（检测技术与自动化装置专业论文）基于改进fnn的青霉素发酵过程软测量建模与实现.pdf

担。 学位论文作者签名：夏成移f 、 硼it 年( ；只f 妇 学位论文版权使用授权书 江苏大学、中国科学技术信息研究所、国家图书馆、中国学术期刊( 光盘 版) 电子杂志社有权保留本人所送交学位论文的复印件和电子文档，可以采用 影印、缩印或其他复制手段保存论文。本人电子文档的内容和纸质论文的内容 相一致，允许论文被查阅和借阅，同时授权中国科学技术信息研究所将本论文 编入中国学位论文全文数据库并向社会提供查询，授权中国学术期刊( 光 盘版) 电子杂志社将本论文编入中国优秀博硕士学位论文全文数据库并向 社会提供查询。论文的公布( 包括刊登) 授权江苏大学研究生处办理。 i 本学位论文属于不保密恸。 学位论文作者签名：夏蔌朴 叩i1 年乇月c 萝日 指导撕签名：箭九 少i1 年b 月( 怕 江苏大学硕士学位论文 目录 摘要j a b s t r a c t i i 目录i 第一章绪论1 1 1 研究背景与意义1 1 1 1 研究背景1 1 1 2 研究意义2 1 2 软测量技术概述4 1 2 1 软测量的建模方法5 1 2 2 软测量的应用情况7 1 2 3 软测量模型的校正8 l - 3 本文研究内容及安排o 1 0 第二章改进卧算法的软测量建模原理1 2 2 1 引言12 2 2 模糊神经网络1 2 2 2 1 模糊神经网络结构o 一1 2 2 2 2 模糊神经网络的特点1 4 2 3 动态模糊神经网络模型一1 5 2 3 1 动态模糊神经网络结构1 5 2 3 2 动态模糊神经网络的学习算法1 7 2 3 3 动态模糊神经网络的特点2 0 2 4 基于粒子群算法的动态模糊神经网络模型辨识2 l 2 4 1 粒子群优化算法：2 1 2 4 2 带惯性权值的粒子群优化算法2 4 2 4 3 粒子群算法优化动态模糊神经网络一2 5 2 5 本章小结2 6 第三章青霉素发酵过程软测量建模2 7 基于改进f n n 的青霉素发酵程软测量建模与实现 3 1 引言2 7 3 2 青霉素发酵过程工艺概述2 7 3 3 数据预处理2 8 3 3 1 过失误差数据剔除2 9 3 3 2 数据的归一化3 0 3 4 一致相关度算法确定辅助变量31 3 5 基于动态模糊神经网络软测量建模3 3 3 6 基于粒子群算法的动态模糊神经网络模型辨识3 6 3 7 本章小结3 8 第四章青霉素发酵过程数字系统设计3 9 4 1 引言3 9 4 2 系统设计思想和要求3 9 4 2 1 系统设计思想3 9 4 2 2 系统设计要求一4 0 4 3 系统硬件设计4 1 4 3 1 系统硬件结构图4 l 4 3 2 系统硬件配置4 2 4 3 3 系统硬件原理图4 4 4 4 系统软件设计4 5 4 4 1 软件设计总体结构4 5 4 4 2 数据的采集与测定4 6 4 4 3 串行通信设计4 7 4 4 4 上位机程序设计5l 4 5 本章小结5 4 第五章总结与展望5 5 5 1 工作总结5 5 5 2 展望5 6 参考文献5 7 攻读硕士期间发表论文及专利情况6 0 致谢一：6 1 江苏大学硕士学位论文 摘要 随着生物技术的发展，微生物发酵工程在国民经济和社会经济中的重要作用 日益突出。微生物发酵过程是一个具有高度非线性、时变性和迟滞性的生化反应 过程，其内在机理非常复杂。采用软测量技术实现发酵过程中难以在线测量的关 键生物量参数( 如基质中浓度、菌丝浓度、产物浓度等) 的预测，对发酵过程进 一步的优化控制有着重要的意义。 本文以青霉素发酵过程为研究对象，在总结各种软测量建模方法基础之上， 对传统模糊神经网络算法进行改进，建立基于动态模糊神经网络的软测量模型。 在此基础之上，采用粒子群算法对动态模糊神经网络软测量模型参数进行优化。 对青霉素发酵过程的关键生物量参数利用上述软测量模型进行预估。并设计了以 p l c 作为核心控制器的发酵过程数字化系统。主要研究工作如下： ( 1 ) 采用动态模糊神经网络建立青霉素发酵过程软测量模型。系统采用高斯 隶属度函数和t - 范数乘积算子，并利用动态的学习方法实现模糊神经网络结构和 参数的辨识。使得软测量模型的复杂度降低，进一步提高了模型的稳定性，仿真 结果表明该模型能够以较高的精度预测关键生物量参数。 ( 2 ) 在动态模糊神经网络建模的基础上，采用粒子群算法对模型参数进行优 化，同时应用动态学习算法对网络的结构进行优化，实现网络结构和参数的全局 优化调整，设计了改进算法的动态模糊神经网络模型。由于结合了粒子群算法的 全局搜索功能，仿真结果表明改进的动态模糊神经网络软测量模型能够更加有 效、快速地逼近真实值，预测精度较高。 ( 3 ) 将软测量模型应用到实际发酵过程中，设计了以西门子s 7 2 0 0p l c 作为 核心控制器的上下位机控制系统。通过下位机完成现场信号的采集；应用c o m 技术构建软测量c o m 组件，集成于上位机v c + + 开发环境中，实现青霉素发酵过 程关键生物量参数的预估、数据的显示、管理等功能。 关键词：动态模糊神经网络，粒子群算法，青霉素发酵，软测量，p l c 基于改进f n n 的青霉素发酵程软测量建模与实现 a b s t r a c t w i t ht h ed e v e l o p m e n to fb i o t e c h n o l o g y ，t h em i c r o b i a lf e r m e n t a t i o ne n g i n e e r i n g p l a y sa ni n c r e a s i n g l yi m p o r t a n tr o l ei nt h en a t i o n a le c o n o m ya n ds o c i o e c o n o m i c a n dt h em e c h a n i s mo ft h ef e r m e n t a t i v ep r o c e s si se x t r e m e l yc o m p l e x ，n o n l i n e a ra n d u n c e r t a i n i no r d e rt oa c h i e v et h eo p t i m a lc o n t r o lo ff e r m e n t a t i o np r o c e s s s o f ts e n s o r t e c h n i q u e si su s e dt om e a s u r es o m eo fk e yb i o l o g i c a lp a r a m e t e r si nt h ef e r m e n t a t i o n p r o c e s sw h i c ha r ed i 伍c u l tt om e a s u r eo n l i n e ，s u c ha ss u b s t r a t ec o n c e n t r a t i o n e e l l c o n c e n t r a t i o n ，p r o d u c t i o nc o n c e n t r a t i o n i nt h i st h e s i s ，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 sc h o s e na st h er e s e a r c ho b j e c t t h et r a d i t i o n a lf u z z yn e u r a ln e t w o r ka l g o r i t h mi si m p r o v e db a s e do nt h es u m m a r yo f t h es o f ts e n s o rm e t h o d s d y n a m i cf u z z yn e u r a ln e t w o r ka n d i m p r o v e dd f n n c o m b i n e dw i t hp a r t i c l es w a r mo p t i m i z a t i o ns o f t s e n s o rm o d e l sa r eb u i l tt op r e d i c tt h e t h r e e i m p o r t a n tv a r i a b l e si nt h ef e r m e n t a t i o np r o c e s s a n dt h ec o n t r o ls y s t e mo f f e r m e n t a t i o np r o c e s si sd e s i g n e db yp l ca st h ec o r ec o n t r o l l e rw i t ht h ei n t e g r a t i o no f u p p e r a n dl o w e rc o m p u t e rh a r d w a r es y s t e m 1 1 1 i s m a j o rr e s e a r c hw o r ki s a s f o l l o w i n g ： f i r s t l y ，d y n a m i cf u z z yn e u r a in e t w o r ks o f ts e n s o rm o d e li su s e df o rp 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 s t h ed y n a m i cf u z z yn e u r a ln e t w o r ki sb a s e do nf u z z yn e u r a l n e t w o r k g a u s s i a nm e m b e r s h i pf u n c t i o n sa n dt n o r mp r o d u c to p e r a t o ra r eu s e di nt h e s y s t e m n o to n l yt h ep a r a m e t e r so ft h en e t w o r kc a nb eo p t i m i z e d ，b u ta l s ot h e s t r u c t u r ec a nb es e l f - a d a p t i v e t h es o f ts e n s o rm o d e lc a nr e d u c et h ec o m p l e x i t y a n d f u r t h e rm o r et oi m p r o v et h em o d e ls t a b i l i t y ，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 h a sg o o dm o d e l i n ga c c u r a c y s e c o n d l y ，o nt h eb a s i so fd f n n ，t h ep s 0i su s e dt oo p t i m i z et h ep a r a m e t e r so f d 洲，w h i l ed y n a m i cf u z z yn e u r a ln e t w o r kl e a r n i n ga l g o r i t h mi su s e df o rd y n a m i c o p t i m i z a t i o no fn e t w o r ks t r u c t u r e t h ei m p r o v e dd y n a m i cf u z z yn e u r a ln e t w o r k m o d e li s d e s i g n e dw i t h t h en e t w o r ks t r u c t u r ea n d p a r a m e t e r s f o rt h eg l o b a l o p t i m i z a t i o na d j u s t m e n t d u et ot h ec o m b i n a t i o no ft h ep a r t i c l es w a r ma l g o r i t h m g l o b a ls e a r c hc a p a b i l i t i e s ，t h ei m p r o v e dm o d e ls 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 c a nm o r ee f f e c t i v e l ya n dq u i c k l ya p p r o a c ht h et r u ev a l u e ，s i g n i f i c a n t l yi m p r o v et h e p r e d i c t i o na c c u r a c y t h i r d l y , i no r d e rt om a k et h es o f ts e n s o rm o d e lb eu s e di nt h ef e r m e n t a t i o n t h e c o n t r o ls y s t e mi sd e s i g n e db ys i e m e n ss 7 - 2 0 0p l c 雒t h ec o r ec o n t r o l l e rw i t ht h e i n t e g r a t i o no fu p p e ra n dl o w e rc o m p u t e rh a r d w a r es y s t e m t h ea c q u i s i t i o no ff i e l d s i g n a li sc o m p l e t e db yt h el o w e rs y s t e m t h es o f ts e n s o rm o d e li sm a d eb yu s i n gt h e c o m p o n e n to b j e c tm o d e l ( c o m ) g e n e r a t o r , w h i c hi si n t e g r a t e di nt h eh o s tc o m p u t e r o ft h ev c + + e n v i r o n m e n t i ti sa b l et or e a l i z eo n 1 i n ep r e d i c t i o no ft h ec r u c i a l b i o l o g i c a lp a r a m e t e r s ，t h ed a t ad i s p l a ya n dm a n a g e m e n t k e yw o r d s ：d y n a m i cf u z z yn e u r a ln e t w o r k ，p a r t i c l es w a r ma l g o r i t h m ，p 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 s ，s o f ts e n s o r , p l c u 江苏大学硕士学位论文 1 1 研究背景与意义 1 1 1 研究背景 第一章绪论 2 1 世纪科学技术的发展带动生物工程相关技术的飞速发展，其在化工、医 药卫生、农林牧渔、轻工食品、能源和环境等领域都将发挥重要作用i l 训。生物 技术的发展带动了传统产业的改造以及新兴产业的形成，对人类社会的发展起到 了重要的作用。生物技术对人类的贡献在很大的程度上依赖于通过生化工程技术 的开发来完成的。微生物发酵工程作为生物技术的关重要领域，有很多值得深入 探索的地方，对于生物反应过程而言，它有着时变、非线性、强耦合、不确定性 等特点，是一个多变量输入输出关联系统，同时它也涉及到生命体的生长繁殖过 程，相关的研究机理十分复杂。发酵工程在整个生物工程中相对发展较为成熟， 在农业、食品工业、医药加工已经燃料能源工业等方面发酵工程有着非常广泛的 应用和良好的发展前景，而作为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。 我国从2 0 世纪5 0 年代早期在上海开始生产青霉素；如今的中国已经是青霉 素的生产大国。人类大规模提纯并用于临床的第一种抗生素是从青霉素开始的， 现今阶段青霉素也是世界各国需求量最大的抗生素。青霉素是青霉素菌次级代谢 的产物，初级代谢与次级代谢相互交叉，产物最优生产与菌丝最优生长之间不具 有对应性。在众多抗生素中，青霉素以其独特的疗效高，毒副作用的药物经济优 势多个组为人类疾病治疗的首选药物。青霉素发酵是指单一的微生物在一定的培 养条件下，吸收分解、利用有机物，合成抗生素的过程，具有高成本和高能耗的 生产特征。1 9 4 0 年h w f l o r e y 等人成功的从点青霉的培养液中获得了青霉素， 并证明了其具有显著的临床疗效，在全世界得到了越来越广泛的应用。青霉素等 抗生素类产品属于次级代谢的产物，是产生菌在一定生长条件( 温度、p n 、溶 氧等) 下，生长到一定阶段的合成物质，其合成反应并不与生长过程耦联。 如图1 1 所示的青霉素生产流程图主要由消毒、发酵、过滤、提取和结晶等 基于改进f n n 的青霉素发酵程软测量建模与实现 环节组成。发酵过程指大罐发酵过程，青霉素产生菌在大罐内生长代谢，产生青 霉素，发酵大罐为菌丝生长提供适宜的环境。青霉素发酵生产的特点：l 、单一 微生物培养，不能污染杂菌；2 、大量消耗有机物质，如c 、n 源类的生产原材 料：3 、工艺控制涉及因素较多，影响产率的因素涉及面广。 图1 1 青霉素生产流程图 参与影响发酵的约有三千种酶。在发酵的不同时期，既有菌丝自身的生长、 繁殖、老化，又有青霉素的合成及水解，一个非常复杂的化学变化和生理变化的 综合过程，造成青霉素发酵过程的严重非线性和不确定性。这造成了青霉素发酵 过程生产的高成本和高能耗的特征。目前，青霉素生产主要通过微生物发酵的途 径获得，我国青霉素生产的工业规模的发酵单位与国际先进水平相比还有一定的 差距，这其中的原因包括诸如缺少优良菌种、设备不够先进、自动化程度有待进 一步提高、培养基质量不稳定等等，对于如何提高发酵产量以及降低生产成本成 为国内发酵研究人员共同面临的课题。 而对于整个青霉素发酵过程而言，提高发酵产品的产量需要对发酵过程进行 很好的控制，其中关键的生物量参数对反应过程起着至关重要的作用，能否很好 的控制这些参数对于发酵过程能否发挥菌种的最大生产能力、提高发酵的效率起 到了一定的限制作用。 1 1 2 研究意义 对于一个有着多变量、强耦合、时变等特点的复杂非线性系统的微生物发酵 过程而言，发酵过程中菌丝的生长、产物的形成都要依赖于发酵过程多个过程变 量。青霉素发酵过程作为典型的生产抗生素的发酵过程与其他生化反应一样，存 在着明显的不确定性。测量条件的苛刻，使过程的重要状态量的在线测定非常困 难。发酵过程中能够直接检测的状态量主要集中在一些相对比较容易测量的，有 2 江苏大学硕士学位论文 成熟的仪器可以直接进行测量的过程变量上，如温度、溶解氧浓度、尾气c 0 2 浓度、p h 值、发酵液体积等；直接反映发酵品质的某些关键生化过程变量，如 菌丝浓度、基质浓度和产物浓度等一直是通过离线实验室分析获取的。然而，这 些状态变量作为过程优化控制的重要参量，离线测定必然造成发酵过程信息的延 迟，在一定程度上对操作人员的正确判断和决策产生影响，同时对过程优化控制 方案的实施造成一定程度的限制，对发酵工业水平、经济效益和能耗都有很大的 影响1 2 】。当前由于国内的发酵的工艺和设备相对落后、自动化水平低等因素，缺 乏相应的生物传感器对关键生物量参数进行在线的检测，关键生物量参数实时测 量技术远远落后于系统实时控制的要求，使得发酵优化过程的控制难以满足较高 的要求。目前提高发酵水平有两条途径：一是筛选出优良的菌株；二是得出与目 的菌株相匹配的最佳培养条件、控制手段。前者是建立在代谢控制发酵研究上的 菌种选育技术，后者是建立在生化反应工程基础上的发酵过程控制技术。只有两 者紧密地结合才能最终实现发酵的高水平，而后者正占据着越来越重要的地位。 在发酵过程中为了实现良好的外部控制，需要先对发酵过程的参数进行了 解，熟悉微生物与环境间相互作用的情况。发酵过程中要测量的参数通常包括物 理参数、化学参数和生物参数三种类型。通常的物理参数有发酵罐体积、发酵罐 温度、发酵罐压力、空气流量、冷却水流量、冷却水进出口温度、搅拌马达转速， 泡沫高度等。典型的可以在线测量的化学参数有p h 值和溶解氧，对于微生物的 生长，代谢产物的形成极为重要。生物参数通常包括物质呼吸代谢参数、菌丝浓 度、产物浓度、底物浓度、底物消耗速率和产物形成速率等，在实际工业生产中， 能实现这些参数实时在线测量的仪表很少。 目前关于生物量检测技术主要包括离线测量方法和以硬件传感器为基础的 在线测量方法，其中前者有着操作复杂，滞后时间长，且易于污染发酵液的缺陷； 而以光浊度法、荧光法、介电常数法、超声波法等在线测量方法在使用上也都有 局限性，且价格昂贵、维护费用副4 1 。针对发酵过程重要状态变量难以在线测量、 过程响应速度慢等，传统的控制和优化方法难以适应发酵过程优化控制的要求， 利用软测量技术实现发酵过程关键生物量参数的在线预测，对提高我国生物反应 设备的控制水平、提高装备性能、降低能耗、提高产量，缩小与国际水平的差距， 有着较为积极的影响，对于提升发酵过程的优化控制水平、实现发酵工业技术的 产业化具有重要的意义【2 l 。 3 基于改进f n n 的青霉素发酵程软测量建模与实现 1 2 软测量技术概述 随着我国经济体制的转变、以及经济的飞速发展，企业面临的压力和挑战越 来越大。在这种大的背景下，通过积极开发和应用先进控制和实时优化技术使得 企业的经济效益得到快速的提高，增强自身的竞争力是过程工业迎接挑战的重要 对策。 工业企业的需求以及控制理论和计算机技术的发展，尤其是集散控制系统的 普及与提高，为先进控制技术发展提供了强有力的推动。先进控制算法，都要求 有系统的数学模型，或带有人工智能的性质，而这些要求需要系统建模技术。先 进控制算法的实施，使过程控制更平稳，有条件实现更严格的约束在线条件的优 化控制，从而带来显著的经济效益1 5 j 。 软测量技术本质上也是一个建模问题，即通过构造某种数学模型，描述可测 量的关键操作变量，被控变量和扰动变量与产品质量之间的函数关系，以过程操 作数据为基础，获得产品质量的估计值。软测量技术发展至今，由于采用的理论 工具和所针对的实际对象的不同，因此形成了多种软测量建模方法。软测量的建 模方法多种多样，且各种方法互有交叉，目前又有相互融合的趋势，主要有 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、参数辨 识、支持向量机等方法。目前，这几种软测量技术的研究较为深入，在过程控 制和检测中已有许多成功的应用o l 。 软测量技术的基本思想是根据某种最优准则，选择一组既与主导变量有密切 关系又容易测量的变量，通过构造某种数学关系，利用计算机软件实现对主导变 量的最优估计。考察如图1 2 所示的过程对象输入输出关系。 过程 对象 图1 2 过程对象的输入输出关系 其中y 表示不直接可测的主导变量，函表示可测扰动，杰表示不可测扰动， ”表示可测的控制变量，口表示可测的被控变量。不直接可测的主导变量的估计 值可以表达为t 江苏大学硕士学位论文 夕= i ( x ) 式中的工为可测的辅助变量，且x g ( 碣，”，秒) 。 1 2 1 软测量的建模方法 软测量模型的辨识是软测量技术的核心问题。辨识得到的模型关系到软测量 的结果。由于针对的实际对象不同所采用的理论工具也不同，形成了多种的建模 方法。针对复杂的工业控制系统人们提出了非线性的软测量方法，如模式识别、 机理建模、神经网络、模糊数学等软测量方法。在过程控制和检测中以下几种软 测量技术的研究较为深入有许多成功的应用。 ( 1 ) 机理建模 在对过程工艺机理深刻认识的基础之上，通过对过程对象的机理分析，运用 一些已知的定理、定律和原理( 如化学反应动力学、物料平衡、能量平衡原理、 传热传质原理等) ，找出并确定主导变量与辅助变量之间的数学关系，建立估计 主导变量的机理模型。对于工艺机理较为清楚的过程对象，建模精度很高，该方 法能构造出性能较好的软仪表。但对于比较复杂的实际生产过程而言，机理建模 有很大的局限性，在理论建模时为了降低问题的复杂性，需要对所研究的对象提 出合理的简化假定，这些假定跟实际情况可能不符。另外过程的因素影响不断变 化难以精确描述，单纯的应用机理建模比较困难的。对于复杂工业过程，其内在 机理往往不十分清楚，应当采用其它建模方法并结合机理知识构造软测量模型。 ( 2 ) 统计回归分析方法 基于统计回归分析的方法在软测量中的应用主要是基于主元分析( p r i n c i p a l c o m p o n e n ta n a l y s i s ，简称p c a ) 、主元回归( p r i n c i p a lc o m p o n e n tr e g r e s s i o n ， 简称p c r ) 、部分最小二乘( p a r t i a ll e a s ts q u a r e s ，简称p l s ) 等多元统计方法， 从生产过程相关历史数据中提炼统计信息，建立统计模型( 女f l p c a 模型、p l s 模型) 。 由于统计模型将存在相关关系的多个过程变量投影到少量隐变量定义的低维空 间中，用少量变量反映多个变量的综合信息，实现对模型的输入简约以及输入数 据的故障侦破，为工业控制过程建模、软测量技术的实现和以及后期的优化控制 打下了良好的基础，在实际的生产过程中应用越来越广泛。 主元分析方法是多元统计分析中最重要发方法之一，主元分析的主要任务是 s 基于改进f n n 的青霉素发酵程软测量建模与实现 将过程数据从高维数据空间投影到低维特征空间，消去冗余信息，有利于精简模 型结构并且提高模型运算速度。主元回归( p c r ) 就是利用主元分析的方法，用 线性回归方法寻找得到的主元矩阵和因变量间关系。p c a 能够很好地解决数据 相关性的问题，在过程建模、过程监控和故障诊断中得到了广泛的应用。 部分最d s - 乘回归( p l s r ) 建立在主元分析原理之上通过数据压缩和抽取 信息的同时，建立用来描述自变量和因变量矩阵之间的关系模型。同时实现回归 建模、数据结构简化( 主元分析) 以及自变量和因变量间的相关分析，为多维复 杂系统的分析提供了极大的便利。在大多数情况下比传统的线性回归方法和主元 回归方法具有更好的鲁棒性，在软测量建模中取得了较为广泛的应用。 ( 3 ) 神经网络建模方法 神经网络系统辨识实质上是选择合适的神经网络模型去逼近实际的系统。由 于神经网络具有并行计算、学习记忆能力及自组织、自适应和容错能力优良等优 点，且无需具备对象的先验知识，而是根据对象的输入输出数据直接建模，即 将辅助变量作为a n n 的输入，将主导变量作为输出，通过网络的学习来解决不可 测变量的软测量问题，因此在解决高度非线性和严重不确定性系统控制方面发挥 了巨大的潜力。神经网络在网络性能要受训练样本的空间分布、样本的质量和训 练算法的影响。在实际建模时，数据采集、系统的噪声和不确定性等复杂因素的 影响，网络结构的确定、网络训练算法的选择等问题都是面临的难题。基于神经 网络建立的软测量模型系统的收敛性和稳定性方面还有待进一步的研究。 ( 4 ) 基于模糊数学的方法 模糊系统以模糊逻辑及其推理模拟人类思维并进行知识处理，并将其应用到 知识的系统中去，是处理模型未知或具不确定性的复杂系统的一种有效手段。近 年来，模糊集理论通常是与神经网络结合构成模糊神经网络，将模糊系统的易于 表达知识和神经网络的自学习能力强的特点有机的结合在一起，在复杂过程的软 测量模型中取得了广泛的应用。 ( 5 ) 混合建模方法 软测量建模方法发研究从早期的单一方法的研究上逐渐过渡到基于多种建 模方法混合的混合软测量模型。混合软测量模型能够吸取每种方法最突出的优 点，提高预测精度。文献【6 ，7 1 采用改进的粒子群算法寻优支持向量机的参数建立 6 江苏大学硕士学位论文 分别用于工业用双酚a 和污水处理过程中的软测量建模，取得了良好的建模精 度。黄江平1 8 】等利用遗传算法和神经网络算法相结合，应用自适应竞争遗传神经 网络建立醋酸乙烯聚合率软测量建模，网络预测取得良好的效果。文献1 9 l 采用动 态主元分析( d p c a ) 算法对过程变量提取主元，利用径向基函数网络建立软测量 模型，应用于工业流化床乙烯气相聚合过程的软测量预报过程。 本文在研究青霉素发酵过程工艺基础上，通过一致相关度算法获取发酵过程 的辅助变量，采用动态模糊神经网络建立青霉素发酵过程软测量模型。在此基础 上，用粒子群算法优化动态模糊神经网络模型的参数，应用于发酵过程中关键生 物量参数的预报中。 1 2 2 软测量的应用情况 软测量技术的研究主要从软测量技术形成的几个方面来考虑的，其中包括辅 助变量的选择( 包括类型、数目等) 、数据预处理、建模方法、模型的校正等方 面，最终的目的是为了提高软测量模型的精度和可靠性；软测量技术的研究也经 历了从线性到非线性、静态到动态、无校正功能到有校正功能这样一个过程。 软测量技术相当于提供一个软仪表对关键参数进行检测，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。其中典型代表就是推断( 理) 控制，这也是研究报道较 多的一种基于软测量技术的控制系统。基于软仪表的反馈控制系统一般都可以归 结为图1 3 所示的结构。在这种框架下，软仪表能够替代硬件仪器实现某种参数 的测量，并且能达到一定的精度，与相应的反馈控制算法结合，便可以构成对软 仪表的控制。 图1 3 反馈推断控制系统 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 7 基于改进f n n 的青霉素发酵程软测量建模与实现 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 监测和生产管理等方面也有十分重要的作用。目前随着工业化的程度越来越高， 工业过程生产系统所涉及到的物理、化学、物质转换、能量传递以及系统的复杂 性与不确定性，都将导致过程参数检测的困难。软测量技术正是为了解决这类参 数的实时测量和控制而逐渐发展起来的。 对于工业过程控制的基础首先是要确定、采集和操作各种变量，都离不开主 导变量参数的检测。软测量技术的重要性日益显现，更为过程状态控制的首要问 题，近年来软测量技术取得了较大的进展们，已经涉及到石油、化工、食品、 生物、冶金等许多工业应用领域，研究也逐渐拓展和深入，软测量的理论体系己 逐渐开始完善1 5 1 。伴随着智能控制的发展，如神经网络、模糊理论、支持向量机 等现代控制理论，软测量在实际生产过程中也产生了很好的预测效果，发挥了巨 大的潜力。 1 2 3 软测量模型的校正 软测量模型建模过程中所需的数据由于受到生产的限制，对象的特性难以充 分的反映，随着时间的推移对模型进行校正用以适应新的工况是非常必要的。通 常的在线校正方法有自适应法【1 1 1 、增量法1 1 2 j 以及多时标法f 1 3 】等。z h o u 等人提出 了短期学习和长期学习相结合的思想【1 4 】，用以解决模型结构的修正需要大量的样 本数据和较长时间等方面的问题。z h o u 的方案能够在一定程度上解决模型校正 和实时性之间的复杂矛盾关系。短期校正对模型的参数不进行调整，只是通过修 正算法实现修正量的补偿，或者只是对某些相关参数进行调整。因此在应用方面 它有着校正速度快、能够适应模型的在线实时校正。长期校正一般适用于工况和 环境变化比较大的情况下，模型的失配情况严重。当短期校正无法满足精度的要 求的这样一种情况下。此时需要一些新的数据对样本进行扩充并对模型进行重新 的训练以确定模型结构和参数。 另外一种情况下还需要注意另一个值得注意的问题是样本数据与过程数据 之间在时序上的匹配，尤其在人工分析情况下，从过程数据( 辅助变量) 即时反应 的产量质量状态到取样位置需要一定的流动时间，取样后直到产品质量数据返回 8 江苏大学硕士学位论文 现场又要耗费很长的时间。因此在利用分析值和过程数据进行软仪表的校正时， 应特别注意保持两者在时间上的对应关系。 文献【1 5 】中指出校正的方法通过自学习的方法对当前的数据组开始重新建模。 在采用卡尔曼布西观测器进行状态估计时，应用闭环的校正进行数学模型参数 的修正。对于数学模型校正而言，它所依赖的是实际的检测数据，因此模型的正 确与否对于校正的结果影响较大。当采用软测量技术对数学模型进行校正时，过 程变量的检测方法、检测位置及检测仪表的精度对输入变量的影响较大，保证输 入数据的精度才能在一定程度上保证校正的准确性，实现较高精度的变量的输 出。浙江大学的苏宏业等2 0 0 5 年公开了一种基于工业软测量模型的离线化验值 的双重校正方法1 1 6 1 ，它利用过程指标的离线化验值，分别以可调的周期校正软测 量模型参数和校正软测量计算输出值，使软测量模型的预测输出具有良好的精度 和趋势。 同时大量的研究发现表明，采用离线方式建立的软测量模型应用于工业实际 时，随着时间和条件的变化，模型估计值与实际分析值产生较大的偏差。要使软 测量模型能真正反映实际工况，则模型应具有在线校正能力。俞金寿等给出常数 项p i d 校正【1 7 1 ；王金林等给出差值计算法对模型进行校正【1 引。文献1 1 9 1 研究提出 一种基于系数修正思想与相关性分析原理的软测量模型在线校正方法，并将其成 功应用于电石生产过程比电阻的软测量中，这种软测量模型在线校正方法与差分 计算法比较，主要结论有：把变量之间相关性强弱的思想引入软测量模型校 正中；提出通过分变量修正模型系数的方法校正测量模型，根据变量相关性 的强弱和性质来确定系数修正量的大小，提高了模型测量的实时性和灵活性。 由现场采集得到的数据经优化建模而得到的软测量模型，随着工况的变化调 整，依赖过去的工况所建立的软测量模型在新的环境下进行变量的估计时候，参 数可能会对预测输出的结果有一点的影响，存在一定的误差。需对模型在实际使 用过程中进行在线校正以提高模型的测量精度以获得关键参数精确的测量值。而 如何建立在线校正的模型以上国内外的学者进行了大量的研究工作，但现有的理 论也是结合具体的模型对其参数进行修正，如何建立一种能适用于大部分模型的 一种方法和思想，现在仍然没有能够真正的提出和应用到实际的生产中去，这方 面的研究工作还有待于近一步的探索和研究。 9 基于改进f n n 的青霉素发酵程软测量建模与实现 1 3 本文研究内容及安排 针对青霉素发酵过程中，系统存在着高度非线性、时变性和迟滞性等特点， 围绕发酵过程关键生物量的软测量模型预测以及发酵过程数字化系统设计展开 研究。在基于传统模糊神经网络等现代控制算法的基础上，结合实际的发酵过程 特征，提出了基于动态模糊神经网络软测量模型和基于粒子群模糊神经网络软测 量模型。同时，为了将软测量模型应用到实际发酵过程中，设计了以p l c 为核 心控制器的上下位机形式的硬件系统，以实现发酵过程的关键参数的预报、监控 等功能。论文围绕青霉素发酵过程关键生物量参数的软测量建模过程，主要提出 了以下几种方法： 1 从软测量模型的辅助变量选择出发，根据青霉素实际发酵过程特征，应用 一致相关度法确定软测量模型辅助变量。 2 从简化软测量模型的角度出发，采用动态模糊神经网络建立软测量模型， 采用动态学习算法优化模型的结构，使得软测量模型的结构复杂度降低，进一步 提高模型稳定性，有着良好的建模精度。 3 针对动态模糊神经网络学习算法参数调整过程中存在的问题，利用粒子群 算法的全局搜索能力、对初始条件要求少等优点，将p s o 算法和动态模糊神经网 络结合，实现发酵过程软测量模型对关键生物量参数的预测。 本论文共分五部分，具体内容如下： 第一章：绪论。本章主要介绍课题背景，选题意义，软测量技术建模方法、 应用情况，软测量模型的校正以及本文的研究内容。 第二章：改进f n n 算法的软测量建模原理。本章介绍了模糊神经网络结构 和特点、动态模糊神经网络的结构和特点以及改进算法的动态模糊神经网络等。 第三章：青霉素发酵过程软测量建模。本章应用一致相关度法确定软测量模 型的辅助变量，建立动态模糊神经网络软测量模型和改进算法的动态模糊神经网 络软测量模型，并对建立的模型进行仿真研究。 第四章：青霉素发酵过程数字系统设计。通过采集发酵过程中的主要环境参 数以及外部控制信号，并将下位机采集的现场信号传送到上位机中。利用c o m 组件技术，将软测量模型的c o m 组件集成到v c + + 开发环境中，并利用v c + + 建 立用户界面实现青霉素发酵过程关键生物量参数的预估、数据的显示、管理等功 1 0 江苏大学硕士学位论文 能。 第五章：总结与展望。本章主要对全文的主要工作做了总结，并对今后的工 作进行了展望。 基于改进f n n 的青霉素发酵程软测量建模与实现 2 1 引言 第二章改进f n n 算法的软测量建模原理 发酵过程是一个多变量、强耦合和非线性的系统，模糊神经网络结合神经网 络和模糊系统的优点，能够很好地处理各种非线性和不确定问题，这使得模糊神 经网络在发酵过程的软测量模型中取得了较为广泛的应用【2 。模糊神经网络其 本质是一种基于模糊系统的神经网络。而神经网络的结构如何确定，以及结构确 定后泛化能力的大小如何仍是一个不易解决的问题。为了减小软测量模型的复杂 度、防止出现过拟合现象，本文采用了一种动态模糊神经网络软测量建模方法对 青霉素发酵过程中的关键生物量参数进行预估；针对动态模糊神经网络在学习训 练的过程中采用误差反传算法容易陷入局部极小值、收敛速度慢以及全局搜索能 力弱等缺陷，采用粒子群算法( p s o ) 优化网络的权值和阈值，并以青霉素发酵 过程为研究对象，进行了软测量建模方法的分析研究。本章主要介绍以上改进的 f n n 算法。 2 2 模糊神经网络 从信息处理和控制角度出发，神经网络控制和模糊控制都属于智能控制范 畴，前者需要训练样本，后者需要描述规则的专家系统知识、经验或操作数据。 从映射的角度来看，两者都是从输入空问到输出空间的一种非线性映射。从网络 的拓扑结构来看，模糊神经网络分前向型和反馈型两种。前向型模糊神经网络可 以实现一般的模糊映射关系，反馈型模糊神经网络可以实现模糊联想存储和映 射。模糊神经网络的结合也有很多种，表现形式也呈现多样性，其中神经网络和 模糊