（检测技术与自动化装置专业论文）基于模糊神经逆的青霉素发酵过程软测量应用技术研究.pdf

江苏大学硕士学位论文 摘要 青霉素是人类提纯的大规模用于临床的第一种抗生素，是世界各国需求量最 大的抗生素。由于青霉素是青霉素菌次级代谢的产物，发酵的生化反应过程机理 复杂，表现出的动态行为复杂多变，具有非线性和不确定性。由于生物传感器的 缺乏，一些关键的生物参数难以实现在线测量，以致难以实现发酵过程的优化控 制。软测量技术为解决此类问题提供了一条有效的途径。 本文针对青霉素发酵过程，研究其关键生物量的在线软测量及工程实用化技 术。建立青霉素发酵过程的逆系统后，应用模糊神经逆的软测量方法实现在线测 量，并阐明了软测量应用软件的设计和实现方法。 ( 1 ) 依据青霉素发酵过程的非结构动力学模型，在此基础上构造了青霉素发 酵过程的“虚拟子系统”，并证明了其可逆性，接着用模糊神经网络加微分器的 结构实现了青霉素的模糊神经逆软测量模型。 ( 2 ) 采用三个各自独立的模糊神经网络来逼近逆系统的非线性函数，模糊神 经网络引入聚类算法避免规则数过多，采用梯度下降的学习算法调整网络参数。 网络的结构相对简单，能更好地体现输入输出样本的特性，提高了神经网络的训 练速率和泛化能力。 ( 3 ) 依据程序模块化的思想，实现了青霉素发酵过程模糊神经逆软测量系统 软件。应用v c h 建立用户界面，调用m a t l a b 实现软测量算法，后台数据库 选用a c c e s s ，进行了总体设计和详细设计，并实现了各个子模块的具体功能。 测试表明，系统对发酵过程关键状态变量能进行较高精度的预报，基本达到 了设计目的和要求，为发酵过程先进控制提供了依据。 关键词：青霉素发酵，软测量，逆系统，模糊神经网络，v c + + ，m a t l a b 江苏大学硕士学位论文 a bs t r a c t p e n i c i l l i ni st h ef i r s ta n t i b i o t i cw h i c hi sp u r i f i e da tl a r g es c a l ef o rc l i n i c a l ，a n di s t h eb i g g e s td e m a n da n t i b i o t i co fv a r i o u sc o u n t r i e s b e c a u s et h ep e n i c i l l i ni st h e s e c o n d a r ym e t a b o l i t eo ft h ep e n i c i l l i nb a c t e r i a , t h em e c h a n i s mo ft h ef e r m e n t a t i v e p 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 du n c e r t a i n d u et ot h el a c ko fb i o - s e n s o r s ， s o m eo fk e yb i o l o g i c a lp a r a m e t e r sa r es od i f f i c u l tt om e a s u r eo n l i n e i tm a k e sh a r dt o a c h i e v 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 d e v e l o p m e n t a ls o f t - s e n s o rt e c h n i q u e p r o v i d e sa ne f f e c t i v ew a yt os o l v et h i sp r o b l e m t a k e nt h ef e r m e n t a t i o np r o c e s so fp e n i c i l l i na se x a m p l e ，o n - l i n em e a s u r e m e n to f k e yb i o l o g i c a lp a r a m e t e r sa n dp r o j e c ti m p l e m e n t a t i o na r er e s e a r c h e d w h e nt h e i n v e r s es y s t e mo fp 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 se s t a b l i s h e d ，t h es o f t - m e a s u r i n g m e t h o do ff u z z yn e u r a ln e t w o r ki n v e r s ei sa p p l i e dt om e a s u r eo n - l i n e a n dt h ed e s i g n a n di m p l e m e n t a t i o no ft h es o f t w a r eo fs o f t - m e a s u r i n gm e t h o di se x p l a i n e d ( 1 ) b a s e do nt h en o n s t r u c t u r a ld y n a m i cm o d e lo fp 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 s ， t h es u b s y s t e m “a s s u m e di n h e r e n ts e n s o r i sc o n s t r u c t e d ，a n dt h er e v e r s i b i l i t yo ft h e s y s t e mi st e s t i f i e d t h e nf u z z yn e u r a ln e t w o r ka n dan u m b e ro fd i f f e r e n t i a t o r s c o n s t i t u t et h es o f t s e n s o rm o d e lo f p e n i c i l l i nb a s e do nf n ni n v e r s es y s t e m ( 2 ) t h r e es e p a r a t ef u z z yn e u r a ln e t w o r k sa r ea d o p t e dt oa p p r o x i m a t et h e n o n l i n e a rf u n c t i o n so fi n v e r s es y s t e m c l u s t e r i n ga l g o r i t h mi si n t r o d u c e dt of u z z y n e u r a ln e t w o r kb a s e do ng r a d i e n td e s c e n tl e a r n i n ga l g o r i t h mt oa v o i de x c e s s i v e n u m b e ro fr u l e s t h en e t w o r ks t r u c t u r ei sr e l a t i v e l ys i m p l e ，w h i c hb e t t e rr e f l e c tt h e c h a r a c t e r i s t i c so fi n p u ta n do u t p u ts a m p l e s t h ed e s i g ni m p r o v e st h et r a i n i n gs p e e d a n d g e n e r a l i z a t i o na b i l i t yo fn e u r a ln e t w o r k s ( 3 ) t h es o f t w a r eo ft h ef n n i n v e r s es o f t s e n s i n gs y s t e mu s e df o rt h ep 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 s p r o g r a m m e db a s e do nt h em o d u l a r i z a t i o nt h e o r y u s e r i n t e r f a c ei sc r e a t e db yv c + + ，w h i c hc a l lt h em a t l a bs o f t m e a s u r i n ga l g o r i t h m ， a n dt h ed a t a b a s ei ss u p p o r t e db ya c c e s s t h es o f t w a r ei sc a r r i e do u tb yag e n e r a l d e s i g n ，a n dt h es p e c i f i cf u n c t i o no f e a c hs u b m o d u l ei si m p l e m e n t e d t h er e s u l t ss h o wt h a tt h es y s t e mc o u l df o r e c a s tt h ev a l u eo ft h ek e yb 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 hah i g ha c c u r a c y , w h i c hb a s i c a l l ya c h i e v e st h e d e s i r e dg o a la n dm e e t st h ed e m a n do fd e s i g n ，a n dp r o v i d et h e b a s i sf o ra d v a n c e d c o n t r o lo ff e r m e n t a t i o np r o c e s s k e yw o r d 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 s ，s o f ts e n s o r , i n v e r s es y s t e m ，f u z z y n e u r a ln e t w o r k s ，v c + + ，m a t l a b 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规 定，同意学校保留并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。本人授权江苏大学可以将本学位论 文的全部内容或部分内容编入有关数据库进行检索，可以采用影 印、缩印或扫描等复制手段保存和汇编本学位论文。 本学位论文属于 保密口，在年解密后适用本授权书。 不保密。 学位论文作者签名：击，1 惰 加p 年占月哆日丁 a 名 ，日 繇 呖 彩 ， j y 1 】j 刻 月 导 石 匕日 指 年 矽 独创性声明 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。除文中已注明引用的内容以外， 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。 学位论文作者签名：副储 日期： 沙h 年 月 江苏大学硕士学位论文 第一章绪论 1 1 课题研究的背景及意义 生物反应过程是一个时变、非线性、强耦合、不确定的多变量输入输出关联 系统，涉及到生命体的生长繁殖过程，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，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。 青霉素是人类提纯的大规模用于临床的第一种抗生素，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， 产物最优生产与菌体最优生长之间不具有对应性。参与影响发酵的约有三千种 酶。在发酵的不同时期，既有菌体自身的生长、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【。 目前，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相差很 多，这其中的原因有很多，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，如何提高发酵产量和降低生产成本成为国内发 酵研究人员面临的共同课题。青霉素生产主要通过微生物发酵的途径。高成本和 高能耗是青霉素发酵生产的特征。优化青霉素发酵生产过程，对于降低青霉素生 产成本和提高青霉素产量和质量具有重要意义。 在生化反应过程中，生物量参数对反应过程起着非常重要的作用，然而由于 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，传统方法是 采用离线分析获得这些变量，存在很大的测量延时，而且在线抽样也给发酵过程 带入了人为污染。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。研究生物反应过程数学模型的建立、发酵过程关键 参量的在线软测量，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，都具有重大意义。 为了解决生化发酵过程重要生物量参数测量和估计等问题，一种方法是沿袭 传统的检测技术发展思路，通过研制新型的过程测量仪表，以硬件形式实现过程 江苏大学硕士学位论文 参数直接在线测量。另一种就是采用间接测量的思路，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，即软测量技术。随着计算机技术的发展，为了解决此类关键 变量不可直接测量的问题，软测量技术得到了广泛的应用。 建立软测量模型的方法有很多，其中，基于神经网络的软测量方法由于其对 任意非线性函数的逼近能力，迅速成为软测量研究的热点。为尽可能利用先验知 识，应用了基于“虚拟子系统”的逆系统方法，并将模糊系统与神经网络结合， 使系统既能表示定性知识又能具有强大的自学习能力和数据处理能力，基于“虚 拟子系统”的模糊神经逆的软测量方法，从理论上和工程上实现了对不可直接测 量的关键变量菌体浓度、基质浓度和青霉素浓度的在线估计，是很有发展前 景的软测量方法。同时，随着计算机技术在工业生产过程中的广泛应用，为复杂 的建模技术和控制技术在实际过程中的应用提供了基本的工具。为了便于发酵过 程的建模在科研、生产过程的实现，进行发酵过程建模及应用软件的设计具有一 定的实践意义。 1 2 软测量技术 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 1 所示的过程对象输入输出关系。 过程 对象 图1 1 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，d l 表示可测扰动，杰表示不可测扰动，u 表 示可测的控制变量，p 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： “=f(xy jx )( 1 1 ) 2 j【1 1 ) 式e o o s x 为可测的辅助变量，r x c _ ( 4 ，u ，0 ) 。 2 江苏大学硕士学位论文 1 2 。1 软测量的建模方法 建立软测量模型是软测量技术的核心问题。软测量模型经历了从线性到非线 性的过程，按照建模方法的不同，软测量技术可分为机理建模、非机理建模即基 于数据驱动建模及混合建模的方法。基于数据驱动的方法包括回归分析、神经网 络、模糊数学等。以下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。 ( 1 ) 机理建模 采用机理建模方法需对过程对象的工艺机理有深刻的了解。一般通过对过程 对象的机理分析，运用化学反应动力学、物料平衡、能量平衡等原理，列写有关 的数学方程式，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。但对于机理研究不充分、尚不完全清楚的复杂工业过程，难 以建立合适的机理模型。对于复杂工业过程，其内在机理往往不十分清楚，完全 依赖机理分析建模比较困难，通常要用其它建模方法，结合机理知识构造软测量 模型。 ( 2 ) 回归分析方法 回归分析是一种建模的基本方法，在实验数据处理中又称为“曲线拟和 ， 应用范围及其广泛。在收集到的大量直接可测变量数据的基础上，运用统计方法 将这些数据中隐含的对象信息浓缩和提取，从而建立主导变量和辅助变量之间的 数学模型。以最1 1 , - - 乘原理为基础的一元及多元线性回归技术目前己相当成熟， 常用于线性模型的拟合。当辅助变量较少时，一般采用多元线性回归技术可获得 较好的软测量模型。当辅助变量较多时，为了简化模型，可以采用主成分回归分 析方法或偏最4 , - - 乘法等方法。 ( 3 ) 神经网络建模方法 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 性质，且无需具备对象的先验知识，应用在线可测量状态和已获得的离线分析数 据，通过网络的学习来估计当前时刻或预报未来时刻的状态变量，如菌体浓度、 基质浓度和产物浓度等。在预测过程中，神经网络充当了一个逼近真实过程的模 型，它内部的连接权值的综合作用即是模型的具体表达。建模效果的好坏主要在 江苏大学硕士学位论文 于该网络训练的样本和检验样本的完备性，在解决高度非线性和严重不确定性系 统控制方面具有巨大的潜力。 ( 4 ) 基于模糊数学的方法 模糊系统试图在认知层面上获取人类的思维和推理能力，以模糊逻辑及其推 理模拟人类思维并进行知识处理。近年来，模糊集理论大量应用于软测量中，但 通常是与神经网络结合构成模糊神经网络，以建立复杂过程的软测量模型。模糊 神经网络中保留了常规人工神经网络的结构，结合了模糊集理论与人工神经网络 的优点，通过一个等价结构的神经网络来实现，神经网络的所有节点和参数都具 有一定的意义，分别对应着模糊系统的隶属函数或推理过程。适合处理一些复杂 的非线性软测量建模问题。 ( 5 ) 混合建模方法 多种建模方法混合的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。从采用的建模方法来分，可将机理建模方法与基于数据驱动的建模方 法的混合，神经网络与回归分析的混合等。从历史的输入输出数据中提取有用 信息，构建主导变量与辅助变量之间的数学关系的方法。 本文中生化过程关键参量( 菌体浓度、基质浓度、产物浓度) 的软测量模型 是采用基于“虚拟子系统”的神经网络逆软测量方法来建立软测量模型的。先分 析青霉素发酵过程的动力学模型，然后建立青霉素发酵过程的“虚拟子系统”模 型，并在系统可逆的基础上，构造“虚拟子系统”的逆模型，最后用模糊神经网 络加微分器的结构建立“虚拟子系统 的逆系统，以此作为软测量模型，实现对 青霉素发酵过程关键变量的软测量。 1 2 2 软测量的工程化应用 软测量技术是用计算机软件实现对状态变量的估计，以软件代替硬件( 传感 器) 的方法，它以软测量模型在线运算并给出准确的估计值为目标，是实用性很 强的应用技术，设计必须兼顾工程应用中的简易性、有效性、可靠性要求。软测 量模型的工程实现主要涉及以下几方面的内容： ( 1 ) 机理分析、选择辅助变量 辅助变量的选择基于对过程机理和实际工艺的了解，要与主导变量关系紧 4 江苏大学硕士学位论文 密。通过机理分析，可以确定影响软测量目标的相关变量，并通过分析各变量的 可观、可控性初步选择辅助变量。辅助变量的选择包括变量类型的选择、变量数 量的选择和检测点位置的选择。辅助变量的位置和数目常常是同时确定的。有研 究指出应从系统的自由度出发，确定二次变量的最小数目，再结合具体过程的特 点适当增加，以更好地处理动态性质等问题。可借助相关分析、主元分析等方法 来确定辅助变量的组成。 ( 2 ) 现场数据采集与处理 用作软测量建模的样本数据要足够多，且尽可能是工艺稳定运行时的数据， 采集的样本空间尽可能覆盖整个操作范围，本着有代表性、均匀性和精简性的原 则进行选择。这些数据包含用于软测量建模的数据和对模型校验的数据等，通常 要建立数据库，对采集到的原始数据还要做异常剔除、无量纲化、归一化等处理 以消除数量级差异影响，以使所建立的软测量的模型以及对主变量的估计值更准 确，使误差尽可能减少。 ( 3 ) 软测量模型的获取和测量功能的实现 、 这是软测量技术应用的核心，首先根据工艺特点，利用建模、辨识的方法得 到的适于估计的模型，强调的是通过辅助变量来获得对主变量的最佳估计。在数 据库操作的基础上，借助v i s u a lc + + 、m a t l a b 等软件开发基于该模型的软测 量应用。 ( 4 ) 软测量模型的校正和更新 软测量模型投入运行后，随着时间的推移，测量对象的特性和工作点都可能 发生变化，模型的预测精度常常会下降，对软测量模型的校正和更新是必须的。 根据被估计变量离线测量值与该软测量模型估计值间的误差对模型进行在线修 正，以使软测量模型能够跟踪系统特性的缓慢变化，提高静态软测量模型的自适 应能力。 对模型参数的校正中，短期学习以离线分析值和模型输出值之差为动力，在 不改变模型结构的情况下，根据新采集的数据对模型中的关系数进行更新，适于 模型的在线实时校正。 当对象特征发生较大变化，使得软测量模型的在线学习也无法保证预估精度 时，就须利用软测量模型运算所累积的历史数据进行模型更新。一般进行软测量 模型的离线重构：调整模型结构，重新估计模型参数，以适应新的工况。也可在 江苏大学硕士学位论文 软件中设计一个软测量模型评价模块，当模型精度下降到某个既定值时，做出更 新模型的判断，并调用离线的模型更新软件。 从工程应用的角度给出软测量的开发步骤及内容，开发中应注意提高软测量 的开发效率，减少实施中的盲目性，最终的系统可由以下几个部分组成：提出需 求、确定可测变量集、收集历史数据、确定辅助变量、数据预处理、建立软测量 模型、软测量系统的实施运行及实时校正。 1 3 国9 1 研究现状 1 3 1 软测量技术发展现状 由于工业过程生产系统涉及物理、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。由于无论工业过程的控制、优化还是 检测都离不开对过程主导变量的检测，软测量研究被看作生化过程控制研究的首 要问题，成为各种控制方法成功应用的基础。作为一门有着广阔发展前景的新兴 工业技术，软测量技术近年来取得了较大的进展【2 卅，目前已经成为过程控制行 业中令人瞩目的研究领域。 目前，软测量的研究已经涉及到了石油、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，软测量的理论体系已逐渐开始完善。 b o i l l e r e a u x 和f l a u s 提出了一种采用神经网络来实现生化反应器的预报模型1 7 j ；周 金荣则提出用线性动态网络和非静态网络组成n d n n 神经网络模型，解决异亮氨 酸生产过程的动态建模问题【8 】等。随着神经网络、模糊理论等智能技术被大量应 用于软测量中，显示出其在过程控制中的巨大潜力【9 1 1 】。 软测量技术由工程实践产生，又综合应用相关技术，能很好地解决过程控制 中的一些实际问题。一些科研机构推出了通用性的软测量软件产品。浙江大学唐 启义教授设计研制了d p s 数据处理系统【1 2 】，将数值计算、统计分析、模型模拟 以及图形表格等功能融为一体。浙江工业大学开发了基于化学计量学的化学数据 采集处理系统【l 引，包括一些预处理方法和回归方法。宝钢研究院自动化研究所开 发了通用智能自动建模软件a i m t l 0 ，建模层由神经元网络组合建模与四种模糊 逻辑组合构成i l4 1 。上海交大邵惠鹏教授等开发了一套通用软测量软件包，选用 6 江苏大学硕士学位论文 r b f 神经网络作为建立过程模型的基础模型1 5 j 。 就实际应用而言，已有许多成功地将软测量技术应用于工业过程的例子。文 献【1 6 】提出了通用软测量技术概念，并基于软计算的方法建立了一套面向数据的 解决方案及其软件包，该系统在国家九五攻关项目“大型催化裂化装置多变量约 束控制与优化”中及在石家庄炼油厂均获得了成功的应用。文献 1 7 从工程应用 的角度探讨软测量的开发策略，现已成功运用到某纸机低定量纸张水分的软测量 实践中。s e t p o i n t 公司的软测量软件采用强化的p l s 技术用于产品质量估计。 p a v i l i o n 公司提出的成分估计器技术在进行软测量的同时采用在线分析仪的输出 进行反馈校正。戴先中、王万成等申请的发明专利( 2 0 0 4 1 0 0 6 6 0 0 3 1 ) ：红霉素发 酵过程变量的神经网络逆软测量方法及软仪表构造，乔晓艳申请的发明专利 ( 2 0 0 4 2 0 0 0 5 1 1 4 7 ) ：发酵液活菌浓度实时在线检测装置等也已在生产实际中得到 应用。 1 3 2 模糊神经逆的应用现状 逆系统方法能实现从系统的输出到输入的逆映射关系，但是逆系统的解析式 是传统解析求逆方法的一个制约瓶颈。神经网络具有非线性逼近能力、自学习能 力以及容错能力等，借助于神经网络逼近原系统的逆系统可以将逆系统方法真正 应用于实际。1 9 9 4 年以来，东南大学戴先中教授等将理论比较成熟的逆系统方 法与对神经网络相结合，提出了多输入多输出连续非线性系统的神经网络逆系统 控制方法，并发展成为一种系统性的控制器设计方法【l 引。在工程应用里较成功的 例子有：对多自由度机械手的解耦控制、遥操作机器人解耦控制、生物发酵过程 解耦控制、在红霉素发酵过程关键变量软测量中的应用、感应电机解耦控制等领 域。 模糊逻辑与神经网络融合起来，构成模糊神经网络，其本质上仍然可以看作 是神经网络。模糊系统通过一个等价结构的神经网络来实现，模糊规则经过神经 网络的学习，以“权值”的形式体现出来，这样规则的生成和修改转化为权值的 确定和修改，专家知识很容易结合到模糊神经网络中，既能表示定性知识又能具 有强大的自学习能力和数据处理能力，提高收敛速度，缩短训练时间。 典型的模糊神经网络结构形式包括模糊联想记忆神经网络、模糊关系神经网 7 江苏大学硕士学位论文 络、模糊h o p f i e l d 肛- x 络、模糊极大一极小神经网络、正则化模糊神经网络【1 9 】等。 j a n g 提出的自适应神经模糊建模方法【2 0 1 最具有代表性，采用五层神经元网络实现 t x 2 输入单输出t a g a k i s u b e n o 类型规则的模糊逻辑推理；文献【2 1 提出一种应用 于模糊神经网络函数逼近器的有监督学习方法；文献 2 2 】提出一种基于规则产生 的分阶段学习算法，并将该模糊神经系统应用于函数逼近和动态序列预测之中。 b u c k l e y 等人提出了结合b p 算法和遗传算法的混合学习算法对模糊神经系统进行 参数的学习f 2 3 1 。 1 3 3 生物反应过程研究现状 生物工程是技术密集型产业，涉及到微生物学、生物化学、自动控制技术和 计算机技术等。发酵工程是生物工程的基础之一，在整个生物工程发展中也相对 更成熟。现代发酵工业是在传统的发酵技术中融入d n a 重组、细胞融合等新技 术，并通过现代工程技术生产出有用物质或直接用于工业化生产的一种工业体 系，是生物技术的重要组成部分。生物发酵设备是生物工程生产过程中的最为重 要的设备之一，微生物在发酵罐内的液态环境中完成代谢并形成产物。瑞士比欧 生物工程公司是一家专业的生物反应器厂，产品极具代表性，具有专用的控制软 件包，能进行s p c 控制和d d c 控制，且能进行尾气分析控制和远程控制。德国 贝朗国际生物工程公司生产的b i o s t a t 系列生物发酵设备，具有数字检测和控制、 远程可视化等功能。我国的发酵设备生产企业有北京中仪远大科技有限公司、上 海保兴生物设备工程有限公司、常州三环生物工程成套设备有限公司等。 发酵过程的参数检测、操作监视、自动控制，是发酵生产管理及自动化的关 键问题。发酵过程控制是把发酵过程的某些状态变量控制在某一期望的恒定水平 或者时间轨道上。生物过程中最常见的定值控制包括：发酵罐的温度和压力控制、 发酵液的溶解氧和p h 控制、代谢呼吸商的控制等。随着生物传感器技术及其他 在线检测技术的发展，代谢产物和基质浓度的定值控制等的研究也有报道。 生物反应过程是复杂的非线性动态过程，反应过程中参数众多，目前生物量 检测技术方法有离线测量方法如干重法、直接染色法、光密度法和细胞计数法等， 该方法滞后时间长，且容易污染发酵液；有基于硬件传感技术的在线测量方法如 光浊度法、荧光法、介电常数法、超声波法等，这种方法也有诸多局限，且价格 8 江苏大学硕士学位论文 昂贵维护费用高。软测量技术是解决难以在线测量变量问题的有效方法，它克服 了人工分析及使用在线分析仪表的诸多不足，能够在不增加实际仪表的基础上实 时地获得过程参数。 青霉素生产作为复杂工业过程，具有非线性、随机性和不确定性，需要先进 的系统建模、仿真与控制方法。文酬2 4 l 用基于规则和最速下降法的反向传播算 法，构建了一个能够超前1 h 预测青霉素补料分批培养状态变化的人工神经网络 模型；文献【2 5 】运用非线性系统的线性化方法与神经网络在线辨识技术，提出了一 种基于神经网络的多变量自适应控制策略；文献【2 6 1 2 7 1 对基于混合神经网络的抗 生素发酵过程的建模方法进行了研究，并用其指导生产；文献f 2 8 。3 0 l 运用各种人工 神经网络的辨识能力改进青霉素发酵过程的优化控制等。文献【3 l 】将前馈网络和 s q p 算法结合，提出了一种简单、有效的发酵过程优化控制策略；文献旧将神 经网络和g a 算法结合用于抗生素发酵过程的实时状态量辨识和产物浓度的预 测，其仿真效果均好于基于一般多层前馈网络的直接优化策略，这为发酵过程的 优化控制提供了基础。 1 4 本文研究内容及安排 微生物反应过程其内在机理复杂，具有高度非线性、时变性和迟滞性的特点。 由于生物传感器的缺乏，一些关键的生物参数难以实现在线测量，准确地测定这 些量是实现优化控制必不可少的条件。采用软测量方法测量发酵过程中的生物参 数是一种有效途径。本文针对青霉素发酵过程，研究其关键生物量的在线软测量 及工程实用化技术。全文共分六章，具体安排如下： 第一章绪论。阐明了研究的背景和意义，介绍了软测量技术，概述了国内 外软测量技术、模糊神经逆方法和应用到青霉素发酵过程的发展现状。 第二章模糊神经逆软测量方法。本章介绍了该方法理论依据的基础。探讨 了逆系统软测量方法应用神经网络逼近的实现可行性，对模糊系统与神经网络结 合的特点、优势进行了阐述。 第三章青霉素发酵过程的模糊神经逆软测量建模。依据青霉素发酵过程动 力学模型，构造了青霉素发酵过程的“虚拟子系统”，并证明了其可逆性，最后用 模糊神经网络加微分器的结构建立了青霉素的模糊神经逆软测量模型。 9 江苏大学硕士学位论文 第四章模糊神经逆软测量算法设计。本章详细说明软件设计中所须的主要 算法，主要包括数据的各种处理方法和模糊神经网络算法两部分。模糊神经网络 引入聚类算法避免规则数过多，采用梯度下降的学习算法调整网络参数。 第五章软测量预测系统设计与实现。本章主要阐述了青霉素软测量系统软 件的设计思路、结构和功能。应用v c + + 建立用户界面，调用m a t l a b 实现软 测量算法，后台数据库选用a c c e s s ，实现了各个子模块的具体功能。 第六章总结与展望。对全文工作进行了总结，并在此基础上提出了一些尚 需深入研究的问题。 1 0 江苏大学硕士学位论文 第二章模糊神经逆软测量方法 本章系统地介绍模糊神经逆软测量方法，逆系统方法的关键在于逆系统的构 造，即逆系统的存在性问题，文中给出了原系统的逆系统的构造方法和可逆性条 件。由于即使获得系统精确的数学模型，求解逆系统也不容易，对于复杂的非线 性系统则更无从谈起，所以利用模糊神经网络的函数逼近功能，逼近逆系统的非 线性函数，以静态模糊神经网络加微分器来实现模糊神经逆软测量。 2 1 模糊神经网络 2 1 1 模糊系统与神经网络的特点 模糊系统：试图在认知层面上获取人类的思维和推理能力；是基于逻辑推论 的插值推理，通常从领域专家处获取知识，借助模糊逻辑理论融入系统。 模糊系统是基于规则库的方法，每一条模糊i f t h e n 规则，实际上是对被讨论 系统的一个局部描述。模糊系统可以直接处理结构化知识，也即由专家给出的“规 则”。因为它引入了“隶属度 的概念，使“规则”数值化。这一特点可以使设 计一个模糊系统变得很简单。 神经网络：试图在生物层面上模仿人脑的机制；是基于泛化能力的代数计算， 通常从样本中获取知识，这个知识通过训练被吸收到神经网络中。 神经网络的计算能力最明显的两大特点：大规模并行分布式结构；神经网络 学习能力以及由此而来的泛化能力。泛化性能是指神经网络对不在训练集中的数 据可以产生合理的输e b s s , 3 4 】。神经网络不能直接处理结构化的知识，需用大量训 练数据，通过自学习的过程，并借助其并行分布结构来估计输入到输出的映射关 系。它将输入一输出样本对 ( j c l ，m ) ，( 而，儿) ，( 毛，此) 放在一个“黑箱 式的树 突网阵上，这种黑箱模型，不具有明确的物理意义，训练时任选初值，导致训练 易陷入局部极小点。 神经网络与模糊系统都属于一种数值化的和非数学模型的函数估计器和动 力学系统。它们都能以一种不精确的方式处理不精确的信息。它们本身就有着以 下的共同之处【3 5 】：1 1 都可从给定的系统输入输出信号中，建立非线性系统的输 江苏大学硕士学位论文 入输出关系，不像传统的系统建模需要确定的数学模型，因此又被称为无模型 预报器；2 ) 从数据处理的形式上看，都采用并行处理结构。对神经网络而言，本 身就是由并行结构的神经元构成；当输入信号进入模糊系统时，模糊规则将依据 条件部分的适用度决定是否被激发，并且由被激发的规则假设系统的输出。 2 1 2 模糊神经网络 神经网络可以通过训练来学习给定的经验，并生成映射规则，但是这些映射 规则在网络中是隐含的。模糊系统建立在用“i f - t h e n ”表达的一系列规则上的，但 不容易自动生成和调整隶属函数和模糊规则。 模糊逻辑与神经网络融合起来，构成模糊神经网络，使之能同时具有模糊逻 辑和神经网络的优点，既能表示定性知识又能具有强大的自学习能力和数据处理 能力，有明确的物理意义，专家知识很容易结合到模糊神经网络中，提高收敛速 度，缩短训练时间。 目前，模糊系统和神经网络技术的结合，从简单结合到完全融合都有所体现。 模糊逻辑与神经网络的完全融合p 6 1 ，主要是借鉴模糊逻辑推理的思路，设计一些 特殊结构的神经网络。在设计时，模糊系统通过一个等价结构的神经网络来实现， 神经网络的所有节点和参数都具有一定的意义，分别对应着模糊系统的隶属函数 或推理过程。采用神经网络技术来进行模糊信息处理有多种做法。典型的几种如 下：自适应神经网络模糊系统( a n f i s ) 、模糊a i 玎神经网络、模糊联想记忆网络、 模糊h o p f i e l d 神经网络等。 从模糊神经网络的结构和功能看【3 7 1 ，分为： ( 1 ) 具有学习功能的模糊系统 ( 2 ) 基于神经网络的模糊系统 ( 3 ) 用于模糊推理的神经网络 ( 4 ) 模糊化的神经网络 ( 5 ) 其他方法 从功能上说，一个模糊系统可描述为一个函数逼近器，即只要有充分多可选 择的模糊规则，模糊推理系统就可以任意指定的精度逼近任意的函数。一个基于 神经网络的模糊系统，即模糊神经网络就是这样的一种方法。利用神经网络结构 江苏大学硕士学位论文 来实现模糊推理，使神经网络的权值具有模糊逻辑中推理参数的意义。 2 1 3 模糊神经网络的模型 模糊神经网络是按照模糊逻辑系统的运算步骤分层构造，再利用神经网络学 习算法的模糊系统，不改变模糊逻辑系统的基本功能：模糊化、模糊推理和解模 糊化等。 模糊神经网络预先划分了输入空间，确定模糊规则数，从而预先定好神经网 络的结构，在此基础上，再利用神经网络的学习功能和自适应能力对系统参数进 行优化( 但不能对模糊规则数进行辨识，不能回答模糊规则数如何确定，是不是 越多越好，哪条最重要) ，再以测试样本检验系统的泛化误差，来决定所确定的 系统是否合适。确定好结构、参数，就把这个训练好的模糊神经网络用于实际系 统，并在运行中进一步调整参数，达到自适应学习和控制的目的【3 8 】。 模糊神经网络是以神经网络的结构为基础实现模糊逻辑推理，用如下形式的 模糊规则：i 7 r 五i s 彳a n d x 2i s 4a n d a n d x mi s4 ：l ，t h e n y i s ，= 1 ，2 ，w 以及乘 积推理、中心去模糊化，它的输入输出映射关系为： m “ 9n u ( x , ，) y = f ( x ) = 气一 ( 2 1 ) 娶“( x i ，m o ，厂) j # l 式中惕，是第条规则中隶属函数的中心，0 ，( o ，1 】反映隶属函数的宽度。 模糊神经网络在输入输出端口上与模糊系统完全等效，而内部权值或节点参 数可通过学习加以调整。其典型的网络模型如图2 1 所示。 图2 1 模糊神经网络结构模型 江苏大学硕士学位论文 第一层为输入层。每个输入神经元接收一个信号x ；，并把它传递到第二层。 第二层是模糊化层，又成为隶属函数生成层。它实现输入变量的模糊化，完 成一个隶属函数的计算，计算出变量相对于每个模糊子空间的隶属度。假设隶属 ，一 函数采用的是高斯函数，则簖= e x p 丁- ( x , - a , t yl 。 d l k) 第三层是模糊推理层。它联系着模糊推理的前提和结论，实现网络的模糊映 射。模糊推理层的结构是多样化的，可以是b p 网络或其他形式的网络，不同的 结构对应不同的算法，而各种模型的区别正体现在这里。 第四层是去模糊化层。它将推理结论变量的分布型基本模糊状态转化成确定 状态，负责给出确定的输出以便系统去执行。 这里讨论的模糊神经网络本质上具有模糊逻辑系统的结构，具有模糊逻辑系 统的完整的模糊化、模糊推理和解模糊化的功能。用神经网络实现模糊推理过程 中，可采用网络学习或聚类的方法从输入输出数据中获取规则，然后在性能指标 指导下，对规则进行调整，从而实现模糊系统的自学习、自适应功能。可以利用 神经网络的大部分学习算法来建立模糊神经网络。 2 2 逆系统方法 逆系统方法已经在一般形式的非线性系统上建立起比较完整的设计理论，所 谓系统的逆系统是指能实现从系统的输出到输入逆映射关系的系统。对于一 个具有动态特性的系统，有相应的逆过程，或称逆系统，这种关系可以称为映射 和逆映射的关系。即如果一个信号先后经过原过程和逆过程，其输出结果将等价 于经过一个被标准化的单位映射。 ， 逆系统定义如下：设系统几为另一个具有映射关系为u = 吃伊的q 维输入，p 维输出的系统，其中，输, n c p ( t ) = ( 仍，仍，仍) r 为初值满足于系统的初值条件 的任意给定的连续函数向量，输出甜( ，) = ( ，“：，甜口) 7 。如果取 妒( ，) = y d ( ，) ，口( f ) = ( ，口：，) 7 ，即饥定义为y d i 的0 【i 阶导数，且算子瓦满足 下式： o o o 牟, = o o a 纠= o o 口( y ，) 】= o u = y a( 2 2 ) 1 4 江苏大学硕士学位论文 则称系统i - l 为原系统的o t 阶积分逆系统，简称0 【阶逆系统。当口= 0 时，q 阶逆 系统就是单位逆系统，单位逆系统是q 阶逆系统的特例。 2 2 1 系统的可逆性 根据逆系统与原系统串联时所在位置的不同，逆系统又分为左逆系统和右逆 系统。左逆系统串联在原系统之后，此时逆系统所得到的复合系统的输出具有反 映原系统输入的功能，是根据系统当前的输出及各阶导数信息来判断系统当前的 输入，具有观测器的作用，这种逆系统研究的任务实际上是对输入的观测问题。 具有观测功能的左逆系统如图2 2 所示： uy 原系统 l 逆系统n 图2 2 左逆系统 右逆系统则是根据原系统的某些期望输出y a ( t ) ，通过使其作为右逆系统的 输入来产生需要加到原系统的输入端的控nu d ( t ) ，以驱动原系统产生事先所希 望的输出y ( ，) = y d ( t ) ，因此右逆系统研究的其实是对输出的控制问题3 9 1 。具有线 性化和解耦功能的右逆系统如图2 3 所示： y ( c o。 u 逆系统n原系统 图2 3 右逆系统 本文主要研究非线性系统的软测量，基于“虚拟子系统”逆的软测量方法， 其本质就是一种基于左逆系统的软测量方法，下文提到的逆系统均指左逆系统。 2 2 2 逆系统软测量理论 根据上文所述，如果能够构造出原系统的左逆系统，将它与原系统串联复合 后，就能够使复合系统的输入输出呈恒等映射关系，这样就达到了最理想的测量 条件，输出信号可以完全复现跟踪上输入信号，这就是逆系统软测量方法的本质。 如图2 4 所示。一方面复合系统的输入输出关系是恒等线性关系，另一方面系统 的内部结构( 原系统与逆系统) 仍然可能是非线性关系，即某些变量之间的关系可 江苏大学硕士学位论文 能是非线性的，故称复合系统为伪线性系统。 型也赢y 牝酽鸯业匝弘 图2 4 复合伪线性系统 逆系统软测量方