i o ni n d u s t r y h o w e v e r t h e r ei sn oa p p r o p r i a t es o l u t i o no fo n l i n em e a s u r e m e n tf o rb i o l o g i c a l p a r 砒n e t e r sb e c a u s eo ft h el i m i t a t i o n so fb i o s e n s i n gt e c h n o l o g y al o to fb i o l o g i c a l p a r a m e t e r s c a n ，tb em e a s u r e do n 1 i n e ，b u t s t i l lb em e a s u e db yt h eo f f - l i n e m e a s u r e m e n t i tp r o v i d e san e wm e t h o do ft h eo n l i n em e a s u r e m e n tf o rb i o l o g i c a l p a r a m e t e r si nf e r m e n t a t i o np r o c e s sw i t ht h er a p i dd e v e l o p m e n t o fs o f t 。s e n s o r t e c h n o l o g y b u tb e c a u s eo ft h ep a r t i c u l a r i t i e so ft h e f e r m e n t a t i o np r o c e s sa n dt h e l 硫i t 撕o n so fs o f t s e n s o rt e c h n o l o g y , t h em e t h o db a s e do nt h es o f t 。s e n s o rt e c h n o l o g y n e e d st ob ef u r t h e ra n a l y s e da n ds t u d y e db e f o r ei ti su s e di na c t u a lf e r m e n t a t i o n p r o c e s s f o rt h eo n 1 i n em e a s u r e m e m o fb i o l o g i c a lp a r a m e t e r s ，t h ep r i n c i p i u r n m o d e l w h i c hi ss i m p l i f i e db yt h ea c t u a lp r o c e s sc a ns h o wt h ec h a n g eo fp a r a m e t e r s ，b u t d i f h c u i tt oe n s u r et h ea c c u r a c yo fo n 1 i n em e a s u r e m e n t ；w h i l eb l a c k b o xm o d e lw h i c h i sm o d e l e df o rt h es a m p l ed a t a sc a l lf i tt h ep a r a m e t e r sa c c u r a t e l y , b u td i f f i c u l tt o i m p r o v e t h eg e n e r a l i z a t i o na b i l i t yf o r 恤d e p e n d e n c yo ft h es a m p l ed a t a s b ya n a l y z i n gt h ef e r m e n t a t i o np r o c e s sa n d t h es o f t s e n s o rt e c h n o l o g y , t h ep a p e r p r o p o s e sah y b r i ds o f t s e n s o rm o d e l i n gm e t h o d b a s e do i ld a t ap r o c e s s i n go fb pn e u r a l n e t w o r ka n dp r i n c i p i u m m o d e l t h es i m u l a t i o ni nm a t l a ba n de x p e r i m e n t s m p h a r m a c yf a c t o r yp r o v et h a tt h en 1 0 d e lb a s e do nt h eh y b r i ds o f t s e n s o rm o d e l i n g m e t h o dm a k e st h eb i o l o g i c a lp a r a m e t e r sm o r ea c c u r a t ea n dh a ss t r o n gg e n e r a l i z a t i o n a b i l i 够 i nt h i sp a p e r , t h ea d v a n t a g eo ft h eh y b r i dm o d e l i n gi s t h a ti ti m p r o v e st h e a c c u r a c yb yd e a l i n gw i t ht h eo r i g i n a ld a t a s ，w h i l ee n h a n c e st h eg e n e r a l i z a t i o na b i l i t y b vu s i n gt h ep r i n c i p i u m m o d e lt or e d u c et h ed e p e n d e n c eo f t h es a m p l ed a t a s k e yw o r d s ：s o f t - s e n s o r ；h y b r i dm o d e l i n g ；m i c r o b i a lf e r m e n t a t i o n ；b p n e u r a ln e t w o r k i i 独创性声明 本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研 究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他 入已经发表和撰写过的研究成果，也不包含获得北京工业大学或其它教育机构的 学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已 在论文中作了明确的说明并表示了谢意。 签名：避匿麓：兰! ! ，：篓：争 关于论文使用授权的说明 本人完全了解北京工业大学有关保留、使用学位论文的规定，即：学校有权 保留送交论文的复印件，允许论文被套阅和借阅；学校可以公布论文的全部或部 分内容，可以采用影印、缩印或其他复制手段保存论文。 ( 保密的论文在解密后应遵守此规定) 签名：整盛导师签名： 第1 章绪论 第1 章绪论 1 1 课题背景 随着科学技术的迅猛发展及生产规模的不断扩大，许多系统变得越来越复 杂，如大型工业生产过程、计算机集成制造系统、计算机通讯网络系统以及电 力、交通囱动化调度系统等。此外，在社会、经济、生命系统等领域都有许多 复杂系统的例子，而微生物发酵工业就是这样一个典型的大型复杂系统。 微生物发酵工业是一个有着高度复杂性、不确定性、多层次、非结构化及 混杂的系统l l 】，其主要特征可归纳为：( 1 ) 受控过程模型的不确定；( 2 ) 测量信 息的粗糙和不完整、动态行为或扰动的随机、离散层次和连续层次的混杂；( 3 ) 高度非线性、大滞后、强耦合；( 4 ) 多层次、多目标的控制要求，复杂的数据处 理以及严格的性能指标；( 5 ) 复杂的生物化学反应，过程状态的不稳定性。 另外随着生化工程技术的不断发展，对发酵条件的控制更加重视从微生物 生长和产物生成的生物学原理出发寻找菌体生长、基质消耗、产物生成三者相 关联的一系列发酵参数的最优控制鞔线圈。面实现优化控制改善控制策略的基 础和关键问题就是如何能够实时、准确地提供发酵过程中各个状态参数尤其是 生物参数，以便能够及时有效地对发酵对象施加控制策略。这样，就能在发酵 生产特定的设备条件下和客观允许范围虑，以更好的菌种以及与产品质量最好、 产量最高、麓耗最低、时间最短、利润最高相对应的操作条件，将发酵生产控 制在更高水平，从而获得更佳的经济效益。 然而在实际工业生产中，常常存在这样一些情况，即被控过程的输出变量不 能直接测量或者难以测量【3 ，引，因舔无法实现反馈控铡；或者被控过程的扰动也 无法测量，也不能实现前馈控制。一些关键的生物参数无法进行实时的在线测量， 往往只能离线测量。由于受生物传感技术发展水平的限制，直没有很好地解决 生物量在线测量，正在研究的方法大都是一些离线方法，这些传统的测量方法不 仅滞后大，不利于对发酵过程的状态做出准确及时的判断，还容易在取样过程中 污染发酵液，这些因素导致发酵过程的先迸优化控制算法和策略只能停留在理论 探讨上，难以工业实际应用【5 j ，近些年来人们也不断地进行这方面的研究，虽然 也有了一些生物传感器，但因为种秭原因( 价格、稳定性、精度等) 并不能广泛 地应用于工业生产。因此软测量技术便得到了发展，其本身就是利用软件代替仪 表，通过选择那些容易测量的变量，如：温度、压力等，作为辅助变量，按照一 定准则进行模型运算，从而对那些不能测量或很难测量的工艺变量( 即主导变量) 进行在线估计测量的技术。所以基于人工智能的软测量技术便成力研究的重点， 其中人工神经网络【6 】、支持向量机( 列以及遗传算法【8 】等在这一方面取得了较好的 北京工业大学工学硕士学位论文 效果。但是，实际上这种不确定的非线性动态过程，其影响因素繁多、机理十分 复杂，还需要进一步地结合微生物发酵原理进行算法的研究改善，提高软测量在 实际中的应用价值。 1 2 微生物发酵过程概述 微生物发酵过程就是有效利用微生物生长代谢活动获取目的产物的过程， 高的发酵水平不仅取决于生产菌种自身的性能，而且要给予合适的环境条件， 使菌种的生产能力充分表达出来【9 1 。充分发挥微生物细胞的生产能力，对于不 同的微生物菌种而言，就是要通过各种方法研究了解其对环境条件的要求，如 培养基、培养温度、p h 以及氧的需求等，并深入了解生产菌在合成产物过程中 的代谢调节机制和可能的代谢途径，为设计合理的生产工艺提供理论基础。同 时，通过各种监测手段获得相关参数，掌握菌种在生产过程中的代谢变化规律， 根据变化规律来控制发酵条件，使菌种处于产物合成的优化环境中，达到最佳 的生产水平。 1 2 1 微生物发酵过程 微生物发酵过程以菌体的生产状况来划分，可以分为四个阶段【l o 】：迟滞期 ( 调整期) 、对数生长期( 生长旺盛期) 、稳定期( 平衡期) 和死亡期( 衰退 期) 。以微生物生长时间为横坐标，活菌数的对数为纵坐标，可以绘制出一条 微生物发酵生长曲线，如图i - i 。 时间l l 图卜1 微生物发酵生长曲线 a 迟滞期b 对数生长期c 稳定期d 死亡期 f i g u r e1 1t h eg r o w t hc u r v eo f m i c r o b i a lf e r m e n t a t i o n a l a gp h a s eb l o g a r i t h m i cp h a s ec s t a b l ep h a s ed d e a t hp h a s e 在发酵生产上，为了缩短发酵周期，提高生产率，都尽量设法缩短迟滞期， 这对发酵周期短的生产来说，尤其重要。对数生长期越长，最后获得的活菌数 量越高。由于细胞得率与产物合成有着重要的关系，因此在发酵生产上尽可能 2 i o 9 8 7 6 迥q o 第1 章绪论 延长对数生长期，提高菌体细胞的增长数量，由此得到更多的代谢产物。由于 稳定期内代谢活动仍在不断进行，大量的初级代谢产物和次级代谢产物都主要 在这一时期产生，因此在发酵生产中设法提供最佳条件延长稳定期，以求获得 最大生产率。稳定期以后，细菌菌体的死亡率逐渐增加，死亡的菌体数超过新 生的菌体数，细胞总数虽可以恒定，但活菌数逐渐减少，产物产生少，甚至破 坏多，发酵单位反而下跌，因此当出现群体衰落现象时应该及时结束发酵。 1 2 2 外界环境对微生物发酵的影响 在微生物的生命活动过程中，营养物质是生长的基本条件，然而环境因素 对菌体的生长也有很大影响【】。适宜的环境条件有利于生长繁殖，不适宜的环 境条件则会抑制生长繁殖或使原有生物特性改变，甚至导致死亡。所以控制环 境在最适条件对于菌体生长繁殖和产物生成是非常关键的。 ( 1 ) 温度对发酵的影响 微生物的生长和产物的合成都是在各种酶的催化作用下进行的，而温度是 影响酶活性的最重要因素，因此，在发酵系统中必须维持稳定而合适的温度环 境，以保证菌体的正常代谢，并且直接影响微生物的生长繁殖和产物合成，只 有在合适的温度条件下，才能保证微生物的生长代谢。大多数微生物可以在2 0 - 4 0 c 的温度范围内生长。嗜冷菌在接近2 0 的条件下生长速率最大；嗜温菌在 3 0 3 5 c 条件下生长最快：嗜热菌在5 0 以上仍能快速生长。另外在发酵过程 中对于不同阶段不同产物所需要的温度也不同，因此在控制生产的过程中正确 判断发酵所处的阶段是十分必要的。一般情况下，温度每增加1 0 ，生长速率 大致增加一倍。当温度超过最适生长温度时，生长速率随温度增加而迅速下降。 另外温度对菌种生长和产物生成的影响是各种因素综合表现的结果【l 引。从 酶动力学来看，温度升高，反应速率加大，菌体生长代谢加快，生产期提前。 但因酶本身也很容易因热而失活，温度越高，酶的失活速度也越快，表现在菌 体易于衰老，发酵周期缩短，影响产物的最终产量。温度除了直接影响发酵过 程中菌体生长和产物形成外，还通过改变发酵液的物理性质，间接地影响产生 菌的生物合成途径。 ( 2 ) p h 值对发酵的影响 与温度相同，发酵过程中培养液的p h 值也是微生物在一定环境条件下代谢 活动的综合指标，是一项重要的发酵参数，p h 对菌体的生长和产品的积累都有 很大的影响。每一类微生物都有其最适的和能够耐受的p h 范围，生长阶段和产 物合成阶段的最适p h 也不尽相同，这不仅与菌种的特性有关，也取决于产物的 化学性质。在菌体生长阶段，随着营养物的利用及代谢产物的积累，p h 上升或 下降；在生产阶段，p h 趋于稳定，维持在最适产物合成的范围( p h 7 0 - 7 5 ) ； 在菌丝自溶阶段，随着基质的耗尽，菌体蛋白酶的活跃，培养液中氨基氮增加， 3 北京工业大学工学硕士学位论文 使p h 上升，此时菌丝趋于自溶而代谢活动终止。可见在适合于菌体生长及产物 合成的环境条件下，菌体本身具有一定的调节能力，而使p h 处于适宜的状态。 但是当外界条件变化过于剧烈，菌体就失去调节能力，培养液的p h 就会发生变 化。 同样p h 值的变化，也会引起各种酶活力的改变，影响菌体对基质的利用速 度和菌体细胞的结构，甚至改变菌体的代谢途径，增加副产物的形成。如同温 度对发酵影响一样，p h 还对发酵液或代谢产物产生物理化学影响，其中要特别 注意的是对产物稳定性的影响。如在新型1 3 一内酸胺抗生素硫霉素的发酵中发 现：p h 在6 7 7 5 范围内，硫霉素的稳定性未受到严重影响，发酵液中抗生 素的产量变化不大；但当p h 7 5 时稳定性下降，半衰期缩短，发酵单位明显 下降。选择最适p h 值有利于菌体的生长和产物的合成。但由于发酵是多酶复合 反应系统，因此，即使是同一菌种，生长的最适p h 可能与产物合成的最适p h 是不一样的。如链霉素生产过程中菌体生长的最适p h 为6 2 - - ，7 0 ，而合成链 霉素的最适p h 为6 8 7 3 【1 3 】。因此，应该按发酵过程的不同阶段分别控制不 同的p h 范围，使产物的生成量达到最大值。 另外除了温度及p h 值以外其它环境因素也对发酵过程有着直接或间接的 影响，所以假设在已知微生物发酵过程的状态参数的条件下，便能够根据实际 的需要对微生物的生长环境进行控制使其能够向所需的方向生长。但是微生物 发酵过程是一个综合的复杂的动态过程，各个参数之间都存在着强耦合的关系， 同时也具有一定范围的模糊性。由此可见，通过软测量技术实现生物参数的在 线实时检测，便可以更加准确有效地控制发酵过程，使菌体时刻处于最佳生长 状态，提高产量。 1 3 软测量技术及在微生物发酵过程中的应用 1 3 1 软测量技术概述 随着生产技术的发展和生产过程的日益复杂，为确保生产装置安全、高效 地运行，需要对与系统稳定性、产品质量密切相关的重要过程变量进行实时控 制和优化控制。然而，由于技术或经济上的原因，存在着一大类难以或者无法 通过传感器进行测量的变量，如：发酵过程生物量、精馏塔的产品组分浓度、 塔板效率、化学反应器的反应物浓度、催化剂活性及产品分布，高炉铁水中的 含硅量等。为了解决此类问题，近年来，人们从推断控制出发，逐步形成了软测 量( s o f ts e n s o r ) 技术来解决此类问题【1 4 ，1 5 , 1 6 】。 1 9 9 2 年国际过程控制专家t j m a c v o y 在著名的学术刊物( ( a u t o m a t i c a ) ) 上 发表了名为“c o n t e m p l a t i v es t a n c ef o rc h e m i c a lp r o c e s sc o n t r o l ”的i f a c 报告， 明确指出了软测量技术将是今后过程控制的主要发展方向之一，对软测量技术 4 第1 章绪论 研究起了重要的促进作用【l 。 软测量技术的基本思想是对于那些难以测量或者暂时不能测量的重要变量 ( 称为主导变量) ，通过选择一组与主导变量相关的可测变量( 称为辅助变量 或二次变量) 构造某种数学关系来推断和估计主导变量，用软件来代替硬件( 传 感器) 功能。软仪表的估计值可作为控制系统的被控变量或反应过程特征的工 艺参数，为优化控制与决策提供重要信息。软测量技术主要包括辅助变量的选 择，数据采集和处理，软测量模型建立及在线校正等部分【l 引。 1 3 2 软测量在微生物发酵过程中的应用及现状分析 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 3 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【l9 1 ，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 3 2 2 基于传感技术的生物量在线测量方法 生物量的在线检测，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n t 2 0 】；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 n w a g n e r 效应的电容率法和利用声光原理的声光检测法【2 l 】。其他的生物 量浓度在线检测方法包括介电常数法【2 2 1 、超声波法【2 3 】和对浊度、薪度、阻抗、 产生热等的检测【2 引。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 3 2 3 基于软测量技术的生物量在线估计 ( 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 r r l l 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。d b e l u h a n t 2 5 】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。 5 北京工业大学工学硕士学位论文 z h a o 2 6 】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 ) 基于智能算法的软测量建模 智能算法建模主要是对历史数据进行分析建立模型。其中比较有代表的方 法有神经网络【2 7 。2 9 1 、s v m 7 , 3 0 、高斯过程 3 1 1 等。神经网络具有自学习、联想记忆、 自适应和非线性逼近等功能。它是根据对象的输入输出数据直接建模。此外， 使用a n n 进行软测量可以抑制辅助变量的测量噪声干扰。由于实际工业过程中， 许多对象具有复杂的不确定性、实时性和高度的非线性，这必然造成根本无法 或者很难精确建模，然而a n n 具有逼近任意非线性关系的能力，可以很好地解 决这些问题。 s v m 是一种新的建模方法，该方法以统计学习理论为基础，是建立在一套 较坚实的理论基础之上的，为解决有限样本学习问题提供了一个统一的框架。 它能将很多现有方法纳入其中，有望帮助解决许多原来难以解决的问题( 比如神 经网络的结构选择问题、局部极小点问题等) ，它已初步表现出很多优于已有方 法的性能。一些学者认为，s v m 正在成为继神经网络研究之后的新的研究热点， 并将有力地推动机器学习理论和技术的发展。 ( 3 ) 混合模型 将先验知识、机理分析和智能算法相结合建立软测量“灰箱”模型的方法， 称之为混合模型。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【3 2 j 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 r z e t t o 掣3 3 】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 n o d 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“灰箱”模型的 效果较好。“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。 6 第1 章绪论 1 4 论文主要研究内容 本文通过对微生物发酵过程进行分析研究，建立基于机理模型及b p 神经 网络的实时在线检测的软测量模型，使其具有较好精度及泛化能力，并通过现 场验证模型的准确性。 第一章绪论，简要介绍微生物发酵过程、软测量技术的发展现状以及实际 应用，分析得出软测量技术应用于发酵过程的重要性。 第二章软测量模型，主要介绍软测量建模的方法、原理，重点说明软测量 模型的设计结构以及设计过程，分析各建模方法的优势，以及本文所采用的模 型。 第三章发酵过程的混合软测量模型，具体介绍本文提出的软测量模型的结 构、原理，以及建模过程中所涉及的算法。 第四章混合软测量模型在发酵过程中的应用，本章主要通过仿真对比及现 场实验对本文提出的软测量模型进行实际验证，并通过实验结果说明混合模型 优于单一模型。 第五章发酵过程软测量软件，介绍软测量系统软件的功能、结构及软件流 程，软件采用v b 、c + + 编写，能够通过数据库与控制系统进行交换数据，并具 有良好的人机交互界面。 7 北京工业大学工学硕士学位论文 第2 章软测量模型 软测量技术也称软仪表技术，它是根据某些最优准则，选择一组在工业上 容易检测而且与待测变量( 常称为主导变量，p r i m a r yv a r i a b l e ) 有密切关系 的过程变量( 常称为辅助变量，s e c o n d a r yv a r i a b l e ，如工业过程中容易获取 的压力、温度、液位等过程参数) ，通过构造主导变量与辅助变量之间的数学模 型，实现对主导变量的在线估计。软测量是一门综合性技术，是多学科交叉的 实用性技术。它以可靠性理论、信息论、控制论及系统论为理论基础，以现代 测试仪器和计算机为技术手段，结合实际对象的特殊规律逐步形成的- - 1 7 新技 术。软测量以目前可以获取的测量信息为基础，其核心是用计算机语言编制的 各种软件，具有智能性，可方便地根据被测对象特性的变化进行修正和改进， 因此软仪表在可实现性、通用性、灵活性和成本等各方面均具有无可比拟的优 势，其突出的优点和巨大的工业应用价值是不言而喻的。 软测量技术涉及到自动控制理论中的过程建模、系统辨识、数据处理等许 多重要领域。总的来说，软测量技术的研究经历了从线性到非线性、从静态到 动态、从无校正功能到有校正功能的发展过程。由于这种技术主要是面向应用 的，所以模型的动态运行效果也很重要。由此，软测量技术主要包括以下几个 部分：辅助变量的选择、测量数据的预处理、软测量模型的建立以及模型的在 线校正。 2 1 软测量模型设计方法 软测量建模的过程实际上是一个系统辨识问题。所谓辨识，就是“在输入 和输出数据的基础上，从一组给定的模型类中，确定一个与所测系统等价的模 型”( z a d e h ，1 9 6 2 ) 。其实质就是从众多类模型中选择一个模型，按照某种准 则使之能最好地拟合所关心的实际过程的动态特性。 软测量技术的关键是建立辅助变量和主导变量之间的数学关系【3 4 】，即数学 模型，建模是软测量技术的核心。一般软测量问题可用图2 - 1 来描述。软测量 建模就是设法由可测变量来得到不可在线测量的主导变量的估计值，即： y f ( d 2 ，”，p ，f ) ( 2 1 ) 式( 2 - 1 ) 反映了主导变量y 和一般意义的输入的关系，还反映了y 与辅助变 量8 的关系，且离线采样值y + 常被用于软测量模型的校正。 8 第2 章软测量模型 图2 - 1 软测量过程 f i g u r e2 - 1p r o c e s s i n g o fs o f t - s e n s o r 其中y 为主导变量，y + 为离线分析值，y 为软测量输出，d 。为不可测扰动， d ：为可测扰动，u 为控制输入，e 为辅助变量。软测量的目的，就是利用所有可 获得的信息求取主导变量y 的“最佳 估计值y ，建立软仪表的过程就是构造 一个数学模型f ( 术) 求得主导变量y 的估计值。 目前建立软测量模型的方法有很多：文献 3 5 采用的是基于严格机理模型的 软测量方法：文献 1 7 采用统计回归的方法进行建模，如p c r ( p r i n c i p l e c o m p o n e n tr e g r e s s i o n ) 和p l s ( p a r t i a ll e a s ts q u a r er e g r e s s i o n ) ，并且在一个实验精 馏塔上得到了成功的应用；文献 3 6 提出了一种采用模糊识别来建立软测量模型 的方法；文献 3 7 将神经网络用于软测量，并且在一个工业脱甲烷塔上获得了成 功的应用；文献 3 8 提出可以通过引入一个陡度因子加以解决，根据这种思想， 对b p 神经网络算法的源程序加以改进，并把改进之后的盐酸浓度预估算法做了大 量的仿真实验，结果表明这种改进方法在提高神经网络的训练速度方面效果明 显。一般地，根据先验知识的多少，模型可分为以下三种： ( 1 ) 白箱模型，又称为机理模型，根据先验知识和实际对象原理确定模型 结构及参数。在明确输入与输出的数学关系后，利用已掌握的原理知识建立一 个与实际过程所对应的测量模型。当有输入时就可以通过模型计算出输出结果， 并且根据实际数据对模型进行验证，如图2 2 ，其中y = f ( x ) 为模型方程，g ( z ) = o 为模型的约束条件，x ，z 为矢量输入，y 为模型输出。 图2 - 2 机理模型原理图 f i g u r e2 - 2s c h e m a t i co ft h ep r i n c i p i u m m o d e l 9 北京工业大学工学硕士学位论文 例如水银温度计建模过程，首先通过已有知识库可知在一定的压力下温度 与水银柱的高度有关，其中存在严格的数学关系。通过测量水银柱的高度，可 以计算出当前温度。但是为保证模型的准确性必须知道所有的与模型相关输入 参数，如压力、水银的凝沸点、毛细管的直径等。所以在这种情况下模型的精 度及准确性主要取决于知识库的完备性，建模前要考虑到影响测量模型的各种 参数，才能保证所建模型的可靠性。 因此这种建模方法只能适用于原理清楚、关系明确的过程对象，如果建模 对象复杂，其间没有明确的函数关系，便很难采用机理模型建模。并且当模型 确立后测量误差还与输入数据的完整性有关，如果无法获得完整的数据，那么 测量的精度就得不到保证，甚至无法进行模型计算。 ( 2 ) 黑箱模型，又称经验模型，其根据现有建模对象的数据，通过数理统计 或者智能算法得出一个等价或近似等价的模型，对于大多数的复杂系统来说只能 采用这种建模方法。因为此类对象存在着大量的强耦合以及模糊不确定关系，甚 至有些理论还尚不完善，想要完全地明确其中的所有输入输出关系是不现实的， 机理建模难以实现。但是在实际的过程中往往这些难以测量的参数是直接与生产 息息相关的，如在微生物发酵过程中，微生物菌体的浓度以及与之相关的状态参 数就直接与产物的数量及质量相关。首先根据对象的历史数据进行分析，选择建 模类型，通过样本数据跟据模型训练算法确定模型参数，如图2 3 。 与机理模型所不同的是，黑箱模型是从数据出发，抛开实际对象的原理使得 对复杂对象的建模得以实现，但同时也造成了对数据样本的依赖性问题。 图2 - 3 黑箱模型原理图 f i g u r e2 - 3s c h e m a t i co f t h eb l a c kb o xm o d e l ( 3 ) 灰箱模型，结合机理建模及黑箱建模的特点，根据过程对象的实际情况 进行建模。原理清晰的部分采用机理建模，其复杂不确定的部分采用黑箱模型作 为补充。兼顾两种方法的优点，有利于提高模型的可靠性及泛化能力。 软测量技术包含两个重要组成部分：数据和模型。数据即通过现有测量手 段所获得的对象参数值，其中包含对象过程的基本信息，通过分析数据中存在 的数学关系，根据相应的公式或经验推出与实际过程对象所对应的软测量模型， 并用来验证模型；模型即输入数据与输出结果的映射关系，是软测量的主体部 分，其最终决定了测量的精度、准确性以及泛化能力等性能。通过对数据的分 1 0 第2 章软测量模裂 析和模型的优化不断完善最终的软测量模型，如图2 - 4 。发酵过程模型建立的 目的在于了解发酵过程的动态特性，估计某些难以测量的状态变量( 主要指生 物变量) ；设计实验和验证某些假设；对发酵过程进行仿真研究。重点在于研究 如何快速有效地建立有效的模型，并且尽可能提高其泛化能力。 图2 - 4 软测量建模过程 f i g u r e2 - 4p r o c e s so fs o f t s e n s o rm o d e l i n g 2 2 影晌软测量模型的因素 软测量技术是实用性很强的技术，工程实施中的成败是评价软测量模型性 能的主要标准。在选择合适的软测量方法的基础上，在工程实施中必须要考虑 一些实际问题，它直接关系到所建的软测量模型能否正常投入使用。 ( 1 ) 辅助变量的选择 辅助变量的选择是建立软测量模型的第一步。辅助变量选择的是否合理， 将直接影响软仪表的性能。选择辅助变量必须从机理入手，找出在生产过程中， 哪些因素影响待测变量以及是如何影响的。辅助变量的选择包括变量的类型、 数目及测点位置三个方面，这三个方面是相互关联、相互影响的，由过程特性 决定的。此外还受设备价格和可靠性、安装和维护的难易程度等外部因素的制 约。 辅助变量的选择应符合关联性、特异性、过程适应性、精确性及鲁棒性 等原则。目前，软仪表中使用最广泛的是与主导变量动态性能相近、关系紧密 的可测参数。 辅助变量的数量也是非常重要的，太少则难以建立主导变量精确的软测 量模型，其下限为被估计的主导变量数；太多则会出现过参数化问题。辅助变 量最佳数量的选择与过程的自由度、测量噪声以及模型的不确定性等有关。 在软仪表的设计过程中，辅助变量的数目和位置常常是同时确定的，用 于选择变量数目的准则往往也适用于测点位置的选择。 ( 2 ) 测量数据的预处理 北京工业大学工学硕士学位论文 从理论上讲，测量数据包含了工业对象的大量相关信息。为了从测量数据 中获得尽可能多的信息，以保证软测量模型的精度，在数据采集过程中应该尽 可能全面地考虑对主导变量有影响的过程变量，换句话说就是要尽可能全面地 选择辅助变量，以免在建模过程中由于丢失或忽略一些重要的因素而影响模型 精度。然而，在实际应用中，各辅助变量并不是相互独立的，它们具有不同程 度的相关性。实际经验说明太多的相关信息会使得模型过于复杂，泛化能力差。 因此，在建立系统软测量模型之前，应该从众多的影响因素中找出若干个公共 的支配因子，最大限度地保留有用信息，滤去冗余信息，降低输入数据集的维 数，这样就能大大简化模型结构，提高模型的泛化能力。 为了保证软测量模型具有较宽的适应范围，在学习样本收集过程中，应该 尽可能多地收集有效样本，而且样本的覆盖面在允许的条件下应尽可能宽一些。 然而，当学习样本数目很大时，只用一个模型( 如神经网络模型) 会造成模型 结构庞大、学习时间长。另一方面，由于实际生产过程的复杂性，输入输出样 本数据会出现如下情况：某两对输入数据，在距离意义上是较为邻近的，而它 们对应的输出在距离意义上却相距很远，这样的数据虽然仍可以用单个模型学 习，但学习之后模型的泛化能力很差。因此，对于具有大量学习样本的复杂工 业过程，在建模之前必须对学习样本进行聚类，将样本集划分成较小的子样本 集，这样每个子样本集学习的速度快而且子模型的结构比较紧凑，同时子模型 学习的总时间也远远低于只用一个模型学习的时间，且具有更强的泛化能力。 另外，在实际工业过程中，过程数据受到仪表精度、可靠性、现场测量环 境及人为因素的影响，不可避免地会带有各种各样的测量误差。数据误差分为 随机误差和过失误差两类。随机误差是由于随机因素，如：操作过程微小的波 动或测量信号的噪声等而产生的；过失误差出现的几率很小，但它的存在会严 重恶化数据的品质，影响软仪表的精度，导致软测量甚至整个系统过程优化控 制的失败。有误差的过程数据可能导致软仪表的性能下降甚至完全失效，因此 必须对测量数据的误差进行处理才能保证软仪表的性能。 ( 3 ) 软测量建模及模型的在线校正 软测量模型注重的是通过辅助变量来获得对主导变量的最佳估计，本质上 是要完成辅助变量构成的可测信息集到主导变量估计的映射。软测量模型的好 坏，将直接影响到软测量的精度。因此软测量建模是软测量技术的核心，也是 目前人们研究得最多的一方面。软测量建模的方法很多，如机理建模、回归分 析、模式识别以及诸如神经网络、模糊理论、专家知识等智能建模方法。不同 的建模方法都有其各自的优点和不足之处，实际应用中，必须根据现场的实际 清况，选用合适的建模方法。随着人们对建模方法的深入研究，目前有将多种 方法相互融合的趋势。由于工业对象并非一成不变的，在长期运行中，对象特 1 2 第2 章软测量模型 征会因操作条件、生产原料、装置等不同而发生改变，从而导致软仪表的精度 下降。因此在软测量技术的应用中，必须能对软测量模型进行在线校正，以使 软仪表能跟踪系统的变化，提高模型的适应性。 2 3 软测量模型 2 3 1 机理模型 机理模型通常由代数方程组或微分方程组组成。在对工业对象的物理化学 过程获得了全面清晰的认识后，通过列写对象的平衡方程( 如物料平衡，能量平 衡，动量平衡，相平衡等) 和反映流体传热传质等基本规律的动力学方程，物理 性质参数方程和设备特性方程等，确定不可测主导变量和可测辅助变量的数学 关系，建立估计主导变量的精确数学模型。由于大多数实际过程，尤其是化工 过程存在着严重的非线性和不确定性，难以单独采用机理方法。 对于生物反应器的状态估计问题，经典的化工方法是从组份的质量平衡动 态方程出发。当过程有很多的副产品时，如果没有一个复杂的监测系统，考虑 所有的变量是非常困难的。在生化过程中，通常从以下几个方面出发建立生化 过程的参数模型：( 1 ) 能量守恒及物流平衡；( 2 ) 细胞内生物催化酶的相关代谢 途径分析；( 3 ) 反应速率方程，如m o n o d 型方程，温度相关的速率方程以及其它 速率方程等。 这些方程在对实际的生化系统进行建模时，由于生化反应的条件不同，如 菌种不同( 单一或混杂) 、培养基不同( 碳源、氮源或其他元素) 、关注产物不同( 细 菌代谓 物或细胞物质) 、反应条件的不同( 氧气或p h 值等) 以及对物质能量代谢 途径的不同理解等等，在建立机理模型时所采用的方程在形式和复杂程度上差 异很大。 由于在建立机理模型时，对生化过程的认识是不全面的，如有比较严格的 反应条件限制、仅对生化过程的某个阶段进行建模等等，这就导致了模型的有 效域较窄。如果软测量方法是建立在这样的机理模型上，其检测精度就会随着 生化反应的不同阶段、不同条件的变化而变化。有的方案采用了时变模型构造 观测器，通过在线修正模型的系数来提高检测系统的精度。如果所采用的模型 能够在测量范围内反映出生化过程的规律，采用机理模型构造自适应观测器的 方法还是能够达到比较理想的效果。但在实际中，大量的检测对象中大部分过 程的机理还不是很清楚，从而无法建立较好的机理模型。 采用参数模型的软测量方法的优点是：模型参数物理意义明确，便于研究 生化系统的实际工作原理：当参数模型较为准确时，对一类生化过程来说，采 用参数模型的检测系统稳定性较好。但相应于多种多样的生化系统，参数模型 的种类也较多，因此一种参数模型的应用范围较窄，没有统一工程方法。采用 北京工业大学工学硕士学位论文 机理模型构造估计算法时，为了用在线测量的变量估计，一般要采用较为简单 的机理模型，以降低构造观测器的复杂性。但即使采用了较为复杂的机理模型， 也必须对模型进行一些近似的理想化的处理，从而可能造成结果的偏差。由于 受机理模型的限制，估计对某些变量或参数的敏感性很高，且不易采用其他办 法来解决。基于机理模型的估计