（检测技术与自动化装置专业论文）软测量技术在青霉素发酵过程中的应用.pdf

原创。 生声明 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 立进行研究所取得的成果，除文中已经注明引用的内容外，本论文不 包含任何其他个人或集体已经发表或撰写过的科研成果。对本文的研 究做出重要贡献的个人和集体，均已在文中以明确的方式标明。本人 完全意识到本声明的法律责任有本人承担。 论文作者签名：簋盘垒 关于学位论文使用授权的声明 本人完全了解山东大学有关保留、使用学位论文的规定，同意学 校保留或向国家有关部门或机构送交论文的复印件和电子版，允许论 文被查阅和借阅；本人授权山东大学可以将本学位论文的全部或部分 内容编入有关数据库进行检索，可以采用影印、缩印或其他复制手段 保存论文和汇编本学位论文。 论文作者签名：复重叁导师签名：醢! 苤l 、日期：趔玺垒，筮 山东大学硕士学位论文 摘要 随着生物技术的发展，发酵过程在国民经济中的地位越来越重要，但由 于发酵过程具有高度的非线性、时变性和模型不确定性，关键变量如生物质 浓度和产物浓度难以在线测量，离线分析又导致测量滞后，使发酵过程控制 问题变得十分复杂，难以获得令人满意的控制性能。青霉素发酵过程又是生 化反应过程中比较典型的生产过程，因此对青霉素发酵过程进行建模研究有 实际应用价值。 由于人工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， 基于人工神经网络的软测量为解决复杂系统过程参数的软测量提供了一条 有效途径，使得神经网络在非线性系统建模中的应用越来越广泛。因此，本 文基于神经网络理论，对发酵过程的建模问题进行了深入的研究。 第一，概括总结了发酵过程的建模方法，总结了目前发酵过程建模国内 外的研究现状和存在的问题，对最新进展进行了总结和评述，介绍了软测量 技术及其在发酵过程中的应用。 第二，研究了一种新型的前向神经网络一f l a t 神经网络的应用，详细 介绍了它的结构，在f l a t 神经网络的学习算法中，总结了f l a t 神经网络的 一步更新学习算法，推导了f l a t 神经网络的梯度下降算法和最小二乘算法。 通过仿真实验说明了与b p 网络相比f l a t 网络所具有的优点：收敛速度快、 不存在局部极小点、隐层节点的数目容易确定。仿真实验结果还表明f l a t 神经网络辨识精度高、学习速度快、泛化能力强。 第三，介绍了发酵过程中几种典型混合神经网络建模方法，并研究了广 义混合神经网络模型，它可用神经网络描述发酵过程通用结构形式的模型。 该模型由非线性神经网络和线性神经网络两部分组成，由于非线性神经网络 采用结构具有线性形式的f l a t 神经网络，使两个网络能够合并为同一表达 式，并具有线性形，使得能够使用线性最小二乘法求解网络权值。仿真实验 表明，该模型训练方式简单，并可方便地使用在线辨识算法。 第四，介绍了青霉素发酵过程的特点，青霉素发酵过程工艺和参数，着 重介绍了青霉素发酵过程的数学模型。 第五，应用第三章提出的广义混合神经网络建模方法，根据青霉素发酵 山东大学硕士学位论文 过程可在线测量过程参数二氧化碳生成率c e r ，实现青霉素发酵过程生物质 浓度的测量。由仿真实验结果可以看出，该方法建模精度高、泛化能力强。 关键词：青霉素发酵：软测量技术；建模；f l a t 神经网络；生物质浓度 山东大学硕士学位论文 a b s t r a c t w i t ht h e d e v e l o p m e n t o f b i o t e c h n o l o g y , t h e f e r m e n t a t i o n p r o c e s s i s b e c o m i n gm o r ea n dm o r ei m p o r t a n ti nt h en a t i o n a le c o n o m y h o w e v e r ，t h e f 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 n p 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 dv a r i a t i o n so f p 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 ev a r i a b l e ss u c ha sb i o m a s sc o n c e n t r a t i o na n dp r o d u c t i o nc o n c e n t r a t i o n c a nn o tb em e a s u r e do n l i n e ，w h o s eo f f l i n ea n a l y s i sw i l lr e s u l ti nm e a s u r e m e n t l a g ，s o i ti s v e r yc o m p l e xt o t h ec o n t r o lo ff e r m e n t a t i o np r o c e s s ，a n di ti s d i f f i c u l tt og e ts a t i s f i e dc o n t r o lp e r f o r m a n c e p e n i c i l l i nf e r m e n t a t i o ni sat y p i c a l k i n do fb i o c h e m i c a lr e a c t i o np r o c e s s t h u st h e s t u d ya b o u tt h em o d e l i n gh a s p r a c t i c a le f f e c tf o rt h ep e n i c i l l i nf e r m e n t a t i o n a r t i f i c i a ln e u r a ln e t w o r k sh a v eb e e nu s e dm o r e b r o a d l yi nn o n l i n e a rs y s t e m m o d e l i n g b e c a u s et h a tt h ea r t i f i c i a ln e u r a ln e t w o r k sh a v e s e l f - l e a r n i n g ， a s s o c i a t e dm e m o r y ，s e l f - a d a p t i v ea n dn o n l i n e a rf u n c t i o na p p r o a c h i n ga b i l i t i e s ， a n dt h es o f t - s e n s i n gb a s e do na r t i f i c i a ln e u r a ln e t w o r k s p r o v i d e sa n e w a p p r o a c h t ot h es o f t s e n s i n go f p a r a m e t e r so fc o m p l e xs y s t e mp r o c e s s s ot h em o d e l i n go f f e r m e n t a t i o np r o c e s sh a sb 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 nt h e o r yo fn e u r a l n e t w o r k si nt h i sd i s s e r t a t i o n 1t h em o d e l i n gm e t h o d so ff 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 t h e i n t e r n a la n de x t e r n a lc u r r e n ts i t u a t i o no f s t u d y ，t h en e w l yp r o g r e s sa n de x i s t i n g p r o b l e m s i nt h e m o d e l i n g o ft h ef e r m e n t a t i o n p r o c e s s a r es u m m a r i z e d s o f t s e n s i n gt e c h n i q u ea n di t su s ei nt h ef e r m e n t a t i o np r o c e s sa r ei n t r o d u c e d 2ab e wt y p eo ff o r w a r dn e u r a ln e t w o r k - - f l a tn ni si n t r o d u c e d t h e c o n s t r u c t i o no ft h ef l a tn na n di t so n e s t e pu p d a t ea l g o r i t h ma r ei n t r o d u c e d i nd e t a i l g r a d i e n td e s c e n d l e a r n i n ga l g o r i t h ma n dt h el e a s t s q u a r ea l g o r i t h mo f f l a tn na r ed e r i v e d t h e nt h e a d v a n t a g e so ft h e f l a tn na r eo b t a i n e d c o m p a r i n gw i t hb p n n t h r o u g hs i m u l a t i o ne x p e r i m e n t s ，t h e s ea r et h ea b i l i t yo f q u i c kc o n v e r g e n c e ，n o n e x i s t e n c eo fl o c a lm i n i m u mv a l u e sa n dt h en u m b e ro f h i d d e nn o d e sc a nb ee a s i l ya s c e r t a i n e d a n dt h es i m u l a t i o nr e s u l t ss h o wt h a tt h e f l a tn nh a s h i g ha c c u r a c y ，q u i c ks t u d ya b i l i t ya n d m o r eg e n e r a l i z a t i o na b i l i t y 3 山东大学硕士学位论文 3s e v e r a lh y b r i dn e u r a ln e t w o r km o d e l i n gm e t h o d sf o rf e r m e n t a t i o na r e i n t r o d u c e d b e s i d e s ，ag e n e r a l i z e dh y b r i dn e u r a ln e t w o r km o d e li ss t u d i e d ， w h i c hc o m b i n e st h en o n l i n e a rn e t w o r ka n dt h e1 i n e a rn e t w o r k t h en o n l i n e a r n e u r a ln e t w o r ki sf l a tn n p r o p o s e di nc h a p t e r2t h a t c a nb ef o r m u l a t e da s l i n e a rf o r m t h en o n l i n e a rn e t w o r ki s m e r g e di n t o al i n e a rf o r m u l aw i t ht h e l i n e a rn e t w o r k t h u s ，t h i sf o r m u l a t i o nm a k e si te a s i e rt ou p d a t et h ew e i g h t so f t h en e t w o r ku s i n gal i n e a rl e a s t - s q u a r em e t h o d t h es i m u l a t i o nr e s u l t si n d i c a t e t h a tt h ep r o p o s e dm o d e li s v e r ya t t r a c t i v e i fa c c u r a c ya n de a s yt r a i n i n ga r e c r i t i c a li s s u e s 4t h ec h a r a c t e r sa n dt e c h n i c so fp e n i c i l l i nf e r m e n t a t i o n p r o c e s s a r e i n t r o d u c e d p a r a m e t e r si n c l u d i n gp h y s i c sp a r a m e t e r s ，c h e m i c a lp a r a m e t e r sa n d b i o l o g yp a r a m e t e r s a r ea l s oi n t r o d u c e d m a t h e m a t i c a lm o d e lo fp e n i c i l l i n f e r m e n t a t i o np r o c e s si si n t r o d u c e dw i t he m p h a s i s 5t h eb i o m a s sc o n c e n t r a t i o no f p e n i c i l l i nf e r m e n t a t i o np r o c e s si sm e a s u r e d b y t h e g e n e r a l i z e dh y b r i d n e u r a ln e t w o r k m o d e l i n g m e t h o d s p r o p o s e d i n c h a p t e r3a c c o r d i n gt op a r a m e t e rc e r w h i c hc a nb em e a s u r e do n l i n e t h e s i m u l a t i o nr e s u l t ss h o wt h a tt h em o d e l i n gm e t h o dh a sh i g ha c c u r a c y a n d g e n e r a l i z a t i o na b i l i t y k e y w o r d ：p e n i c i l l i nf e r m e n t a t i o n ；s o f t - s e n s i n gt e c h n i q u e ；m o d e l i n g ；f l a t n e u r a l n e t w o r k ；b i o m a s sc o n c e n t r a t i o n 4 山东大学硕士学位论文 符号说明 n 。一进入发酵液的空气中二氧化碳体积分数 。，。一流出发酵液的二氧化碳体积分数 。一二氧化碳生成率，m o l m 3 h v 一发酵液体积，m 3 ： c ，一进入发酵液的空气在标准状态下的体积流量，m a h e 。一排出发酵液的空气在标准状态下的体积流量，m a h f 一添加补料速率，m 3 h ： j 一进入发酵液的干空气中惰性气体的体积百分数 ”。一进入发酵液的空气中水分的体积百分数 n 。：一排出发酵液的空气中氧的体积百分数 n c 0 2 , o 一排出发酵液的空气中二氧化碳的体积百分数 n 一排出发酵液的空气中水分的体积百分数： h ：一空气在操作温度下饱和水蒸气的体积百分数 中一空气的相对湿度； c 。一发酵液中溶解的二氧化碳浓度，m o l m 3 c e r 一发酵过程中二氧化碳生成率，m m o l ( l - h ) p 一发酵液中产物浓度，g l ： x 一发酵液中生物质浓度，g l s 一基质浓度，g l ； 山东大学硕士学位论文 6 一以二氧化碳比生长率表示的细胞维持常数，m m o l ( g h ) f 一发酵时间，h ： 巧。一细胞生长相对于二氧化碳生成的得率常数，g m m o l 砀。一产物合成相对于二氧化碳生成的得率常数，g m m o l d 一补料净稀释率，h ： k 一产物水解常数，h w 产物比生k 率，g ( g h ) 。 山东大学硕士学位论文 1 1 引言 第一章发酵过程建模方法综述 随着社会的进步，人类生活水平的提高，生物工程对人类生活的作用越 来越重要。生物工程包括基因工程、细胞工程、酶工程和发酵工程四个分支， 其中发酵工程是生物工程的基础之一。发酵工程在整个生物工程中相对发展 较为成熟，以抗生素为产品的抗生素工业则是发酵工程所应用的主要产业部 门之一。 在工业上，“发酵”泛指利用微生物制造或者生产某些产品的过程， 它包括厌氧培养的生产过程，如酒精、乳酸等，以及通气( 有氧) 培养的生产 过程，如抗生素、氨基酸酶制剂等的生产。产品既有细胞代谢产物，也包括 菌体细胞、酶等。发酵过程是一种极其复杂的生化反应过程，它的存在已经 有数千年的历史，但是对发酵本质的认识和发酵工业的建立却只是近百年的 事。发酵过程不仅具有一般非线性系统的时变性、大惯性、关联性、不确定 性等特点，而且由于发酵过程的中的一些重要参数如生物质浓度和产物浓度 都不可以在线测量，所以发酵过程的控制比一般的非线性系统更加复杂1 2 j 。 近几年生物技术的发展使得发酵生产在国民生活和国民经济中变得越 来越重要，但是由于发酵过程的传统控制是人工实现的，使得发酵过程的控 制刁i 准确，并且发酵过程的自动控制远远落后于其它非线性系统的控制，近 几年人们将专家系统、模糊逻辑控制以及神经网络用于发酵过程的控制已取 得了一定的成果【3 1 ，国外已经有了用计算机控制的发酵过程【4 1 ，国内在这方 而的发展较慢，尚没有形成理论实践体系。而且由于发酵过程的参数测量技 术远远落后于系统实时控制的要求，使得发酵过程的控制难以满足实时性要 求。这一切都要求有一较好的建模方法用于生化过程，以使人们能及时准确 地把握过程的实际进展情况。 1 2 发酵工业简介 发酵是指某些物质通过微生物所产生的酶的作用转化为其它物质的过 程。抗生素是微生物在发酵过程中二次代谢的产物，是产生菌在一定条件下 ( 温度、p h 、通气等) 生长到一定阶段的合成物质。典型的抗生素生产工艺流 山东大学硕士学位论文 程如图1 1 示。抗生素的分泌在产品发酵这一步骤完成。 图1 1 抗生素生产工艺流程 抗生素的生产，有如下几个特点： ( 1 ) 菌体生产与产物的形成不平行 抗生素产品发酵过程包含菌体繁殖阶段和抗生素分泌阶段。在菌体生长 到一定程度后，抗生素才开始大量分泌。菌体浓度过低，则抗生素分泌自然 就少，但是菌体浓度过高也会抑制抗生素分泌。 ( 2 ) 理论产量难以用物料平衡来求取 抗生素是一种与微生物生长发育无直接关系的次级代谢产物，其可能存 在的酶反应成百上千，难以用物料平衡来求取产量。 ( 3 ) 生产稳定性差 国内发酵用的黄豆饼粉、玉米浆、葡萄糖等主要原料往往无固定货源， 质量无法保证。除此之外，菌种质量、培养基成分、中间代谢产物、设备条 件及操作条件等诸多因素都直接影响生产。 为了获得或者尽量多地获得发酵产品，必须对发酵过程进行控制，这种 控制包括两方面的内容：其一，如何改变细胞的遗传组成和细胞的代谢生理 特性，即细胞的“内部控制”。其二，即对营养成分、细胞体生长的物理和 化学环境条件进行控制，称为“外部控制”。 为了实现良好的外部控制，首先要了解微生物与环境间的相互作用情 况。抗生素发酵过程的参数可以分为三类：物理参数、化学参数和生物参数。 山东大学硕士学位论文 1 2 1 物理参数 在发酵过程中，主要的物理参数有发酵温度、发酵罐压力、空气流量、 发酵液体积、冷却水流量、冷却水进出口温度、搅拌电流、泡沫高度等，这 些参数都有成熟的传感器可以直接实现在线测量。 1 2 2 化学参数 发酵过程中的化学参数有p h 值、溶解氧浓度，它们对于发酵过程非常 蘑要，生化反应都需要有合适的酸碱环境才能朝着期望的方向进行，而溶氧 浓度则是限制菌体生长的关键性因素之一，溶解氧浓度低于临界值会使发酵 过程急剧恶化。近年来，己有成熟的p h 、溶氧电极可以应用。 1 2 3 生物参数 发酵过程的生物参数包括微生物呼吸代谢参数、生物质浓度、代谢产物 浓度、底物浓度以及微生物比增长速率、底物消耗速率和产物合成速率。微 生物呼吸代谢参数的在线测量是可以实现的，可是由于技术上的原因，表征 微生物生长状态的菌体浓度、底物浓度和产物浓度在线测量比较困难，现在 国内外几乎还没有可以在线测量生物参数的仪器，这也是发酵过程控制比一 般工业生产过程控制难度更大的原因。 1 3 发酵过程的建模 在生化工业中，在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办法来实现。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是高 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1 5 j 。从8 0 年代起，就有研究文章将线性估计技术应用于发酵过程【6 ”，然而，这些方 山东大学硕士学位论文 法还没有完全在实际的发酵工业界得到承认和采用。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 8 - 1 2 。 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，采用自适应估计技 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，可以开发出发酵 过程的观察器【1 3 州】。 人工神经网络的发展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 15 1 ，如菌体浓度的估 计和土霉素生产中的应用( z h a n ge ta l ，1 9 9 6 ) ”1 。并且研究成果已经证明 神经网络技术在发酵过程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”8 1 。 刚开始时，神经网络是作为“黑箱”式模型应用于发酵过程。在没有过 程的先验知识，仅基于系统的输入输出数据丌发过程模型时，“黑箱”式神 经网络建模方法已被证明是可行的【1 9 。虽然神经网络具有逼近任意连续函数 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- - 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( m a r r o v o u n i o t i s ，1 9 9 2 ) t ：。们。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 2 1 1 。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 l o 山东大学硕士学位论文 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 2 2 1 。 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1 8 】。花强和王树青( 1 9 9 6 ) t 2 3 1 将串联 结构的混合神经网络建模方法应用于2 一酮基，1 古龙酸( 2 一k l g ) 发酵过程的状 态估计中。 在并联结构的混合神经网络模型( s u e t a l ，1 9 9 2 ) e 2 4 中，神经网络模型与 先验模型相并联，神经网络模型的输出与先验模型的输岛之和决定整个模型 的输出。先验模型可能由于内部过程的复杂性或不可测量的干扰因素，与实 际系统有偏差时，正是用神经网络来弥补这个偏差。j o h a n s e n 和 f o s s ( 1 9 9 2 ) 2 5 埘1 将并联结构混合神经网络模型建模方法用于自适应控制中， e i k e n s 等( 1 9 9 9 ) t 2 7 1 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 ) 2 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方程串联。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 数全部由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，整个模型即变为纯机理模型。 上述几种混合神经网络模型存在的共同问题是由于神经网络的输出不 山东大学硕士学位论文 是混合模型的最后输出，即神经网络的输出不直接对应系统的输出，使网络 训练复杂化，标准神经网络的在线辨识算法不能直接使用。因此，在发挥混 合神经网络模型优点的同时，研究适合发酵过程特点的、能够在线辨识、应 用于实时控制的混合神经网络模型，是很有必要研究的一个课题。 i 4 软测量技术 随着现代工业过程控制对控制、计量、节能增效和运行可靠性等要求的 提高，各种测量要求日益增多，仅获得流量、压力、温度、液位等常规过程 参数的信息已不能满足工艺操作和控制的需求，需要获取诸如成分、物性等 与过程操作和控制密切相关的检测参数的测量信息。另一方面，仪表测量的 精度要求越来越高，测量由静态或稳态向动态测量发展，在许多应用场合还 需要综合运用所获得的各种过程测量信息，才能实现有效的过程控制、对生 产过程或测量系统进行故障诊断、状态监测等1 2 8 。 由于工业过程生产系统涉及物理、化学、生化反应、物质及能量的转换 和传递，系统的复杂性、不确定性导致了过程参数检测的困难。虽然过程检 测已有长足的进步，但目前实际工业过程中仍存在许多无法或难以直接用传 感器或过程检测仪表进行测量的重要过程参数。一般解决工业过程的测量要 求有两条途径【2 9 1 ：是沿袭传统的检测技术发展思路，通过研究新型的过程 测量仪表，以硬件形式实现过程参数的直接在线测量；另一就是采用间接测 量的思路，利用易于获取的其它测量信息，通过计算来实现被检测量的估计。 近年来在过程控制和检测领域涌现出的一种新技术一一软测量技术 ( s o f t s e n s i n gt e c h n i q u e ) 1 t _ 是这一思路的集中体现。 1 4 1 软测量技术的基本含义 软测量技术是依据某种最优化准则，利用由辅助变量构成的可测信息， 通过软件计算实现对主导变量的测量，也称为软仪表【3 0 】，它的核心是表征辅 助变量和主导变量之间的数学关系的软测量模型( 如图1 。2 所示) 。因此，构 造软仪表的本质就是如何建立软测量模型，即一个数学建模问题。 软测量也并不完全局限于由辅助变量去估计不可测量这个范畴【j ”，它 可以推广到如下情况：在工业过程中，许多系统的输出不能及时地测量，这 山东大学硕士学位论文 给过程的控制和监测带来很大困难。如果通过历史测量和分析数据建立准确 的过程模型，就可以将系统的输出实时地反映出来。这种由工业过程输入值 通过估计器( 软件模型) 实时得到系统输出的方法也称为软测量技术。 辅助变量校正值 主导 变量 估计 图1 2 软测量模型 软测量技术的分类一般是依据软测量模型的建立方法，大体上有九种： 机理建模、回归分析、状态估计、模式识别、人工神经网络、模糊数学、过 程层析成像、相关分析和现代非线性信息处理技术。其中基于人工神经网络 ( a r t i f i c i a ln e u r a ln e t w o r k ，简记a n n ) 的软测量是近年来研究最多、发展 很快和应用范围很广泛的一种软测量技术2 8 1 。本文在青霉素发酵过程中采用 的就是基于人工神经网络的软测量建模。 1 4 2 软测量技术的应用 由于软仪表可以像常规过程检测仪表一样为控制系统提供过程信息，因 此软测量技术目前已经在过程控制领域得到了广泛应用。相对于硬件检测设 备，软仪表的开发成本较低，配置比较灵活，维护相对容易，各种变量的检 测可以集中于一台控制计算机上，无需为每个待检测的变量配置新的硬件。 软测量技术作为过程检测领域中一种新型的参数测量技术，不仅用于实 现众多目前难以用常规仪表直接测量的所谓难测参数的在线检测，还可以为 高级过程控制和在线稳态优化提供被控变量和其它的过程信息。 由于采用软测量技术一方面可以获取更多的过程信息，另一方面由于软 仪表的载体是计算机软件，可以通过合理的编程，综合运用各种所获信息实 现过程的故障诊断和状态监测等，并对生产过程进行评估和协调，因此软测 量技术在过程监测和生产管理中也有十分重要的作用。 山东大学硕士学位论文 1 4 3 发酵过程的软测量技术 发酵过程作为一种复杂的生化反应，它比一般的非线性系统更加复杂， 主要表现在：发酵过程中有复杂的物理、化学反应过程，发酵过程的参数众 多，并且没有合适的测量这些参数的仪器，这使得发酵过程的建模和控制很 困难，所以迄今为止，对发酵过程的控制还没有很好的方法。由于缺少对过 程参数的测量、监测和控制的实时系统，使得发酵产品的成本高、操作费用 高。降低发酵过程的能耗、降低成本和提高产品的产率是发酵过程控制的一 个目标，而实现这个目标最重要的一环，就是能够在不增加实际仪表的基础 上实时地获得过程参数。 对于复杂的生化反应过程，建立过程模型的传统的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。而且由于发酵过程本身是高度的非线性和时 变的，其动态特性往往是部分或者全部未知的，所以模型的预测能力十分有 限。 传统的发酵过程的操作方式是开环的，凭经验来补加营养物料和前体。 由于缺乏发酵过程参数的测量监视和控制系统，使得发酵成本高，操作费用 大。而且即使有经验的操作者能对发酵过程的环境参数如p h 、发酵温度、 溶解氧浓度等控制的很好，但是由于微生物发酵过程具有高度的非线性和时 变性，关键变量如生物质浓度和产物浓度不可以在线测量，使得发酵过程的 控制变得复杂。所以加强发酵过程的监督和控制是很重要的问题。 生化反应过程一般按如下过程进行：菌体在合适的环境及底物组成的条 件下，先利用底物中的营养物质进行菌体的大量生长和繁殖，并维持在一个 较高的浓度上，然后进入菌体的产物分泌期，菌体除了利用一定量底物来维 持自身的活力和浓度以外，绝大部分底物中的营养成分被用于产物的生成。 由于有大量活细胞的参与，使得发酵过程的非线性和不确定性尤为明显。 发酵过程是很复杂的非线性动态过程，其影响因素之多、关系之复杂， 给过程监测和控制带来很大的困难。目前尚无精确的在线测量手段来测量发 酵过程中一些关键变量如产物的浓度、代谢速度等，软测量技术是解决发酵 过程l _ j 普遍存在的一类难以在线测量变量估计问题的有效方法。它克服了人 工分析及使用在线分析仪表的诸多不足，是实现在线测量控制及先进控制、 山东大学硕士学位论文 优化控制的前提和基础。 最近几年，人们开始用估计技术来预估生化过程的重要变量，如用知识 库系统来帮助指导发酵过程和操作，用专家系统、模糊控制提高发酵过程的 自动化监测水平。而对于难以建立精确机理模型来描述其关系的生化过程， 常常采用基于输入输出数据的神经网络直接建模方法来建立软测量模型。但 是，单一的直接建模会增加建立模型的难度，训练样本多而复杂，而且模型 精度会受到影响。f l a t 神经网络是一种新型的前向神经网络”，收敛速度 快，不存在局部极小问题，特别适合应用在函数逼近、系统辨识等领域。 1 5 本文内容简述 在下面的论文中，介绍了新型具有平坦结构的f l a t 神经网络的一步更 新学习算法，提出并推导了f l a t 网络的梯度下降学习算法和正交化最小二 乘算法，仿真实验的结果说明f l a t 网络辨识精度高、学习速度快、泛化能 力强；针对现有的发酵过程混合神经网络建模方法，分别指出它们的优缺点， 并针对这几种建模方法在发酵过程中的应用，进行了仿真研究，分析出各自 适合应用的范围和条件，提出了广义混合神经网络建模方法，来建立发酵过 程的模型：介绍了青霉素发酵过程的特点及工艺，青霉素发酵过程数学模型 的选择，根据可在线测量过程变量二氧化碳释放率c e r ，应用广义混合神经 网络建模方法，测量发酵过程的生物质浓度，并进行了仿真实验。 山东大学硕士学位论文 第二章f l a t 神经网络 2 1 f l a t 网络的结构 f l a t 神经网络是一种新型的前向神经网络3 2 ，此网络结构简单，容易 训练，虽然它用于非线性函数的逼近，但是网络可以用线性化公式进行计算， 新加一个样本或增强节点时能快速更新网络权值。此网络的训练时间短，具 有一次学习权值的能力。由于网络具有近似平坦的特点，所以网络训练简单， 权值易于求解。 f l a t 网络的结构如下： 输出层 彤 输八层 y 增强结点 图2 1f l a t 网络结构图 f l a t 网络分为三层：第一层是输入层，接受来自外部的输入信号；第 二层是隐含层，由增强节点组成，这些增强节点用作系统的额外输入；第三 层是输出层，实现外部输入到输出的映射。 为精确起见，增强节点先对输入节点进行线性求和，然后对其利用非线 性激活函数善( ) ，作为隐层增强节点的输出。该输出作为网络的额外输入， 即与外部输入一起组成神经网络的输入。从输入节点到增强节点的连接权初 始化并在此固定。这一模型严格的数学证明由i g e l n i k 和p a o 3 3 1 给出。 通常具有个增强节点的f l a t 网络输入输出之间的关系可表述如下： y = 1 善【肼+ 尻肛 ( 2 ，1 ) 其中，x 是输入矩阵；y 是输出矩阵；既是增强权值矩阵，由随机数产生， 一旦选定，增强权值矩阵在网络训练过程中保持不变；是网络的连接权值 山东大学硕士学位论文 矩阵，需要通过训练获得：成是偏置值：孝( ) 是非线性激活函数，激活函数 可以是s i g m o i d 函数也可以是t a n h 函数。如果没有包含屁，则应加入一个常 量偏置节点，其输出是+ 1 或一1 。 如果将矩阵口悟( 朋+ ) j 已为a ，即a 为由所有输入向量和增强节点的 输出组成的输入矩阵，则此网络的输入输出关系矩阵就可以变成如下形式： 】，= a w ，从上述关系式可以看出，f l a t 网络的输入输出关系呈现线性形式。 这一线性化结构如图2 2 所示。 i 占占占占占占 l x 孝( 碱+ 屁) 图2 2f l a t 网络线性化结构图 2 2f l a t 网络的学习算法 2 2 1 f l a t 网络的一步更新算法 f l a t 网络学习算法通过最小化怕- rl i ：获得连接权的最优解，即 w = 爿+ 】，( 其中a 为输入矩阵，y 为输出矩阵，w 为连接权，a + 为矩阵a 的 伪逆) 。文献0 2 提出了一步更新学习算法，这一算法可以实现连接权的快速 更新。其计算过程为( 假设为多输入单输出系统) ： 假设4 。是y 聊维输入样本矩阵( 下标代表离散时间序列) ，l 为对应的输 出矩阵。每加入一组样本网络的输入矩阵a 。增加一行，a 为棚l 维网络新加 入的样本，对应的输出为y 。则加入新样本之后输入样本矩阵变成4 。： 伽m 新矩阵的伪逆为： 一二。= b ：一b d i b ( 2 2 ) 山东大学硕士学位论文 其中： d = 口一j ，a = 。+ 芝艺，一，4 ：d 矿矿。? ：。， c ：， 其中，c = a t - - d a 。 也就是说，4 + ，的伪逆可以通过a 2 和新加入的样本矢量a 得到。令输出向虽 分成：l + - 刽j ，其中，是相应于新的输入矢量的新的输出。令 “= 爿二t k 十l ，氓= 鬈l 则根据上面的等式可以得到新的网络权值关系式如下： + ，= + 6 l “)( 2 4 ) 同样加入新的增强结点时的权值更新如下：加入一个增强结点相当于对 矩阵爿。增加一列，即a 。= - 。纠，此时新矩阵的伪逆为： 爿。= f4 ：；l ( 。s ， 其中： d = 爿：口，a = 。，+ 篓：，一。d ，一，夕：。 c z s ， 其中c = a a 。d 。 于是得到新的权值为： = 呒 眨， 网络训练过程如下： 1 产生输入输出训练数据对x 斗y ，设定初始增强结点数，并根据结点 数随机产生增强结点权值矩阵，偏置值屁，确定网络的初始权值w o ； 2 加入前n 。组训练样本：x 。斗，则x 。为n o 。p 维矩阵( 假设输入维数 是p ) ，计算输入矩阵a 。，a 。+ ； 3 加入一个增强结点，将，屁各增加一列；计算各增强结点的输出，根 据式( 2 5 ) ，计算网络新的伪逆a 。+ 并计算新的网络的权值矩阵岷“ 4 加入一组输入训练样本x ，_ y ，利用式( 2 2 ) ，计算新的网络伪逆a 。+ ， 利用式( 2 4 ) 计算得到新的网络权值+ 。； 山东大学硕士学位论文 图2 3f l a t 神经网络算法流程图 山东大学硕士学位论文 5 计算网络的输t b ，并求的网络的输出误差g = 1 i r o + 一( 其中y 是网 络输出的期望值，而r 是训i 练网络的实际输出值) ，如果误差小于规定的误 差限，则停止训练，否则，转到第4 步继续训练。如果将所有的输入输出训 练样本都加入之后仍然得不到满意的误差限，则转到第3 步，给网络增加一 个增强缔点，继续进行训练，直到结束。 从以上的计算过程可以看出，f l a t 网络在加入新的增强结点或者新的 输入样本数据时，其网络权值的更新是在原有权值的基础上进行简单的更新 即可以得到，而不必进行重复性的迭代计算，从而使得网络的训练速度很快， 而且逼近能力也很强。算法流程图如图2 3 。 加入新的样本数据和加入结点之后，其算法的示意图如下： 职瓣惑 l 占6 占( 1 ) o 1z w + 矗) l 图2 4 加入新的样本数据 图2 5 加入新的增强结点 a 2 山东大学硕士学位论文 2 2 2f l a t 网络的梯度下降算法 在研究过程中，本文提出了f l a t 网络的梯度f 降算法。与一步更蒯r 法 调整连接权的思路不同，梯度法是沿着准则函数的负梯度方向，逐步修正参 数估计值，直至准则函数达到最小值。梯度法的计算过程比一步更新法更简 单。 算法的推导过程如下： 设误差准则函数为： e w = m i n l 躬j - i , = 船i = 1 鲁) 2 ：i i l i n i 妻妻兰g ? ) 2i ( z 8 ) lj = l z r 】 其中：n 为输入样本数；g 为网络输